AI 说十年内能治愈癌症，它究竟看到了什么？

本文来自微信公众号： AIGC从0到1 ，作者：王零壹2026年11月10日，Anthropic CEO Dario Amodei在IPO路演里说，如果看癌症、阿尔茨海默病、心脏病和精神疾病，它们可能会在不到十年内成为“过去的遗物”。

一种熟悉的科技叙事：AI又要“颠覆医疗”，模型再进步几代，疾病就会像旧软件里的Bug一样被修掉。但如果认真看Amodei从2024年《Machines of Loving Grace》开始铺陈的逻辑，会发现他真正押注的是另一件事：当AI能够持续提出假设、调用专业模型、设计实验、读取结果、再根据结果调整下一步策略时，科学发现本身会不会被改造成一种可以高速迭代的系统？

这和“AI给医生一个建议”、“AI帮药企筛几个分子”，已经不是同一件事。过去两年，AI已经在生物医学研究的几个关键位置取得了真实进展：预测分子结构、设计蛋白质结合分子、在海量DNA数据中发现可供验证的新模式、控制实验设备、把真实湿实验结果重新喂回下一轮探索。

但从这里到“重大疾病成为过去”，中间还隔着一条很长的链条：科学发现→机制确认→治疗靶点→候选分子→临床前研究→人体试验→监管审批→制造与支付→患者真正获益。AI已经开始改变这条链条的前半段。

它能不能改变后半段，才决定了这是不是一次医学革命。一、Amodei真正预测的，是“被压缩的医学研究”在《Machines of Loving Grace》中，Amodei的论证有一个常被忽略的前提。

他说的不是“从今天开始，五到十年内疾病会自动消失”；而是，假如出现一种具有顶尖科学研究能力、能长时间自主工作、能调用大量工具与实验资源的强大AI，那么在它出现后的五到十年里，人类原本可能需要几十年推进的生物医学研究，有机会被大幅压缩。

这个设想依赖至少五个条件：AI不只是回答问题，而是能完成持续数天、数周的研究任务；它能同时探索大量互不完全重叠的科学路径；它能在已有知识之外，提出值得检验的新假设；它能调用计算工具、实验设备与外部研究资源；

真实实验、临床、监管和医疗体系也能随之提速。前四项，已经开始出现一些早期证据。第五项，仍是最大的未知数。因为医学不是纯粹的智力竞赛。证明一个蛋白质可能与某种疾病有关，和证明干预它能改善患者结局，中间差着无数次失败。

一个候选药物在培养皿里有效，不等于它能进入目标组织；能进入目标组织，不等于它没有毒性；没有明显毒性，也不等于它在随机对照试验中真能改善生存、功能或生活质量。所以，Amodei的预测真正要接受检验的，是：AI在研究端获得的速度，能否穿过真实实验、人体差异、临床试验和医疗部署这些最慢的环节。

二、AI早已经从“读论文”走进了实验室要理解今天的变化，先要区分两类能力。第一类，是在已有知识中做得更快。例如读论文、整理证据、预测蛋白质结构、筛选候选分子。这些任务本身已经非常重要，但本质上仍是在一个相对明确的搜索空间中找答案。

第二类，是在未知空间中发现新问题。它要求系统不仅能说“这个分子可能结合”，还要问：为什么会结合？哪一个机制值得验证？如果实验失败，下一步应该改变什么？哪些变量造成了失败？这才接近科学发现。

AlphaFold是前一类能力最有代表性的标志。AlphaFold 2曾经让很多结构生物学研究者第一次感受到：过去需要花很长时间才能获得的蛋白质结构信息，现在可以快速得到高质量预测。

AlphaFold 3又把预测范围扩展到蛋白质、核酸、小分子、离子等生物分子及其相互作用。它的意义很大，但结构预测不等于功能理解。预测一个小分子可能和蛋白质结合，不等于它能在人体内成为药物。

静态结构也不等于分子在不同环境、不同时间尺度、不同细胞中的真实动态行为。AlphaFold改变的是一部分生物学问题的成本曲线。它没有跳过实验。真正值得关注的新变化，是AI开始承担“把这些模型、数据和实验接起来”的工作。

三从设计一个分子

，到发现一种现象今年8月，Anthropic公布了一项蛋白质结合分子设计实验。研究团队让Claude配合专业蛋白质设计和共折叠模型，对15个靶点进行从头设计。Anthropic报告称，其中14个靶点得到了成功结合的候选分子；

不同设置下，单个设计的结合命中率约为22%—35%。这些候选分子随后由外部实验机构生产和测试，而不是只停在计算机里。这很重要，它至少说明，通用Agent已经可以协调专业模型、检索资料、选择结合区域、生成和筛选候选序列，并把结果送进真实湿实验验证。

但它离“新药”还很远。一个蛋白质结合分子，首先要证明结合；接着要证明它具有预期功能；再证明它稳定、可制造、可递送、毒性可控；最后还要在人身上证明风险收益成立。真正的药物研发，不是一场单项成绩赛。

它是一系列互相冲突的指标：结合能力、选择性、稳定性、免疫原性、代谢、毒理、生产成本、给药方式和临床效果。任何一个环节失手，前面所有漂亮的设计都可能归零。Anthropic在9月公布的另一项工作，则更接近“原创发现”的含义。

Claude在大量DNA与相关酶序列中，识别出一个与重复DNA序列相关、此前没有被充分认识的逆转录酶系统。团队将它称为ART，Array-associated Reverse Transcriptases。

它和CRISPR的类比不在于“AI又发明了一个CRISPR”，而在于：AI从大规模、未被充分解释的生物学材料里，找出了一个值得进一步研究的新现象。这一类结果的价值，而在于科学研究的起点正在变化。

过去，发现一个值得验证的异常，往往取决于研究者在庞杂数据里看见一个“有点不对劲”的地方。未来，AI可以把这种搜索做得更广、更持续，也更不受单个实验室注意力的限制。但必须马上补上一句：找到异常，不等于理解异常。

AI可以从相关性里挑出候选模式，却不能自动证明因果关系。某种蛋白在肿瘤里升高，可能是它推动了肿瘤，也可能只是肿瘤生长后的结果，或者二者共同受第三个因素影响。真正的科学发现，需要进入干预：敲除会怎样？

抑制会怎样？是否存在剂量效应？不同患者、不同细胞类型、不同模型里是否一致？AI可以帮忙设计这些实验。世界仍然要用真实实验回答它。

四真正的分水岭

：AI开始决定“下一次实验做什么”如果说AlphaFold和生成式分子设计，让AI在计算空间里走得更快；那么自动化湿实验室，正在尝试让AI把推理延伸到现实世界。Google Research在今年10月发布了一组“自主湿实验室”研究。

其中一个关键项目叫VERID。它试图把真实实验台变成一个带实时状态的“数字孪生”：机器人手臂在哪里、孔板里还剩多少液体、试剂是什么、移液枪头是否足够、某个动作是否会碰撞，都被持续记录和模拟。

它解决的是一个极其现实的问题：一条对语言模型而言“语法正确”的实验指令，在实验室里可能根本无法执行。比如，移液器无法伸进一个太窄的容器；某个孔已经没有足够液体；试剂在等待期间发生了蒸发；

一次操作在代码上看没有问题，却会因为液体分层、残留和位置偏差，破坏整个实验。Google的做法是让Agent在行动前模拟、在行动中记录、在失败后根据视频与状态日志重新规划。其研究展示了Agent在真实实验循环中修正操作策略，并在多个轮次中提高结果的案例。

这才是“科学Agent”最值得关注的地方，它是一个开始进入闭环的人造研究系统：环节AI在做什么最难的问题提出假设找可能的机制、靶点或分子不把相关性错当成因果设计实验选择最能区分不同解释的实验统计效力与变量控制执行实验调用机器人、实验设备或人工流程物理可靠性与安全读取结果分析实验数据、视频、仪器输出噪声、污染与测量误差更新策略调整候选分子、实验条件与优先级不被错误反馈带偏保留知识记录成功、失败和边界条件可追溯性与可复现性这条链条里最重要的不是“AI能跑多少次实验”。

而是：它能否从真实世界的反馈中，逐步改进自己的研究策略。不过，实验闭环也有一个典型陷阱。如果你让系统最大化“结合成功率”，它可能学会挑最容易结合、最容易测量的分子；如果你让它最大化某个细胞指标，它可能牺牲稳定性、安全性或人体相关性；

如果实验设备存在系统性偏差，Agent甚至可能越来越擅长利用偏差，而不是理解生物学。所以，AI科学系统不只需要更强的模型，同样需要可靠的评价函数、独立验证、实验设计和停止规则。五、AI新药已经走到哪里了？

既然AI能设计分子、跑实验、发现机制，那么AI药物是不是已经快要批量上市？现实没有这么快，但也不是零。Rentosertib是Insilico Medicine开发的TNIK抑制剂，目标适应证是特发性肺纤维化。

该项目的意义在于，AI参与了靶点发现和分子设计；它已经不只是“计算机里看起来不错的候选物”。2025年，Rentosertib的IIa期随机、双盲、安慰剂对照研究发表于《Nature Medicine》。

这意味着它已经跨过了早期研发和动物实验，进入了人体临床证据层面。IIa期通常只是在较小规模人群中观察安全性、剂量和初步疗效信号。后续还要面对更大规模、更长时间、更严格的临床验证。即使最终获批，也只能说明一个具体项目在一种具体疾病中的成功，不能自动证明“AI已解决临床失败问题”。

这是理解AI医药时最应该守住的分层：你看到的新闻它真正意味着什么它还不能证明什么AI预测蛋白质结构研究者更快得到结构假设已理解疾病机制AI设计出结合分子找到早期候选物可以安全治疗患者湿实验验证有效现实世界里出现初步信号能通过临床试验进入人体临床已开始获得人体证据将获得批准或广泛使用获得批准在特定适应证有明确风险收益某类疾病整体被攻克疾病负担下降医疗体系产生人群层面影响下降完全由AI导致这张表看起来像是在泼冷水，但它其实是在保护真正的进步。

如果我们把每一次湿实验成功都夸成“治愈疾病”，公众很快会对真实而缓慢的临床进展失去耐心；如果我们把所有谨慎都理解成保守，也会看不到正在发生的研究范式变化。AI药物研发最值得期待的，不是明天突然出现一颗万能药。

而是它可能持续提高早期发现的质量、缩短试错周期、减少无效实验，并让更多此前没有人力覆盖的靶点、机制和患者亚群进入研究视野。

六、为什么疾病不会像软件Bug一样被修掉癌症、阿尔茨海默病、心脏病和精神疾病，从医学上看，它们不是同一种挑战。癌症不是一个疾病，而是一大类具有不同突变、不同微环境、不同演化路径的疾病。

某些癌种已经能被长期控制，另一些依然极难治疗。AI可能帮助找到更多靶点、设计更精准的药物，却不能让所有肿瘤异质性突然消失。阿尔茨海默病的难点，则不只在于找到某个分子标志物。很多神经退行性改变在症状出现前已经积累多年；

即使干预某条机制，也未必能逆转已经发生的神经损伤。心脏病牵涉遗传、饮食、运动、吸烟、环境、医疗可及性和长期行为。即使AI发明更好的治疗，也不自动改变人群暴露的风险结构。精神疾病的挑战更复杂。

诊断边界、病因机制、患者异质性、社会环境和治疗目标彼此交织。更好的预测工具和个体化治疗可能有价值，但不等于一个统一算法能“消灭精神疾病”。更现实的障碍还有：细胞生长、动物观察和长期随访需要时间；

人体试验必须处理安全性和个体差异；临床试验需要患者、医院、资金和高质量研究设计；新疗法需要制造能力、支付体系和长期监测；有效的疗法不一定能被大多数人获得。AI可以压缩其中一些环节，它无法通过算力取消全部的物理、伦理、制度和社会时间。

这也是为什么，对“十年内重大疾病成为过去”最合理的回应，不是简单说“绝无可能”，也不是跟着喊“医学奇点来了”。按照前文解耦思维新技术正在逼我们升级思维的操作系统，更好的说法是：AI很可能显著改变医学研究的速度；

但“研究速度”能否稳定传导到“患者获益”，还要经过一条目前尚未被证明可以整体压缩的临床链条。

七未来医学里

，真正稀缺的会是什么？如果AI可以快速读完所有论文、生成大量假设、设计几千个候选分子，医学研究的稀缺资源会发生迁移。过去稀缺的是阅读能力、计算能力、专家时间和候选假设。未来更稀缺的，可能是：高质量、可共享、可追溯的实验数据；

稀有且有代表性的患者队列；能反映真实疾病过程的模型；能真正区分因果关系的实验设计；能完成严格临床验证的医院和研究网络；能判断什么值得继续投入的人类研究者；能让有效治疗被患者获得的制造与支付体系。

这会改变医药产业的组织方式。一个很小的研究团队，未来可能通过AI调度专业模型、自动化实验平台、合同研究机构和临床资源，完成过去需要更大组织才能推进的早期探索。但降低研发运营成本，不等于自动提高临床成功率。

管理效率改善，也不等于实验验证可以省略。未来的赢家未必是拥有最大模型的公司，而可能是最擅长把模型、实验、数据、临床资源和监管能力接成闭环的机构。还有一个更容易被技术乐观主义遮住的问题：普惠。

一项疗法可能很有效，却仍然昂贵、难制造、难交付，或者只在少数医疗中心可得。所以，衡量AI医学革命至少要问三件事：它能不能发现？它能不能治疗？普通人能不能获得治疗？这三件事的答案，可能完全不同。

八不要等到

2036年，今天就可以验证这场革命“十年后疾病会不会成为过去”太大，更好的方式，是从现在开始追踪四层结果。层级真正要看的指标L1：基础发现AI提出的新机制、新靶点，能否被独立实验室复现L2：治疗进展AI深度参与设计的候选疗法，能否在临床前和临床中产生可靠结果L3：患者获益获批疗法是否改善生存、功能或生活质量L4：人群负担疾病死亡、残疾和医疗负担是否在控制其他因素后出现持续改善L1的繁荣，不等于L3的到来。

L3的成功，也不自动证明L4会发生。但如果到2030年前，我们看到以下变化，就有理由提高对AI医学加速的判断：多个独立实验室复现AI主导的原创发现；AI系统能跨任务、跨疾病地持续改进实验策略；

从靶点到临床前候选的时间和成本明显下降；AI深度参与的项目在后期临床中出现一批经得起检验的成功案例；新疗法开始在真实世界中改善患者结局，而不只是提高论文和管线数量。反过来，如果AI长期只停在演示、早期候选筛选和漂亮实验图上，后期临床成功率没有变化，那么“医学革命”的可信度就应该下降。它只意味着，AI改变了医学工具，却还没有改变医学最深的约束。

九奇迹时代

，首先会是一个更会做实验的时代“AI能不能在十年内治愈癌症”并不是一个特别好的问题。它太像一个二选一的赌局：要么奇迹发生，要么泡沫破裂。真正值得问的是：当人类第一次拥有一种能持续阅读、推理、提出假设、设计实验、调用工具，并根据真实结果重新规划下一步的智能系统时，科学研究会不会从根本上改变？

答案很可能是：会。但它首先改变的，不会是病房里的最后一刻。它会先改变实验室里的第一步：哪些问题被提出，哪些假设被验证，哪些失败被记录，哪些路径被更早放弃，哪些原本无人注意的生命机制开始进入视野。

它可能让人类第一次拥有一种新的能力：更快、更广、更持续地理解生命系统，并把这种理解一轮轮推向真实世界。医学革命如果会发生，起点大概不是一句“AI治愈了疾病”。而是实验室开始以一种从前不可能的速度，学会从现实中纠正自己。