Dario Amodei：十年内癌症等疾病将成过去式？

2026 年 11 月10日，Anthropic CEO Dario Amodei 在 IPO 路演中抛出一个判断：癌症、阿尔茨海默病、心脏病和精神疾病，可能在不到十年里变成“过去的遗物”。

这话听着耳熟。科技圈讲“AI 颠覆医疗”已经讲了很多年，逻辑无非是模型再迭代几代，疾病就像旧软件里的 Bug 一样被修掉。

可要是把 Amodei 从 2024 年《Machines of Loving Grace》起一路铺开的论证认真读一遍，会发现他下的注其实在别处：

假如 AI 能不停地提假设、调用专业模型、设计实验、读取结果，再照着结果调整下一步，科学发现这件事本身，会不会被改造成一套能高速迭代的系统？

这跟“AI 给医生提个建议”“AI 帮药企筛几个分子”，早就不是一回事了。

过去两年，AI 在生物医学研究的几个要紧环节上拿出了实打实的进展：预测分子结构、设计能结合靶点的蛋白质分子、从海量 DNA 数据里找出可验证的新模式、操控实验设备，以及把真实湿实验的结果重新喂回下一轮探索。

可从这一步走到“重大疾病成为过去”，中间还横着一条很长的链子：

从科学发现起步，接着确认机制、锁定治疗靶点，再筛选候选分子，走完临床前研究进入人体试验，通过监管审批后还要解决制造与支付问题，最终才能让患者真正获益。

这条链子的前半段，AI 已经开始动手改变。

后半段能不能也变，才是判断这是不是一场医学革命的关键。

一、Amodei 真正预测的，是“被压缩的医学研究”

《Machines of Loving Grace》里，Amodei 的论证有个前提，经常被人略过。

他并没有说“从今天起，五到十年内疾病会自动消失”。他的意思是：假如真出现一种 AI，科研能力顶尖、能长时间自主干活、能调动大量工具和实验资源，那么在它诞生之后的五到十年里，人类原本要花几十年推进的生物医学研究，有机会被大幅压缩。

这个设想至少得同时满足五个条件：

1. AI 不能只停留在答问题上，得能扛下持续数天、数周的研究任务；
2. 它要能并行探索大量彼此不完全重叠的科学路径；
3. 它得在已有知识之外，提出值得上手检验的新假设；
4. 它要能调用计算工具、实验设备以及外部研究资源；
5. 真实实验、临床、监管和医疗体系也得跟着提速。

前四条，已经有了一些早期证据。

第五条，仍是最大的未知数。

医学本来就不是纯拼智力的比赛。

证明某个蛋白质可能和某种疾病有关，跟证明干预它能改善患者结局，中间隔着无数次失败。候选药物在培养皿里有效，不代表它能进到目标组织；能进目标组织，不代表没有毒性；毒性不明显，也不代表随机对照试验里真能改善生存、功能或生活质量。

所以 Amodei 这个预测真正要过的关，是：

AI 在研究端跑出的速度，能不能穿过真实实验、人体差异、临床试验和医疗部署这几道最慢的关口。

二、AI 早已走出“读论文”，进了实验室

要看懂眼下的变化，得先把两类能力分清楚。头一类，是在已有知识里做得更快。

读论文、梳理证据、预测蛋白质结构、筛候选分子，都算这一类。事情本身很重要，可说到底，还是在相对明确的搜索空间里找答案。

另一类，是在未知空间里发现新问题。这就要求系统不只说出“这个分子可能结合”，还得追问：为什么能结合？哪个机制值得验证？实验砸了，下一步该改什么？是哪些变量导致了失败？

到了这一步，才挨着科学发现。

AlphaFold 是头一类能力最有代表性的招牌。AlphaFold 2 让不少结构生物学研究者头一回感到：以前要耗很久才能拿到的蛋白质结构信息，如今能很快得到高质量预测。AlphaFold 3 又把范围推到蛋白质、核酸、小分子、离子等生物分子以及它们之间的相互作用。

意义不小，可结构预测并不等于理解功能。算出一个小分子可能和蛋白质结合，不代表它进得了人体、成得了药。静态结构也代替不了分子在不同环境、不同时间尺度、不同细胞里的真实动态表现。

AlphaFold 改写的，只是一部分生物学问题的成本曲线。实验这一关，它没绕过去。

真正该留心的新变化，是 AI 开始接手“把模型、数据和实验串起来”的活。

三、从设计一个分子，到发现一种现象

今年 8 月，Anthropic 公开了一项蛋白质结合分子设计实验。团队让 Claude 配合专业蛋白质设计和共折叠模型，对 15 个靶点做从头设计。Anthropic 报告称，其中 14 个靶点拿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 22%—35%。这些候选分子随后交给外部实验机构生产和测试，没有停在计算机里。

这一点很重要。它至少说明，通用 Agent 已经能协调专业模型、检索资料、挑选结合区域、生成并筛选候选序列，再把结果送进真实的湿实验去验证。

不过，它离“新药”还远着呢。一个蛋白质结合分子，先得证明能结合；再证明有预期功能；然后证明稳定、可制造、可递送、毒性可控；最后还得在人身上证明风险收益站得住。

药物研发从来不是单项成绩赛，而是一串互相打架的指标：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、临床效果。哪一环掉了链子，前面再漂亮的设计都可能归零。

Anthropic 9 月公布的另一项工作，则更贴近“原创发现”这四个字的意思。

Claude 从海量 DNA 及相关酶序列中认出了一个跟重复 DNA 序列有关、此前没被充分认识的逆转录酶系统，团队管它叫 ART，即 Array-associated Reverse Transcriptases。拿它跟 CRISPR 类比，重点不是“AI 又造了一个 CRISPR”，而是 AI 从规模庞大、尚未被充分解释的生物学材料里，揪出了一个值得往下追的新现象。

这类结果的价值，其实在于科学研究的起点正在挪位置。

以前要发现一个值得验证的异常，多半靠研究者在杂乱的数据里瞅见某个“有点不对劲”的地方。往后 AI 能把这种搜寻铺得更开、跑得更久，也更少受单个实验室注意力的牵制。

不过有句话得赶紧补上：找到异常，不等于弄懂异常。

AI 能从相关性中挑出候选模式，却没法自动把因果关系坐实。

某种蛋白在肿瘤里升高，也许是它在推着肿瘤走，也许只是肿瘤长起来之后的结果，再或者两者同时受第三个因素左右。真要算科学发现，就得进干预：敲除会怎样？抑制会怎样？有没有剂量效应？换不同患者、不同细胞类型、不同模型，结果是否一致？

这些实验的设计，AI 可以搭把手。

但答案还得靠真实实验来给。

四、真正的分水岭：AI 开始决定“下一次实验做什么”

AlphaFold 和生成式分子设计让 AI 在计算空间里跑得更快；自动化湿实验室则在试着把 AI 的推理拽进现实世界。

Google Research 今年 10 月发布了一组“自主湿实验室”研究。

其中有个关键项目叫 VERID，想把真实实验台做成带实时状态的“数字孪生”：机器人手臂在哪儿、孔板里还剩多少液体、试剂是什么、移液枪头够不够、某个动作会不会撞上，全都被持续记录和模拟。

它要解决的是一个特别实在的问题：

一条对语言模型来说“语法正确”的实验指令，放到实验室里可能压根执行不了。

比方说，移液器伸不进太窄的容器；某个孔里液体已经不够；试剂在等待期间蒸发了；一次操作代码上看没毛病，却会因为液体分层、残留和位置偏差，把整个实验搞砸。

Google 的思路是让 Agent 行动前先模拟、行动中做记录、失败后照着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、并在多个轮次里提高结果的案例。

这才是“科学 Agent”最该盯住的地方，它是一个开始进入闭环的人造研究系统：

这条链条里，最要紧的不是“AI 能跑多少次实验”。

而是：它能不能从真实世界的反馈里，一点点改好自己的研究策略。

当然，实验闭环也有个典型坑。

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；你让它最大化某个细胞指标，它可能把稳定性、安全性或人体相关性牺牲掉；实验设备要是有系统性偏差，Agent 甚至可能越来越擅长利用偏差，而不是去理解生物学。

所以 AI 科学系统不光要更强的模型，同样离不开可靠的评价函数、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 AI 药物是不是已经快要批量上市了？

现实没那么快，但也绝不是零。

Rentosertib 是 Insilico Medicine 开发的 TNIK 抑制剂，瞄准的适应证为特发性肺纤维化。这个项目的分量在于，靶点发现和分子设计都有 AI 参与；它已经越过了“在计算机里看着还行”的阶段，算得上实打实的候选物。

2025 年，Rentosertib 的 IIa 期随机、双盲、安慰剂对照研究登上了《Nature Medicine》。跨过早期研发和动物实验，走到人体临床证据这一步，本身就是个节点。

不过 IIa 期一般只是在较小规模人群里看安全性、剂量和初步疗效信号。后面还有更大规模、更长时间、更严格的临床验证等着。就算最终获批，也只能说明某个具体项目在某种具体疾病上成了，推不出“AI 已经把临床失败这件事解决了”。

看 AI 医药，最该守住的就是这层分层：

这张表乍看像泼冷水，其实是在护着真正的进步。

反过来想，要是每次湿实验成功都吹成“治愈疾病”，公众很快会对真实而缓慢的临床进展失去耐心；可要是把所有谨慎都当成保守，正在发生的研究范式变化也会被看漏。

AI 药物研发最让人期待的，并不是明天忽然冒出一颗万能药。

更可能的是，它持续抬高早期发现的质量、压短试错周期、砍掉无效实验，让更多此前没人手覆盖的靶点、机制和患者亚群进入研究视野。

六、疾病为什么不会像软件 Bug 那样被修掉

癌症、阿尔茨海默病、心脏病和精神疾病，从医学角度看，并不是同一种挑战。癌症就不是一个病，而是一大类突变不同、微环境不同、演化路径也不同的疾病。

有些癌种已经能长期控制，另一些依旧极难对付。AI 也许能帮忙找到更多靶点、设计更精准的药物，但没法让所有肿瘤异质性一下子消失。

阿尔茨海默病的难点，也不只是找到某个分子标志物。许多神经退行性改变在症状冒出来之前已经积攒多年；就算干预了某条机制，已经发生的神经损伤也未必能逆转。

心脏病则牵着遗传、饮食、运动、吸烟、环境、医疗可及性和长期行为。AI 就算发明出更好的疗法，人群暴露的风险结构也不会自动改变。

精神疾病更绕。诊断边界、病因机制、患者异质性、社会环境和治疗目标搅在一起。更好的预测工具和个体化治疗或许有用，但一个统一算法不等于能“消灭精神疾病”。

更现实的障碍还有一长串：

• 细胞生长、动物观察和长期随访，都要耗时间；
• 人体试验必须处理安全性和个体差异；
• 临床试验离不开患者、医院、资金和高质量的研究设计；
• 新疗法还得有制造能力、支付体系和长期监测撑着；
• 有效的疗法，也不一定大多数人能用上。

其中一些环节 AI 能压缩，但物理、伦理、制度和社会的时间，它没法靠算力一笔勾销。

所以面对“十年内重大疾病成为过去”这种说法，最合理的回应既不是一句“绝无可能”，也不是跟着喊“医学奇点来了”。

按前文那套解耦思维，新技术正在逼我们升级思维的操作系统，更贴切的说法是：

AI 大概率会明显加快医学研究的节奏。可“研究快起来”能不能稳稳落到“患者真正受益”，中间还隔着一条临床链条，眼下没人能证明这条链可以整体压缩。

七、未来医学里，真正稀缺的会是什么？

AI 若能把所有论文一口气读完、批量产出假设、再设计出几千个候选分子，医学研究里最紧俏的东西就会换位置。以前缺的是读文献的能力、算力、专家时间和假设本身。往后更缺的，可能是下面这些。

• 高质量、能共享、可追溯的实验数据；数量稀少却具代表性的患者队列；以及能还原真实疾病进程的模型。
• 还有能真正分出因果的实验设计；做得了严格临床验证的医院与研究网络；判断哪些方向值得继续投钱的人类研究者；以及让有效疗法送到患者手里的制造和支付体系。

医药产业的组织方式也会跟着变。往后一个很小的研究团队，或许就能借 AI 调用专业模型、自动化实验平台、合同研究机构和临床资源，把过去要更大组织才推得动的早期探索做完。

不过研发运营成本降下来，并不等于临床成功率自己就上去了。管理效率变好，也不代表实验验证能省掉。

未来的赢家，未必是模型最大的那家公司；更可能是最会把模型、实验、数据、临床资源和监管能力串成一体的机构。

还有一个问题容易被技术乐观情绪盖住：普惠。一种疗法可能很有效，却照样贵、难生产、难交付，或者只在少数医疗中心才拿得到。

所以衡量 AI 医学革命，起码要问三件事：它能不能发现？它能不能治疗？普通人能不能获得治疗？这三个问题的答案，可能完全不一样。

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”这个问法太大。更实在的做法，是从现在起盯住四层结果。

L1 的繁荣，不代表 L3 已经到来。L3 跑通了，也说明不了 L4 一定会发生。

不过，2030 年前要是能看见下面这些变化，那对“AI 加速医学”的判断就可以往上调一调：

• 不止一家独立实验室把 AI 主导的原创发现复现出来；
• AI 系统可以跨任务、跨疾病，把实验策略一轮轮改得更好；
• 从靶点到临床前候选，时间和成本都明显往下走；
• AI 深度参与的项目，在后期临床里攒出一批经得起检验的成功案例；
• 新疗法在真实世界中开始改善患者的结局，而不只是把论文数和管线数推高。

反过来看，如果 AI 一直停在演示、早期候选筛选和好看的实验图上，后期临床成功率原地不动，那“医学革命”这个说法的可信度就该往下调。

这只说明一件事：AI 换掉了医学的工具，却还没碰到医学最深的约束。

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”，这个问题本身问得不算好。

它太像一场非此即彼的赌局：奇迹出现，或者泡沫破掉。

更该问的是：

人类头一回拥有这样一种智能系统——能持续阅读、推理、提出假设、设计实验、调用工具，还能根据真实结果重新规划下一步——科学研究会不会因此从根上变了？

答案很可能是：会。

但它最先改的，不会是病房里的最后一刻。

它会先改实验室里的第一步：哪些问题被提出来，哪些假设被验证，哪些失败被记下来，哪些路径被更早放弃，哪些原本没人留意的生命机制开始进入视野。

人类或许会因此第一次拿到一种新能力：更快、更广、更持续地理解生命系统，再一轮轮把这种理解推向真实世界。

医学革命真要发生，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，学会从现实里纠正自己。

>/，920.org.cn（AI Research Institute）创始人，港大AIBT研究生，前上市公司 CMO。长期研究 AI 产品、Agent 架构与商业增长，并持续观察技术变迁如何重塑人的工作、判断与生活。

*著有《AIGC从0到1》系列丛书、及东方寓言小说《飞将军》；

*善于洞察先机，1月26日中文互联网第1个意识到OpenClaw（小龙虾）范式价值的人；

想一起把AIGC从0做到1，关注我就行。