諾獎背後AI醫療的中肯實話與真相（Alfonso Valencia）
【30秒重點】
- 看到「AI十年內治好所有疾病」的說法，不要當真；預防比等著AI做新藥更實際。
- Valencia說，AlphaFold是少數可驗證、幾乎解決問題的AI成功案例，蛋白質結構預測達95%。
- 他說，我們連人體有多少種細胞都還不知道，不可能做出完整的「人類數位孿生」。
- 他說，醫學落地遠比科學突破慢，一人一藥的個人化醫療在經濟上不可行。
2026/08/16
以下整理出阿爾方索·瓦倫西亞（Alfonso Valencia）的20 條核心思想。這些觀點貫穿他對人工智慧、生物學、醫學與未來科技的整體立場，並非單純技術樂觀或悲觀，而是建立在長期實務經驗上的審慎判斷：
- 生物學仍是「發現科學」，多數研究短期內無法自動化 他明確指出：未來三年內，大部分生物學研究仍無法被自動化。因為生物學不像物理學已有充分已知系統，我們連細胞類型數量、器官完整資訊都還不確定，缺乏基本概念與知識，假說生成與抽象思考仍高度依賴人類。
- 最終目標永遠是「機制性理解」（mechanistic understanding） 生物學的核心不是統計關聯或預測結果，而是弄清楚分子層級「事情如何發生」：哪些基因、蛋白質被啟動或關閉，才導致疾病。只有理解機制，才能理性介入；否則只能被動觀察。
- AlphaFold是人工智慧極少數「可驗證且幾乎解決問題」的成功案例 他反覆強調AlphaFold是目前唯一能清楚量化成功、幾乎解決定義明確問題（蛋白質結構預測達95%）、且幾乎沒有重大負面批評的AI突破。其他生成式AI應用（影像、診斷）仍充滿外推不確定性。
- 「十年內治癒所有疾病」的說法不切實際 針對Demis Hassabis的宣稱，他直接指出：即使AI大幅加速，藥物開發仍受知識缺口、毒性驗證、監管流程、臨床試驗時間與經濟可行性嚴重限制。目前連所有疾病的藥物都沒有，更別說全面治癒。
- 預防遠比治療更可行、更重要 他認為與其等疾病發生再治療，不如透過生活軌跡預測、環境改善、精準建議來避免疾病。已有研究顯示可用病人病史軌跡預測五年後疾病風險，這比事後開發藥物更務實。
- 完整「人類數位孿生」目前不可能，只能做分層、局部的數位孿生 他清楚說明：我們甚至不知道人體有多少種細胞類型，根本無法像工廠一樣完整數位化一個人。實用做法是分別建立蛋白質、器官、細胞互動等不同層級的局部數位孿生，用於特定醫療問題。
- 可解釋性與務實效果之間存在真實張力 他承認：面對病人真實痛苦時，很難拒絕「有效但黑箱」的解法。但目前生成式AI提供的可解釋性，往往不足以支持真正的介入決策。因此需要其他技術來補充，而非單純依賴現有大模型。
- 醫學落地遠慢於科學突破，系統慣性是最大瓶頸 AI在科學研究上已具轉型影響，但在醫院與醫療體系的實際導入極為緩慢。因為醫療是高度監管、流程複雜的系統，不是換一套軟體就能改變，很多有潛力的工具最終無法大規模落地。
- 真正「一人一藥」的個人化醫療在經濟與實務上不可行 他認為未來會朝向「更小群體的精準治療」發展，而非為每個人量身打造單一藥物。限制因素包括：藥物合成成本、監管批准、關鍵靶點難度，以及產業經濟邏輯（大規模生產才划算）。
- 未來AI將成為實驗室「同事」，但人類科學家仍不可取代 他期望未來AI系統會更可靠、具備更接近人類推理鏈的能力，並與學生、工程師、博士後共同工作。然而對於生命起源、複雜發育、根本性科學問題，人類的抽象思考與假說能力仍是關鍵，現有技術無法完全取代。
- 未來最大突破在於「機制模型 + AI」的深度整合 他多次強調，單純的生成式AI或黑箱模型不夠。下一波真正重要的進展，是讓AI的輸出被生物學現實與因果（機制）模型所約束，形成「有物理與生物限制」的混合系統。
- 數位孿生必須跨尺度整合，目前仍嚴重分裂 目前分子層、細胞層、器官層與全身層的模型彼此分離。最大挑戰不是單一層級的模擬，而是如何把它們真正整合起來。他認為這是數位孿生能否實用的關鍵。
- 「完整人體數位孿生」沒有理論上的不可能 他明確說過：「沒有任何理論理由認為我們無法建立完整人體的數位孿生。」限制主要來自知識與資料不足，而非原理上不可行。時間尺度他傾向保守（可能需要數十年）。
- 健康系統資料的取得與互通性，是目前最大的實務瓶頸 比演算法本身更嚴重的問題，是醫療體系資料難以取得、格式不一致、無法互通。他多次指出這是歐洲與西班牙推動個人化醫療的主要障礙。
- 約10年後，AI有望進入即時臨床決策支援系統 他預測在未來十年左右，AI可能被整合進臨床決策支援工具，能即時分析病人資料並動態調整治療方案，但前提是監管與驗證體系必須跟上。
- 目前「開發技術的人」遠多於「思考科學問題的人」 他對這個現象感到擔憂：太多人在追求模型與技術本身，卻忽略真正重要的科學問題與臨床應用。他認為這可能讓領域失去科學動能。
- 生物學的複雜度遠高於物理與工程系統 他反覆比較：工程上的數位孿生（工廠、機器）相對單純，而生物系統高度異質、非線性、不可預測。因此超級運算與AI在生物學上的難度，本質上高於其他領域。
- 對封閉式AI系統與過度信任結果持批判態度 他曾公開批評部分AI蛋白質預測服務初期不公開程式碼、不充分揭示限制，導致使用者容易過度信任結果。他認為科學社群需要可重現、可獨立驗證的方法。
- 藥物重新定位（drug repositioning）潛力很大，但缺乏機制知識就難以真正有效 雖然把已知藥物用在新適應症很有吸引力，但若沒有更深的機制理解，效果會受限。他認為這是需要機制模型與AI結合的典型例子。
- 合成資料與AI代理人（AI agents）將大幅改變模型建立方式 他看好用合成資料補充真實資料，以及用AI代理人自動化模型生成、探索藥物組合與模擬情境。這被他視為加速數位孿生發展的重要方向。
他的立場：人工智慧是強大且正在改變生物學的工具，但它不是魔法，也不能跳過生物學本身的知識缺口與醫療系統的現實限制。
Alfonso Valencia 是歐洲生物資訊與計算生物學領域的重要人物，目前擔任巴塞隆納超級運算中心（Barcelona Supercomputing Center, BSC）生命科學部門主任、ICREA教授，並曾擔任國際計算生物學學會（ISCB）主席。他長期研究蛋白質演化、疾病網絡、文字探勘、數位孿生（digital twins）等。
約翰（主持人）：那麼，Demis Hassabis 說過「在未來10年內我們將治癒所有疾病」這個說法，你怎麼看？
阿爾方索·瓦倫西亞（Alfonso Valencia）：其實已經有研究論文指出，只要用病人的病程軌跡來訓練模型，就能提前5年預測你會得什麼病。這也沒那麼不可思議。
旁白：阿爾方索·瓦倫西亞，生物資訊學先驅，巴塞隆納超級運算中心生命科學部門主任。
旁白：他曾任國際計算生物學學會主席，目前領導著超級運算在個人化醫療中的應用。
旁白：他發表了超過400篇論文，是全球在使用人工智慧解讀基因組和癌症等疾病方面的權威。
阿爾方索·瓦倫西亞：對生物醫學的影響非常大，因為我們可以做到以前根本想像不到的事情。我們現在能做的事，在三四年前我們甚至想都不敢想。我們甚至可以批准一種我們根本不知道它如何運作的藥物。這是可以做到的，但做起來有其複雜性。
約翰（主持人）：那麼，相對地，這裡的故事會變成：你想要什麼？是想在完全不知道自己是怎麼做到、怎麼管理的情況下就治好這種病，但反正它有效？還是你希望它能向你解釋清楚，卻因此多花一倍的時間才到達那個結果？我感覺我們很快就會面臨這種抉擇的時刻。
阿爾方索·瓦倫西亞：很難想像在這麼短的時間內就能找到所有疾病的療法。
約翰（主持人）：你看到人工智慧讓哪些事情變得可能，是你以前不相信自己這輩子會看到的？
阿爾方索·瓦倫西亞：我們已經從「人工智慧只是一種幫助我們把事情做得稍微快一點的工具」，演變成「人工智慧讓我開始思考要用完全不同的方式做事」。但我認為，在未來三年內，大部分的生物學研究還無法被自動化。
約翰（主持人）：就在今天，我收到一則美國某家醫院的消息，他們公布利用 Palantir 這個人工智慧平台，在過去幾年已經拯救了八百多條生命。也就是說，人工智慧在科學上的真實影響到底是什麼？阿爾方索，很高興今天有你在這裡。 我們會談很多事情，但首先我想先把炒作降溫一點，或者看看這件事是否真的達到了那種程度。因為當我們談論醫學、談論科學時，人工智慧的話題總是被吹得天花亂墜，他們承諾到2028年就會有自主的科學開發者人工智慧等等。而就在今天，我收到一則美國某家醫院的消息，他們公布利用 Palantir 這個人工智慧平台，在過去幾年已經拯救了八百多條生命。也就是說，人工智慧在科學上的真實影響到底是什麼？
阿爾方索·瓦倫西亞：嗯，我認為必須稍微區分「對科學的影響」和「對醫學的影響」。對科學的影響，看細節、看具體案例，我覺得是顯而易見且具有轉型意義的。大家做事的方式已經跟以前完全不同了。 對醫學的影響則比較難衡量，因為它是一個過程，被整合在醫療系統、醫院系統裡面。即使有非常強大的發展在發表時很耀眼，但真的要在醫院系統裡落地實施，並且像你說的那篇文章一樣去量化「拯救了多少人」，就困難多了。可以說，在醫療衛生領域，我認為就像其他產業一樣，流程的轉型非常緩慢，因此新技術的導入會更花時間。這不只是換一套新軟體，而是要改變做事的方式，而在醫療系統這麼複雜的體系裡，這很困難。 因此，我認為我們看到的，比「如果醫療系統更容易被操作或導入新東西」所能達到的還要少。但在科學方面，至少在我熟悉的生物學領域，對生物醫學的影響非常大，因為我們可以做到以前根本想像不到的事情。我們現在能做的事，在三四年前我們甚至想都不敢想。 我們有一些從1990年代就一直懸而未決的問題，因為當時沒有資料、沒有運算資源，當然也沒有方法。而現在突然間，我們有了資料、有了運算資源，也有了方法。所以這是一個做生物學研究的絕佳時代，因為你突然擁有了以前沒有的工具。
約翰（主持人）：對啊，這正是我覺得超有趣的地方——當我們看到科學影響的實際數據時。很多時候這些研究是「已經使用人工智慧一段時間、看到結果，然後才寫成論文發表」的產物。也就是說，我們看到的新聞，其實是有點落後於當下正在發生的事情。當我們看到關於科學或醫學影響的新聞時，我們看到的比較像是後照鏡裡的畫面。但這一切進展得如此之快，現在正在發生的事情，可能要等到一年後、甚至更久才會出現在論文裡，因此實際的收穫其實比標題顯示的還要大。
阿爾方索·瓦倫西亞：嗯，科學界一直都是這樣。顯然，論文發表會落後於發現本身。隨著時間加速，就像你說的，要追上那隻跑得這麼快的兔子就變得更難了。 因此，是的，還有更多。現在我們的驚訝能力已經到了極限。你打開另一本期刊，就會發現「啊！他們發表了某某東西」。而且，由於許多這些新發明、新發現來自那些我們不太清楚他們到底在做什麼的公司，驚喜的程度可能更大，因為更難事先知道他們在搞什麼。 以前容易多了，因為你去參加研討會、跟同事聊天，就知道現在正在發生什麼。現在卻很難知道一家正在做全新東西的公司裡發生了什麼。
約翰（主持人）：但對你來說，我想像這會是一個黃金時代，一個像你說的、能夠到達以前根本無法到達之處的時代。如果你要稍微解釋一下人工智慧對科學的影響，你會怎麼定義它？是人工智慧正在幫助科學家跑得更快，還是我們已經到了人工智慧正在貢獻「新科學」、正在做出發現的階段？你會怎麼定義？
阿爾方索·瓦倫西亞：顯然它在幫助我們把事情做得更快。你可以更快做摘要、讀更多文獻、收集資料、搜尋東西。它也在建議想法。 你開始寫一個計畫，問它一句，它就開始給你建議。這很好，這就像一個助手，是最低層級。但你開始進入轉型階段，開始能在以前做不到的領域做事，或以以前做不到的方式做事，或結合以前無法結合的技術。 所以我認為我們已經從「人工智慧只是一種幫助我們把事情做得稍微快一點的工具」，演變成「人工智慧讓我開始思考要用完全不同的方式做事」。而且我認為我們在這方面還遠遠沒有到達終點。我們會看到更高程度的整合，一個你會持續把人工智慧系統當作實驗室一部分的程度——它是另一個助手，會跟你的學生、你的技術人員、你的工程師互動，也跟你的指導方針互動，大家彼此互動，成為系統的一個組成部分，這會讓你用完全不同的方式思考做事。
約翰（主持人）：但總是依賴於科學家嗎？也就是說，你認為它會讓事情變得可能？
阿爾方索·瓦倫西亞：在接下來的……誰知道會發生什麼？我認為在接下來的幾年，是的，它仍會依賴於科學家。 會有一些領域不是這樣，有些領域可以在很大程度上被自動化，即使不是完全自動化。那些有大量資料、有可自動化與機器人化系統、可以在那些資料上產生結果並持續做研究的領域——例如化學或某些化合物的篩選這類事情——那些也許可以完全自動化。但大部分的生物學研究，我認為在未來三年內還無法被自動化。 那五年、十年後，有多少部分會被自動化？這是一個很好的問題。我也想知道答案是什麼。 我們不知道。我們不知道，因為生物學跟其他物理領域不同——物理系統或機械系統的資料更為人所知——生物系統仍然是一個發現的領域。如果我們連自己有多少種細胞類型都還不確定，或者對所有器官都還沒有完整資訊，就很難想像我們能自動化一切、對一切產生假說、並對一切擁有整合性知識。 因此，由於缺乏知識、缺乏基本概念，而且我們仍在發現新事物，要想像一切都能被自動取代就困難得多。因為那是一個更高層次的假說生成、知識與抽象化。
約翰（主持人）：對，因為我本來想問你：作為生物學家，你整體上正在試圖解決什麼問題？為了讓大家理解你的工作，你工作的目標是什麼？
阿爾方索·瓦倫西亞：這是一個很好的問題，答案沒有那麼簡單。我們工作最全局的目標，是試圖理解生物過程的分子基礎。而在大多數我們所指的情況下，這些生物過程就是疾病。也就是說：為什麼會發生一種疾病？ 為什麼一個人會得某種病？不是從現象學的角度解釋——因為他感染了某種病毒之類的——而是內部到底發生了什麼？哪些分子過程被觸發才導致疾病？而且我們在很大程度上會把它轉化成：在得過一種病之後，你得第二種病的機率會變高或變低，也就是疾病的軌跡是什麼。但不是從統計角度——「統計上會發生這個、然後是那個」——我們感興趣的是理解內部的分子過程：哪些蛋白質、哪些基因被啟動或關閉才導致這一切。為什麼？因為生物學的最終目標是「機制性知識」——事情是如何發生的。為什麼？ 因為如果我們不知道事情是如何發生的，我們就無法以理性的方式介入這些事情。你會需要什麼工具？足夠的基因組資訊、影像、過程？ 足夠的運算能力，因為無論如何這都會很複雜，以及能讓你從那些資料走到「事情如何發生」的技術。為什麼一種蛋白質會活化另一種蛋白質？當它不運作時，突變產生，無法活化下一個，於是就出現某種結果。那個機制性過程才是我們科學上感興趣的，而真正的應用就是疾病。
約翰（主持人）：那我們對生物學的理解到什麼程度了？也就是說，我們還非常早期，還是已經對人類知道很多了？
阿爾方索·瓦倫西亞：這是一個困難的問題，因為我們不知道「全部」到底有多少，所以很難知道我們目前在哪。但確實，自從一系列技術開始被自動化——主要是基因組學及其許多變體與多樣化——我們進步了很多。現在，我們第一次有了「一個器官在不同人身上是如何組成的」、「不同過程如何相互作用」的資料。可以說，我們正處於生物學的舊石器時代末期。
約翰（主持人）：這大概是從什麼時候開始的？讓我理解一下。
阿爾方索·瓦倫西亞：從基因組學的爆發開始。從1990年代末開始，產生基因組的過程開始工業化，那是最先被生產的東西。天真地以為有了基因組就能解決所有事情——這當然不對——而現在我們可以做單細胞基因組。這是一項非常基礎的技術。一件事是定序一個人的基因組，那原則上是終身不變的基因組；另一件事是看每一個基因在每一個細胞裡的表達水平。也就是說，我們整個身體只有一個基因組，我們所有的細胞事實上大致上都有相同的基因組，但後來我們有不同的組織和器官，是因為那些基因組裡的基因表達在發育過程中被以不同方式調控，才形成特定的組織或器官。
約翰（主持人）：這比看起來複雜多了，因為我記得1990年代大家說一旦發現基因組，一切就解決了，而我們在這裡做的，是打開了一扇通往全新世界的門。
阿爾方索·瓦倫西亞：我們這些天真的科學家真的以為「知道了基因組，我們就會理解疾病」，但現在我們意識到不是這樣，我們還必須做更多。而這類技術讓我們能看到每一個細胞——在腫瘤裡試圖看到、或能夠看到腫瘤裡的每一個細胞，它們是不同的細胞類型，例如免疫系統、腫瘤的前體細胞、以及正常腦組織等等——每一個單獨的細胞在特定時刻正在表達什麼，並且能夠追蹤它。這種細胞層級的解析度，幾年前我們還沒有，現在我們開始獲得了。但還有更多技術。基因組學已經擴展成許多不同類型的技術，讓我們擁有完整的資訊。現在大家談的是「圖譜」。我們有了肺圖譜、腎圖譜、某某圖譜。 我們開始擁有那種資訊，它開始變得有趣，讓我們能夠建模系統，並擁有我們想要的那種機制性知識，以便知道要針對哪個過程、來治療特定人的特定疾病。
約翰（主持人）：而最終目標是理解，以便能夠治療、避免或治癒。我理解「理解人類或生物學本身」會給我們必要的資訊，讓我們知道這種疾病會做什麼，從而能夠阻止它發生，或直接根除這種疾病、讓它不再出現。我理解這大概就是目標。
阿爾方索·瓦倫西亞：這一直是分子生物學的目標。理解過程，以便能夠控制它們。我們一直說、一直想、也仍然認為：如果我們不理解它們、無法建模它們，我們就無法控制它們。 而如果我們無法建模它們，我們就無法控制它們；如果我們無法建模它們，我們也就不知道它們。這些事情是相關的。現在這一切突然開始有點搖晃，因為我們現在可以有一個機器學習系統、一個人工智慧，它從資料中學習，告訴我們如何治療，而我們對中間的過程一無所知。 而現在這裡開始出現一場有趣的討論：這到底適不適當？可不可能？有沒有效度？首先，在監管層面是否有效？我們能不能批准一種我們根本不知道它如何運作的藥物？ 嗯，其實已經做過了，因為阿斯匹靈我們也不是很清楚它當初是怎麼運作的。可以做，但做起來有其複雜性。我們想不想這樣做？我們想不想信任這種類型的東西？還是我們要能夠做工程？而這裡就開啟了整個主題：我們如何把那種分析性、決定性、機制性的知識，與人工智慧結合？我們如何讓人工智慧用機制性的語言來解釋自己？我們如何讓人工智慧被限制在物理與真實、生物的界線內？我們要如何做到這一切？也就是說，我們如何把「在不知道真實規則的情況下學習」的力量，與「我們需要知道的真實規則」結合起來？這是所有相關討論中的重大辯論之一。
約翰（主持人）：在我跟人工智慧相關的所有領域、跟所有人談的時候——不管是銀行裡非常企業的人、科學家，還是更聚焦在人工智慧情感層面、或我們如何與它互動的人——最終總是會出現的問題是：我們是否要要求人工智慧具備可解釋性？要要求多久？ 因為如果它繼續以目前看到的速度進步——從「你不能信任它」變成「它可以幫助你」，再變成「它甚至開始自己做出某些發現」，像數學裡已經出現的那樣——誰能保證明天我們不會變成試圖讓它解釋的累贅？那麼，相對地，這裡的故事會變成：你想要什麼？是想在完全不知道自己是怎麼做到、怎麼管理的情況下就治好這種病，但反正它有效，因為從務實角度我們看到了結果？還是你希望它能向你解釋清楚，卻因此多花一倍的時間才到達那個結果？我感覺我們很快就會面臨這種抉擇的時刻——是要給它們自由發揮、享受好處（有點像眾神的禮物，有時大家會這樣說），還是要堅持自己在指揮、在控制，即使那意味著我們不能做那麼多事。我覺得這是一個有趣的辯論。
阿爾方索·瓦倫西亞：這是一個有趣的辯論，而且很難說「不」——很難因為「我想知道它怎麼運作」就拒絕一個便宜、能解決真實問題的方案。
約翰（主持人）：即使從道德角度來說，也很難對那些正在受苦的病人說「不」。
阿爾方索·瓦倫西亞：在實務上幾乎不可能說「不」。不會那麼容易，因為你能用這種方式解決、而且還有能力介入的案例數量，很難不需要那些跟可解釋性有關的中間知識。如果只是說「給我這個病人的軌跡，告訴我他之後會得什麼病」——已經有論文用病人的病程軌跡訓練模型，就能提前五年預測你會得什麼病——這也沒那麼不可思議，因為你知道自己走在一條最終會得病的軌跡上，而且可以驗證系統，看起來相當穩定。但這給你的介入選項非常少。 如果是癌症，你可以監測它，但你現在是在問「如何介入」。介入需要更多中間層的知識。所以，這正是可解釋性的問題。目前系統所提供的可解釋性，很可能不足以支持介入。而這裡就出現了為什麼需要其他類型技術來補充——目前我們使用的生成式系統無法提供的東西——的理由。 也要想到，我們現在使用的技術，是因為它是我們目前擁有的。但它不一定是解決這些問題的適當技術。很有可能轉個彎就遇到另一種技術，然後我們會說「天哪，我們怎麼會用這種方式做？」
約翰（主持人）：對，很可能我們會看到一個完全可解釋的想法，而今天我們卻覺得目前這個才是未來，但其實不是。在科學和生物學領域，你們已經使用人工智慧很長時間了——機器學習、深度學習等等。想像你已經在這領域做了幾十年，絕不是第一次遇到現在這種熱潮。但確實好像有一個「之前」和「之後」。你日常工作中注意到那個轉折點是什麼時候？
阿爾方索·瓦倫西亞：就像你說的，計算生物學、生物資訊學，在很大程度上是把電腦科學領域發展出來的計算方法，轉譯到生物學問題上。轉譯的時間——一種新技術被採納需要多久——可能是幾十年。突然間，隱馬可夫模型存在了很多年，有人想到把它用在生物學上，就在生物學上產生了真正的科學轉型。 但那些時間一直在縮短，隨著更多來自計算方法的人進入生物學，時間更短了。從 DeepMind、AlphaFold 開始，也許就是這個變得明顯的時刻。它變得明顯：第一次有一個計算方法，在很大程度上解決了一個定義良好的生物學問題。這發生在2021、2022年。
約翰（主持人）：如果可以的話，你能不能為不了解的人解釋一下 AlphaFold？這是 DeepMind 開發的技術，當時是 Google 持股的新創公司，由 Elon Musk 等人共同創辦，目前由 Demis Hassabis 領導，他現在是 Google 整體的 CEO。但讓我們解釋一下什麼是 AlphaFold，以及它攻擊的是什麼問題。
阿爾方索·瓦倫西亞：幾十年來，我們一直在問一個原則上非常理論、非常抽象、非常科學的問題。問題是：基因產生蛋白質，也就是說，我們的兩萬個基因產生兩萬種蛋白質，原則上這些是個體、細胞裡的活躍因子——做 X 事情的蛋白質。這些蛋白質是由20種不同組件組成的多肽鏈，我們可以對它們定序。當我們定序一個基因時，就得到了那個蛋白質的序列。 這些蛋白質就像做事情的小機器，因此為了做事情，它們會取得一個定義好的三維結構。我們知道這是有效的，因為我們可以做實驗：拿一個展開的蛋白質，放在適當的條件下——水裡加一點什麼——它就會取得它的三維結構。
約翰（主持人）：也就是說，它會折疊成一個物理上的三維結構。
阿爾方索·瓦倫西亞：極其吸引人，因為那些形狀非常漂亮，你可以在三維空間裡用顏色表示它們、操作它們，它們就像會稍微動一動的小雕塑，而且還會做事——把一種小分子轉變成另一種化合物——執行所有這些功能，從美學角度看非常迷人。問題是，要解析那個三維結構，有實驗方法可以做到，但很昂貴，而且越來越難用。技術有改進，但現在解析單一蛋白質的結構可能要花好幾年，因為很複雜。
約翰（主持人）：那知道那個結構對我們有什麼用？
阿爾方索·瓦倫西亞：例如，可以用來設計藥物、設計化合物、設計新蛋白質、了解它們如何運作、解釋蛋白質上的突變。乳癌的 BRCA，那個突變如何讓蛋白質無法正常運作；或是癌症裡的 RAS p21 突變時發生了什麼。理解蛋白質上的突變，必須透過理解它們的結構。
約翰（主持人）：也就是說，一旦我們理解了結構，我們就有能力在周圍做事情——從開發藥物到理解疾病。
阿爾方索·瓦倫西亞：整個藥物開發產業、生物技術、用蛋白質做事情的產業，或所有關於突變的解釋，都要經過了解蛋白質的序列和結構。
約翰（主持人）：也就是說，要做任何事情的第一步，就是先理解那個三維結構，而這件事以前要花我們好幾年。
阿爾方索·瓦倫西亞：要花好幾年。事實上，第一部分——從基因到蛋白質——是遺傳密碼，是 Ochoa 和諾貝爾獎那些人的事。那是一個相對容易的問題，現在已經是trivial的問題。你有基因組序列，就轉成蛋白質序列。 當然，生物學總有例外，但一般來說是這樣。一旦有了結構，第二部分——結構是什麼——就不行了，只能用實驗做，於是我們發展計算方法。我們做了幾十年的計算方法，有一些進步，小小的進步，但如果用數字來說，大概解到了問題的70%左右——這只是一種說法。從2020年開始，DeepMind 開始用另一種新視野發展，基於以前做過的事情，但用一種新的深度神經網路編碼方式——當時深度神經網路開始流行——產生了重要進展，但還沒解決問題。到了2022年，他們重新思考整個做法，改變架構，做了一些不是概念上不可思議的複雜，但確實很難把它們組合在一起的事情。這不是研究完全不同東西的概念革命，而是非常好的工程，基本上把問題解決到了95%。
約翰（主持人）：也就是說，他們得到一個人工智慧，只要給它一個蛋白質，就能以95%的成功率預測它的三維結構。
阿爾方索·瓦倫西亞：而且他們還能告訴你蛋白質的每一小段、每一部分，預測的可靠度有多高。它不只告訴你「這個蛋白質整體預測可靠度90%」，而是「這一段是70%，這一段是90%」。這是一個非常有趣的特性。這就像如果 ChatGPT 能對每一句話告訴你「這句你可以相信70%，這句相信90%」。我們對 ChatGPT 做不到，但對蛋白質可以，而且這是少數可以做到的領域之一。於是突然間這就具有轉型意義——我們已經有資料庫，對我們擁有的所有序列、所有基因組，我們有蛋白質，也有帶有可靠度水平的預測模型。
約翰（主持人）：事實上這有多誇張，讓大家理解一下有多少蛋白質。
阿爾方索·瓦倫西亞：嗯，人類原則上每個基因一種蛋白質，兩萬種不同的蛋白質，但每個生物都有一部分基因組——植物的基因組非常大，有更多蛋白質。也就是說，可能的蛋白質、真實存在的蛋白質的集合非常大。 有數百萬種蛋白質。但就在同一年，2022年，又發表了其他系統，它們不是像 DeepMind 那樣用神經網路一步步處理，而是使用語言模型——像 ChatGPT 那種——不是用文字訓練來產生文字，而是用那20種胺基酸訓練來產生蛋白質。於是我們現在不只擁有自然界產生的蛋白質，還能擁有任何蛋白質。 於是數量變成無限。我們可以產生無限多的蛋白質。
約翰（主持人）：我記得看過 DeepMind 的紀錄片，我也推薦給所有人，那是一個公開在 YouTube 上的紀錄片（應該還在），短短幾天就累積了5億次觀看。真是瘋狂。那是一個很有趣的紀錄片，大概只有45分鐘，我記得有一幕——因為整個過程都被錄下來了——他們在會議室裡，已經解決了問題，團隊跟他說「對，我們已經解決了這個問題，以前有人需要蛋白質預測時會提出申請，然後有人去算，現在我們啟用了一個地方，讓大家可以來請我們預測」。 然後 Demis 好像說：「但你們在說什麼？如果這這麼容易、這麼便宜，那就全部都做啊。」於是我們到了今天，DeepMind 已經預測了所有蛋白質，而且都公開了——或者說所有已知的——都公開了。而 David 不久前在達沃斯說，如果用人類科學家來做，會花掉十億年。而他們卻在……
阿爾方索·瓦倫西亞：說得對。確實，他們想要第一個諾貝爾獎，如果不公開蛋白質結構，就拿不到。這是一個崇高的目的，對吧？ 再說一次，那是真實存在的、已知的蛋白質，再加上我們能發明的所有蛋白質。我們能發明的那些非常重要，因為它讓我們能問「為什麼我們只看到其中一些？」「其他的在演化過程中有沒有產生過？」「可能存在過或沒有存在過哪些新功能？」也就是說，真實的「補集」讓我們能做事、能問「為什麼存在的存在、為什麼不存在的不存在、我們如何補足功能」。所以在能把已知與未知互補這件事背後，有很多科學。 話說回來，首先，這是一個根本性的進展。現在所有人都在使用公開的結構、加上預測的結構，而且顯然你自己也會做——你不只擁有天然蛋白質，還會做一些改變、做新的預測。所以大家持續在使用 AlphaFold 及其衍生版本、後續版本等等。 話說回來，這解決了某一類蛋白質的問題，但圍繞蛋白質結構的科學問題還在更遠的地方。我們不只想要單一蛋白質的結構，我們想要蛋白質作為機器、與其他機器一起運作時的結構——大型複合體的結構。也有新方法，AlphaFold 衍生出針對這個的方法，其他團隊也衍生出方法，但這是一個困難得多的問題：如何讓一個我能預測結構的蛋白質、我能預測好幾個的蛋白質，一起運作？因此，最好把它想成一個非常大的改變，讓我們能做以前做不到的事，但絕沒有窮盡那個意義上的問題。
約翰（主持人）：對，還有很多要解決，但我們是否同意：AlphaFold 也許是人工智慧為這個世界做過最重要的事情？
阿爾方索·瓦倫西亞：我通常會這樣說，我通常會說這是唯一可以確認、可以驗證已經被解決的事情，而且有數字告訴我們解決得有多好。其他事情——產生影像、產生診斷——我們也會評估，但我們非常不確定它們是否能外推到其他環境、是否能在另一組資料上運作。總是有很多疑慮，而在這個案例裡，問題在它的界線內被定義得很好、被框限得很好，我們可以說它幾乎被解決了。因此，是的，我把它當作「最大、也許唯一」的例子——一個毫無疑問來自人工智慧的進展，而且幾乎沒有負面的反對聲音。嗯，它解決了問題，讓我們能繼續前進，它繼續提出更往前的問題，也可能提出關於「它如何運作」的問題，那些也值得研究，但對一個在 AlphaFold 之前開始寫論文的學生、以及一個在 AlphaFold 出現後開始寫論文的學生來說，這是一個決定性的進展——他會做的一切都會完全不同，事實上他的論文構想也會不同。所以它確實具有轉型意義，確實沒有太多我們能想到的負面影響或批評，而且它是一個非常強大的工具。
約翰（主持人）：希望你正在享受這個 podcast。你知道，Infojobs 是我們的贊助商，他們來提出一個我確定你會感興趣的東西。你能想像來參加我其中一集人工智慧 podcast，就能拿到一千歐元嗎？這正是我們跟 Infojobs 一起準備的。如果你對人工智慧充滿熱情、整天在試新工具、看人工智慧相關影片，或只是對理解未來走向感到好奇，這個機會就是為你準備的。 我們在找一個人，想來我們的工作室、親身體驗錄製過程、認識團隊、跟我聊人工智慧、科技、以及這個世界正在改變的一切。而且是的，Infojobs 還會付錢給你。這個 Cooljobs 包含什麼？嗯，一天體驗一千歐元淨收入、VIP 進入人工智慧 podcast 錄製現場。 此外，你可以帶一個你想帶的人一起。跟我見面、聊天、拍照、問任何你想問的問題。而且來回交通也包含在內，從西班牙任何地方出發，住宿也包含。 有一件重要的事：雖然職缺顯示在馬德里，但你可以从西班牙任何地方報名，因為我們會負責交通和住宿。如果你喜歡人工智慧、想體驗一次很棒的經驗，現在就透過描述欄的連結、置頂留言或螢幕上的 QR code 報名。你也可以從網頁或 App 進入 Infojobs，在搜尋欄輸入 John Hernández，就會出現這個職缺。 別錯過這個機會，我們在 podcast 見。你怎麼看他們得到諾貝爾獎這件事？因為我之前看到你提到他們想要諾貝爾獎，所以才用某種方式去做——因為我理解這給了 DeepMind 本身一種驗證，而那非常重要。
阿爾方索·瓦倫西亞：是的，這裡發生的是這些事情的社會學——最早的諾貝爾獎得主之類的，蓋住了很多東西，對吧？還有軼事。第一個諾貝爾獎，如你所知，分成兩部分，一部分給 DeepMind，另一部分給 David Baker。DeepMind 主要因為 AlphaFold 的方法，David Baker 則因為他至今仍在這個領域、是非常傑出的科學家，主要因為在這類事情上做了工程。從社群的角度來看有點令人挫折——社群對諾貝爾獎得主總是有點挫折——因為他們沒有很感謝「這之所以可能，是因為蛋白質結構的資料庫已經被累積、註解、維護」，也就是說，結晶學家和資料庫已經累積並維護了所有蛋白質結構，沒有那些他們什麼也做不了。
約翰（主持人）：對，訓練資料最終是人類過去幾十年做出來的東西。
阿爾方索·瓦倫西亞：完全正確，也許是一個獨特的訓練集合。
約翰（主持人）：而且不算很大，順便說一下。訓練集合跟我們對生成式 AI 的想像不同——我們傾向認為它們用海量資料訓練，然後從中長出那些湧現能力——在 AlphaFold 的案例裡，從紀錄片看到的，恰恰是一個小資料集。這是他們做了一件非常好的事的特徵之一：在訓練非常有限的情況下，完成了一件非常複雜、非常抽象的工作，因為我們沒有那麼多座標。
阿爾方索·瓦倫西亞：那些是高品質的資料，覆蓋了很大的空間，結構被許多會產生相同結構的序列包圍，因此你不只從「那個蛋白質配那個結構」學習，還從所有你知道會有那個結構的相似蛋白質學習。因此，那是數千個結構和數百萬個序列。所以它也許不像其他集合那麼大，但好很多，而且在空間上分布得更好，覆蓋得更好。也就是說，蛋白質因為完全意想不到的原因，變成了訓練人工智慧機制的絕佳集合。這些事情，當一個人在蛋白質這個相對小眾的領域工作時，永遠無法想像——你跟我說20年前大公司會開始研究蛋白質，那是完全不可思議的，沒有人想得出這種事。 於是他們發展了方法，沒有很感謝，現在已經有了——現在 Hassabis 每次講話都會提到結構之類的——但最初對社群的認可非常少，而社群他們是在 CASP（蛋白質結構評估競賽，每兩年舉行一次、已經舉行很多年）上展示他們的方法，整個社群作為評估者和預測者都有貢獻，我們發展了後來 AlphaFold 所依據的想法。對此，最初連提都沒提。這對社群來說非常冒犯。 到了最後關頭，他們才意識到必須讓方法可取得，否則如果只把它當成應用、不讓方法和資料可取得，會被看得很糟。方法可取得這件事，最終沒那麼重要，因為幾個月後就有人能重現了，重現的團隊也不是大問題。做出所有結構的能力也不只屬於他們。維護結構的資料庫是在歐洲分子生物學實驗室，那是公開結構所在的資料庫。這是歐洲公共實驗室與 DeepMind 共同努力維護那個結構資料庫。無論如何，他們發表了 AlphaFold 第二版，卻沒有公開。 他們沒有公開軟體，甚至到了論文在 Nature 發表卻不揭露程式碼的地步。審稿人抗議，因為這不行。我要怎麼評估一篇論文，如果我無法取得程式碼來驗證它？ 這造成了很大的醜聞，最後他們才公開程式碼。他們還是發表了論文，後來發現這樣拿不到諾貝爾獎，於是也公開了 AlphaFold 第二版的軟體。所以，這是我們社群的詮釋，知道論文發生了什麼等等。諾貝爾委員會做了什麼，沒有人知道。但要說公開是好事、值得感謝，但他們一直很不情願，直到被逼到牆角。 沒有表面上看起來那麼美好。沒有那麼美好。總是看起來好像非常棒。 抱歉我對這件事沒辦法更正面一點，但是……不，不，但這很好。對他們非常有利。
約翰（主持人）：我認為這反映了人工智慧世界裡一個非常真實的事情：最終這些公司是追求自身利益的大企業，有時在媒體和新聞裡因為他們正在做的事而看起來很好，但我們不能忘記那是絕對精心策劃的形象宣傳。因此，最終 DeepMind 因為有了那個形象而非常受惠，因為現在大家把他們看作更科學的實驗室之類的。諾貝爾獎為 DeepMind 做的，比 DeepMind 為諾貝爾獎做的還多。意思是，這終究是一場權威公關宣傳，讓像我這種對這個主題一竅不通的人，會覺得「這一定很重要，因為他們得了諾貝爾獎」。 因此，這些人知道自己在做什麼。因此，當我要選擇用 ChatGPT 還是 Gemini 時，那很可能會在我的決定裡佔有份量，因此對他們來說是一種價值。因此，很好有你們這些身在其中的人，
阿爾方索·瓦倫西亞：說出來：「各位，這其實沒那麼好。」DeepMind 一開始是一家非常獨立的公司，做非常冒險的大事——下圍棋、玩某某遊戲——非常有趣。Hassabis 是一個非常有趣的人，他看這一切的方式非常有趣，他的進展——因為他們一直在做一件又一件事——超級有趣，但最終他們變得如此可見、如此公開，幾乎完全被 Google 吸收了，而 Hassabis 也升到了其他責任和其他類型的事情。你怎麼看 Hassabis？
約翰（主持人）：因為畢竟這個人被包裝成天才。
阿爾方索·瓦倫西亞：他是天才。我真誠地說，我們跟他談過很多次，但每次跟他談話，他毫無疑問是天才。他是一個超級聰明的人，我認為直到當時，他至少是被「想知道人腦如何運作」這個慾望所啟發——在 Google 之後我就不知道了。 而由於他不打算去拆解人腦、也覺得那樣很難有進展，他就轉向「計算大腦如何運作」。他整個進展都是把系統丟到「不能用計算解決、要用歸納、用策略、用其他方式解決」的問題上。AlphaFold 的起源，至少據他本人的說法，是一個叫做 Folding@Home 的遊戲，你在家裡的電腦會被給一個像麵條一樣的結構——那是蛋白質——然後你要把它折成三維結構。 令人驚訝的是，那些在家裡、沒有任何物理知識、也沒有任何計算工具的人，開始把它折起來，而且折出非常真實的折疊。因為某種程度上它是直覺的。我很難理解為什麼沒有人能折、但有人卻折得出來。 於是他想，這裡有一部分是直覺。因此，在玩完一個靠策略的遊戲之後，他們去玩一個靠直覺的遊戲。因此他們進入了蛋白質的問題。 這是他說的。我想相信這是真的，而且我覺得這個想法很迷人。
約翰（主持人）：非常有趣，從圍棋跳到這整塊。對了，談到 AlphaFold，它毫無疑問有巨大影響，以及所有從它衍生出來的東西，我認為非常驚人，最近又發表了 AlphaGenome。差別在哪？
阿爾方索·瓦倫西亞：嗯，用蛋白質訓練，就像我們說的，有數百萬種蛋白質，結構被很好地確定，以一致的方式覆蓋空間。那是一個絕佳的訓練集合。基因組則是一個糟糕的訓練集合。 它們非常大，通常很大。代碼裡任何一個字母的微小變化都可能產生後果。我們沒有那麼多「已經知道後果」的基因組。 那是一個非常困難的訓練集合。而且你想預測的不是一個定義非常清楚、可以精確評估的結構，你想預測的是對疾病的後果，那是一個定義模糊得多的理論。因此這是一個困難得多的集合，用這些工具預測突變的後果，比預測蛋白質結構困難得多。 因此，我們能從突變後果預測中得到的東西，有用得多、運作得好得多，因為問題定義得不那麼清楚，你很快就會遇到從未見過、超出預測範圍的東西，無法預測。因此它比較沒有用、比較難應用，而且是一個更困難的問題。
約翰（主持人）：那你認為如果他們解決了——因為從 DeepMind 對 AlphaGenome 的發表來看，他們可能有點大張旗鼓，但他們說它跟 AlphaFold 本身一樣具有轉型意義——你認為它對科學社群有用的成功機率比較低嗎？
阿爾方索·瓦倫西亞：是的，因為首先，我們的疾病在很小程度上取決於我們的基因組。有些案例是的，某個特定突變就造成一種病——那是罕見病，你找到單一突變，它就造成疾病的表型。但一般來說，一種疾病是非常複雜的突變與變化集合。 而且不是所有都有，疾病的遺傳部分只是一個很小的百分比，即使外部因素、環境、發育之類的也有介入。一種肺部疾病，很大程度上取決於孩子肺部的發育方式。那不在孩子的基因組裡，雖然有一部分是。 只是一部分。因此，知道基因組遠不足以預測所有疾病。這裡就出現了當我們定序基因組、以為要解決疾病時的失望。
約翰（主持人）：那他們為什麼要試圖創造這個 AlphaGenome？目標是什麼？
阿爾方索·瓦倫西亞：嗯，因為目標更雄心勃勃。目標不只是使用基因組資訊，而是試圖解碼整個基因組調控。也就是說，畢竟，從早期胚胎發育開始，你有一個最初是一個細胞、然後擴展成更多細胞的胚胎，裡面有一些初始因子，然後一切都會發生，一切都被編碼在那裡，整個發育都會被編碼在那裡。 所以確實有一種想法：我們可以還原、找到生物學的規則，我們應該能夠重現發育過程、疾病過程、其他過程。我們是否有足夠的資訊，只靠基因組序列就能計算性地做到這件事？不，我們無法只靠基因組序列重現發育，因為我們不知道所有涉及的內在訊號。 序列裡的訊號，我們的基因組是一個包含訊號的序列——這個活化這個、這個活化這個、這個跟這個一起做什麼又回來——加上一些讓這一切啟動的初始組件。這是一個非常複雜的問題。我們是否能解碼所有那些訊號？在蛋白質的案例裡，我們能解碼、理解事物之間的關係以便折疊；在基因組的案例裡，我們是否能找到所有訊號以及它們如何彼此關聯，以產生像發育這麼複雜的過程？目前還不行。而且我們缺少元素，因為有些事情我們不知道。 我們是否能在機器學習系統裡理解所有這些事情、卻不知道它們為什麼發生？我們是否能找到所有事物之間的所有相關性？這不應該是不可能的，因為沒有什麼限制說它不可能，但目前我們就是沒有足夠的資訊來做。 而開始有基礎模型試圖解釋那個過程的一部分。我可以解釋在這些條件下哪些基因會被表達，或在給定這些條件、這個基因組和這些初始條件下，哪些基因會在哪個組織被表達。我們有基礎模型開始能做那些事情，但我認為完整的發育、複雜的過程，我們還離得遠。 有序列、有一系列資訊，預測這會不會造成疾病，在臨床情境下可能有用，有一些臨床效用，但它本身不是一個會改變醫學的工具。
約翰（主持人）：因為我想像，看到 AlphaFold 的演進——我理解如果我們站在2019年也會覺得不可能——意思是，有時候會有一種感覺：你能看到的範圍裡好像「這不可能發生」，然後突然就發生了。突然間我們發現在短短幾年內，這件事以如此劇烈的方式改變，把硬幣翻了過來。你認為由於人工智慧的指數級進展，它可能比表面上看起來更快嗎？ 你如何經歷那個指數級進展？因為有時候我跟一些人聊，他們說「嗯，這其實沒改變那麼多」，也有人說「我每天看，突然間就完全不一樣了」。我理解目前取決於領域，但在你們的情況呢？
阿爾方索·瓦倫西亞：我不太知道該怎麼說。我認為不會。我認為發展與疾病那類複雜問題，不會輕易被目前的技術解決——也就是說，不會明天就有一篇論文說「我們已經解決了」——因為缺少資料、缺少東西。這不只是擁有更好人工智慧的問題，而是你不會有足夠的資訊來做。我認為至少未來三年是這樣。再往後，很可能有技術上的改變，跟我們現在看到的一樣具有轉型意義，或者資料的累積可能跨越臨界點。但至少這是我目前的想法。我理解可能有具體領域會在生物學內部看到非常大的改變。但整體來說，那些根本問題，我不認為。
約翰（主持人）：那麼，Demis Hassabis 說過「在未來10年內我們將治癒所有疾病」這個說法，你怎麼看？
阿爾方索·瓦倫西亞：嗯，那就像是 Google 的副總裁之類的說法。首先，治癒所有疾病意味著要有生物、化學過程，能介入所有疾病。我們沒有針對所有疾病的藥物，而且要產生適當、無毒、能在族群中被證明有效的藥物，也不是那麼容易。 現在我們有一大批抗癌藥物。癌症治療在很多領域已經大幅改善。也有一些癌症幾乎沒有、或改善少得多，而且我們不是對所有事情都有藥物。 即使我們有非常精細的診斷，我們也沒有藥物。因此藥物開發是複雜的，即使有人工智慧、即使我們能合成新藥物，之後還有測試並讓它有效的過程，那需要時間。因此，由於事物本身的動態——我們既沒有那麼多知識、也沒有那麼多工具、還有一個受監管的過程——這三件事加在一起，很難想像在這麼短的時間內就能找到所有疾病的療法。話說回來，「治癒所有疾病」是對誰、在哪裡？因為這是加上去的第二個非常有趣的問題。
約翰（主持人）：對，誰有機會取得這些？因為我理解疾病有不同的治療方式。一種是避免它出現，另一種是治癒它、測試藥物。你認為哪一條路徑能讓我們更接近？因為我們一直在想開發藥物，但如果我們能讓下一代不再有癌症，就不再需要藥物了。
阿爾方索·瓦倫西亞：對，這看起來顯然合乎邏輯。如果我們能避免疾病——例如我們停止抽菸，那會是避免一大堆疾病的好方法。我們減少城市污染，那會是減少疾病的好方法。確實，而且能夠不只做一般性建議，而是做特定建議，是讓疾病遠離的好方法。另一種「治癒它們」的方式比較複雜，因為事情發生之後就很難解決。用化學方法、藥物開發，我們在談它的限制。手術已經大幅進步，但對於什麼能開、什麼不能開，也有其限制。 因此，顯然預防會更好。那種用人工智慧學習病人軌跡的想法——也就是說，你得過什麼病、吃過什麼藥，但那也影響你待過什麼環境——然後從這些資訊（像是你的生命軌跡）預測之後會發生什麼，這已經有論文了，在談疾病並預測之後。
約翰（主持人）：會有更多非常依賴大數據和其他東西的論文。
阿爾方索·瓦倫西亞：而且結果不錯，已經用其他族群驗證過，看起來很合理，而且 Google 之類的會再出更多同樣方向的論文——預測疾病軌跡。這非常重要，因為「你應該多運動，因為你會怎樣」跟「你未來五年內得這種病的機率是 X」完全不同。這讓預防、採取措施、做追蹤、最終發展治療都容易得多。因此，研究病歷有很大的潛力。
約翰（主持人）：對，我們已經看到一個事實。美國很早就宣布要把藥物上市時間減半，主要就是因為人工智慧帶來的這些好處，這非常驚人。但當然，我理解有一系列官僚程序，尤其是藥物測試的部分——第一期、第二期、第三期——那些都有一個時間，
阿爾方索·瓦倫西亞：相對來說是不可協商的。嗯，也有兩件事：一件是縮短到達人體試驗之前的時間。
約翰（主持人）：第一個
阿爾方索·瓦倫西亞：被批准可以在不做動物實驗的情況下進行人體試驗的藥物，是兩年前的事。它先在論文裡被批准，然後去年已經進入第二期試驗。所以這已經在發生，而且越來越多正在生產的藥物，把臨床前部分——那些模型、指南、方法、預測、計算的東西——納入進來，我們跟其他團隊一樣，在用合成動物取代實驗用的動物。因為你會省錢、減少動物犧牲、跑得更快。然後你到達臨床試驗，顯然在臨床試驗裡也有越來越多新穎的模型試圖縮短實驗時間。 使用你已經有的資料、回顧性資料、使用更小的數字、打開試驗的分支，這樣就不用只做兩個分支，而是根據正在發生的事情去適應。有很多事情，而且尤其在這個情境下，無論是臨床前還是臨床階段，跟生成式有關的這部分——產生合成資料——都扮演了根本角色。合成動物的資料、合成人類的資料，可以用來補充真實資料。
約翰（主持人）：對，這裡毫無疑問也進入了數位孿生的部分。那個有名的 Digital Twin，據說能讓我們以數位方式做測試，而不必真的在特定的人或個體上做。因為我理解也會有動物的數位孿生。我們來深入談這個，因為我認為數位孿生這個主題是大家習慣聽到的。 我總覺得數位孿生好像有兩個版本。在企業界、公司層面大家談很多企業內部的數位孿生等等。但這一切的起點，其實誕生在更生物學、更科學的部分——我們試圖創造某個人或某個東西的身體模擬器，然後從那裡測試我們正在做的事情會如何影響那個有機體。數位孿生就是這個嗎？
阿爾方索·瓦倫西亞：是的，當有人問我在巴塞隆納超級運算中心做什麼時，最容易解釋的方式就是：我們在做數位孿生。因為這是真的，我們工程界的同事在做物理系統的數位孿生。一個轉子的數位孿生、一個風力葉片的數位孿生。 那是一個用方程式和模擬在電腦裡模擬物理系統行為的系統。在最純粹的 Digital Twin 精神裡，物理系統不斷把資料傳給模擬系統，模擬系統適應那些新資料並重現它們。這運作得很好，有商業化的數位孿生，你可以買你說的那種。 對企業神話來說，你可以請西門子幫你的工廠做一個數位孿生。
約翰（主持人）：這之後可以用來批准那個數位孿生之類的。
阿爾方索·瓦倫西亞：那些事情很驚人，但你理解。他們能映射每一個功能——它做什麼、在哪做、怎麼做——並用模擬讓整個系統運作。在我們的情況裡比較複雜，因為顯然把工廠數位化相對容易，把人類數位化則是不可能的。我們又回到資料的問題。我們沒有所有事情的所有資料。 而今天，一個運作程度跟工廠一樣的人類有機體數位孿生——也就是說，所有元素、知道所有元素如何運作——是不可能的。我們甚至不知道自己有多少種細胞類型。也就是說，我們甚至不知道有多少種不同的細胞。 我們做的，顯然是試圖擁有系統「部分」的數位孿生。一種看法是原子層級的部分——我們之前談的蛋白質。你可以想，每一個這些結構都可以充當一個數位孿生，模擬那個蛋白質如何行為，而這就是你在做分子動力學來產生新藥物或分析新藥物時所做的。 在另一個極端，你可以做器官的數位孿生，在某個表徵層級、某個解析度層級。一個肺，你可以看到空氣如何通過氣道到達、如何擴張、如何收縮、如何到達肺泡、如何分布。當然，這非常有用，因為現在你可以把它個人化到特定的人，你可以想「一個病毒到達特定人的肺部配置時會如何被接受、如何到達不同部位」。
約翰（主持人）：對一個人可能跟對另一個人非常不同。也就是說，數位孿生的精髓不是創造「一個肺」的數位孿生，而是「我的肺」。希望你們正在享受這個 podcast。 你們知道我非常常使用的一個工具是 Plot Note。這個裝置讓我能把錄音機帶到任何我去的地方，只要跟另一個人有互動。它不只讓我能錄下那些對話——按一個按鈕就能開始錄——還能在之後跟那些對話做互動式的對話。 這真的非常有用，因為當我們有實體會議時，總是在玩「誰說了什麼、什麼時候說的」的遊戲。從那裡我們會遇到一種情況：我們沒有像電子郵件那樣對已捕捉資訊的確定性。有了這個，我們就能在之後跟那些會議保持互動性。 任何時候我都可以進入 Plot 的應用，問它關於我進行過的那次對話，而且不只如此，我還有一種帶有我們過去所有會議完整脈絡記憶的 ChatGPT。這讓我在需要做預算時可以問 Plot，在需要給客戶寫電子郵件時可以問 Plot，因為 Plot 是我們人與人之間所有互動的一部分。現實是，這是一個超有用的工具，而且可以放進口袋，因此對我來說是不假思索的選擇——一個攜帶成本很低、在有互動的時刻就可以開始錄、先徵求對方同意、然後就有錄音可以隨時回顧的工具。 如果你們想總結實體會議、所有跟物理世界有關的事情，Plot 是最好的選擇。描述欄有連結，包括應用程式和新的 Plot Pro，如果你們還想要舊版也還在，Plot Pin 那個更小、可以當項鍊或手錶用的也有。連結都在描述欄。
阿爾方索·瓦倫西亞：或者至少是許多你可以調整到自己肺的肺類型。這就是正在做的事情，而且有潛在的實用價值在醫學上。我要研究這個人的心臟，或這個「人的心臟原型」，我要在上面放上心律不整的資料，然後看它如何對心律不整的手術、對特定區域的消融產生反應，在真正手術之前。 我可以用數位孿生把手術計畫得更好。對我、對我們來說，感興趣的是介於這兩部分之間的數位孿生——原子部分和器官或系統部分——也就是跟細胞行為有關的那些。細胞內部發生了什麼，或細胞之間的互動發生了什麼？在腫瘤裡，細胞如何在腫瘤內部行為？ 每一個都是不同的細胞類型，免疫系統也是，正常細胞、腫瘤細胞、分布，以及它們如何對藥物反應。我能否在電腦裡重現一個腫瘤的行為？不行，因為腫瘤非常複雜。 我能否有一個足夠簡化的版本，來預測對藥物的反應？嗯，這就是我們正在做的，而且當我們做預測、然後做實驗時，開始有正面的結果。
約翰（主持人）：也就是說，基本上，為了讓我理解，數位孿生的最終目標是在電腦裡有一個「我」的副本——具體是我的，不是任何人類的，而是具體的 John——然後科學家、醫生可以在那個數位孿生上做實驗，而不必對我做任何事，這樣當他們找到關鍵時，就能把它應用在我身上。
阿爾方索·瓦倫西亞：我們很多年前做過一張投影片，上面是一個在真實世界的小女孩，她有儲存著的病史資料，有一個手錶在採集資料，然後她發生了意外。於是在虛擬世界裡有一個小女孩的副本，那裡有所有那些資料。當她發生意外時，意外的新資料進來，系統非常快速地準備好哪些是解決方案。在這個案例裡，最好的介入是這個，或第二好的是這個，然後給出這些針對某種疾病的建議。
約翰（主持人）：然後再應用到真實病人身上。
阿爾方索·瓦倫西亞：然後可以應用到病人身上，對真實病人提出建議。再說一次，取決於層級。在非常一般的層級，這會像是擁有醫療資訊、做你醫療資訊的數位孿生，這很好，這就是預測未來疾病的那件事。在更深一層，我們可以看器官的事情——啊，這是為了肺部感染的介入，我量測那個人的肺的X光，把它個人化，看病毒可能到了哪裡、最好做什麼、是否會塌陷——不，不，會是那種層級的介入，器官或系統層級。在更深一層，你看的是在一個……在肺的例子裡，我不只看病毒如何到達肺的某個部位，而是這個人具體的肺細胞如何反應——他有某個突變、在某個地方，它們會不會反應。我在更深的層級模擬。而在更深一層，我有所有蛋白質、基因以及它們的互動。 這些多層系統非常複雜，目前我們還在解決個別層級，還沒辦法很好地整合它們。所以要有那個在電腦裡完整、而且能對所有類型醫學運作的圖像，我們今年看不到，未來幾年也看不到。因此我們會開始看到至少在實驗部分能讓我們攻擊具體問題的系統。
約翰（主持人）：你看到人工智慧讓哪些事情變得可能，是你以前不相信自己這輩子會看到的？
阿爾方索·瓦倫西亞：蛋白質，我們已經談過了，我覺得絕對不可思議。從病歷裡提取資訊的第一批模型，我覺得不可思議。一份由醫生寫的病歷，裡面說了不可思議的事情、一堆資訊，你必須讀完才能理解——如果還理解得了的話——而現在我們有系統能從裡面提取所有資訊，這太不可思議了。我們在這個主題上工作了很多年，偵測實體的能力——疾病名稱、病人職業名稱、症狀、藥物——那些被限制的
約翰（主持人）：用 LLM 做起來是不是基本上很簡單？
阿爾方索·瓦倫西亞：相對來說不簡單，因為那是非常特殊的語言，必須重新訓練它們，有工作量，但可以做。而且我覺得那絕對具有轉型意義，因為那是人類做過最大的實驗——累積所有那些資訊。因此，這對我來說絕對不可思議。我們擁有的第一批系統——我們之前談的基因組那些——預測如何表達、表達什麼、在哪個組織表達、在不同細胞類型如何表達，這是以前無法想像的，因為我們連資料都沒有。六七年前我們連開始做的資料都沒有。現在我們有了資料，也開始有系統進入那個系統。 這部分——結合或不結合人工智慧的數位孿生——令人著迷。對我來說這是最讓我著迷的，能夠從一個人的基因組資料出發，透過一個被人工智慧照亮的模型，說出對某種藥物的反應，這一部分令人著迷。整個我們產生合成資料、不只用它們來有更多資料訓練系統，而是用合成資料來「解釋現實」的部分，這對我來說絕對是科幻。 也就是說，我們有罹患某種疾病、某種兒童癌症的孩子的基因組資訊，有些案例我們無法區分他們是一個群體還是兩個群體，現在我們用合成資料試圖解釋這個現實，然後用合成資料突然理解了如果沒有合成資料就無法理解的生物學——這以前也是科幻，我們無法產生合成資料，無法做任何這些事。這些都是進展不可思議、完全出乎意料的不同主題。而現在過去兩年，我們有了代理人系統的整段歷史。代理人系統簡直是完全的瘋狂，所有人都有代理人系統在跑、做各種事情，但對我們來說，它們不只是潛在節省時間之類的，而是一種不同的方式來理解我們以前做的過程——也許把它們放在代理人的情境裡，我們開始以不同方式理解它們意味著什麼、如何運作。也就是說，不只是「做得更多、更好、更快」的潛力，而是「解耦以前高度耦合的系統、讓我們用另一種方式理解它們」的潛力。現在這也是以前無法想像的。 五年前我無法想像我們會有實驗室在用代理人做事情。
約翰（主持人）：而現在我們就在這裡。我們看過 Hinton，他是物理學家、跟生物學沒有太多關係，但他說過那句有名的話：未來十年我們在科學上的進展，會超過過去一百年。你認為趨勢是朝向那個方向嗎？我們正在倍增？因為我理解過去幾年科學已經進步非常多。如果回到1900年代初，進步可能沒那麼快，因此「我們會更快很多」並非完全不合理，但有那麼多嗎？
阿爾方索·瓦倫西亞：嗯，這是什麼意思？我們要在未來十年解決科學的基本問題嗎？科學的基本問題？ 非常基本的科學問題，不是治癒疾病，而是生命的起源——生命如何起源、最初的細胞如何起源。蛋白質的功能——新蛋白質如何湧現、我們如何有更大、更複雜的蛋白質，但細菌裡最初的那些，最初的蛋白質如何湧現、如何發展。細胞系統的複雜性如何被創造出來？ 發育——發育如何開始、如何演化、發育在根本上如何運作。我們有更多工具可以做，也可以往回走。Tony Gabaldón 這星期、幾天前發表了一篇論文，把細胞起源的時間再往前推。 因為我們有新模型、有運算能力，我們可以做這類事情，但即使如此，邊界仍然很遠，這些事情的起源是什麼。因此我認為真正科學上有趣的問題、深刻的科學問題，仍然會花時間發展，我們會花時間去做。我們會比十年前或二十年前更快、可能更好，也許我們能回答其中一些，或至少接近其中一些，但我認為我們低估了它所代表的。對，科學家總是會為自己辯護，總是會說我們不可或缺。也就是說，我很難想像在我們已知的技術下，沒有一部分仍然非常難被取代。
約翰（主持人）：因為所有這些數位孿生、所有這些治療疾病的事情，導向一件我們開始看到、我認為可能對改變我們如何理解醫學科學、生物學整體有巨大影響的事情，那就是正是我們看到的個人化醫療這部分。更好地了解個體，可以讓我們開發針對個體的藥物。現在我有過敏，我跟所有人一樣吃 Ebastel，但我們可能發現對我來說 Ebastel 不是我過敏的解法，因為它有不同的成分。 於是我們開始為個體做個人化藥物，但那需要理解個體，而那正是人工智慧能給我們的。這已經開始了，對吧？事實上已經有某些癌症治療是個人化的。 世界現在處於什麼情況？而在人工智慧的幫助下，個人化治療這個主題會往哪裡走？
阿爾方索·瓦倫西亞：試圖個人化診斷和治療——也就是說，不是給所有人同樣的診斷，而是更適合你具體進展、對你具體會發生什麼（而不是一般性）的診斷——並讓治療成為可能，這個想法是從非常一般性的疾病分類，走向越來越特定的分類，把每種疾病分成更小的群體，最終以更個人的方式去做。顯然這正在發生，我們看到越來越個人的診斷、治療、更個人的方案，但我們還缺很多。我認為一方面我們缺更可處理的個人資訊，又回到擁有一個人的疾病軌跡——也就是說，之後會發生什麼——這跟能夠在計算系統裡擁有那些個人軌跡、幫助我們以特定方式知道之後會發生什麼，有很大關係。 第二部分是為每個人擁有特殊治療。顯然我們不會為每個人擁有一種藥物。我們會為越來越小的群體擁有藥物。 合成藥物之類的，又回到之前的討論。技術上越來越容易。在巨大的分子空間裡測試、找到適合那個蛋白質的分子（如果我們知道過程等等）、合成它們，越來越容易。然後你必須經過整個監管和批准過程。 限制因素會是什麼？限制因素會是價格。個人化治療顯然貴得多。 對生產阿斯匹靈的產業來說非常方便，因為它適用於很多人、只有一個配方。如果你必須為每個人做一個，那會是無法負擔的。所以我們會遇到一個問題：我們需要更多資訊和更好的系統來擁有個人化軌跡。 設計和合成藥物的能力。我們越來越有，但不是無限的。針對 RAS p21 這個根本癌症靶點的分子，已經花了幾十年，現在才開始有比較有效的分子。 也就是說，不是所有關鍵分子、不是所有關鍵蛋白質都容易取得、容易找到對抗它們的分子，我們也不知道所有過程。而一旦你成功了，要批准它、讓它在經濟上可行，是一個過程。就像一部電影。所以，雖然這是一個值得稱讚的目標，但有點天真地以為我們會為每種疾病、每個人擁有一種藥物。我們會有越來越適合人群群體的藥物，在最好的情況下。
約翰（主持人）：對，最終我從這次對話裡得出的是：人工智慧真的太猛了，絕對不可思議，但要注意問題比看起來複雜，人工智慧可能解決不了。這是我們在很多其他領域也遇到的事情。我們看到，例如，即使人工智慧能修好選舉過程，最終在有人推動之前，還是要等一個選舉週期，那裡有四年，你會遇到人類的限制、瓶頸，即使你用人工智慧找到了解法，應用起來可能沒那麼容易。我感覺在這件事上……
阿爾方索·瓦倫西亞：正是如此。當我們到達醫學應用時，系統是一個高度受監管的系統，部分是出於好的理由，因為它跟人類健康有關。其他部分則是出於不那麼好的理由，因為也有一堆官僚層級之類的，那些也不是製藥公司最喜歡的。 因此你進入一個比許多其他產業更受監管的過程。因此讓採用新技術的能力變得更慢。如果你到處去醫院看看，會看到一堆發展。 他們推出、發展一個偵測某某癌症的新指南之類的。報紙會登、會報導。但要把那個系統擴展到真正在醫院使用範圍之外被使用，極其困難，而且進行得非常緩慢、在很少的地方。
約翰（主持人）：對，你說得對，因為我們在澳洲查爾斯達爾文大學看過例子，他們用切片照片做了一個指南，能告訴你有沒有那種癌症，99%的時候正確，而那些醫生前一晚只有79%。但我們沒有追蹤後續——那有沒有從查爾斯達爾文大學走出來、現在是否全世界都在用——因為如果診斷好很多卻沒有被放進全世界所有醫院，那就沒有意義。
阿爾方索·瓦倫西亞：醫療器材、軟體作為醫療器材的批准過程非常昂貴且複雜。因此很多這些東西到不了任何地方。這是比較不正面的部分。即使有超有趣的發展，也很難在短時間內落地。 然後不是所有都會落地。事實上，真正落地的很少。這一切的正面部分是，突然間你可以把診斷之類的東西，以其他方式很難取得的方式，提供給資源非常少的人口。 我們之前在談非洲的例子，在那裡你會遇到沒有醫生、沒有某某東西的情況，突然間你可能在手機上有一個非常有用的裝置。所以取決於你的層級，它可能對你更有用或比較沒那麼有用。
約翰（主持人）：完全同意，我認為這是大家沒有意識到的事情——很多人說「不，教育還是最好有真人老師使用人工智慧之類的」，但在柬埔寨中部可能沒有真人老師，因此透過一支手機破舊的 3G 就能有 ChatGPT，對你來說可能覺得不夠你的標準，但對柬埔寨農村那個可憐孩子的標準來說，這是……
阿爾方索·瓦倫西亞：對病人的資訊，或對醫生本身的資訊。
約翰（主持人）：醫學也一樣，因為太不可思議了，或者科學也一樣，所有人……我總是說，人工智慧如果沒有做別的事，至少會讓一部分以前被排除在對話之外的人類，能夠進入對話。
阿爾方索·瓦倫西亞：它有這個潛力……
約翰（主持人）：能夠進入，我們會有新的研究者、新的醫生，從以前因為教育等因素無法出現的地方出現。正好談到未來，你怎麼看這個世界？你認為我們在10年、20年後會面對什麼情境？
阿爾方索·瓦倫西亞：嗯，我認為如果沒有更大的災難——現在沒有人能說不會有更大的災難——我們會看到我們已經度過了這個階段。我們會看到有另一種不同的技術，比語言模型和生成式更強大，沒有那麼多可解釋性的問題，有一種方式把已獲得的知識、個案式、機率式、在我們案例裡的機制式知識整合起來，讓我們有更可以信任的系統，而且是整合式的系統——不是只問一個聊天機器人之類的，而是內建了整個鏈條：我問、有模型、它回答、它驗證、它告訴我可靠度有多高、它告訴我該如何實施。 我們會看到系統已經適應去使用它，讓它成為系統的一部分。到那時如果我還有實驗室，會有學生、工程師和博士後，但也會有人工智慧系統，我們會跟它們一起工作、尋找解決方案。那會更像是跟一個同事對話，它會給你意見、你會思考之類的，然後大家一起做決定。責任也許會比較不是只在人類身上，而是我們可以更集體地承擔，但那些系統會跟我們現在有的不同，會更可靠，運作的邏輯會更接近人類的推理鏈——現在運作的那些並不接近人類的推理鏈。 這是我希望發生的事。
約翰（主持人）：對，你認為我們能長時間跟上它的節奏嗎？因為現在有一個很大的辯論，關於 AGI 這個詞——人工通用智慧——它能做生產性工作，有點像你在談的，一個能以人類層級參與的人工智慧。但最近我們越來越常談 ASI——人工超智慧——那種 Kurzweil 在1980年代說的奇點，那種遠超人類能力的人工智慧，有點像……我不記得是跟誰說的，好像是 Tecumseh 之類的人，他說就像我們現在坐時光機回到1800年，試圖跟一個1800年的好公民解釋空調的概念。你會說「物理就在那裡」，但他會說這是巫術。 那麼，我們到底能跟上人工智慧的節奏到什麼程度，而不必說「好吧，你給我解法，我就接受」？就像今天，例如，我理解生物學，但我一竅不通，我接受給我的醫學或治療，因為有像你這樣的人做了那些工作，你們比我聰明得多，但我不打算理解你們做了什麼，我說得通嗎？也就是說，我不知道自己是否有心智能力去做。 但我假設會到達一個點：如果人工智慧持續變得更聰明，而人類繼續走在我們的線上——因為人類有一個很差的能力去提升我們的認知能力。也就是說，我們在過去幾千年演化了，比祖先更聰明，但也就那樣，沒有那麼瘋狂。 因此，如果人工智慧走的是「越來越聰明」的趨勢，而我們走的是「一點一點變聰明」的趨勢，天啊，會到達一個我們跟不上的點。因此我感覺，想要它解釋的那部分——從人類的角度很有道理——是我們在某個時刻必須讓步的東西。我們必須某種程度上讓出控制權。 或者限制它。也就是說，要麼讓出控制權以獲得更大的好處，要麼說「好，這是界線，我不要你再過去，因為我開始理解不了你了，我想繼續對這件事有控制權」。
阿爾方索·瓦倫西亞：再說一次，我認為對這個超有趣的問題沒有單一答案，我認為很大程度取決於我們在談的應用類型和環境。我可以想像有些環境確實如此——你已經充分測試了系統，即使沒有對所有情況的完全驗證（即使是目前的模型，未來會有更好的），但你設定了邊界條件，說「看，如果沒有超出這些邊界條件，我就相信你要說的，因為我已經看過足夠多次了」。這是我們一直以來在做的事。 也會有一些環境你會相信它、不會試圖理解它怎麼做，因為「何必呢？它已經做得很好，我不需要知道為什麼」。也會有其他環境，答案不是非黑即白、資料也沒那麼清楚可靠，那裡仍會是研究主題，你會需要它可解釋，否則你無法跟它們互動。 仍會有黑箱的部分——因為它會預測某某東西，而我不想知道怎麼做——但對具體問題，你會需要它繼續可解釋，否則你無法跟它們互動。你無法貢獻。在一個它不會獨自找到解法的問題裡。 要想到，我們談的問題都是因為它們是某種可以放進書面文字的東西。只要我們把問題維持在書面文字裡，也許確實它們可以解決所有問題，我們也不需要知道怎麼做。一旦我們開始有其他維度的問題，這些系統就不那麼擅長了。 必須等另一種解法。現在我們甚至不能說，除了解決特定類型的問題之外，它們在解決其他類型問題上表現得很好。因此我仍抱持希望：對我感興趣的問題，仍會需要適當技術下的可解釋性，否則我們無法跟它們互動，也無法解決問題。我不認為它們是所有問題的解法。
約翰（主持人）：那麼希望你能解決更多問題，讓我們能前進得更多。不知道在人工智慧這個主題上，你有沒有在短期內抱有很大希望、可能像 AlphaFold 一樣令人驚訝的東西？有沒有你看到正在進行的工作？還是目前我們還在更實驗性、進展更慢的階段？
阿爾方索·瓦倫西亞：我認為現在會更快發生、在未來幾個月就會出現的，會是這些預測疾病的系統。已經有一些論文了，不錯，但必須應用、看什麼集合之類的——它們不只會讓我們說「根據你的紀錄，你會得什麼病」，還會開始讓我們往回想：這是因為你得過這種病、或因為你有過這些條件、或因為你吃過這種藥、或因為你有這種遺傳組成。也就是說，預測系統會讓我們做預測——這很好，因為你可以做預防之類的——還會讓我們往回走向原因。 我認為在這方面我們會看到前所未有的改變，因為我們從來沒有過這麼大量可用的病歷資訊，也沒有過這些預測系統，而這是轉型性的——突然間這是一扇以前沒有過的、通往理解疾病的門。
約翰（主持人）：那麼希望如此。阿爾方索，非常感謝你來為所有那些有時被過度吹捧的炒作帶來一點光和連貫性，因為我確實認為我們也需要降到現實的劑量，意識到這很強大，但不是黑魔法，這是我們也必須看清楚的東西。
阿爾方索·瓦倫西亞：嗯，如果我們至少成功地在這個如此迷人、如此多變、如此難預測的環境裡放下一點光，那就很好了。很高興。非常感謝這次對話。
留言
張貼留言