微软研究播客探讨 AI 如何塑造医疗健康的未来
Can AI help build a healthier future?
微软首席科学官 Eric Horvitz、Scripps Research 的 Eric Topol 与微软研究院 Ava Amini 在 The Shape of Things to Come 播客中讨论 AI 医疗的未来。对话覆盖 AI 辅助诊断、医学影像、全患者模型、虚拟细胞与生物基础模型在科学发现中的作用,并指出有前景的研究为何难以快速惠及患者,以及更好的生物数据与真实世界验证仍不可或缺。
译文尚不完整,完整内容请切换到原文。
技术的进步速度如此之快,以至于我们很难界定我们正在努力创造的明天是什么样子。在The Shape of Things to Come(《未来的形状》)一书中,Microsoft Research 负责人Doug Burger与来自各学科的专家们一起梳理了当今技术专家、政策制定者、企业决策者和其他利益相关者所面临的最棘手的人工智能问题。目标是:增进共识,以构建一个 AI 转型带来净正向影响的未来。
Microsoft 首席研究经理Ava Amini、Microsoft 首席科学官Eric Horvitz,以及医师科学家、Microsoft AI 健康顾问、来自 Scripps Research 的Eric Topol(在新标签页中打开)与 Burger 一起探讨一个对地球上每个人都影响深远的问题:有了 AI,医学的未来会是什么样子,而在此之前又需要先发生什么?
结合在机器学习、生物科学和临床护理方面的经验,该小组探讨了 AI 辅助的医学诊断、在医学影像中利用 AI 的未开发潜力、全患者模型、虚拟细胞,以及生物基础模型在科学发现中的作用。该小组还审视了为什么有前景的研究可能迟迟无法惠及患者、AI 如何指导实验和药物发现,以及为什么更好的生物数据和真实世界验证仍然至关重要。
本期节目呈现了一场以研究为基础的对话,探讨 AI 如今在健康领域能做什么、前方仍有哪些挑战和机遇,以及未来的形状。
The Shape of Things to Come 播客系列
订阅 Microsoft Research Podcast:
文字稿
[音乐]
DOUG BURGER:这里是The Shape of Things to Come,一档 Microsoft Research 播客。我是你们的主持人 Doug Burger。在本系列中,我们将深入 AI 能力的最前沿,探究其基本原理,真正尝试理解它们,并思考这些能力将如何改变世界——无论好坏。
今天,我请来了三位生物医学领域的专家,他们工作在 AI、生物学和医学的前沿,来探讨医疗健康将走向何方、对生物学的深入理解将走向何方、哪些医学进步即将到来,以及 AI 将如何改变健康的未来。这些问题非常重要,因为它们将决定未来的形状。
[音乐渐弱]
在今天的播客中,我邀请了三位在医学、生物学和机器学习/AI 领域的顶尖研究者。
Eric Horvitz 是 Microsoft 的首席科学家[首席科学官],他既是博士又是医学博士。我真不知道你是怎么在学校度过那么多年的。我认识 Eric 几十年了,他的工作塑造了整个机器学习领域。他是机器学习社区的传奇人物,也是我的好朋友。
Eric Topol 是我们的第二位嘉宾。他是斯克里普斯研究所(在新标签页中打开)的执行副总裁,这是美国最大的非营利生物医学研究机构。他已发表超过 1,300 篇同行评审论文。令人震惊,[笑声] 令人震惊地高产。著有四本书(在新标签页中打开)。真是一位令人惊叹、令人印象深刻、多产的科学家和医生。
最后,Ava Amini 是微软研究院的首席研究经理。她是我们组织中的一颗冉冉升起的新星,是 AI 与精准医学交叉领域的专家,也是Project Ex Vivo 的共同负责人,这是微软与 Broad Institute 之间的合作项目,专注于定义、工程化和靶向癌症中的细胞状态。
所以感谢大家今天参加。我认为我们有一组非常非常出色的人,除了我自己。我想从我的嘉宾们开始。
很明显,目前在生物学、医学和 AI 的交叉领域正在发生巨大的颠覆。你知道,我们正在看到一些事情、突破,以加速的步伐发生。模型正在帮助我们发现有结构并创建对推动医学领域前进真正有用的抽象。我最近看到一些演讲,患有癌症的科学家使用 AI 为自己设计药物。我的意思是,简直难以置信。
今天,我有一些长期问题要讨论,也许有点挑衅性。但我想从你们每个人所看到的当前正在发生的事情开始,比如,在医学、生物学和 AI 的交叉领域。
我认为你们每个人都有独特的视角。我会依次请各位发言,我知道,Eric,你有一篇发表在《科学》杂志上的封面文章(在新标签页中打开),非常令人兴奋,所以也许你可以谈谈那个。所以我会从你开始,然后我会请 Eric Topol,然后是 Ava。
ERIC HORVITZ:谢谢,Doug。
我认为医疗保健和生物科学是幸运的学科,因为内容已经数字化——无论是几十年来的蛋白质结构、电子健康记录等等——这使得这些领域易于为 AI 推理和创新做好准备。因此,我对长期未来以及我们在 AI 前沿早期将看到的东西非常乐观,尤其是在生物科学和医疗保健方面。
仅仅看到过去五到八年在生物科学中随着判别式和生成式 AI 模型所发生的事情,就非同寻常。你知道,AlphaFold(在新标签页中打开) 的突破只是冰山一角,我们现在看到,在某种程度上,当涉及生物科学中的实验平台、实验设计、数据解释、假设生成时,可能性的浪潮正在涌现和爆发,我应该说,作为科学推理者和人类科学家的助手和伙伴。
在医疗保健领域,我们有一个非凡的机会来应对患者安全、及时诊断以及医疗可及性方面的长期挑战。经过几年的密集工作,我和微软那些出色的同事们密集地研究了将AI应用于医疗挑战及基准测试——例如医学诊断挑战——并将其推进到我称之为医学认知的领域。在这个领域中,我们不再只是查看提供给AI系统的整个病例,并查看其诊断能力的准确性报告,比如某种形式的鉴别诊断,而是将AI系统置于临床医生的位置。
You get an initial set of symptoms, you get chief complaint, some history, a little window on what’s going on when a patient comes in in an ambulatory setting, and then it’s up to the clinician to ask the right questions and to then think about tests, balancing the information value with the cost of the tests. This is the sequential diagnosis challenge. And we applied AI to both the … formulating the hypothesis component of that as well as decision-making about the next best tests to order, questions to ask, and also when to call a diagnosis, even under uncertainty, as a concluding convergent diagnosis and getting on with things with therapy, for example. And showed just, I think, remarkable abilities of a number of frontier language models to do a fabulous job.
而且,你知道,再次与人类全科医生进行了一些比较,这些比较必须表面接受,并且我们在比较中所做的工作存在局限性,但仍然显示了这些方法在未来协助临床医生的前景。
BURGER: 嗯,恭喜这篇论文。这真是件大事。
Eric [Topol],接下来到你。你知道,你是播客中唯一不是微软员工的人[笑声],所以我认为你看到的东西与我们可能从自己的视角看到的大不相同,尽管我认为我们三个人总体上看到的东西各不相同。
你能告诉我们你看到了什么吗?比如,对听众来说,你知道,我们有来自各个不同领域的广泛听众,不仅仅是AI或医学专家。比如,你看到了什么,能让你的、那种技术型、聪明、普通听众能够领会的东西?
ERIC TOPOL: 是的,当然,Doug。我的意思是,我认为首先我也要祝贺Eric和微软团队,因为这是《科学》杂志上的一篇开创性论文。这是首次采用代理系统,不仅在诊断准确性上超过医生,还超过了许多其他前沿模型。准确性显著提高,几乎是医生的两倍,但成本更低。我的意思是,这是我们从未见过的东西。我们见过的是,你知道,利用AI来升级编码和利用AI可能提高成本。这确实是首次证明你可以以更低的成本获得更高的准确性。这有点像多吃少长胖,[笑声]或者味道更好,你知道。总之,这是相当令人印象深刻的工作。
现在,我所看到的一个引人注目的现象是,我们都把注意力集中在了生成式AI这个闪亮的新事物上,这很好。你知道,它已经发展了四年。但我们在某种程度上忽略了它更有实证的领域,也就是图像阶段,即医学图像的深度学习。无论是视网膜、胸部X光片、心电图,还是所有这些。
因此存在一个真正的悖论:例如,我们并没有将我们从乳腺X线摄影——一项随机试验中超过十万名女性(在新标签页中打开)——或结肠镜检查——44项随机试验(在新标签页中打开)——中学到的所有东西付诸实践,也没有从我们所知的每一种医学图像中挖掘出人类看不见但AI能够解读的所有嵌入信息。所以我们没有抓住这个机会。
那么,为什么这很重要?嗯,AI的下一个阶段,我想,是我所称的全患者模型,届时我们将拥有,正如Eric提到的,电子健康记录;我们将拥有所有图像、原始图像和其他层次的数据。可能是基因组学,可能是蛋白质组学;可能是,你知道,暴露组——所有这些层次的数据。
但我们只有在个体层面才能最大限度地利用这些数据,以便能够预测疾病及其可能发生的时间,以及如果我们改变某些因素以推迟或预防疾病会怎样的假设情景,并利用这些非凡的数据集,以前所未有的方式真正改变医疗护理。所以对此我感到兴奋。但我们仍在空转。我们还没有利用已完成的工作来影响患者护理。我仍在等待那一天的到来。至少可以说,这令人烦恼。
BURGER: 在我继续问Ava之前,你知道,既然你提到了这一点,你认为社区应该做些什么不同的事情,以免我们错过那个机会?我的意思是,有大量的研究在进行;有很多工作;有企业在采用AI。社区缺少的是什么?
TOPOL: 嗯,缺少的是实施。所以这一切都停留在那些伟大的期刊里,你知道,经过了同行评审,数据令人印象深刻,尤其是那些在现实世界中进行的随机试验,却没有被用于护理患者或帮助患者。
所以没有真正充分的理由说明为什么这没有向前推进。有很多借口,[笑声] 但是,你知道,医疗行业采用变革很慢。通常存在财务限制;不愿意在卫生系统层面投资,因为你知道,他们的利润率非常低……
BURGER: 对。
TOPOL: ……而且,你知道,他们不想涉足自己没有完全信心的领域。
你知道,有一件事值得注意,那就是医生们并没有在呼吁这些进步。我的意思是,如果我——或者患者们。如果你是一位接受乳腺X线摄影的女性,而你没有得到最先进的AI,你知道,美国几乎没有女性得到,你可能会想发动一场反抗。或者你必须付费才能在一个非常有限的网络中获得那种解读。有太多这样的事情人们没有得到……要么是为患者发声的医生,要么是患者自己,也许这就是我们推动这件事向前发展所需要的。
BURGER:我打算回到那个话题上。我认为那是一个非常、非常重要的点,因为它涉及这个系统的经济学。
但是,Ava,让我,让我转向你。你深陷其中,对吧?你在摆弄这些模型,与外部组织合作,并且实际上在推进疾病状态方面的研究。那么你现在看到了什么?
AVA AMINI:是的,从我所处的位置来看,具体来说,是在 AI 与生物学的交叉点。所以更侧重于生物科学而非医学和医疗保健,但这个视角与 Eric 和 Eric 两人提到的内容非常互补,因为现在我们正处于极度兴奋的阶段,充满乐观、大量能量和大量投资。但归根结底,现实再次是实施问题,我们对构建预测性和生成性模型、用于生物学的 AI 模型充满热情。但在我心中真正的问题是:这些究竟要解决什么?我们可以将它们部署去回答哪些问题?我们将如何实施它们?它们将如何被实验科学家采用并整合到我们的工作流程中?
而我认为这仍然是社区需要弥合的差距。我们正在朝着弥合这一差距迈出步伐。例如,通过与 Broad Institute 的合作,我们真的在尝试自下而上地构建一项联合研究事业,将 AI 方面和生物学方面结合起来。所以在下一阶段,我认为真正的挑战和考验将是:我们如何以有意义的方式将这些模型和系统实施到有意义的问题上?
然后我看到的第二个重要部分,也是我非常坚持的,与整个患者模型的愿景高度一致。这归结为一个事实:生物学极其复杂,因为它本质上是多尺度的,对吧。我们在分子层面进行操作,然后到单个细胞层面,细胞组织成组织和器官系统,而这些器官系统都在一个生物体内以非常协调的方式运作。这是一个在任何其他领域都很难找到的机器学习和计算挑战——你如何真正以连贯的方式整合这些层级尺度,使得从分子层面一直到患者层面或人类层面的背景和信息能够被有意义地提升为洞察。
正因为这些复杂性,也存在如此多的机会,对于真正的 AI 创新而言,包括我们如何将数据带给这些模型、我们如何表示数据、我们需要什么类型的数据、需要多少数据、它应该有多多样化。所有这些非常基础的技术问题。然后与真正的生物学问题并列,比如说,我们确实有一个整个患者模型。我们会将这样一个系统部署用于的第 1 或第 2 或第 3 高优先级集合是什么?还是我们民主化,你知道,追求应用的广度而非深度?所以,真的,由于这些原因,对于计算方面和生物学方面的研究来说,这是一个极其激动人心的时刻。
BURGER:我们不断回到整个患者模型。所以我想抛出一个可能具有挑衅性的问题,我将利用我的平台回到我旧的历史领域。
你知道,所以我是……我想大家都知道,我受过计算机架构师的训练,所以用芯片、软件和线路来构建系统,而且,你知道,在这个领域、在计算领域,其中一件事就是,我们人类已经构建了这些极其复杂的系统,就像字面意义上数十亿个电路在一块邮票大小的芯片上。但我们对它们几乎了如指掌,因为我们是从底层开始构建它们的。我们创造了抽象层;我们创造了,你知道,从一层到另一层的规则。但当然,在深处,你知道,晶体管结,那是一场混乱的随机之舞,量子之舞,你知道,静电力和,你知道,p-n 结实际上是随机器件,但我们只是构建了这些干净的抽象。
你们大家有没有想过,我们会不会达到生物学也如此的那一天?就像我们足够了解它,我们有一个抽象层级体系,我们知道每个部分做什么,我们可以指向系统的任何部分说:“就是这样”?还是说它永远都会是这种混乱的东西,复杂到我们不可能理解?
HORVITZ: 我能不能,我能不能说,Doug,一旦我们在你职业生涯中提供的那些非常清晰、精确的抽象集上运行一个深度生成模型,我们在真正试图理解算法行为时,就又回到了混乱之中,尤其是当它是随机的时候。我的感觉是——把这个类比推到一个多尺度动力系统,人体——那就是当涉及到不同抽象层次的各部分的动力学和相互作用时,会有非常高的复杂度。因此我们必须思考,在我们的推断中、在我们的测试中、在我们的研究中、在我们的数据收集中,有哪些管理这种复杂度的方法,以便我们能够,我们能够——再次保持……推进这个类比——想出一些技术,用于对我们所看到的和我们可以干预的东西进行可解释性分析,以及因果模型和抽象,帮助我们理解层内和跨层的相互作用。
BURGER: 我觉得那是个“不”。[笑声]
HORVITZ: 嗯,你知道,那是个“不”,意思是我们要……我们永远不会理解那些,你知道,细节——那些至关重要的细节——精确到原子层面,就像你在架构和系统设计中所拥有并一直拥有的那种。所以,是的,我本应该……我本可以非常……我本可以直接说“不”。
BURGER: 不不不。[笑声] 我只是,我只是想为听众简化一下,对吧?因为……
HORVITZ: 抱歉,抱歉,各位听众。我讲了一大段。
BURGER: 我做了,我对 Eric Horvitz 做了一个低秩近似 [笑声],得到了一个比特。抱歉把你简化了。
HORVITZ: 这,这很有帮助。
BURGER: 这里还有其他评论吗?
TOPOL: 是的,我就抛出一个……
BURGER: 有人不同意吗?
TOPOL: ……这里有几个。首先,如你所知,人们对创建虚拟细胞有很大兴趣,……
BURGER: 是的。
TOPOL: ……在那里你可以进行任意数量的扰动并预测其响应,这将有助于无论是发现药物还是揭示大量生物学问题。
现在,在患者……人类……虚拟人类层面,我们目前还非常薄弱。我们甚至还没有——虚拟细胞还有很长的路要走,但虚拟患者之类的类比,比如说,如果你有多基因风险评分,甚至基因组序列,你可能会说,哦,这个人有患某种疾病的风险,比如心脏病。但我们不知道是50岁还是90岁发病。你知道,这其实没那么有用。
所以结果是,当你……即使是迄今为止已完成并发表的模型,它们已经能给我们一些时间信息。它们已经能对此进行着色。我们仍在寻找深度……那只是用电子健康记录和生活方式,或者电子健康记录和多基因风险评分。我们还没有大规模的深度和长期数据。等我们有了再说。所以我确实认为,在实现虚拟细胞之前,我们实际上会先得到一些更成熟的全患者模型。我们永远无法做到细胞水平上所有可能的扰动,但体内有很多不同的细胞。
BURGER:是的。
TOPOL:但另一点是,我们真的需要超越“你有风险”。我们有一个真正的机会来实现预防,而我们在医疗保健中从未真正以任何有意义的方式做到过。所以我认为这是令人兴奋的一步,但要实现它需要大量努力。
BURGER:我上周末参加了一个关于AI与医学交叉的会议,Eric,那个话题出现了:预防。我认为一些非常有思想的演讲者提出的论点是,我们的医疗保健经济模式与预防医学根本不相容。就像,系统没有动力去做这件事。人们可以选择去做,但是,你知道,你生病了去看医生,医院治疗你,然后你——他们可能会给你一些建议。但除了你的全科医生之外,系统没有根本的动力去投资预防未来的问题。你同意吗?
TOPOL:嗯,我只能说欢迎来到美国。[笑声]这就是模式。但如果你去其他地方,你会发现有激励措施来保持人群健康。巨大的经济激励,不亚于健康负担的激励。所以我们处于这种奇特、独特的情况,我们有反向激励,因为所有的结构,你知道,一年的保险覆盖。他们为什么要关心预防疾病……
BURGER:是的。
TOPOL:……当他们有如此短期的利益时?而且,你知道,结构上非常糟糕,无法实现这种转变。但这并不意味着它不会发生。它可能不会在这里发生,或者只在这里的特定实体中发生,比如Kaiser项目或某些更倾向于这种转变的实体。
BURGER:Ava,我想转向你,回到最初的问题。就像,数字系统是建立在随机混乱之上的精确抽象。你认为我们能够在所有随机混乱之上获得关于生物的精确规则吗,即使它更复杂?
AMINI: 我想几乎把这个问题的方向反过来。与其说,“我们能否达到那里,” 不如问,我们是否需要达到那里?我认为,也许并不需要拥有那种完整的、你知道的、原子层面或可解释性,即一个细胞中每个分子在任何给定时间如何移动、如何对这种扰动做出反应等等。我认为更重要的是思考,一个模型或一个由许多模型编排而成的系统,需要什么样的必要输出来真正促成科学家想要开展的发现?
而对于许多事情,你知道,就能够在一年、两年后前瞻性地进行实验验证而言,我认为我们不需要那种程度的可解释性。我们是否能达到那里,你知道,我认为我们可以就此辩论。我会倾向于Eric H. 那一侧,说也许……我不认为我们能够精确地达到那里,因为生物学固有的熵和动力学。但我会采取一个坚定的立场说,我认为这是必要的吗?不。
HORVITZ: 是的,Doug,在你所要求的系统架构师和硬件架构师的精确度,与我们在一定不确定性、随机性下,凭借对因果关系更深入的知识……跨越人类生理学不同理解层次,为患者带来巨大益处之间,还有巨大的空间。
AMINI: 正是。你知道,我们需要达到什么水平才能促成发现,或促成更好的干预、治疗或预防措施,对吧?你知道,我不认为细粒度的精确性对此是严格必要的。
BURGER: 是的,我当然不认为你需要那种程度的理解才能做非常、非常有用和重要的事情。但我认为你们两位刚才所做的,非常巧妙地是在说,“Doug,你被自己在这个领域30年的经验过度影响了,[笑声] 别插手,别再试图把你的经验套用到生物学上,”我认为这是一个合理的观点。这并不意味着我会照做,但我听到了反馈。
那么,Eric Topol,接下来请你讲一会儿。人们经常谈论AI以及人类的角色、AI的角色,还有,你知道,医生。也许作为一个初步的框架,我现在还看到的是创业活动的爆发。你知道,人们创办公司,人们产生新想法。然后你又有这个非常缓慢的医疗系统,缓慢只是因为它的运作规模,对吧。你知道,它占美国经济的一大部分。那么你如何看待人与AI共同扮演的角色?我知道这是一个复杂的问题,但你确实比我们任何人都更身处前线。
TOPOL: Doug,这是一个很难拆解的问题,因为这方面有太多不同的维度。例如,使用环境记录员来缩短医生和临床医生用于数据录入的时间,这在美国各地开始真正兴起,而那些频繁使用者确实,你知道,因节省大量键盘时间而获得回报……
BURGER: 对。
TOPOL:……所以这是一个要素,算是运营层面的。但事实证明,一旦你有了数字化的病历记录,而且它比我们病历里存在了几十年的记录更准确,[笑声]……
BURGER:是的。没错。
TOPOL:……那它就能做各种事情。你知道,它能处理医嘱、扫描、化验、未来预约和预授权等等。它甚至能就就诊时讨论过的事情提醒患者。所以这是一个阶段。
Eric 提到的那一点正开始实现,那就是准确性,提升准确性。那是我们的诊断准确性——他提到的是治疗准确性——但我们的诊断准确性糟糕透顶。结果导致各种残疾和死亡,据 Johns Hopkins 估计每年有 80 万例(在新标签页中打开)。这是诊断错误的巨大代价。所以我认为我们将开始看到 AI 帮助人们。
嗯,然后,然后我们还有一件非常奇特的事,我从来没想到过。那就是因为医生、临床医生被挤压,他们与患者相处的时间不多。于是患者转向聊天机器人和 AI,发现它们比人类更有同理心(在新标签页中打开)。我绝不会预料到这一点,因为机器就算撞上同理心也不认识它。但事实证明它能传导同理心。患者喜欢能够查看化验结果、回答所有这些问题、拥有无限时间、即时访问等等。
所以这些是目前在消费者端发生的一些动向,这很重要;对更进步、正试图迈出这一步的医生来说,这减轻了一些数据文员职能。我希望我们会看到回归……借助时间的馈赠,患者在一定程度上更加自主,医生有更多时间与患者相处,我们找回这种医患关系。这在过去几十年里严重侵蚀了。
BURGER:对。
TOPOL:但我们有迹象表明我们实际上可以找回它。我,我希望我们会。
BURGER:我还能说出我 5 到 10 岁时家庭医生的名字,[笑声]但我却说不出我最近五位医生的名字。
TOPOL:是的。
BURGER:所以这是个很好的例子。
TOPOL:就是这样。
BURGER:你知道,我们谈到了全患者模式,请大家稍等我一秒。你知道,在数字计算领域,我们有 Moore 定律,它持续了大约 50 到 60 年,我就不去纠结它到底是什么了,因为流行文化版本并不正确。但它确实推动了计算价格每年指数级下降。而我们现在看到的是 token 成本下降速度更快,你知道,每年 4 到 10 倍。我们不知道这会持续多久,但这难以置信。当然,现在模型增长得太快,我们看不到那些成本。[笑声]但在固定规模模型上服务一个 token 的成本一直在骤降。
所以我想知道,当我们谈论全患者模型或虚拟细胞、所有这些数据以及医疗系统的成本时,你认为这些趋势会降低医疗成本以及开展这类事情的能力吗?还有其他的成本驱动因素在下降吗,还是你认为我们正走向一个世界,在那里为人们做所有这些先进的东西会变得越来越、越来越、越来越昂贵,除了少数人之外都将无法负担?
AMINI:是的,我可以,我可以从这个开始,因为这里有一个角度,既涉及医疗方面,也涉及生物科学方面,以及更早期的发现、实验和药物发现工作流程。在那里,我想说的是,前景在于这种用计算来换取实验的想法,并在两者之间形成相互作用,其中你在实验室里花费的一些实验周期是那些高置信度的周期,你知道,是模型优先考虑的实验搜索空间的区域,比如说,这样你就可以更高效地利用实验资源——无论是资金、试剂、实体试剂、人员——从而通过虚拟地做一些实验(如果你愿意这么说的话)来降低发现成本和前置时间。
所以在计算机中运行查询,然后能够以因果方式预测实验的结果。给定一个输入状态,遵循这种干预后的输出状态是什么,对吧?因此,你基本上可以通过这种方式平衡成本支出,这样你就可以真正、真正地在现实世界中深入钻研那些最有希望的东西,希望时间线更快,湿实验室的总体实验支出更低。所以那是……可能是它体现的一种方式。而随着token成本的下降,希望这种加速会放大,因为现在计算方面是整个发现循环中迭代更快的一方,而不是实验方面。
BURGER:但在我们请Eric——请两位Eric——回答那个问题之前,你知道,在接下来的五年里,我猜运行这些实验的token成本会下降大约一千到一万倍。那么……这难道不会让模拟……现实世界——我称之为模拟世界——成为瓶颈吗?就像……还是说它只是改变了你分配时间的方式?
AMINI:是的。我认为事实是现实世界永远是瓶颈,对吧?你无法完全用虚拟实验取代现实世界。我们永远需要现实世界。愿景是,它将聚焦你在现实世界中花费时间和精力的地方和方式,这样你确实做的那些实验就是高置信度的,并且是你知道的、有可计算的东西支持的,如果你愿意这么说的话。
BURGER:嗯哼。我觉得我们生活在一个非常奇怪的世界里,“现实世界永远是瓶颈”这句话我们都刚刚听到,而且可能都同意。[笑]
HORVITZ:但是,Doug,就在此基础上……
BURGER:这是一个……请继续,Eric。
HORVITZ:……刚才在 Ava 的基础上继续展开,我的意思是,我最兴奋的生物科学领域,恰恰就在 Ava 最后一句话所触及的前沿。也就是把 AI 反过来用,去计算在给定“你去看会看到什么”的概率分布下,哪里价值最高。换句话说,就是指导实验。而且……你知道,更快的计算和更便宜的 token 会帮我们做得更好,这基本上直接解决了瓶颈问题。它说的是:“看,把你的资源约束给我、给我、给我;我会想办法告诉你,或者与你协作,找出最令人兴奋、最有趣、最出人意料的结果可能在哪里。”
BURGER:这是拯救生命的波束成形。
HORVITZ:正是如此。
AMINI:对。
TOPOL:但我的意思是,Doug,正如你指出的,随着 token 化成本呈指数级下降,瓶颈在于数据集。也就是说,你知道,我们刚刚看到 数十亿美元被分配用于生命科学数据集(在新标签页中打开),而要引入患者长期、深度的数据,成本极高,而这类数据今天几乎不存在。你可以拿到电子健康记录,但那不是你要的。[笑声] 原始图像……你需要所有这些其他层面的数据。我的意思是,所以你知道,记得 Eric 早先指出,AlphaFold 一直是标志性贡献。那是因为我们有 蛋白质数据库(在新标签页中打开)。数据集全都在那里。
BURGER:嗯哼。
TOPOL:所需要的只是,你知道,榨取它在 AI 下能发挥的作用。而现在,我们在生命科学或医学中还没有任何类似的数据集。所以我认为,这正是会阻碍我们从本可以、你知道,真正飞速前进的地方继续前进的原因。
BURGER:有一个——这是一个非常、非常有趣的观点。你知道,这里有一个历史类比,因为我的团队在 2010 年代为 RNN 构建基础设施、推理服务平台,你知道,那时你需要标注数据来训练模型。所以数据是瓶颈。于是我们在构建好的模型,但后来当 transformer 把这些拼在一起,你可以直接在无限量的文本上训练而无需标注时,它就把问题从数据问题变成了超级计算问题。然后就说,好,我们能造多大的计算机?当然,这引发了重大的平台变革。
你认为生物领域也可能出现这样的突破吗?因为就像你说的,现在我们受限于数据,但 2016 年我们也处于同样的境地,然后砰,这件疯狂的事发生了。
TOPOL:Ava 会知道。
HORVITZ:嗯,当然有,我的意思是,一直存在——一直有对数据集的机会性利用,比如基因组数据集,比如核酸数据集,它们正在提供新型预测模型,不一定基于蛋白质序列,例如,也基于观察核酸和核酸文库。所以生物科学中还有其他尚未被挖掘的数据集,它们……
AMINI:是的。
HORVITZ:……展现出一些令人惊讶的效用。
在医学领域,思考这样一个问题很有意思:假如我们有一盏阿拉丁神灯,可以索取某些形式的临床数据,或者那些能将表型临床数据与患者的序列层面信息——比如他们的DNA、表达以及蛋白质等——联系起来的数据,那么我们会索要的数据本质是什么,又该如何利用它来跳出固有思维?
你知道,而你是采访者。道格,我不想问艾娃那个问题,但我很想听听……[笑]
伯杰:不,你完全应该问艾娃那个问题,对吧?[笑]
霍维茨:好,我很想听听,如果你有魔法棒,[并且]你能说:“我想要这种类型的数据,而我目前没有,无论是用于自监督训练还是监督训练,我会要什么?”你只能从三个超大型数据库中选择来提问。[笑]
阿米尼:好,那我拿AlphaFold和PDB[蛋白质数据库]的例子来做个比较。那个例子里答案非常精准。我们看到了那个突破,因为PDB存在,但它也有局限,因为这些是蛋白质的静态结构,而我们知道蛋白质是动态的、有活性的。它们通过活动来执行功能。所以我认为真正缺失的是这些以活动为先的数据集,针对生物栈的不同层次。
其一,蛋白质是个简单的例子。我们能否创建同样规模和多样性的数据,将蛋白质序列映射到一系列功能上?历史上,这个领域有零散的数据集;它们并没有真正规模化。我们如何创造性地利用现有的资源,但是否存在新的空间——我们确实知道存在新空间——在整个蛋白质生物学中,我们能够真正走出去,创建首创的基于活动的数据集?而且我认为在细胞层面可能更是如此。
你知道,有人评论说人体内有如此多不同的细胞类型,我们无法全面映射每一个细胞类型会对每一种可能存在的化学扰动做出什么反应,因为空间实在太广阔了,尤其是在化学空间里。但是,如果我们聪明且有原则地选择在那个空间的哪些点上来构建多样化的数据集,那也是缺失的。所以我会说,这种生物学的功能性读数——无论是在分子层面、细胞层面还是组织层面——才是真正缺失的。
而在我们的Ex Vivo(在新标签页中打开)合作中,我们正在癌症细胞测量的背景下解决其中一部分问题,试图构建我们称之为状态到功能图谱的东西,观察一系列癌症细胞状态并测量功能结果——例如,对免疫疗法的耐药性或对靶向疗法的耐药性——并尝试建立这些桥梁。但这只是其中的一个切片。我认为更多这种对生物学进行功能性读数的理念,百分百是我会首先去做的。
BURGER:嗯哼。Eric Topol,接下来交给你一会儿。我们,我们进行了一场范围相当广泛的讨论。现在有哪些事情是……你认为人们、我们的听众需要关注的?你最近看到的一些超级令人兴奋的事情是什么?我想先轮流问一圈,然后我想在最后带我们稍微放飞一下。所以我会先让我们脚踏实地,然后再放飞。
TOPOL:嗯,你知道,我认为人类缺失的那一层是免疫系统,即免疫组。而我们迄今所学到的一切都指向它是健康寿命的关键基础。我们需要达到那一步。我们实际上今天在Nature上发表了一篇文章[1](在新标签页中打开),关于免疫组……
BURGER:恭喜。
TOPOL:……以及我们如何开始,开始看到一些突破,关于我们如何能够,你知道,快速、有意义地获得评估,无论是通过AI对胸腺的评估——此前人们认为胸腺到20岁时会进入退化、惰性模式,而现在我们知道在80岁时,有些人拥有完全完整的胸腺——而且……回到Ava的观点,即它可以预测癌症免疫治疗反应和患癌倾向。
我们还有蛋白质组学,我们可以观察免疫系统,一个人的免疫系统相对于其实际年龄的年龄,以及免疫细胞,细胞蛋白质组时钟。我们将进入对功能更加精细的评估。我同意Ava的观点,我们需要的是这些功能相关性指标,而我们目前缺乏这些。
所以我认为一旦我们获得这些,那一层将真正帮助我们,因为那个免疫系统,无论是易患癌症,还是大脑中促进神经退行性疾病的情况,或是动脉中促进动脉粥样硬化的情况,它都是核心。而我们一直没有一种在人体中测量它的方法,这很惊人。只在学术实验室里,在活体中,你知道,在20个人身上(在新标签页中打开),而那,你知道,那不是我们需要的。
BURGER:是的。
TOPOL:所以推进这一点并将其加入模型中,我认为这将是非常关键的一步。
HORVITZ:是的,我会提升一个层次来说,我认为通过研究衰老的基础,我们将获得超出预期的收获。这,你知道,免疫系统属于其中,但我认为总的来说,我们不理解为什么许多疾病会随着年龄出现。它们渗透……甚至,甚至像LRRK这样的遗传病变——一种叫做LRRK2转位的东西与帕金森病有关。它在60多岁和70多岁时出现。但为什么?为什么身体一直推迟到那时,然后它就出现了?对于阿尔茨海默病和其他疾病,正如Eric提到的,神经退行性疾病通常与年龄相关。例如,我们DNA的甲基化发生了什么,从而将我们的细胞定义为特化?
道格,我稍微借用一下你的说法。也许可以用 DIP 开关来比喻,通过开启和关闭表达来定义细胞类型。[笑声] 从字面上说,它们就像“开”和“关”。这些开与关的维持,以及随年龄增长的一致性会发生什么?这是一个巨大的谜团。如果我们能破解衰老过程中某些基础机制,而不只是做出断言——“哦,熵更高了,更混乱了”——而是理解干预措施以及其中的一些因果关系,我认为我们将一举解锁多种疾病,以及如何预防它们。
BURGER:我向你保证,我们会有更多的熵。
HORVITZ:哦,是的,我相信那是真的。
BURGER:抱歉开了个物理学玩笑,是的。Eric Topol 写了一本书叫Super Agers(在新标签页中打开),所以我认为……
HORVITZ:我刚才看到 Eric 在点头,抱歉,Eric,我闯入了你的领域。
TOPOL:不,不,完全没有。
BURGER:这……是的,很棒,很棒的观点。好,Ava,你对什么感到兴奋?
AMINI:所以当她们两位在发言时,我在想,最值得兴奋的一件事是什么。很难 pinpoint 一个。我会说……有一个技术层面的和一个生物学层面的。
在技术方面,回到我们关于数据的讨论,我认为那些允许创造性利用现有数据的创新,使得……我们可以把它变成一个超级计算问题,正如你,正如你指出的,Doug,这对我们这里以及整个领域来说都是非常令人感兴趣和兴奋的事情。因为数据是存在的,对吧?正如我们谈到的,某些类别的数据并不存在,但外面有大量的生物学数据和生物学工具,我们可以创造性地利用它们进行计算。
在生物学方面,我们还没有真正讨论过的一件事是新的测量技术,这些技术将能够以新的方式连接生物模态。因此,在生物系统中进行我们以前没有做过的新型测量,并回到这个多尺度的主题,对吧,这有望让我们以新的方式连接生物层次结构的那些层级,并在这些层级之间建立有意义的联系,以便我们能够获得更多这样的元层面输出和结果。
而在更高层面上,我很喜欢关于免疫组和衰老作为系统层面表型和读数的观点,所以这是我非常非常兴奋的事情。摆脱对虚拟细胞的过度炒作,真正思考系统层面的表型和现象,我认为是极其有前途的。
BURGER:所以我一直着迷于,你知道,你有一套 DNA,而那个 DNA 编码了一个程序,用来构建一个生物体。但那个程序的执行——比如构建细胞,细胞繁殖,然后它们特化,然后它们形成系统,然后它们形成功能——我的意思是,整个表观遗传和系统,就像,人类大脑被编码在 DNA 中这一事实,不是直接的,显然是间接地通过那些规则。
你是否曾想过,随着理解上的种种进步——这或许是我“放眼未来”的问题——我们将理解那些规则,并能够编写基因程序,以形成原本不存在的全功能系统或生物体?就像那样,它只会说:“嘿,我想要,你知道,我想要一团细胞,能从空气中吸收 CO2,然后把藻类吐到海洋里。而这就是能完成这件事的生物体。而这就是能通过细胞的分化和复制构建出那个生物体的 DNA 序列。”因为在我看来,那个领域比仅仅理解生物系统中的通路要高出一整个复杂度层级。但这都是你的领域,所以我只是随便说说。你,你觉得我们能达到那一步吗,还是那太疯狂了,我们甚至不该去想它?
AMINI: 是的,我认为这种可编程性正是那种承诺,对吧。我们能否通过对我们人类有意义的界面——无论是自然语言,还是其他模态,甚至也许是图像,如果,你知道,我们能以视觉方式指定一个功能的话?那能否由一个蛋白质来执行,对吧?或者通过化学描绘?所有这些关于可编程性的概念。
但道格,你真正谈论的,你知道,是合成生物学的核心,它由这样一种精神驱动:试图让生命可编程,并操作和设计基因回路,使其能在活体物质中执行功能,就像我们设计电路作为计算的基础一样。这在某种程度上让我非常怀旧,因为本科时,这就是我的研究,……
BURGER: 哦,我不知道那件事。[笑]
AMINI: ……在合成生物学领域,是的。
BURGER: 我这儿有个高手。太棒了。
AMINI: 所以,所以,其实,我觉得你会欣赏这个。我们当时试图在大肠杆菌细菌中实现状态机,通过创建这些基因回路,使其能对不同顺序和组合的化学输入作出响应。而这些只是那种玩具式的例子。但其原理是把一种计算范式带入生命系统,并做——在 DNA 中设计一个实际的回路,使细胞能够执行那个功能。
而看到我们已经走了多远,如今能够想到,你知道,用自然语言指定一个蛋白质的功能,并且,你知道,有一个 AI 模型能设计出一百个符合该功能的候选者,这令人震惊。所以我认为那是,就像,一个长期存在的[笑声]生物学愿景,而且它,就像,经历了这些不同的,我猜,该用什么词?演化……
HORVITZ:范式。
AMINI: ……如果你愿意这么说的话……
HORVITZ:是的……
AMINI: ……关于我们实际上如何达到那里。所以这是对过去几十年该领域的一个很好的视角。
HORVITZ: 甚至像添加到……这样的小回路
AMINI: 是的。
HORVITZ: ……人类细胞中,只是一个能计数其世代数的系统……
AMINI: 正是。是的。
HORVITZ: ……所以,你知道,你可以读出,“这是一个,像一千……
AMINI: 是的。
HORVITZ: ”……还是只有四?它是癌症吗?”一个数字,数字式的。
BURGER:Eric Topol,我觉得他们……Eric Horvitz 和 Ava 在主张生物学中的决定论,就像我们[笑声]之前谈到的那样。我觉得他们只是在跟自己争论,这挺有意思的。你怎么看?
HORVITZ:某种程度上是这样。[笑]
TOPOL:我,你知道,最近我们看到的一些事情,比如华盛顿大学的Jay Shendure(在新标签页中打开)能够在胚胎发生期间进行基因组编辑,而且是实时的(在新标签页中打开),这正好印证了你的观点,Doug,这些在一两年前、甚至一个月前都是不可想象的事情。[笑]
所以,不,我确实认为我们会解开那个方面,即编程的那个方面,我们现在有那么多先进的方法,而且分析能力无与伦比,并且会越来越好。所以,是的,我……那个……你的想法,即拥有能够解决我们所有环境问题的生物体,这个想法已经存在一段时间了……
BURGER:当然,确实如此。
TOPOL:……但没有任何成功,不过它们很原始。你知道,它们不是我们未来几年可能看到的那种东西。所以我……我们迫切需要这些东西,你知道,来应对我们面临的所有问题。所以我希望,事实上,我们能看到它们。而且我认为我们会的;只是时间问题。
BURGER:是的。好的,我想这差不多就是我的问题清单了,不过也许我可以绕一圈,从 Ava 开始,然后是 Eric Horvitz 和 Eric Topol,来谈谈结束语。比如,我们在这个疯狂且快速发展的领域进行了一次很棒的讨论,你知道,模型的能力将提升几个数量级,这会进一步加速发展。那么你想给我们的听众留下什么话?Ava,从你开始。
AMINI:是的,有几点。一是模型本质上是加速和改善干预的工具。我个人进入计算机科学与生物学交叉领域的原因,是因为我把计算机科学视为一个强大的抽象系统和工具集,我们可以用它来理解和设计生物学。所以我认为最重要的是,无论是在生物科学还是医疗保健领域,希望观众记住,我们正在努力推进这套工具集,以造福研究人员,并最终造福患者和我们星球上的其他生命,从最宏大的意义上说。
BURGER:太棒了。Eric Horvitz。
HORVITZ:十年后,普通人、公众,会认识到 AI 带来了医疗保健领域的重大突破,这将包括——并且会被明确称为 AI 突破——到那时将多种致命癌症转变为慢性病。并在延缓阿尔茨海默病的发病和进展方面取得进展,以及其他突破。所以我认为会有好几项,那两项将是巨大的成就,它们将被视为 AI 突破。
BURGER:太好了。Eric Topol。
TOPOL:是的,我的乐观甚至不止于此。我们将会能够……我们将有能力预防阿尔茨海默病,预防我们今天还无法预防的癌症。所以我对医学如今能走向何方抱有极大的乐观。我们已经找出——我们已经讨论过——一些阻碍它发展的因素,但你可以预见,未来几年它不会还是现在这个样子。我希望越快越好。[笑]
BURGER:是的。[笑]
TOPOL:但我们最终会拥有一种与今天截然不同的医学实践。
BURGER:我想感谢你们三位从百忙之中抽出时间来参加。我想对我们的听众来说,你们知道,这些人是在第一线做着了不起工作的人,离开研究的时间就是离开创造未来的时间。所以感谢大家参与并抽出时间。我真的很享受这次讨论,能坐在这里和你们三位在一起是一种真正的荣幸。
HORVITZ:谢谢你,Doug。
TOPOL:谢谢。很享受。
AMINI:非常感谢。谢谢大家。
[音乐]
标准结尾:您一直在收听The Shape of Things to Come,一档 Microsoft Research 播客。请在 aka.ms/researchpodcast(在新标签页中打开) 或 YouTube 及各大播客平台收听更多节目。
[音乐渐弱]
[1] 论文 Could measuring immune health reshape medical care?(在新标签页中打开) 于 2026 年 10 月 27 日发表在Nature上。
了解更多:
- Sequential diagnosis with language models
出版物 | Science | 2026 年 10 月 - Medical superintelligence: foundations and aspirations(在新标签页中打开)
出版物 | BMJ Digital Health & AI | 2026 年 10 月 - A Paradigm Shift for Building and Testing AI in Medicine(在新标签页中打开)
LinkedIn 帖子 | 2025 年 6 月 - Project Ex Vivo
主页 | Microsoft Research - Could measuring immune health reshape medical care?(在新标签页中打开)
出版物 | Nature | 2026 年 10 月
在新标签页中打开
文章 Can AI help build a healthier future? 首次发表于 Microsoft Research。
来源:Microsoft Research · microsoft.com