“解決所有疾病”，你說呢？

谷歌DeepMind執行長Demis Hassabis在今年的Google I/O主題演講尾聲，面無表情地宣稱公司希望“重新構想藥物發現過程，目標是有朝一日解決所有疾病”。這一說法堪稱“如果屬實，那就太厲害了”的經典案例。實際上，Hassabis所描述的是Gemini for Science，這是一套實驗性AI工具，旨在鼓勵研究人員探索並做出新發現。

我在Optimizer欄目中常對AI健康持批評態度，但Hassabis的宣告需要更多背景解讀。良好的科學傳播——既能讓外行理解，又不無意中傳播錯誤資訊——已變得愈發困難。I/O現場的科研人員自然明白，這句話意味著AI的進步大幅縮短了醫學發現所需的時間。但對於普通人（甚至科學傳播者）來說，這聽起來就像“Gemini能治癒所有疾病，因為這就是AI的力量”。然而，現實中的醫學突破並非如此。

幾十年來，AI一直是醫學研究和發現的重要組成部分。可穿戴裝置使用的演算法就是AI；非侵入性可穿戴檢測特徵的發現則是機器學習。生成式AI是這一研究領域相對較新的參與者，但前景廣闊。由於工作關係，我經常與臨床研究人員交流，消費健康技術的許多突破都部分歸功於AI的進步。例如，一項薈萃分析發現，AI在縮短新冠疫苗研發時間方面發揮了重要作用。然而，該分析也指出，在演算法偏見、資料隱私和全球公平獲取等方面，使用AI仍面臨重大的倫理、物流和監管挑戰。

在主題演講中，Hassabis提到了谷歌的AlphaFold和AlphaGenome專案。AlphaFold幫助研究人員更好地理解蛋白質結構，這在癌症治療等領域可能至關重要。傳統上，發現新蛋白質及其相互作用需要數年時間，而AlphaFold大幅縮短了這一週期。在實際案例中，研究人員已利用該模型開發瘧疾疫苗、發現與“壞膽固醇”相關的關鍵蛋白質，以及理解早發性帕金森病背後的蛋白質。另一方面，AlphaGenome幫助預測人類DNA序列的突變，可能有助於理解某些疾病的成因。但谷歌在《自然》雜誌上指出，該模型存在重要侷限，例如尚未針對個人基因組預測進行驗證，且難以捕捉細胞和組織特異性模式。這些細微差別對科研人員很重要，但對大眾而言通常會被忽略。

從很多方面看，Hassabis在臺上的發言並不是針對我們這些普通觀眾。而且需要明確的是，這些AI模型和Gemini for Science工具不會在三年、五年甚至十年內神奇地根除癌症或所有“不治之症”。這類事情至少需要20年，甚至更久。你可能覺得這時間很長——尤其是對生病的親友或自己的壽命而言——但在嚴謹的科研領域，這已是雄心勃勃的激進估計。然而，在宣佈四十億個其他AI智慧體和功能的主題演講中，你根本沒有時間解釋這些。問題在於，這些言論傳播甚廣，影響深遠。對我們大多數人來說，AI健康至今仍是糟糕的體驗：重複的指標摘要、幻覺和煩人的手把手指導。我們不應將面向研究人員的AI工具與消費級AI健康功能混為一談，但人性本如此，很容易將它們聯絡起來。

我對Hassabis言論的第一反應，是想起衛生部長RFK Jr.最近在國會聽證會上說AI可能讓FDA“變得無關緊要”。他的邏輯是AI可以幫助開發和審批新藥。將這與Hassabis的話對比——語境完全不同——就能看出普通人的反應可能會產生誤導性聯想，例如認為谷歌在附和或支援Kennedy的分析。此前The Verge已報道過Kennedy在AI健康領域觀點的問題所在。但作為提醒，去年他在接受Tucker Carlson採訪時表示，AI可以加速藥物審批過程。這一說法並非完全錯誤，但它並不能消除FDA藥物試驗、動物測試等存在了幾十年的流程。AI歸根結底是一個需要專家投入和協作的工具，科學嚴謹性絕不能隨意跳過。

語境至關重要，而它往往是熱門金句中最先丟失的部分。這就是為什麼當我首次概述健康騙子的套路時，我說第一步通常是將一個寬泛的事實與一個誤導性的斷言並列。需要澄清的是，我並不是說Hassabis在主題演講中犯了滔天大罪。谷歌（和蘋果）確實做了大量臨床研究，並透過部落格努力傳達這些努力。但就像傳話遊戲一樣，在當今短影片、注意力縮短和媒體素養下降的時代，很多資訊丟失了。我沒有什麼解決方案，只能盡力在可能的地方補充語境，希望它能觸及適當的受眾。

科學洗白如今如此盛行，自有其道理。幾個流行語或大膽宣告就能賦予高科技合法性，卻抹殺了細微差別。在矽谷，你可以看到技術兄弟參加肽類派對或追隨Bryan Johnson的長壽生物駭客風格。從“AI能解決所有疾病”到“追蹤你的生物指標，最佳化這些補充劑，戰勝死亡”，並不是一個大跳躍。也許AI最終有一天能幫助解決所有疾病。但如果真的如此，道路絕不會清晰簡單。未來20年可能發生很多事，尤其是在政治、社會和文化背景中，這些也會影響臨床研究能力——所以請原諒我，現在還沒有Hassabis那麼樂觀。