一位欧洲计算生物学顶级大佬，用88分钟说了一些主流声音不太愿意听的话
打开任何一个科技媒体，你大概率会看到类似的标题：“AI将颠覆医疗”“十年内AI治愈所有疾病”“医生即将被取代”。
这些声音铺天盖地，热闹得像一场永不散场的狂欢。
但一位欧洲计算生物学领域的顶级学者，在最近一场长达88分钟的深度访谈中，冷静地拆解了这场狂欢背后的真相。

从2024年诺贝尔化学奖说起

要理解这场争论的起点，得先回到2024年10月。
瑞典皇家科学院将那年的诺贝尔化学奖颁给了三个人：华盛顿大学的戴维·贝克（David Baker），以及谷歌DeepMind的德米斯·哈萨比斯（Demis Hassabis）和约翰·江珀（John Jumper）。
获奖理由是：贝克在“计算蛋白质设计”上的贡献，哈萨比斯和江珀在“蛋白质结构预测”上的贡献。
哈萨比斯和江珀开发的AlphaFold2，解决了一个困扰生物学界整整50年的难题——仅从氨基酸序列就能预测蛋白质的三维结构。诺贝尔奖委员会称，他们的发现“开辟了无限可能性”。
消息一出，主流叙事迅速升温。“AI征服生命科学”“AI医疗的奇点已至”之类的标题席卷各大平台。在很多人眼里，诺贝尔奖为AI医疗盖上了一枚权威的印章。

但这位欧洲计算生物学学者在访谈中提出了一个不同的视角：诺贝尔奖表彰的是基础科学的突破，而基础科学的突破和临床医疗的落地之间，隔着一条远比大众想象中更宽的河。

“未来10年AI治好所有疾病”，这话谁在说？

访谈中最尖锐的观点之一，指向了一种广泛传播的论调：“AI将在10年内治愈所有疾病。”
这个说法听起来激动人心，但它经不起稍微认真的推敲。

首先，蛋白质结构预测≠治病。 AlphaFold2确实能以前所未有的精度预测蛋白质结构，目前已经帮助全球190个国家和地区的超过200万研究人员进行了研究。研究人员可以用它更好地理解抗生素耐药性，甚至设计出能分解塑料的酶。
但这些是研究工具的进步，不是临床治疗的突破。知道一个蛋白质长什么样，和能够安全有效地干预它在人体内的行为，是完全不同量级的问题。

其次，药物研发的瓶颈从来就不只是“找到靶点”。 根据行业数据，一款新药从研发到上市，平均需要12到15年，花费约26亿美元，而进入一期临床试验的分子中，最终获批的只有7.9%。
AlphaFold和它背后的AI技术，确实有可能大幅加速“发现”阶段的效率，让研究人员更快地理解蛋白质功能、设计候选分子。但临床试验的推进速度，受制于生物学规律、监管流程和人体试验的伦理框架，AI的算力再强，也无法让一项三期临床试验在三个月内完成。

FDA专员甚至公开质疑过：在AI时代，一款新药为什么还需要十多年才能到达患者手中？但质疑归质疑，现实的约束依然存在。

被“黑箱”困住的AI医疗

访谈中另一个值得注意的维度，是AI在医疗场景中面临的根本性信任问题。
有学术文献明确指出，AI在医疗领域的进一步应用，长期受到“黑箱”性质的制约——算法能给出结果，但难以解释为什么给出这个结果。同时，算力不足、缺乏大规模标注数据等问题，也持续了数十年。
这不是吹毛求疵。在医疗决策中，“为什么”往往和“是什么”同等重要。一个医生开药，需要向患者解释理由；一个诊断系统给出结论，需要让临床医生理解它的推理逻辑。如果AI只是一个沉默的答案机器，它在高风险的医疗场景中的角色就注定受限。
更现实的图景是：目前绝大多数被文献引用的AI医疗模型，仍处于临床前或可行性验证阶段。大量系统综述得出的结论是——“结果非常有前景，但模型尚未达到可以广泛部署的临床成熟度”。

翻译一下：实验室里的漂亮数据，和医院里能用的产品，是两码事。

那AI医疗的真相到底是什么？

拆解完“谎言”，访谈并没有走向另一个极端——全盘否定AI在医疗中的价值。真相介于狂热和怀疑之间，而且比两者都更有意思。

AI在医疗领域最扎实的进展，恰恰发生在不那么“性感”的地方。

在医学影像领域，深度学习模型在肺癌筛查、糖尿病视网膜病变检测等任务上，已经展现出与资深放射科医生相当的准确率。FDA自2017年起就开始批准AI驱动的医疗设备，到2022年已授权91款。

在药物发现的上游，AI确实在改变游戏规则。2025年，Insilico Medicine的一款药物成为首个由AI发现靶点、AI设计分子的候选药物完成二期临床试验的案例。目前已有超过173个AI相关的药物项目进入临床阶段。

在蛋白质科学领域，AlphaFold2的意义再怎么强调也不为过。它让研究人员第一次能够大规模地“看到”蛋白质的结构，这是理解疾病机制、设计干预手段的基础设施级突破。

但这些进展的共同特征是：它们是“赋能型”的进步，不是“替代型”的奇迹。 它们让科学家和医生的工作更快、更准、更有洞察力，但它们没有——在可预见的未来也不太可能——让医生这个职业消失，或者让“治愈所有疾病”变成一个十年期的工程项目。

88分钟里真正重要的问题

那位欧洲学者在访谈中提出的核心问题，或许可以归结为一句话：当我们谈论AI医疗时，我们到底在谈论什么？
如果谈论的是科学研究的加速器，那么AI确实正在兑现承诺。蛋白质结构预测、基因组分析、药物候选筛选，这些领域的进步是真实的、可验证的。
如果谈论的是临床医疗的全面变革，那么需要冷静得多。从实验室到病床旁的距离，不是用模型参数量来衡量的。它需要监管的适配、临床验证的积累、医生和患者的信任建立，以及一个比“技术可行”复杂得多的社会过程。
“未来10年AI治好所有疾病”这句话之所以值得警惕，不在于它过于乐观，而在于它用一个过于简单的框架，遮蔽了医疗本身固有的复杂性。
医学从来不只是技术问题。它是关于人的科学，关于不确定性中的决策，关于在信息不完备的情况下依然要做出判断的实践。AI可以成为这个实践中最强大的工具之一，但工具不会代替实践者。
那位学者用88分钟做的事情，本质上就是把这个被遮蔽的复杂性，重新摆到台面上来。
这或许才是“诺奖背后”真正值得讨论的东西。