Researchers across the Microsoft research community
前沿计算与因果模拟虽能以更低成本将致死癌症转为慢性病并预防阿尔茨海默病,但微薄利润与缺乏长期激励的商业医保体系正阻碍经过临床验证的突破走向患者。
AI-assisted summary of Can AI help build a healthier future? — original source. Check the original for full context.
Source published:
Key ideas
- 微软在《科学》杂志发表封面研究,构建模拟临床接诊逻辑的序列诊断 AI 智能体,在大幅降低检验成本的同时实现了诊断准确率翻倍。 (5:00)
- 医疗系统落地存在严重制度性滞后,尽管 AI 辅助乳腺钼靶和结肠镜筛查拥有广泛的随机对照试验验证,但极低利润率和一年期医保激励使大部分患者仍无法获得前沿技术。 (10:00)
- 随着模型服务 Token 成本每年下降 4 到 10 倍,计算模拟正在代替昂贵的实体湿实验,使生物医药研发形成干实验筛选与湿实验验证的闭环加速。 (30:00)
- 生命科学正从静态蛋白质结构预测转向动态功能与扰动响应数据,最新研究表明结合胸腺 AI 评估与免疫细胞蛋白质组时钟可量化真实免疫年龄并预测癌症风险。 (40:00)
Detailed notes
## Background 本期播客于 2026 年 11 月 17 日由微软研究院(Researchers across the Microsoft research community)在官方播客平台发布。节目由微软研究院负责人 Doug Burger 主持,邀请了微软首席科学家 Eric Horvitz、斯克里普斯研究所(Scripps Research)执行副总裁 Eric Topol 以及微软首席研究经理 Ava Amini,共同探讨人工智能在生命科学与医学领域的赋能潜力及实现路径。
## TL;DR 对谈围绕 AI 如何重塑基础生命科学、临床诊断与预防医学展开了全方位探讨。嘉宾们深入解析了微软在《科学》杂志上发表的“序列诊断”智能体研究、多尺度生物系统的建模挑战,以及当前阻碍前沿医学 AI 落地的系统性与经济层面的阻力。讨论还对比了计算机芯片的确定性抽象与复杂生物学的随机性,并探讨了如何利用算力权衡物理实验、构建“全患者模型”与解析“免疫组”。最后,专家们展望了合成生物学与可编程生命的前景,预言 AI 将在未来十年内实质性改变致死性癌症与阿尔茨海默病的诊疗与预防格局。
## Atmosphere & style 整场对话兼具跨学科的深邃思辨与一线临床的现实紧迫感。计算机体系架构师出身的主持人与兼具医学、计算背景的顶尖学者们展开了充满智识张力的思想碰撞,既有针对“生命能否被彻底抽象”的幽默机锋,也有对美国医疗体系短视与落地瓶颈的直言不讳。随着话题从实验算法推进至重塑医患关系、攻克绝症与可编程生命,整场讨论在严谨理性的科学论证中洋溢出深切的人文关怀与极其振奋的未来乐观主义。
## Bulletin - `05:00` 微软在《科学》杂志发表封面研究,构建模拟临床接诊逻辑的序列诊断 AI 智能体,在大幅降低检验成本的同时实现了诊断准确率翻倍。 - `10:00` 医疗系统落地存在严重制度性滞后,尽管 AI 辅助乳腺钼靶和结肠镜筛查拥有广泛的随机对照试验验证,但极低利润率和一年期医保激励使大部分患者仍无法获得前沿技术。 - `30:00` 随着模型服务 Token 成本每年下降 4 到 10 倍,计算模拟正在代替昂贵的实体湿实验,使生物医药研发形成干实验筛选与湿实验验证的闭环加速。 - `40:00` 生命科学正从静态蛋白质结构预测转向动态功能与扰动响应数据,最新研究表明结合胸腺 AI 评估与免疫细胞蛋白质组时钟可量化真实免疫年龄并预测癌症风险。
## Key takeaways - `00:00` 生物医学与生命科学之所以成为 AI 革命的核心阵地,得益于过去数十年在蛋白质晶体结构与电子健康档案(EHR)上积累的深厚数字化底座。 - `05:00` 从被动的“全案直断”转向“医学认知”与序列诊断:AI 智能体通过动态权衡信息增益与检查费用,在接近真实门诊情境下做到了高准确率与低花费兼得。 - `07:30` 下一代医疗 AI 的核心方向是整合原始影像、EHR、基因组学、蛋白质组学及环境暴露组学的“全患者模型(Whole Patient Model)”。 - `10:00` 临床落地的最大阻力并非技术瓶颈,而是医疗机构极低的利润率以及商业医保体系一年期承保导致的预防投入动力不足。 - `12:30` 生命系统具备从分子、细胞到器官的跨尺度层次结构,如何将底层微观信号有意义地上升为患者宏观生理洞察构成了机器学习的独特挑战。 - `15:30` 与硬件芯片的自下而上抽象工程不同,复杂生物系统的随机性与动力学交互并不需要原子级的绝对精度,关键在于因果模型能否指导下游医学发现。 - `25:00` 环境感知速记工具正在全美临床快速普及,在将医生从键盘录入中解放出来的同时,AI 聊天机器人意外通过即时响应与“共情”补充了恶化的医患沟通。 - `32:38` 在现实世界实体实验吞吐量受限的背景下,AI 的关键价值在于充当“定向波束赋形”,通过计算不确定性引导湿实验资源投向高信息价值区域。 - `37:05` 生命科学亟需摆脱 PDB 带来的静态结构依赖,转而构建反映蛋白质序列到功能、细胞在化学扰动下动态响应的“活性为先”数据集。 - `40:00` 破除胸腺在成年后完全退化的传统假设,免疫组(Immunome)测量正在成为预测神经退行性疾病、动脉病变以及癌症免疫治疗响应的关键支柱。 - `43:24` 衰老机制的混乱与基因开关的失调是诸多高龄发病疾病的核心诱因,破解衰老因果规律比盲目追求全虚拟细胞更具系统级转化前景。 - `47:18` 合成生物学正在经历从早期在细菌搭建简单逻辑门,到直接利用自然语言生成目标功能蛋白质的重大编程范式跃迁。 - `52:35` 专家预言未来十年内 AI 将推动重大医疗突破,包括将多种致死性癌症转变为可控慢病,并实质性延缓乃至预防阿尔茨海默病的发生。
## Detailed walkthrough ### `00:00` 聚焦生命科学与人工智能的交汇点
主持人 Doug Burger 开启了微软研究院播客《The Shape of Things to Come》(未来之形)的讨论,本期主题直击 AI 能力的最前沿,探讨其如何从底层改变生物学与医疗健康的未来。Burger 介绍了三位在生物医学与机器学习交叉领域的重量级嘉宾:第一位是微软首席科学家 Eric Horvitz,他兼具医学博士(MD)与计算机博士(PhD)双重学位,其开创性工作定义了当代机器学习领域;第二位是斯克里普斯研究所(Scripps Research,美国最大的非营利生物医学研究机构)执行副总裁 Eric Topol,作为一名著作等身的心脏病学家与科学家,他发表了超过 1300 篇同行评审论文并撰写了 4 部著作;第三位是微软研究院的首席研究经理 Ava Amini,她是精准医疗与 AI 交叉领域的后起之秀,目前正与博德研究所(Broad Institute)联合主导 Project Ex Vivo,致力于定义、工程化改造并靶向癌症中的细胞状态。
Burger 指出,当前生物学、医学与 AI 的结合正迎来颠覆性变革,模型不仅帮助解析复杂结构,甚至有身患癌症的科学家利用 AI 为自己设计药物。针对这一波技术浪潮,Eric Horvitz 率先阐述了自己的宏观视角。他认为,医疗与生命科学之所以能站在 AI 革命的风口浪尖,是因为这两个领域数十年间完成了高度的数字化积累——从沉淀数十年的蛋白质三维结构数据,到全面的电子健康病历(EHR)。这种数字底座使它们对 AI 的推理与创新做好了充分准备。
```mermaid flowchart TD accTitle: 医疗健康与生物科学数字化驱动AI浪潮 accDescr: 展示了多模态数据输入推动生物科学AI模型,并最终赋能科学假设与前沿临床诊断的过程。 subgraph DataFoundation["数字化底座"] D1["数十年蛋白质结构数据"] D2["电子健康病历 (EHR)"] D3["多模态生物医学图像"] end
subgraph AIModels["AI 推理与生成体系"] M1["判别式模型"] M2["生成式与前沿大模型"] M3["AlphaFold 等突破性进展"] end
subgraph Impact["下游应用场景"] A1["实验平台与设计优化"] A2["科学假设生成(科研伴侣)"] A3["临床认知与序列诊断"] end
DataFoundation --> AIModels AIModels --> Impact ```
Horvitz 强调,过去五到八年间,判别式模型与生成式模型在生物科学中的推进令人惊叹。谈及这一进展的规模,Eric Horvitz 评价道:“AlphaFold's breakthrough was tip of the iceberg, and we see just a whole, in some ways, a crest and a crashing of a wave of possibilities now when it comes to experimental platforms, experimental design, data interpretation in the biosciences, hypothesis generation, I should say, as an assistant and a companion to scientific reasoners and human scientists.”
- 斯克里普斯研究所(Scripps Research)是美国规模最大的独立非营利生物医学科研机构。 - 科学家利用 AI 为自身设计抗癌靶向药物,已从理论构想演化为近期的真实个案。 - 过去 5 至 8 年间,生物医学从单一蛋白质结构预测跨越到了覆盖实验闭环与假设生成的全流程智能辅助阶段。
---
`05:00` 从“全案直断”走向“医学认知”与序列诊断
Eric Horvitz 深入介绍了近期微软团队在《科学》(Science)杂志发表的一篇封面论文。该研究直面长期存在的患者安全、诊断延迟及医疗可及性难题。以往的医疗 AI 基准测试通常是将一份写满病史与检查结果的完整病例直接喂给模型,评估其给出的鉴别诊断准确率;而 Horvitz 团队将这一范式推进到了“医学认知”(Medical Cognition)层面。在模拟的门诊环境中,AI 并非坐拥所有数据,而是被置于临床医生的真实视角下,只拥有患者踏入诊室时的初步主诉。
在这一序列诊断(Sequential Diagnosis)场景中,AI 代理(Agent)必须自主决定下一步应当问患者什么问题、权衡信息增益与检查费用来开具何种检验单,并最终决定在何时停止检查、确立收敛性诊断并启动治疗。评测结果显示,前沿语言模型在形成假设和做出下一步决策方面表现出众,在多项对比中展现出辅助未来临床医生的巨大潜力。
针对这项发表在《科学》杂志上的成果,Eric Topol 给予了极高评价。他指出,这是首个证明“智能体系统(Agentic System)”在真实临床逻辑下不仅诊断准确率远超全科医生(甚至接近翻倍),同时还能降低医疗开支的研究。过去业界常看到 AI 被用于医疗计费“向上编码”(Upcoding)而变相推高医疗成本,而该研究证明了高准确率与低花费可以兼得。
随后 Topol 提出了一个尖锐的行业反思:整个行业现在都过度被生成式 AI 这一“闪亮的新玩具”所吸引,却反而忽视了在技术上更成熟、验证更充分的深度学习医学影像。例如在乳腺钼靶筛查(涉及超过 10 万名女性的随机对照试验)或结肠镜检查(拥有 44 项随机对照试验)中,深度学习早已证明自己能挖掘出人类肉眼无法察觉的微观病理信息,但临床转化却严重滞后。关于这种落地脱节,Eric Topol 直言:“It was the first ever to take an agentic system and make more accurate diagnoses, not just compared with physicians, but a lot of the other frontier models, markedly improved accuracy over physicians, almost doubling, but at lower cost.”
Topol 指出,AI 在医疗领域的下一个决定性阶段将是构建“全患者模型”(Whole Patient Models)。该模型将无缝整合原始医学影像、电子病历、基因组学(Genomics)、蛋白质组学(Proteomics)以及暴露组学(Exposome,环境暴露数据)等多维度图谱,从而实现个体层面的精准疾病预测与发生时间推演。
- 微软发表于《科学》封面的研究核心:模拟临床医生问诊的“序列诊断挑战”,在信息价值(Information Value)与测试成本(Cost of Tests)之间实现动态权衡。 - Topol 提到的医学影像循证医学基础:乳腺癌筛查领域拥有超 10 万名女性参与的随机试验,结肠镜 AI 辅助筛查拥有 44 项随机对照试验。 - 下一代“全患者模型”的数据支柱包含五大维度:原始医学影像(Raw Images)、电子健康病历(EHR)、基因组学、蛋白质组学及环境暴露组学。
`10:00` 落地困境与医疗系统的采纳阻力
研讨深入探讨了利用大型数据集进行“假设情境(what-if scenarios)”模拟的潜力,这有望通过提前干预来推迟甚至预防疾病,彻底颠覆现有的医疗模式。然而,Eric Topol 敏锐地指出了现实与技术愿景之间的脱节。他直言学术界和工业界目前仍处于“空转(idling)”状态,大量的顶尖研究成果虽然已经发表在顶级同行评审期刊上,甚至通过了严格的真实世界随机对照试验,却迟迟未能真正走进临床、直接惠及患者。
当主持人询问社区究竟错失了什么时,Eric Topol 尖锐地指出其核心瓶颈在于“落地实施(implementation)”。推动进展缺乏真正的技术阻碍,但医疗行业天生具有抗拒变革的惰性,这背后既有系统层面的经济压力,也有微薄利润率带来的投资犹豫。由于医院和医疗系统长期在极低的利润空间下运转,管理层对于自己尚未完全建立信心的全新技术缺乏投资意愿。
更令人担忧的是,无论临床医生还是患者自身,都尚未形成推动技术普及的自下而上的呼声。Eric Topol 以女性乳腺钼靶检查(mammography)为例指出,目前美国绝大多数女性在接受检查时,根本无法享受到最顶尖的 AI 辅助诊断,除非自费并在极少数特定机构才能获得。他认为,要么由医生挺身而出为患者争取权益,要么由患者群体自身发起倡导,否则这一鸿沟很难被打破。
> “Well, it's missing implementation. So it all sits in these great journals and, you know, gone through peer review and just impressive data, particularly these randomized trials that were done in the real world and not used in caring for patients or helping patients.” —— Eric Topol
- 医疗机构普遍在微薄的利润率(very low margins)下运转,阻碍了对新技术的风险投资。 - 在临床实践中,经过真实世界随机对照试验验证的顶尖成果仍未被用于实际诊疗。 - 美国广大接受乳腺钼靶检查的女性几乎无法获得前沿 AI 辅助阅片支持,除非承担额外自费成本。
---
`12:30` AI 与生物学的跨尺度整合挑战
Ava Amini 将视角从临床医疗推进到了更底层的生命科学与 AI 交叉领域。她指出,当前学界与产业界对生物领域的预测与生成式 AI 模型抱有极高的热情与投资期待,但真正的考验依然在于落地——即这些模型到底能解决什么具体问题、如何被实验科学家采纳并无缝嵌入日常实验流程中。为了打通这一闭环,微软正通过与布罗德研究所(Broad Institute)开展自下而上的深度联合研究,试图将前沿 AI 技术与生物学实验真正结合起来。
在此基础上,Ava Amini 深入阐述了构建“全患者模型(whole patient model)”所面临的本质困难:生物学是一个天然且极其复杂的跨尺度(multiscale)系统。从最底层的分子水平,到单细胞、组织、器官系统,再到协调运作的完整有机体,每一层级都保持着精密的一致性。这种跨层级的层次化整合构成了一个极其罕见的计算与机器学习挑战。AI 系统不仅要理解不同尺度的局部信息,还必须能够将极微观分子水平的上下文信号,连贯且有意义地传递上升为人体宏观层面的洞察。
针对这些复杂性,Ava Amini 强调这正是 AI 技术创新的绝佳契机。如何采集高维度、多样化的生物数据,如何进行特征表征,以及系统应优先攻坚一到两个关键核心疾病还是广泛赋能于通用生物学问题,都是当前需要回答的基础技术议题。
> “And that's a machine learning and computational challenge that is very hard to find in any other field, how you actually integrate across these scales of a hierarchy in a coherent way such that context and information from all the way down at the molecular level can be brought up meaningfully to insights at the patient level or the human level.” —— Ava Amini
```mermaid flowchart TD accTitle: 生物系统的跨尺度多层级抽象架构 accDescr: 展示生物系统从分子到有机体的多尺度层级,以及 AI 面临的向上整合抽象挑战
subgraph MicroScale ["微观分子与细胞尺度"] A["分子层面 (Molecules)"] B["单细胞层面 (Individual Cells)"] end
subgraph MacroScale ["宏观组织与机体尺度"] C["组织层面 (Tissues)"] D["器官系统 (Organ Systems)"] E["完整机体 / 患者层面 (Organism / Whole Patient)"] end
A -->|"组装与信号传导"| B B -->|"细胞协同与分化"| C C -->|"器官功能集成"| D D -->|"系统协调统一"| E
AI["跨尺度 AI 模型架构 (Multiscale AI Integration)"] -.->|"提取底层上下文"| A AI -.->|"预测宏观生理洞察"| E ```
---
`15:30` 芯片抽象层 vs. 复杂生物学:我们能否真正理解生命?
主持人以自己深厚的计算机体系结构(computer architecture)背景抛出了一个深刻的类比:人类能够在方寸大小的芯片上集成数十亿个晶体管并构建极其庞大的软硬件系统,其之所以能完全理解并把控它,是因为人类自下而上建立了极其清晰的“抽象层(abstractions)”。尽管在晶体管结区深处同样存在着随机的量子与静电效应,但通过精妙的抽象工程,底层的随机杂乱被封装成了精准可预测的规则。主持人由此发出质问:人类对生物学的理解是否也能达到这种高度清晰的抽象层级,还是生命系统注定永远混乱不可穷尽?
Eric Horvitz 对此给出了带有哲学与算法色彩的严谨分析。他反驳道,哪怕是在计算机体系结构中极其精确的硬件抽象层之上,一旦运行深度生成式模型,整个系统在算法行为上就又回到了随机与复杂性的混沌状态。将这个类比延展至人体这种跨尺度动态系统时,不同抽象层级之间的交互和动力学具有极高的复杂度。因此,AI 必须开发出专门管理复杂性的因果模型、可解释性技术以及跨层级抽象理论,但这并不意味着我们能像理解芯片布线一样,把生物细节完全解析到绝对精准的原子层面。
现场随之展开了一段幽默的争锋。主持人调侃称 Eric Horvitz 绕了很大一圈其实答案就是“不能(no)”,甚至笑称自己对 Eric Horvitz 庞大复杂的回答做了一次“低秩近似(low-rank approximation)”,直接把维数降到了一个简单的“不”。Eric Horvitz 笑着承认如果必须化简,确实意味着人类无法在原子级细节上复制芯片式的绝对透明性。
然而 Eric Topol 随即表达了不同看法。他指出学界正在全力打造“虚拟细胞(virtual cell)”,力图在单细胞层面精准模拟任何扰动并预测其响应,从而逐步解开生命规律。尽管在“虚拟患者(virtual patient)”宏观层面,人类现有的多基因风险评分(polygenic risk score)或全基因组测序在预测诸如心脏病等复杂疾病时仍显薄弱,但这正是计算生物学演进的关键方向。
> “Well, you know, it was a no that we will never understand, you know, the details, the critically important details down to the precise atomic level of the kind that you had and have had in architectures and systems design.” —— Eric Horvitz
- 计算机架构通过自下而上的清晰分层与封装,成功驾驭了底层半导体物理与量子效应的随机性。 - 生物系统的跨层级动力学交互使得全盘、确定性的原子级因果还原极其困难,需要依赖全新的计算推断与因果模型。 - 当前“虚拟细胞(virtual cell)”模拟技术正处于快速攻关期,但“虚拟患者(virtual patient)”的宏观构建和临床转化仍有很长的路要走。
`20:00` 全患者模型与预防医学的经济困境
探讨从当前的疾病风险预测模型展开。Eric Topol 指出,仅仅告诉患者“在 50 岁或 90 岁有患病风险”并没有太大实际意义。令人鼓舞的是,现存发表的早期模型已经能够提供一定的患病时间线与特征,但这目前仅仅依赖于电子健康记录(EHR)结合生活方式,或是 EHR 结合多基因风险评分(polygenic risk score)。整个医疗界尚未在大规模层面获取到足够“深且长”(deep and long)的纵向数据;一旦具备这类数据,其前景将极为广阔。Eric Topol 预测,人类很可能会在构建出真正的“虚拟细胞”(virtual cell)之前,率先研发出相对成熟的“全患者模型”(whole patient model)。尽管我们永远无法在全人体系中复刻细胞级别所有复杂的扰动实验,但这一推进最核心的飞跃在于:医疗将超越简单的风险提示,真正实现预防医学。对此,Eric Topol 总结道:“We really need to be beyond you're at risk for. We have a real chance to enable prevention.”
```mermaid flowchart TD accTitle: 医疗数据演化与全患者模型路径 accDescr: 展示从当前浅层数据向深度纵向数据升级,并最终实现预防性全患者模型的逻辑架构。
subgraph Current["当前数据阶段"] D1["EHR 电子健康记录"] D2["生活方式数据 / 多基因风险评分"] end
subgraph NextGen["下一代数据与模型"] DeepData["大规模长周期纵向数据 (Deep & Long)"] WPM["全患者模型 (Whole Patient Model)"] end
subgraph Impact["医疗范式变革"] Prev["主动干预与预防医学"] end
D1 --> DeepData D2 --> DeepData DeepData --> WPM WPM --> Prev ```
围绕预防医学的落地障碍,主持人和现场参会者提出一个现实难题:当前的医疗经济模式从本质上就与预防医学背道而驰。在常规医疗体系中,只有人生病去医院就诊、接受检查治疗时,系统才能产生收益;除了全科医生(GP)偶尔提供指导外,整个体系缺乏投资预防疾病的底层经济激励。Eric Topol 幽默地反驳道:“Well, I would just say welcome to the United States. That's the model.” 他指出,在世界其他许多国家和地区,保持大众健康具有极高的经济回报并能大幅降低健康负担,因此存在强烈的预防激励;而美国体系中,保险公司往往只有一年的承保周期,这种短视利益架构形成了根本性的负向激励。不过这并不代表转变不会发生,只是很可能率先在其他国家或美国某些特定的闭环实体中成为现实。
- 当前模型多基于 EHR 与生活方式,或 EHR 与多基因风险评分,尚缺乏大规模长周期纵向数据支撑。 - 全患者模型的成熟度预计将走在全细胞虚拟模型之前。 - 美国的商业医保体系通常以一年期为承保单位,缺乏长期投资疾病预防的动力。
---
`22:45` 复杂生物系统的随机性与模型精度之辩
Doug 将话题引回基础生物学与计算机系统的对比:数字系统是在底层随机的物理混乱之上,构建出的极其精准的抽象规则层;那么在面对复杂、充满随机性的生物系统时,我们是否也能建立起如此严密精确的运行规则?针对这一设问,Ava Amini 提出了完全相反的思考角度。她认为比起追问“能否达到这种绝对精度”,更应该反思“我们是否真的需要做到这一步”。在 Ava Amini 看来,科研人员或许根本不需要完全理解细胞内每一个分子在任意时刻的绝对位移、以及它对某种扰动做出的原子级响应;真正关键的是,由单模型或多模型编排构建的系统,能否直接输出足以推动下游科研发现的必要信息。对于未来一到两年内需要实验验证的研究,这种极致的原子级可解释性并不是必需品。
Eric Horvitz 随即呼应了这一观点,并指出在计算机体系结构师所追求的极致确定性精度与造福患者之间,其实存在着极其广阔的腾挪空间(“huge headroom”)。即便面对生物系统的固有随机性与不确定性,只要系统对人类生理学各层级之间的因果关系具备更深入的理解,AI 就能在非完全确定的状态下为患者带来难以估量的价值。Ava Amini 坚定地补充道:“I certainly don't think you need to have that level of understanding to do very, very useful and important things.” 面对两位科学家的联合反驳,Doug 笑着调侃,承认自己过去 30 年深耕硬件与系统架构的职业背景确实带来了过度追求确定性的固有偏见。
---
`25:00` 临床一线现状:环境感知速记、诊断误诊率与机器共情
讨论随后转向医疗一线的临床现实。Doug 指出,当前医疗领域一方面涌现出海量的创业公司和创新想法,另一方面庞大迟缓的医疗系统因其巨大的经济体量而转型缓慢。作为深耕前沿的临床科学家,Eric Topol 深入剖析了 AI 在临床一线正在发生的几重变革。首先是运营层面的突破,环境感知速记工具(ambient scribes)正在美国医院迅速普及,它将医生从沉重的键盘录入工作中解放出来,极大缓解了“数据文员”的负担。更重要的是,数字化生成的病历记录不仅准确度远超过去数十年的手写或粗暴录入档案,还能自动协调开药、影像检查、化验、随访预约,甚至在会诊后主动向患者发送关怀与随访提醒。
在提升诊断准确性方面,AI 的潜力更为致命。Eric Topol 引用约翰斯·霍普金斯大学(Johns Hopkins)的数据指出,美国每年因诊断错误导致的致残和死亡高达约 80 万例,这是一个极其惊人的数字,而 AI 正在逐步填补这一致命短板。最令他感到始料未及的现象是患者端对生成式 AI 的接纳:由于一线医生的接诊时间被极度压缩,患者转而向医疗聊天机器人寻求帮助,并惊奇地发现机器甚至比人类更具“共情心”。Eric Topol 直言:“Now, I would never have predicted that because a machine wouldn't know empathy if it fell on it. But it turns out it can channel it.” 患者渴望在不受时间限制、即时响应的环境中与系统沟通化验单细节并提出疑问。
```mermaid flowchart TD accTitle: AI 在临床与医患关系中的作用机制 accDescr: 展示 AI 如何通过自动化减轻医生负担、利用聊天机器人补充共情,最终重塑医患关系。
subgraph Admin["减轻行政负荷"] Ambient["环境感知速记 (Ambient Scribes)"] DocTime["减少键盘数据录入"] Coord["自动开具检查、用药与随访"] Ambient --> DocTime DocTime --> Coord end
subgraph Diagnostics["临床诊断与患者端"] ReduceError["降低误诊率 (全美约80万致残/死案例)"] Chatbot["AI 聊天机器人即时解答"] Empathy["传递机器共情与无限时沟通"] Chatbot --> Empathy end
subgraph Future["长期愿景"] Relationship["重塑传统亲密医患关系 (Gift of Time)"] end
DocTime --> Relationship Coord --> Relationship ReduceError --> Relationship Empathy --> Relationship ```
Eric Topol 总结称,随着技术赋予医生“时间的馈赠”,医患关系这一在过去数十年间严重退化的纽带,有望重新焕发生机。Doug 对此深有感触地感叹,自己至今仍清晰记得 5 到 10 岁时家庭医生的名字,但现在却连最近看过的 5 位医生的名字都叫不上来,这正是传统医患关系破裂的鲜明写照。随后,Doug 将话锋转回技术成本维度,提到数字计算领域曾经历过长达五六十年的摩尔定律(Moore's Law),它驱动了算力成本以指数级逐年下降;而在当下的 AI 与医学交叉领域,技术演进与成本降低的速度甚至比摩尔定律还要迅猛。
- 约翰斯·霍普金斯大学估算,美国每年因诊断错误导致的死亡和致残高达 80 万人。 - 环境感知速记(Ambient Scribes)已在全美临床快速普及,能自动处理影像化验申请、挂号预约与患者日常跟进。 - 医患沟通时间不足促使患者涌向 AI,机器通过即时解答检验指标和表达共情,填补了沟通缺口。 - 经典摩尔定律在数字计算领域持续了约 50 至 60 年,而当前驱动全患者模型的技术下降曲线速度更快。
`30:00` 计算替代实验:Token 成本骤降如何重塑生命科学研发
针对当前大语言模型推理成本的变化趋势,Doug Burger 提出,服务一个固定规模模型所需的 Token 成本正以每年 4 到 10 倍的速度呈断崖式下跌。他质疑这种指数级通缩趋势究竟会通过虚拟细胞或全患者模型压低医疗保健系统的整体开销,还是说先进医疗技术终将愈发昂贵,以至于绝大多数普通人根本负担不起。Ava Amini 从早期生物科学发现与药物研发工作流的角度回应了这一问题,她指出 AI 带来的核心前景在于“用计算权衡实验(trading off computation for experimentation)”。在传统湿实验中,试剂、资金与人力成本居高不下,而 AI 模型能够对海量实验搜索空间进行优先级排序,让科学家在进入实验室之前,先在计算机中进行干实验(in silico)模拟,以此建立因果预测——即给定特定初始状态,某项干预后会产生怎样的输出状态。
这种计算预测与实体实验之间的良性互动,能够将昂贵的高通量物理实验收敛至具有极高置信度的重点候选区域。随着未来几年内运行此类生物学模拟的 Token 成本进一步下降千倍甚至万倍,这种由计算驱动的实验迭代循环将被成倍加速,从而从源头大幅缩减新药与基础生物学发现的研发周期及前期投入资金。
- **Token 成本降幅**:在模型规模固定的前提下,单 Token 的服务成本目前以每年 4 至 10 倍的幅度下降。 - **实验资源优化**:利用计算模型预先筛选出的高置信度区域,能使实验室中的物理试剂、研发资金和专业科研人员的配置效率显著提升。 - **干实验因果投影**:通过输入基底状态并在计算层面施加模拟干预,预测生物系统变化,降低湿实验研发前期的时间与耗材成本。
```mermaid flowchart LR accTitle: 计算与实验迭代工作流 accDescr: 展示模型如何通过计算模拟缩小搜索空间,指导湿实验并完成闭环反馈。
subgraph InSilico["计算探索 (In Silico)"] A["生物学假说与超大搜索空间"] --> B["AI 预测与因果干预模拟"] B --> C["高置信度候选方案排序"] end
subgraph WetLab["实体实验 (Wet Lab)"] C --> D["精准湿实验验证"] D --> E["真实数据采集与反馈"] end
E -->|"回传训练与校准"| B ```
---
`32:38` 物理世界的瓶颈与 AI 对未知领域的“波束赋形”
Doug Burger 进一步抛出一个尖锐的逻辑问题:如果未来五年内运行实验模拟的计算成本骤降 1,000 到 10,000 倍,那么现实世界的实体操作(他称之为“模拟世界”,analog world)是否会反过来成为整个科研体系中不可逾越的绝对瓶颈。Ava Amini 坦言现实世界永远无法被虚拟实验彻底取代,实体实验必须承担最终验证的基石角色;正因如此,物理瓶颈的存在更突出了计算的价值——它决定了科学家应当把宝贵的实体实验时间花在何处。对于“现实世界将永远是瓶颈”这一断言,Doug Burger 感叹道:“I think it's a very strange world we live in where the real world will always be the bottleneck, is a quote that we all just heard and probably agree with.”(“我认为我们生活在一个非常奇特的世界里,‘现实世界将永远是瓶颈’这句话我们刚才都听到了,而且可能都表示赞同。”)
Eric Horvitz 顺着 Ava Amini 的观点延伸指出,当前生物科学领域最令人振奋的前沿,正是将 AI 的能力反转过来:不再仅仅作为被动的预测工具,而是主动计算概率分布,推导出如果深入探索某一未知空间,在哪里能获得最高的信息价值、最具突破性或最出人意料的结果。这种机制如同通过主动学习引导实体实验,直接击破实验通量的瓶颈。对此,Doug Burger 将其生动地比喻为一种面向未知科研空间的“定向波束赋形(beam forming to save lives)”,以此精准照亮能够拯救生命的未知发现。
- **现实世界的瓶颈效应**:随着干实验吞吐量无限扩张,湿实验在时间与物理介质上的天然约束愈发显著。 - **反向引导实验**:AI 利用不确定性估计与概率分布,自主评估高信息增益的实验靶点,指导科研资源投向回报最大的盲区。
---
`34:25` 生命科学的数据荒漠与 Transformer 式的历史转折隐喻
Eric Topol 将话题引向底层瓶颈——数据。他指出,当前虽然有数以十亿计的资金涌入生命科学数据集建设,但医学界所急需的患者长期、深度纵向数据目前几乎完全缺失。现有的电子健康档案(EHR)仅仅记录了表层信息,远远无法涵盖复杂的生物分子多组学层级。Eric Topol 尖锐地反思道:“And that was because we had the protein data bank. The data set was all there. All it took was, you know, milking it for what it could do with AI. Now, we don't have any data set like that in life science, or in medicine.”(“那是因为我们拥有蛋白质数据库;数据集全部都在那里,要做的只是利用 AI 把它能发挥的价值压榨出来。现在,我们在生命科学或医学中根本没有类似的数据集。”)他强调,缺乏高质量基准数据集正是目前阻碍整个领域实现跨越式发展的最大绊脚石。
针对这一困境,Doug Burger 提出了一段引人深思的历史类比。在 2010 年代,他的团队曾为循环神经网络(RNN)构建推理与服务基础设施,彼时的 AI 同样极度依赖人工标注数据,数据匮乏被视作锁死行业的天花板。然而,随着 Transformer 架构的诞生,无监督自监督预训练使得模型能够直接在无限量的未标记文本上展开训练,瞬间将“数据标注瓶颈”转换为了“超级计算瓶颈”。Doug Burger 随即向在座学者发问:生物科学领域是否也可能发生类似的范式转移,跨过当下的数据危机,迎来一个计算压倒一切的拐点。
- **多层级数据缺失**:简单的临床档案无法替代从表型到转录组、蛋白质组及表观遗传学的全链条纵向体征追踪。 - **PDB 的历史局限性**:AlphaFold 的突破依赖于蛋白质数据库(PDB)数十年的数据积淀,然而生命科学其他领域完全缺乏同等完备性的数据库。 - **历史范式对照**:2016 年前后的 NLP 领域曾与当前生物医学极其相似,Transformer 架构以海量非标注数据打破了人工标注的壁垒,使算力扩展成为主要推动力。
---
`37:05` “阿拉丁神灯”愿望:从静态蛋白质结构到动态细胞扰动数据集
针对如何破局生物数据限制,Eric Horvitz 提出了一个思维实验:如果有一盏“阿拉丁神灯”,允许研究人员许愿获得三座极其庞大、能够联结表型临床特征至基因组及蛋白质表达的无限制数据库,无论是用于自监督学习还是监督学习,生物学界最渴望的究竟是哪类数据。他将这个“挥动魔杖”的难题抛给了 Ava Amini。
Ava Amini 再次从 AlphaFold 与 PDB 的对比切入剖析。她指出,PDB 固然成就了结构预测的巅峰,但其致命缺陷在于它收录的绝大多数都是蛋白质的“静态结构”。然而生物学本质是动态运转的,蛋白质唯有在生理环境中发生构象变化和动态反应时才执行功能。因此,最迫切需要的并非更多静态晶体图谱,而是跨越生物层级、以“活性为先(activity-first)”建立的大规模数据集——即能够全面映射“蛋白质序列到功能(sequence-to-function)”的动态图谱。她进一步强调,这一需求在细胞尺度上更为紧迫:人体内存在海量的不同细胞类型,面对无限广阔的化学分子空间,人类根本无法盲目枚举每一种细胞在每一种化学分子扰动下的反应。唯有借助原则性、智能化的主动设计,去构建首创的动态活性与扰动响应数据库,才有可能真正撬动全细胞层面的生物学跨越。
- **静态结构 vs 动态功能**:现有数据库缺乏反映蛋白质动态构象改变、催化机制及变构效应的功能活性测量数据。 - **序列到功能的全局映射**:亟需建立标准化、高通量且具备多样性的实验平台,绘制从突变序列到细胞功能的因果效应库。 - **细胞化学扰动维度的挑战**:人体细胞类型的多样性与外源化学分子空间的无限性叠加,使得暴力穷举物理上不可行,必须依赖智能化策略构建代表性活性数据集。
`40:00` 生物学功能读数与缺失的“免疫组”拼图
Ava Amini 深入阐述了当前生物学数据层面的最大盲区——缺乏跨分子、细胞与组织层面的生物学“功能读数”(functional readouts)。她以团队正在开展的离体(ex vivo)合作为例说明,他们正针对癌细胞的发育与测量构建所谓的“状态至功能图谱”(state-to-function maps),旨在系统性地衡量癌细胞在不同状态下对免疫疗法或靶向治疗的耐药性表现。Ava 明确指出:“And so I would say this kind of, functional readouts of biology, whether that's on the molecular level or the cellular level or the tissue level, are really what's missing.” 她强调,虽然绘制耐药性只是冰山一角,但追寻更多这类的功能性读数,绝对应当是科研攻坚的首要切入点。
随后,主持人 Doug Burger 将话题引向快速轮流发言(around the horn),询问近期有哪些最令人兴奋的前沿突破。Eric Topol 随即点出人体医学中最关键却长期缺失的维度:免疫组(immunome)。他透露,自己的团队当天刚刚在《自然》(*Nature*)杂志上发表了一篇关于免疫组的论文。Topol 指出,人类过去认为胸腺(thymus gland)在 20 岁左右就会退化并进入惰性状态,但最新研究发现,部分 80 岁老人的胸腺依然完好无损。结合胸腺的 AI 评估与基于免疫细胞蛋白质组学的“生物钟”(proteome clock),不仅能精准测算个体免疫年龄与实际生理年龄的差距,还能预测癌症发生风险以及对免疫疗法的反应。
```mermaid flowchart TD accTitle: 免疫组在人体多系统疾病中的核心枢纽作用 accDescr: 展示免疫系统的功能评估如何直接辐射并影响癌症免疫治疗、神经退行性疾病及心血管疾病等健康关键领域。
subgraph Evaluation ["免疫组多维评估"] A["胸腺状态 AI 评估<br/>(打破20岁退化假说)"] B["免疫细胞蛋白质组时钟<br/>(免疫年龄 vs 生理年龄)"] end
subgraph Core ["免疫系统功能表征"] C["系统级免疫监视与功能响应"] end
subgraph Pathology ["临床应用与病理机制"] D["癌症发生风险与免疫疗法响应"] E["脑部炎症与神经退行性疾病"] F["动脉血管病变与动脉粥样硬化"] end
A --> C B --> C C --> D C --> E C --> F ```
- Eric Topol 总结免疫系统的核心地位时指出:“And everything we've learned to date points to that as a critical underpinning of the health span.” - 目前很多关于免疫组的研究仅停留在学术实验室内部,样本量往往只有 20 人左右,无法满足现实临床和构建大规模模型的需求。 - 免疫系统功能直接关系到大脑中的神经退行性病变以及动脉血管中的粥样硬化进程,建立量化免疫系统的 AI 模型将是颠覆性的进步。
---
`43:24` 衰老机制、多尺度融合与摆脱“虚拟细胞”狂热
Eric Horvitz 将视角上升到更底层的生物规律,提出攻坚“衰老的本质”将带来超乎预期的回报。许多严重疾病都表现出极强的高龄发病倾向,例如阿尔茨海默病,以及帕金森病相关的 LRRK2 基因突变转位(LRRK2 transposition)——该突变携带者往往直到 60 至 70 岁才会发病。Horvitz 借用计算机概念中的“拨码开关”(dip switches)打比方,指出细胞分化与功能表达本质上依赖基因的一开一关,而衰老过程中维持这种开闭一致性的机制为何崩溃、如何引入了混乱与熵增,目前仍是巨大的谜团。理解衰老背后的因果机制与干预手段,将使人类有能力一次性解锁并预防多种重大疾病。Doug 打趣道:“我向你保证,我们肯定会面临更多熵增”,引来全场会心一笑;Horvitz 随后也笑着向写过《超级衰老者》(*Super Agers*)一书的 Topol 致歉,称自己不小心抢了他的专业领地。
轮到 Ava Amini 总结兴奋点时,她从技术与生物两个维度进行了剖析。在技术层面上,关键在于如何创造性地利用现有数据,将其转化为 Doug 所提到的“超级计算问题”;而在生物学前沿,她极为期待能够打破壁垒、将不同生物学模态相连接的全新测量技术。
Ava 明确呼吁同行从目前过热的概念中冷静下来:“And so that is something that I'm really, really excited about moving away from this, perhaps overhype on virtual cells and really thinking about systems level phenotypes and phenomena is, I think, tremendously promising.” 她强调,与其盲目追逐虚拟细胞,不如扎实聚焦于免疫组与衰老这类系统级的表型与生命现象。
---
`47:18` 合成生物学与生命的可编程性
Doug Burger 提出了一个极具科幻感却深刻的终极猜想:人类 DNA 内部编码了一套生成整个有机体的程序规则,连极度复杂的大脑也是通过这套规则间接生长出来的。他问道,随着理解的加深,未来人类是否能够直接编写整套基因程序,从零开始设计出自然界不存在的功能系统或全新生物体——比如凭空创造出一种能够自动吸收空气中的二氧化碳、然后向海洋排放藻类的全新细胞团?
Ava 回顾了合成生物学(Synthetic Biology)的初心,指出生物学的终极承诺正是“功能设计与生物工程化”。她回忆起自己在本科时期的研究经历,当时她的课题正是在大肠杆菌(*E. coli*)中利用基因线路构建状态机(state machines),使其能够对化学输入的序列与组合做出特定逻辑响应。Ava 感慨道,早期的研究虽然像玩具模型,但本质上是将计算范式引入生命系统,而如今技术已经突飞猛进,研究人员甚至能用自然语言描述蛋白质功能,让 AI 模型直接生成 100 个候选设计方案。Horvitz 随即补充了一个绝妙的设想:哪怕是在人体细胞中植入一个微型数字计数器电路,记录细胞分裂的代数,就能立刻读取出该细胞到底经历了 4 代分裂还是 1000 代分裂,从而瞬间鉴别它究竟是正常细胞还是癌细胞。
```mermaid flowchart LR accTitle: 从传统合成生物学到 AI 驱动的生物编程演进 accDescr: 展示合成生物学从早期在细菌中搭建逻辑门与状态机,演化到如今通过自然语言与 AI 提示词直接生成功能蛋白质的范式转变。
subgraph Classical ["早期计算范式 (玩具模型)"] A["化学输入信号"] --> B["DNA 基因线路设计"] B --> C["大肠杆菌状态机<br/>(基础逻辑响应)"] end
subgraph Modern ["现代 AI 驱动范式"] D["人类意图规范<br/>(自然语言/图像提示)"] --> E["生成式 AI 蛋白质设计模型"] E --> F["定向功能分子/候选体<br/>(如100个靶向蛋白)"] end
C -.->|"范式跃迁"| D ```
Topol 坚信这一天必然到来。他列举了华盛顿大学(UW)Jason Durie 团队的震撼突破——他们已经能够在胚胎发育过程中实现“实时的基因组编辑”。在 Topol 看来,这在几个月或一年前都是不可想象的技术。尽管利用人造生物解决环境问题的想法早已出现,但过去的尝试十分原始;凭借如今无与伦比且仍在加速提升的分析与计算能力,完全可编程的生命工程只是时间问题。
---
`52:35` 闭幕展望:AI 重塑医疗与攻克绝症的十年愿景
在圆桌的最后总结环节,Doug 邀请三位专家留下各自对未来的结语。Ava 动情地谈及自己投身计算机与生物学交叉领域的初心:她将计算机科学视为一套强大的抽象系统与工具箱,其终极目标不是技术炫技,而是为科研人员赋能,并最终惠及临床患者乃至整个地球上的生命。
Eric Horvitz 则对下一个十年的医学前景作出了清晰而坚定的预言。他断言,未来十年内,普通公众将普遍且明确地认识到 AI 带来的颠覆性医疗突破:
> “Ten years from now, the average person, the public, will recognize AI as having led to impressive breakthroughs in healthcare. And this will include transforming a number of fatal cancers into chronic diseases by then and making a headway into delaying onset and progression of Alzheimer's disease, among other breakthroughs.”
Horvitz 坚信,届时诸如“将多种致死性癌症转变为可长期控制的慢性病”以及“实质性延缓阿尔茨海默病的发生与病情恶化”等重磅成就,都将被公众清晰地归功于 AI 技术所带来的医学革命。
`55:00` 对医学未来的乐观展望与圆满结语
在探讨了人工智能即将带来的两项重大突破之后,斯克里普斯研究所(Scripps Research)的内科医生兼科学家埃里克·托波尔(Eric Topol)表达了更为深远的乐观态度。他指出,自己的乐观预期甚至超越了前述的技术构想,坚信人类未来将能够预防阿尔茨海默病(Alzheimer's disease),并预防目前医学手段尚无法防范的各类癌症。尽管专家们在对话中也坦诚梳理了当前阻碍技术落地的一些瓶颈与挑战,但托波尔依然对现代医学的发展前景抱有非凡的信心,预见未来的医疗面貌将发生翻天覆地的巨变。
对此,埃里克·托波尔(Eric Topol)做出了极富前瞻性的总结与断言:“And so I'm left with just remarkable optimism about where medicine can go now.” 他进一步展望道:“But we eventually will have a medicine of practice that is unrecognizable from today.” 他由衷希望这一天的到来是宜早不宜迟。随后,主持人向埃里克·托波尔、微软首席科学官埃里克·霍维茨(Eric Horvitz)以及微软首席研究经理艾娃·阿米尼(Ava Amini)致以诚挚的谢意,感谢三位在百忙之中抽出宝贵时间参与交流。主持人动情地表示,这几位嘉宾都是在科技与医学最前沿从事突破性工作的开拓者,他们远离实验室与科研前线的时间,实则就是“远离创造未来的时间”。能够与三位专家同台深入探讨 AI 与健康的未来,是一次难能可贵且令人深感荣幸的体验。全场对谈在互相致谢的温馨氛围与背景音乐中圆满落幕。
- **阿尔茨海默病预防**:埃里克·托波尔坚信 AI 将赋予医学界预防阿尔茨海默病等神经退行性疾病的能力。 - **癌症主动预防**:借助 AI 驱动的突破,未来的医疗将实现对目前无法预防的癌症的主动阻断。 - **医疗实践的彻底重塑**:未来的临床医疗实践将发生根本性变革,其形态与运作模式将达到“让当今人们完全认不出”的程度。
## Notable quotes > `55:00` But we eventually will have a medicine of practice that is unrecognizable from today. — Eric Topol
> `10:00` Well, it's missing implementation. So it all sits in these great journals and, you know, gone through peer review and just impressive data, particularly these randomized trials that were done in the real world and not used in caring for patients or helping patients. — Eric Topol
> `22:45` I certainly don't think you need to have that level of understanding to do very, very useful and important things. — Ava Amini
> `05:00` It was the first ever to take an agentic system and make more accurate diagnoses, not just compared with physicians, but a lot of the other frontier models, markedly improved accuracy over physicians, almost doubling, but at lower cost. — Eric Topol
> `20:00` We really need to be beyond you're at risk for. We have a real chance to enable prevention. — Eric Topol
> `34:25` Now, we don't have any data set like that in life science, or in medicine. — Eric Topol
> `40:00` And so I would say this kind of, functional readouts of biology, whether that's on the molecular level or the cellular level or the tissue level, are really what's missing. — Ava Amini
> `43:24` And so that is something that I'm really, really excited about moving away from this, perhaps overhype on virtual cells and really thinking about systems level phenotypes and phenomena is, I think, tremendously promising. — Ava Amini
## Mentioned Doug Burger, Eric Horvitz, Eric Topol, Ava Amini, Microsoft Research, Scripps Research, Broad Institute, Project Ex Vivo, AlphaFold, Science, Johns Hopkins, Nature, Jason Durie, University of Washington, Protein Data Bank (PDB), Transformer
## Video description <p>What can AI enable in medicine, and how do we get there? Microsoft Research lead Doug Burger, Microsoft Principal Research Manager Ava Amini, Microsoft Chief Scientific Officer Eric Horvitz, and physician-scientist Eric Topol of Scripps Research explore these questions and more.</p><p><a href="https://www.microsoft.com/en-us/research/podcast/can-ai-help-deliver-the-health-breakthroughs-we-need/">Show notes</a></p><p><a href="https://www.microsoft.com/en-us/research/story/the-shape-of-things-to-come/">The Shape of Things to Come podcast series</a></p>
[Source](https://media.blubrry.com/microsoftresearch/content.blubrry.com/microsoftresearch/MRP-2026-11-30-332.mp3)