这不是偶然，AI行业烧掉的算力和资金，终究要找到一个足够大的出口。那么，为什么选择了生命科学呢？
生命科学为什么突然成了AI巨头眼里的香饽饽？原因就在于生命本身就是一个超级复杂的信息系统，而生命科学可能改变药物研发、疾病治疗，甚至改变人类理解生命的方式。
过去这么多年来，生物学家通过各种方式，对人体、细胞、蛋白质、基因序列开展了一系列研究。但问题是，生命系统太复杂了，人类积累的数据越来越多，真正能被理解和利用的比例却有限。
所以，美国AI巨头想让模型参与发现问题、提出假设、设计实验、筛选分子，以寻求在生命科学领域的突破。
如果要找AI进入生命科学的标志性事件，AlphaFold绕不开。
蛋白质由氨基酸组成，真正决定蛋白质功能的是折叠后的三维结构。这个结构决定它能否结合靶点、传递信号，能不能成为药物设计的入口。过去解析一个蛋白结构，可能要花很久，还不一定成功。AlphaFold的出现，把这个难题往前推了一大步。
Google DeepMind后来联合EMBL-EBI开放了海量蛋白结构预测数据，覆盖超过2亿个蛋白结构。对生命科学界来说，这相当于突然多了一本巨大的分子地图。虽然预测不等于实验结果，仍然需要验证，但研究人员至少不再完全摸黑。
此外，AlphaFold 3还开始预测蛋白质、DNA、RNA、小分子、离子之间如何相互作用。药物研发最需要的，恰恰是判断一个候选分子能不能和靶点稳定结合，会不会产生副作用。这也是为什么Alphabet专门孵化Isomorphic Labs，并让它与大型药企合作，这让AI制药产业化看到了可能。
另外，OpenAI与Retro Biosciences还开展干细胞研究合作。双方训练了面向蛋白工程的GPT-4b micro，用来重新设计山中因子。山中因子是诱导成熟细胞回到多能干细胞状态的关键蛋白，背后涉及再生医学和衰老研究。OpenAI披露的实验结果显示，模型设计的变体在体外实验中显著提高了干细胞重编程标志物表达。
这个案例的意义在于证明大模型可以处理蛋白序列和结构信息，它开始具备一种新能力，按照人类设定的生物功能去设计分子，这对AI行业很重要。
因为通用聊天模型的商业边界终究有限，而生命科学是一个高门槛、高价值的行业。一旦模型能切进真实研发流程，它的价值就不再按会员费计算，而是跟新药、专利、临床项目、药企合作绑定。
Claude如果能成为科研人员和这些系统之间的接口，就有机会变成生命科学公司的“操作系统”。这与DeepMind的分子结构突破、OpenAI的模型推理和蛋白工程相比，切口不同，但目标一致，都是进入真实研发链条。
新药研发是一场昂贵的马拉松，按美国FDA流程，一款药物通常要经历发现、临床前研究、临床试验、审评和上市后监测。每一步都可能失败，每一次失败都意味着巨额资金和多年时间消耗。传统药物研发最难的地方，就在于不知道哪个想法值得继续烧钱。据估计，单个新药研发成本的估算范围从 3.14亿美元到44.6亿美元。
AI能解决所有问题吗？当然不能。生命不是简单的数学题，人体更不是一台完全可模拟的机器。AI预测再漂亮，也要过湿实验、动物实验和人体临床这一关。
但AI可以提前淘汰一部分低质量候选，帮助研究人员更快找到更有希望的靶点和分子。它可以提高试错效率，减少盲目搜索，把科学家的时间留给更关键的判断。这就是为什么药企愿意拥抱AI，也是为什么AI公司愿意进入药物研发。
从产业角度看，生命科学还有一个吸引力，就是天花板足够高。全球医药市场规模巨大，罕见病、神经退行性疾病、代谢病、衰老相关疾病，都有尚未满足的需求。AI如果能在其中任何一个环节带来实质提升，商业价值都可能远超普通办公软件。据估计，AI每年可为生命科学行业带来600亿至1100亿美元的经济价值。
回头看，美国三大AI公司聚焦生命科学，其实是AI发展到一定阶段后的必然选择。互联网时代争夺的是信息入口，移动互联网争夺的是用户入口，云计算时代争夺的是算力入口。到了AI助力科学时代，争夺的可能是科学发现入口，而AI应用于生命科学只是一个开始。
热门跟贴