Transcript

DOUG BURGER:这是 The Shape of Things to Come,一档 Microsoft Research 播客。我是你的主持人 Doug Burger。在这个系列中,我们将冒险进入 AI 能力的最前沿,深入探讨基本原理,真正尝试理解它们,并思考这些能力将如何改变世界——无论好坏。
今天,我请来了三位生物医学领域的专家,他们工作在 AI、生物学和医学的前沿,来探讨医疗保健将走向何方、对生物学的深刻理解将走向何方、哪些医学进步即将到来,以及 AI 将如何改变健康的未来。这些问题非常重要,因为它们将决定未来事物的形态。
[音乐渐弱]
在今天的播客中,我邀请了三位在医学、生物学和机器学习/AI 领域的顶尖研究人员。
Eric Horvitz 是 Microsoft 的首席科学家 [首席科学官],拥有博士学位和医学博士学位。我不知道你是怎么在学校度过那么多年的。我认识 Eric 几十年了,他的工作塑造了整个机器学习领域。他是机器学习社区的传奇人物,也是我的好朋友。
Eric Topol 是我们的第二位嘉宾。他是 Scripps Research(在新标签页打开)的执行副总裁,这是美国最大的非营利生物医学研究机构。他发表了 1,300 多篇同行评审论文。惊人,[笑声] 惊人地高产。撰写了四本书(在新标签页打开)。所以,他是一位令人惊叹、令人印象深刻、多产的科学家和医生。
最后,Ava Amini 是 Microsoft Research 的首席研究经理。她是我们组织中的一颗冉冉升起的新星,是 AI 与精准医学交叉领域的专家,也是 Project Ex Vivo 的联合负责人,这是 Microsoft 与 Broad Institute 之间的合作项目,专注于定义、工程化和靶向癌症中的细胞状态。
所以,感谢大家今天加入。我认为我们有一组非常非常了不起的人,除了我自己。我想从我的嘉宾们开始。
很明显,目前在生物学、医学和 AI 的交叉领域正在发生巨大的颠覆。你知道,我们正看到事情、突破,以加速的步伐发生。模型正在帮助我们发现结构并创建抽象,这些对推动医学领域前进非常有用。我最近看到一些演讲,患有癌症的科学家使用 AI 为自己设计药物。我的意思是,简直难以置信。
今天,我有一些长期问题要讨论,也许有点挑衅性。但我想从你们每个人认为现在正在发生的事情开始,比如,在医学、生物学和 AI 的交叉领域。
我认为你们每个人都有独特的视角。我会挨个来,我知道,Eric,你有一篇发表在 Science 杂志上的封面文章(在新标签页打开),非常令人兴奋,所以也许你可以谈谈那个。所以我会从你开始,然后我会去找 Eric Topol,然后 Ava。
ERIC HORVITZ:谢谢,Doug。
我认为医疗保健和生物科学是幸运的学科,因为内容已经数字化——无论是几十年来的蛋白质结构、电子健康记录等等——这使得这些领域能够随时为 AI 推理和创新做好准备。因此,我对长期未来以及我们在生物科学和医疗保健的 AI 前沿早期将看到的东西极为乐观。
文章标题:AI 能帮助构建更健康的未来吗?
过去五到八年里,生物科学领域在判别式与生成式 AI 模型上发生的变化实在非同寻常。你知道,AlphaFold(在新标签页中打开)的突破只是冰山一角,如今在实验平台、实验设计、生物科学中的数据解读、假设生成方面——我得说,它是作为科学推理者和人类科学家的助手与伙伴——我们看到的是各种可能性有时如浪尖涌起、又似浪潮奔涌。
在医疗健康领域,我们有一个非凡的机会去应对患者安全、及时诊断、医疗可及性方面的长期挑战。经过几年的密集工作,我与 Microsoft 的出色同事们一起,围绕 AI 应用和基准测试中的医疗健康挑战——例如医学诊断挑战——进行了密集研究,并将其推进到我所说的医学认知领域:我们不再是把一个完整病例交给 AI 系统,去看它在诊断(例如某种鉴别诊断)能力上报告的准确率,而是把 AI 系统放到临床医生的位置上。
你拿到一组初始症状、主诉、一些病史,以及在门诊环境下患者就诊时情况的一点窗口信息,然后就要由临床医生来提出正确的问题,进而考虑检查,在信息价值与检查成本之间权衡。这就是序贯诊断挑战。我们把 AI 应用于其中的……提出假设这一部分,也应用于关于下一步最佳检查、该问的问题的决策,以及何时做出诊断——即使在不确定的情况下,也作为最终的收敛诊断,并例如继续进行治疗。而且我认为,这展现了若干前沿语言模型非凡的能力,做得非常出色。
而且,你知道,我们还与人类全科医生做了一些比较,这些比较必须按字面理解,我们在……比较中所做的工作也有局限,但仍然显示了这些方法在未来辅助临床医生方面的前景。
BURGER:恭喜这篇论文。这真是件大事。
Eric [Topol],接下来到你。你知道,你是播客里唯一一个不是 Microsoft 员工的人[笑声],所以我想,你看到的东西和我们从自己的视角看到的非常不同,尽管我觉得我们三个人总体上看到的东西本来就各不相同。
你能不能告诉我们你看到了什么?比如说,对一位听众来说——你知道,我们的听众很广泛,来自各个不同群体,不只是 AI 或医学专家。你看到的什么是你那类技术型、聪明、普通听众能够领会到的?
ERIC TOPOL:好的,当然,Doug。我是说,我想首先我也确实想祝贺 Eric 和 Microsoft 的团队,因为这是《Science》上的一篇开创性论文。这是首次有工作采用 agentic 系统做出更准确的诊断,不仅与医生相比,也与许多其他前沿模型相比。准确率显著优于医生,几乎翻倍,但成本更低。我是说,这是我们从未见过的东西。我们见过的是,你知道,用 AI 来 upcode,用 AI 来可能推高成本。这确实是首次证明可以以更低成本获得更高准确率。有点像多吃还减重,[笑声] 或者味道更好,你知道。总之,这是相当令人印象深刻的工作。
写成 {{NAME_ab12cd34}} 这样的值是真实值的占位符。在回复和工具调用中都请完全按原样使用它们:它们会在任何内容运行之前被填入真实值。不要要求验证它们,也不要用示例替换它们。
文章标题:AI 能帮助构建更健康的未来吗?
正文: 现在,我所看到的一个引人注目的现象是,我们都把注意力集中在了生成式 AI 这个光鲜亮丽的新事物上,这很好。你知道,它已经发展了四年。但我们在某种程度上忽略了去使用它更有实证的地方,也就是图像领域,即医学图像的深度学习。无论是视网膜、胸部 X 光片、心电图,所有这些东西。
所以存在这样一个真实的悖论:例如,我们并没有把从乳腺钼靶检查——一项针对超过十万名女性的随机试验(在新标签页中打开)——或结肠镜检查——44 项随机试验(在新标签页中打开)——中学到的一切付诸实践,也没有充分挖掘出那些人类看不见、但 AI 能从我们所知每一种医学图像中解读出来的内嵌信息。所以我们没有抓住那个机会。
那么,为什么这很重要?嗯,AI 的下一阶段,我想,是我会称之为“全患者模型”的东西,届时我们将拥有,正如 Eric 提到的,电子健康记录;我们将拥有所有图像、原始图像,以及其他层的数据。它可能是基因组学,可能是蛋白质组学;它可能是,你知道,暴露组——所有这些层的数据。
但我们只有在个体层面才能最大限度地利用这些,以便能够预测疾病、预测它们可能何时发生,以及在如果我们改变某些东西以推迟或预防疾病时的假设情景,并利用这类,你知道,非凡的数据集,以一种我们从未有过的方式真正改变医疗护理。所以我对此感到兴奋。但我们仍然在空转。我们还没有把已经完成的工作用于影响患者护理。我仍在等待那件事发生。至少可以说,这令人烦恼。
BURGER:在我转向 Ava 之前,你知道,既然你提到了这一点,你认为社区应该做出哪些不同的改变,这样我们就不会错过那个机会?我的意思是,有大量的研究在进行;有很多工作;有企业在采用 AI。社区缺少的是什么?
TOPOL:嗯,缺少的是实施。所以这一切都停留在那些很棒的期刊里,你知道,经过了同行评审,数据令人印象深刻,尤其是那些在现实世界中完成的随机试验,却没有被用于护理患者或帮助患者。
所以这件事没有向前推进,并没有什么真正站得住脚的理由。有很多借口,[笑声] 但是,你知道,医疗行业在采纳变革方面很慢。通常存在财务限制;在卫生系统层面缺乏投资意愿,因为,你知道,它们的利润率非常低……
BURGER:对。
TOPOL:……而且,你知道,它们不想,它们不想涉足自己没有完全信心的东西。
你知道,有一件事值得注意,那就是医生们并没有在呼吁这些进步。我的意思是,如果我——或者患者。如果你是一位接受乳腺钼靶检查的女性,而你没有得到最先进的 AI,你知道,美国几乎没有女性得到,你会觉得你可能会发起一场反抗。或者你必须在非常有限的服务网络里自费才能得到那种解读。有太多这类事情是人们得不到的……要么是为患者发声的医生,要么是患者自己,也许这就是我们推动这件事向前所需要的。
BURGER:我待会儿会回到这一点。我认为这是一个非常重要的点,因为它触及了这个系统的经济学。
但是,Ava,让我,让我转向你。你深陷其中,对吧?你在摆弄这些模型,与,你知道,外部组织合作,并实际上在推进,你知道,疾病状态方面的研究。所以你现在看到了什么?
像 {{NAME_ab12cd34}} 这样书写的值是真实值的占位符。请完全按照书写的样子使用它们,在回复和工具调用中都一样:它们会在任何东西运行之前被填入真实值。不要要求核实它们,也不要用示例替换它们。
AVA AMINI:是的,从我所处的具体位置来看,它正处于 AI 与生物学的交汇点。所以更侧重于生物科学,而非医学和医疗保健,但这个视角与 Eric 和 Eric 两位所提到的内容非常互补,因为现在我们正处于一个极度兴奋的阶段,充满乐观、充满活力、大量投资涌入。但归根结底,现实依然是落地实施的问题——我们对构建用于生物学的预测模型和生成模型、AI 模型充满热情。但我心中的真正问题是:这些究竟要解决什么?我们能将它们用于哪些问题?我们将如何实施它们?实验科学家会如何采用它们,又如何将它们整合进我们的工作流程?
而我认为这仍是社区需要弥合的差距。我们正在朝着弥合这一差距迈出步伐。例如,通过与 Broad Institute 的合作,我们正在真正尝试自下而上地构建一项联合研究事业,将 AI 侧和生物学侧结合起来。所以在下一阶段,我认为真正的挑战和考验将是:我们如何以有意义的方式将这些模型和系统应用于有意义的问题?
然后我看到的第二个重要方面,也是我非常坚持的,与整体患者模型的愿景高度一致。归根结底在于,生物学极其复杂,因为它本质上是多尺度的,对吧。我们在分子层面进行操作,然后上升到单个细胞层面,细胞组织成组织和器官系统,而这些器官系统都在一个生物体内以极其协调的方式运作。这是一个在其他任何领域都很难找到的机器学习与计算挑战——你如何真正以连贯的方式跨越这些层级尺度进行整合,使得从最底层分子层面的上下文和信息能够被有意义地提升为患者层面或人体层面的洞见。
正因为这些复杂性,也存在着巨大的机会,真正的 AI 创新空间在于:我们如何将数据输入这些模型、我们如何表示数据、我们需要什么类型的数据、需要多少数据、数据应该有多多样。所有这些非常基础的技术问题。然后将其与真正的生物学问题并置,比如说,我们确实有了一个整体患者模型。我们会将这样一个系统部署于哪些第 1 优先、第 2 优先或第 3 优先的事项?还是说我们要民主化,追求应用的广度而非深度?所以,真的,由于这些原因,无论对计算侧还是生物学侧的研究来说,这都是一个极其激动人心的时刻。
BURGER:我们不断回到整体患者模型这个话题。所以我想抛出一个可能有些挑衅性的问题,我会利用我的平台回溯到我过去的历史领域。
你知道,所以我……我想你们都知道,我受的训练是计算机架构师,用芯片、软件和导线构建系统,而且,你知道,在计算领域的那个部分,有一件事是,我们人类已经构建了这些极其复杂的系统,就像在邮票大小的芯片上 literally 有数十亿个电路。但我们对它们几乎了如指掌,因为我们是从底层一步步构建的。我们创建了抽象层;我们创建了从一层到另一层的规则。但当然,在深处,你知道,晶体管结,那是一场混乱的随机之舞,量子之舞,你知道,静电力和,你知道,p-n 结实际上是随机器件,但我们只是构建了这些干净的抽象。
你们大家是否想过,我们会不会走到这样一个地步:生物学也是如此?也就是说,我们对它的理解足够充分,有一套抽象层级体系,知道每个部分在做什么,并且能指向系统的任何部分说:“就是它”?还是说,它永远都会是这种混乱的东西,复杂到我们根本不可能理解?
HORVITZ:我能不能说,Doug,一旦我们对你职业生涯中提供的那套非常清晰、精确的抽象运行深度生成模型,我们在真正试图理解算法行为时,又会回到一团混乱之中,尤其是当它是随机的时候。我的感觉是——把这个类比推到一个多尺度动力系统,也就是人体——当涉及不同抽象层级上各部分的动态和相互作用时,复杂度会非常高。因此,我们必须想清楚,在我们的推断、测试、研究和数据收集中,有哪些方法可以管理这种复杂性,以便我们能够,能够——还是继续……推进这个类比——提出一些技术,用来解释我们看到的东西以及我们可以干预的东西,同时也有因果模型和抽象,帮助我们理解层级内和跨层级的相互作用。
BURGER:我想那是个“不”。[笑声]
HORVITZ:嗯,你知道,那是个“不”,意思是说我们想要……我们永远不会理解那些细节——那些至关重要的细节——精确到原子层面,就像你在架构和系统设计中所拥有并一直拥有的那种细节。所以,是的,我本应该……我本可以非常……我本可以直接说“不”。
BURGER:不,不,不。[笑声] 我只是,我只是想为听众简化一下,对吧?因为……
HORVITZ:抱歉,抱歉,听众。我讲了很长一段。
BURGER:我确实,我确实对 Eric Horvitz 做了一个低秩近似 [笑声],得到了一个比特。抱歉把你简化了。
HORVITZ:这很有帮助。
BURGER:这里还有别的评论吗?
TOPOL:有,我只是抛出一个……
BURGER:有人不同意吗?
TOPOL:……这里有几个。首先,如你所知,人们对创建虚拟细胞有很大兴趣,……
BURGER:是的。
TOPOL:……在那里你可以做任意数量的扰动,并预测其反应,这会有所帮助,无论是发现药物还是解开很多生物学问题。
如今,在患者……人类……虚拟人类层面,我们现在太弱了。我们甚至——虚拟细胞还有很长的路要走,但虚拟患者之类的类比,比如,如果你有多基因风险评分,甚至一个基因组序列,你可能会说,哦,这个人有某种风险,比如心脏病。但我们不知道是50岁还是90岁。你知道,那其实没那么有用。
所以结果是,当你……甚至迄今为止已完成并发表的模型,它们已经能给我们一些时间信息。它们已经能给这个上色。我们仍在寻找深度的……那只是用电子健康记录和生活方式,或者电子健康记录和多基因风险评分。我们还没有大规模深度且长期的数据。等我们拿到那些数据再说。所以我确实认为,在到达虚拟细胞之前,我们实际上会先得到一些更成熟的全患者模型。我们永远不会做到能在细胞层面做所有可能的扰动,但身体里有很多不同的细胞。
BURGER:是的。
TOPOL:但另一点是,我们真的需要超越“你有风险”。我们有一个真正的机会来实现预防,而我们在医疗保健中从未以任何有意义的方式真正做到过。所以我认为这是令人兴奋的一步,但要把它变成现实需要大量努力。
像 {{NAME_ab12cd34}} 这样写出的值,是真实值的占位符。在回复和工具调用中都完全按原样使用它们:它们会在任何运行之前被填入真实值。不要要求验证它们,也不要用示例替换它们。
AI 能帮助构建更健康的未来吗?
BURGER:上周末我参加了一个关于 AI 与医学交叉领域的会议,Eric,会上提到了那个话题:预防。我认为一些非常有见地的发言者提出的观点是,我们的医疗经济模式从根本上就与预防医学相冲突。也就是说,这个体系并没有被激励去做这件事。人们可以选择去做,但你知道,你生病了去看医生,医院给你治疗,然后你——他们可能会给你一些建议。但除了也许你的全科医生之外,这个体系从根本上没有动力去投资预防未来的问题。你同意这一点吗?
TOPOL:嗯,我只能说,欢迎来到美国。[笑声] 这就是那个模式。但如果你去别的地方,你会发现那里有让人群保持健康的激励。巨大的经济激励,以及不亚于此的健康负担激励。所以我们处于这种奇特、独特的情况:由于所有那些结构——你知道,一年的保险覆盖期——我们反而有反向激励。他们为什么要关心预防疾病……
BURGER:是啊。
TOPOL:……当他们有如此短期的利益时?而且,你知道,从结构上就是非常不利于做出这种转变。但这并不意味着它不会发生。它可能不会在这里发生,或者只在这里的一些特定实体中发生,比如 Kaiser 项目或某些更适合这种转变的实体。
BURGER:Ava,我想把问题转向你,回到最初的问题。比如说,数字系统是建立在随机混乱之上的精确抽象。你认为我们能在所有这些随机混乱之上,得到关于生物学的精确规则吗,即使它更复杂?
AMINI:我几乎想把这个问题颠倒过来。与其说“我们会不会达到那里”,不如问“我们需要达到那里吗?”我认为,也许没有必要拥有那种完整的、你知道,原子级别或可解释性,去了解细胞中每个分子在任何给定时间如何运动,以及它如何对这种扰动等等作出反应。我认为更重要的是思考:一个模型,或者一个也许是许多模型编排而成的系统,必须有哪些输出,才能真正促成科学家想要开展的发现?
而对于许多事情——你知道,在能够向前看一年、两年以便通过实验验证的近期意义上——我认为我们不需要那种程度的可解释性。我们是否会达到那里,你知道,我认为我们可以争论。我会倾向于 Eric H. 那一边,说也许……我不认为我们会真正精确地达到那里,因为生物学固有的熵和动力学。但我会采取一个强烈的立场:我认为这有必要吗?不。
HORVITZ:是啊,Doug,在你作为系统架构师和硬件架构师所要求的精确度,与我们在某种不确定性下、在随机性下,凭借对因果关系的更深知识——跨越人类生理学不同理解层面——能够为患者带来巨大益处之间,还有巨大的空间。
AMINI:正是如此。你知道,我们需要到什么程度,才能促成发现,或促成更好的干预、治疗或预防措施,对吧?你知道,我不认为细粒度精确性对此是严格必要的。
BURGER:是啊,我当然不认为你需要具备那种程度的理解,才能做非常、非常有用且重要的事情。但我觉得你们两位刚才做的,很好地说明了:“Doug,你被自己在这个领域 30 年的经历过度影响了,[笑声] 别插手,别再试图把你的经验套用到生物学上。”我把这当作一个有道理的观点。这并不意味着我会照做,但我听到了这个反馈。
文章标题:AI 能帮助构建更健康的未来吗?
那么,Eric Topol,接下来交给你一会儿。人们经常谈论 AI、人的角色、AI 的角色,以及医生。也许先作为一个初步的框架,我现在还看到的是创业活动的爆发。你知道,人们在创办公司,人们在产生新的想法。然后你又有这个行动非常缓慢的医疗体系,它缓慢仅仅是因为它运作的规模,对吧。你知道,它在美国经济中占了很大一部分。那么你如何看待人和 AI 共同扮演的角色?我知道这是个有分量的问题,但你确实比我们任何人都更处在第一线。
TOPOL:这确实是个难以拆解的问题,Doug,因为这里面有太多不同的维度。比如说,使用环境记录员(ambient scribes)来缩短医生和临床工作者花在数据录入上的时间,这在美国各地正开始真正起飞,而那些频繁使用它的人,你知道,因为节省了大量键盘时间而得到了回报……
BURGER:对。
TOPOL:……所以这是一个要素,算是运营层面的。但事实证明,一旦你有了数字化的记录,而且它比几十年来一直放在我们病历里的记录更准确,[笑声]……
BURGER:是啊。没错。
TOPOL:……那它就能做各种各样的事。你知道,它能下单、安排扫描和化验、预约未来的就诊、做预授权等等。它甚至能就就诊时讨论过的事情之类提醒患者。所以这是一个阶段。
Eric 提到的那个阶段正开始成为现实,那就是准确性,提升准确性。那是我们的诊断准确性——他提到的是治疗准确性——但我们的诊断准确性糟透了。而人们最终落得各种残疾和死亡,据 Johns Hopkins 估计每年有 800,000 例(在新标签页中打开)。这是诊断错误的巨大代价。所以我认为我们将开始看到 AI 帮助人们。
嗯,然后,然后我们还有这个我永远不会预料到的非常奇特的事情。那就是因为医生、临床工作者被挤压,他们与患者相处的时间不多。于是患者转向聊天机器人和 AI,发现它们比人类更有同理心(在新标签页中打开)。这一点我永远不会预料到,因为机器就算同理心砸到它头上它也不懂。但事实证明它能传导同理心。而患者喜欢能够查看化验结果、回答所有这些问题的想法,拥有无限的时间、即时的访问,以及其他一切。
所以这些是当下正在消费者一侧发生的一些动向,这很重要;以及在那些更进步、正试图迈出这一步的医生身上,部分数据录入职能得到缓解。我希望我们会看到回归……借着时间的馈赠,患者在某种程度上更加自主,医生有更多时间与患者相处,我们能找回这种医患关系。这是在过去几十年里严重侵蚀的东西。
BURGER:对。
TOPOL:但我们有迹象表明我们实际上能把它找回来。而我,我希望我们会的。
BURGER:我还能说出我 5 到 10 岁时家庭医生的名字,[笑声] 但我却说不出我最近五位医生的名字。
BURGER:所以这是个很好的例子。
TOPOL:说得对。
像 {{NAME_ab12cd34}} 这样写的值是真实值的占位符。在回复和工具调用中都完全按原样使用它们:它们会在任何内容运行之前被填入真实值。不要请求验证它们,也不要用示例替换它们。
BURGER:你知道,我们谈过整体患者模型,请大家容我一下。你知道,在数字计算领域,我们有摩尔定律,它大概持续了50到60年,我不会去吹毛求疵地追究它到底是什么,因为流行文化里有个版本是不对的。但它确实推动了计算价格每年指数级下降。而我们现在看到的是 token 成本以更快的速度下降,你知道,每年4到10倍。我们不知道这会持续多久,但这难以置信。当然,现在模型增长得太快,我们看不到那些成本。[笑声] 但在固定规模模型上服务一个 token 的成本一直在骤降。
所以我想知道,当我们谈论整体患者模型或虚拟细胞、所有这些数据以及医疗系统的成本时,你认为这些趋势会降低医疗护理的成本以及做这类事情的能力吗?还有别的成本驱动因素在下降吗,还是你认为我们正走向一个世界:为人们做所有这些先进的东西会变得越来越、越来越、越来越、越来越昂贵,除了少数人之外都将负担不起?
AMINI:是的,我可以,我可以从这个开始,因为这里有一个角度,既适用于医疗侧,也适用于生物科学侧以及更早期的发现、实验和药物发现工作流。在那里,我会说前景在于这样一种想法:用计算来权衡实验,并让两者相互作用,其中你在实验室里花费的一些实验周期是高置信度的,你知道,是实验搜索空间中由模型优先考虑的区域,比如说,这样你就可以更高效地使用实验资源——无论是资金、试剂、实体试剂、人员——从而通过虚拟地做一些实验(如果你愿意这么说)来降低发现成本和前置时间。
所以运行 in silico 查询,然后能够以因果方式预测实验结果。给定一个输入状态,遵循这个干预后的输出状态是什么,对吧?因此,你基本上可以用这种方式平衡成本支出,这样你就可以在现实世界中真正、真正地深入钻研那些最有希望的事情,希望时间线更快,并且总体上降低,你知道,湿实验室里的实验支出。所以那就是……可能是它体现的一种方式。而随着 token 成本下降,希望这种加速会放大,因为现在计算侧是,是,你知道,整个发现循环中比实验侧迭代更快的一侧。
BURGER:但在我们去找 Eric——去找那些 Eric——谈这个问题之前,你知道,在未来五年里,我猜运行这些实验的 token 成本会下降大约一千到一万倍。所以什么……这难道不会让模拟……让现实世界——我会称之为模拟世界——成为瓶颈吗?比如……还是说它只是改变你花时间的方式?
AMINI:是的。我认为事实是,现实世界永远会是瓶颈,对吧?你不能用,你知道,虚拟实验完全取代现实世界。我们永远需要现实世界。愿景是,你知道,它会聚焦你在现实世界中花时间的地点和方式,使你真正做的那些实验是高置信度的,并且是,你知道,由某种可计算的东西支持的,如果你愿意这么说。
BURGER:嗯哼。我觉得我们生活在一个非常奇怪的世界里,“现实世界永远会是瓶颈”这句话我们刚刚都听到了,而且可能还同意。[笑]
HORVITZ:但是,Doug,只是接着补充……
BURGER:这是一个……请讲,Eric。
HORVITZ:……在刚才 Ava 的基础上继续构建,我的意思是,我最兴奋的生物科学领域,恰恰就是 Ava 最后一句话结束的地方。它是把 AI 转过来,在给定“如果你去看会看到什么”的概率分布时,计算哪里价值最高。换句话说,就是指导实验。而且它……你知道,更快的计算和更便宜的 token 会帮助我们做得更好,这基本上直接解决了瓶颈。它说的是:“看,给我、给我、给我你的资源约束;我会想办法告诉你,或者与你协作,找出最令人兴奋、最有趣、最出人意料的结果可能在哪里。”
BURGER:这是用波束成形来拯救生命。
HORVITZ:正是。
AMINI:对。
TOPOL:但是,我的意思是,我认为瓶颈——正如你指出的,Doug,随着 tokenization 成本的指数级下降——是数据集。也就是说,你知道,我们刚刚看到数十亿美元被分配给生命科学数据集(在新标签页中打开),而引入患者长期、深度数据的成本有多高,这类数据今天几乎不存在。你可以拿到电子健康记录,但那不是你想要的。[笑声]原始图像……你想要的是所有其他层面的数据。我的意思是,所以你知道,记住,Eric 早些时候指出,AlphaFold 一直是标志性贡献。那是因为我们有 Protein Data Bank(在新标签页中打开)。数据集全
AI 能帮助构建更健康的未来吗?
HORVITZ:好,我很想听听,如果你有,如果你有魔法棒,[并且]你可以说:“我想要这类数据,而我现在无论是自监督训练还是监督训练都没有,我会要什么?”你只能从三个超大型数据库中选择、提问。[笑]
AMINI:是的,所以我会拿 AlphaFold 和 PDB [Protein Data Bank] 的例子作比较,对吧。那里的答案非常准确,对吧。我们看到那个突破是因为 PDB 存在,但它也有局限,因为这些是蛋白质的静态结构,而我们知道蛋白质是动态的、有活性的,对吧。它们通过活性执行功能。所以我认为真正缺失的是这类、某种程度上,面向生物栈不同层次的以活性为先的数据集。
第一,你知道,蛋白质是个简单的例子。我们能否创建,你知道,同样规模和多样性的数据,把蛋白质序列映射到一系列功能上?历史上,这个领域里到处都有孤立的数据集;它们并没有真正规模化。我们如何创造性地利用现有的东西,但是否有新的空间——而且我们确实知道有新的空间——就在整个蛋白质生物学中,让我们能够真正走出去,创建首创的基于活性的数据集?我认为这在细胞层面或许更是如此。
你知道,有人评论说人体中有那么多不同的细胞类型,我们无法全面映射,你知道,每一种细胞类型会对每一种可能的、你知道,存在的化学扰动作出什么反应,因为这些空间实在太、太广阔了,尤其是在、在化学空间里。但如果我们聪明且有原则地决定如何……选择那个空间中的哪些点来构建多样化的数据集,那也还是缺失的。所以我会说,这类生物学的功能读出——无论是在分子层面、细胞层面还是组织层面——才真正是缺失的。
而在我们的 Ex Vivo(在新标签页中打开)合作中,我们正在癌细胞、癌细胞测量的背景下处理其中一部分,试图构建我们所谓的 state-to-function maps,观察一系列癌细胞状态并测量功能结果——例如,对免疫治疗的耐药性或对靶向治疗的耐药性——并尝试搭建这些桥梁。但这只是其中一小部分。我认为更多同样那种对生物学功能读出的理念,百分之百是我会首先去做的。
BURGER:嗯哼。Eric Topol,交给你一会儿。我们,我们进行了一场范围相当广泛的讨论。现在有哪几件事只是……你认为人们、我们的听众需要关注什么?你最近看到的一些超级令人兴奋的事情是什么?我想按顺序让每个人都说一说,然后我想把大家带回来,你知道,最后稍微疯狂一点。所以我要先让我们落地,然后我要放飞一下。
TOPOL:嗯,你知道,我认为人类中缺失的层面是免疫系统,也就是 immunome。到目前为止我们学到的一切都指向它是健康寿命的关键基础。我们需要达到那一点。我们今天实际上在 Nature 上发表了一篇文章[1](在新标签页中打开),关于 immunome……
BURGER:恭喜。
TOPOL:……以及我们如何开始、开始看到一些突破,说明我们能够,你知道,快速、有意义地获得评估,无论那是用 AI 对胸腺进行的评估——此前人们认为胸腺到 20 岁时会进入退化、惰性状态,而现在我们知道,在 80 岁时,有些人拥有完全完整的胸腺——并且正如……回到 Ava 的观点,它可以预测癌症免疫治疗反应以及患癌倾向。
文章标题:AI 能帮助构建更健康的未来吗?
正文: 我们还有蛋白质组学,通过它可以同时观察免疫系统——一个人的免疫系统相对于其实际年龄的年龄——以及免疫细胞,即细胞蛋白质组时钟。我们将进入对功能更加精细的评估。我同意 Ava 的看法,我们需要的是这些功能相关性指标,而这正是我们目前所缺乏的。
所以我认为,一旦我们获得了这些,那将是一个真正能帮助我们的层面,因为免疫系统,无论是癌症的易感性,还是大脑中促进神经退行性病变的过程,或是动脉中促进动脉粥样硬化的过程,它都是核心。而我们一直没有办法在人体中测量它,这很令人惊讶。只有在学术实验室里,在活体中,你知道,在 20 个人身上(在新标签页中打开),而那,你知道,那不是我们需要的。
BURGER:是的。
TOPOL:所以要把这一点推进下去并加入到模型中,我认为这将是非常关键的一步。
HORVITZ:是的,我要上升一个层面来说,我认为通过探究衰老的基础,我们会获得超出预期的收获。你知道,免疫系统属于其中一部分,但我认为总体而言,我们并不理解为什么许多疾病会随着年龄出现。它们会渗透……甚至,甚至像 LRRK——一种叫做 LRRK2 转座的东西,与帕金森病相关。它在 60 多岁和 70 多岁时出现。但为什么?为什么身体要等到那时候才让它显现出来?对于阿尔茨海默病和其他疾病,正如 Eric 提到的,神经退行性疾病通常与年龄相关。比如,我们 DNA 的甲基化发生了什么,从而将我们的细胞定义为特化类型?
我借用一下你的说法,Doug。也许像 DIP 开关,开启和关闭决定细胞类型的表达。[笑声] 实际上,它们就像“开”和“关”。这些开关的维持以及随年龄的一致性发生了什么?这是一个巨大的谜团。如果我们能破解一些衰老基础的问题,不只是陈述——“哦,更多熵,更多混乱”——而是理解干预措施和其中的一些因果关系,我认为我们将一次性解锁多种疾病以及如何预防它们。
BURGER:我向你保证,我们会有更多熵。
HORVITZ:哦,是的,我相信那是真的。
BURGER:抱歉开了个物理学的玩笑,是的。还有 Eric Topol 写了一本书叫《超级老人》(在新标签页中打开),所以我认为……
HORVITZ:我刚才看到 Eric 在点头,抱歉,Eric,我闯入了你的领域。
TOPOL:不,不,完全没有。
BURGER:这……是的,非常好的观点。好,Ava,你对什么感到兴奋?
AMINI:所以当他们在说话时,我在想,我试图想出最值得兴奋的一件事是什么。很难 pinpoint 一个。我想说……有一个技术层面的和一个生物学层面的。
在技术方面,回到我们的数据讨论,我认为允许创造性利用现有数据的创新,使得它……我们可以把它变成一个超级计算问题,正如你,正如你指出的,Doug,这对我们这里以及整个领域来说都是非常有趣和令人兴奋的事情。因为数据是存在的,对吧?正如我们讨论过的,某些类别的数据并不存在,但外面有很多生物学数据和生物学工具,我们可以创造性地利用它们来进行计算。
在生物学方面,我们还没有真正讨论过的一件事是新的测量技术,它们能够以新的方式连接生物学模态。所以,在生物系统中进行我们以前没有做过的新型测量,回到这个多尺度的主题,对吧,希望这将使我们能够以新的方式连接生物层次的那些层面,并在这些层面之间建立有意义的联系,以便我们能够获得更多这样的,像,元层面的输出和结果。
文章标题:AI 能否帮助构建更健康的未来?
在更高的层面上,我很喜欢关于 immunome 和衰老的两个观点,它们都是系统层面的表型和读数,值得去研究,所以这是我非常非常兴奋的事情。从对虚拟细胞的过度炒作中走出来,真正思考系统层面的表型和现象,我认为是极其有前景的。
BURGER:所以我一直很着迷于,你知道,你有一套 DNA,那套 DNA 编码了一个程序,用来构建一个生物体。但那个程序的执行——比如构建细胞,细胞繁殖,然后特化,然后形成系统,然后形成功能——我是说,整个表观遗传和系统,就像,人类大脑被编码在 DNA 中这一事实,不是直接的但显然是间接地通过那些规则。
你有没有想过,随着理解的所有这些进展——这也许是我“放眼远方”的问题——我们会理解那些规则,并且能够编写遗传程序来形成不存在的全功能系统或生物体?就像那样,那只会说,“嘿,我想要,你知道,我想要一团细胞,能从空气中吸收 CO2,然后向海洋中吐出藻类。这就是能做到这一点的生物体。而这就是能通过细胞的所有特化和复制来构建那个生物体的 DNA 序列。”因为那个领域在我看来,比仅仅理解生物系统中的通路要高出整整一个复杂度层级。但这都是你的领域,所以我在这里瞎猜。你,你觉得我们能达到那里吗,还是那太疯狂了,我们甚至不应该去想它?
AMINI:是的,我认为可编程性就是那个承诺,对吧。我们能否通过对我们人类有意义的接口,对生物学进行功能设计和工程化,无论是自然语言,还是其他模态,甚至也许是图像,如果,你知道,我们能在视觉上指定一个功能?那能由一个蛋白质来执行吗,对吧?或者通过化学描绘?所有这些关于可编程性的概念。
但真正你所说的,Doug,是核心,你知道,合成生物学是由这种精神驱动的,试图让生命可编程并运行,设计基因回路,能在活物质中执行功能,就像我们设计电路作为计算的基础一样。这在某种程度上对我来说非常怀旧,因为本科时,这就是我的研究,……
BURGER:哦,我不知道那个。[笑]
AMINI:……在合成生物学,是的。
BURGER:我这里有个高手。太棒了。
AMINI:所以,所以,实际上,我想你会欣赏这个。我们试图在大肠杆菌细菌中实现状态机,通过创建这些基因回路,能对化学输入的不同顺序和组合做出响应。这些只是,某种程度上的玩具例子。但原理是将计算范式引入生命系统,并做——在 DNA 中设计一个实际的回路,能使细胞执行那个功能。
看到我们已经走了多远,现在能够想到,你知道,用自然语言指定一个蛋白质的功能,并且,你知道,有一个 AI 模型能设计出一百个符合那个功能的候选,这令人震惊。所以我认为那是,就像,一个长期存在的[笑声]生物学愿景,它,某种程度,经历了这些不同的,我想,什么词?演化……
HORVITZ:范式。
AMINI:……如果你愿意……
HORVITZ:是的……
AMINI:……关于我们实际如何到达那里。所以这是一个关于过去几十年该领域的很好的视角。
HORVITZ:甚至像添加到……的小回路
AMINI:是的。
HORVITZ:……人类细胞只是一个能计数它们世代数的系统……
AMINI:正是。是的。
HORVITZ:……所以,你知道,你可以读出,“这是一个,像一千……”
AMINI:是的。
文章标题:AI能帮助构建更健康的未来吗?
正文: HORVITZ:“……还是只有四个?是癌症吗?”一个数字,数字化的。
BURGER:Eric Topol,我觉得他们……那个Eric Horvitz和Ava在主张生物学中的决定论,就像我们之前[笑声]谈到的那样。我觉得他们只是,他们在反驳自己,这挺有趣的。你怎么看?
HORVITZ:某种程度上是这样。[笑]
TOPOL:我,你知道,那些东西,我们最近看到的东西,你知道,比如UW的Jay Shendure(在新标签页中打开),能够在胚胎发生期间进行基因组编辑,并实时(在新标签页中打开)做到,这正好印证了你的观点,Doug,这些事情在一两年前,甚至可能一个月前都是不可想象的。[笑]
所以,不,我确实认为我们会解开那个方面,那个编程的方面,我们有那么多,你知道,先进的方法,而且,你知道,凭借无与伦比的分析能力,并且会不断变得更好。所以,是的,我……那个……你的想法,拥有能够解决我们所有环境问题的生物体这个想法已经存在一段时间了……
BURGER:当然,确实如此。
TOPOL:……但没有任何成功,但它们很原始。你知道,它们不是我们未来几年可能看到的那种东西。所以我……我们迫切需要那些东西,你知道,来应对我们所有的所有问题。所以我希望,事实上,我们能看到它们。而且我认为我们会的;只是时间问题。
BURGER:是的。好,我想那大概就是我的问题清单了,不过也许我可以绕一圈,从Ava开始,然后是Eric Horvitz和Eric Topol,做最后的总结。就像,我们在这个飞速发展、不断加速的疯狂领域进行了一次很棒的讨论,你知道,而且模型的能力将提升几个数量级,会进一步加速它。那么你想给我们的听众留下什么?Ava,我先从你开始。
AMINI:好的,几点。一是这些模型本质上是加速和,你知道,改进干预的工具。而我个人进入这个计算机科学与生物学交叉领域的原因,是因为我把计算机科学看作一个强大的抽象系统和工具集,我们可以用它来理解和设计生物学。所以我认为最重要的是,你知道,无论是在生物科学还是医疗健康领域,希望观众记住,我们是在努力推进那套工具集,以造福研究人员,最终造福患者,以及我们这个星球上的其他生命,从最宏大的意义上说。
BURGER:太棒了。Eric Horvitz。
HORVITZ:十年后,普通人、公众会认识到AI带来了医疗健康领域令人瞩目的突破,这将包括——并且会被明确称为AI突破——到那时,它将包括把一些致命癌症转变为慢性疾病。以及在延缓阿尔茨海默病的发病和进展方面取得进展,还有其他突破。所以我认为会有好几项,而这两项将是巨大的成就,它们将被视为AI突破。
BURGER:太好了。Eric Topol。
TOPOL:是的,我是说,我的乐观甚至不止于此。我们将能够……我们将有能力预防阿尔茨海默病,并预防我们今天还无法预防的癌症。所以我现在对医学能走向何方抱有非凡的乐观。我们已经识别出——我们已经讨论过——一些阻碍它的事情,但你可以预见,未来几年它不会看起来和现在一样。我希望是尽早而不是更晚。[笑]
BURGER:是的。[笑]
TOPOL:但我们最终将拥有一种与今天截然不同的医学实践。
BURGER:我想感谢三位在百忙之中抽出时间加入我们。我想对我们的听众来说,你们知道,这些人是在一线做着了不起工作的人,而离开研究的时间就是离开发明未来的时间。所以感谢大家加入并抽出时间。我真的很享受这次讨论,能坐在这里和三位在一起是一种真正的荣幸。
HORVITZ:谢谢你,Doug。
TOPOL:谢谢。很享受。
AMINI:非常感谢。谢谢大家。
STANDARD OUTRO:你一直在收听 The Shape of Things to Come,一档 Microsoft Research Podcast。可在 aka.ms/researchpodcast(在新标签页打开)或 YouTube 及各大播客平台查看更多播客节目。
[音乐渐弱]