科学与健康 - GeneseAI

14.1AI：科学的新工具

背景知识

从自动化实验室到数学

这里举两个具体例子。一方面，自主实验室（“self-driving labs”）把 AI 与机器人结合起来，循环往复地提出假说、开展实验并从结果中学习，从而加快材料或催化剂的发现。另一方面，在数学领域，DeepMind 的系统（AlphaProof、AlphaGeometry）在2024年达到了国际数学奥林匹克银牌水平，这表明 AI 已开始为形式化推理作出贡献，而不再只是识别模式。此后，这一水平已被超越：在2026年国际数学奥林匹克（上海，7月）上，两个 AI 系统 Celia（Huawei）和 dots-note 3.0（Xiaohongshu）取得了42分满分的成绩，阅卷由主办方负责，这项赛事对模型而言也就不再具有区分度。较量的重心转向了研究本身。2026年8月10日，Anthropic 发表了一篇论文，其中 Claude 的一个未发布的研究版本，把黎曼 ζ 函数的零点中已被证明为单零点且位于临界线上的比例从41.6%提高到67.2%；该证明已用 Lean 形式化，并经数学家审阅，Anthropic 同时说明，并不指望这些技术能证明黎曼猜想。2026年8月1日，OpenAI 宣布了数学和理论计算机科学领域的十项成果，据该公司称，这些成果由一个当时尚未发布的模型（Astra）取得，每一项都已用 Lean 形式化。

14.2生物学与药物发现

图14.1. 发现周期的压缩。通过对分子与其靶点之间的相互作用进行数字模拟，AI 能够在很早的阶段就淘汰注定失败的候选分子，从而缩短最慢、最昂贵的那个环节。

深入原理

AlphaFold 3（2024年）预测的不再只是蛋白质的形状，还包括蛋白质与小分子（即药物）、DNA 和 RNA 之间的相互作用；其数据库收录了超过2亿个结构，向科研界开放。DeepMind 分拆出的公司 Isomorphic Labs 把它打造成了一台药物设计引擎（有时被专家戏称为“AlphaFold 4”），在2026年融资21亿美元，与多家大型药企（Eli Lilly、Novartis、Johnson & Johnson）建立了合作，并计划在 2026年底让其首款由 AI 设计的药物（抗癌药）进入临床试验。另一些公司走得更远：Insilico Medicine 于2026年7月7日启动了 rentosertib（用于治疗特发性肺纤维化）的三期临床，即随机、双盲、安慰剂对照的 GENESIS-IPF-3 试验（320名患者，中国47个中心，为期52周），首例患者已于2026年9月9日接受给药；此外，2026年7月29日，FDA（美国药品监管机构）还授予 Insilico 另一款由 AI 设计的候选药物（ISM6331，用于治疗间皮瘤）快速通道（Fast Track）资格。不过，截至2026年9月30日，尚无任何一款由 AI 发现或设计的药物获得 FDA 的上市许可。除了分子设计，AI 还在加速基因组学（解读 DNA、预测突变的影响）以及细胞生物学的分析。在预测之外，它如今还能从零开始设计具有预期特性的蛋白质和酶（这一领域同样获得了2024年诺贝尔化学奖的表彰），为新的疫苗、疗法和生物材料开辟了道路。

背景知识

生物黑客与生物学的普及

AI 降低了专业门槛，把前沿的生物学工具交到了有见识的业余爱好者手中，这一潮流有时被称为生物黑客（biohacking）。最有说服力的例子是：2025至2026年间，一位没有生物学背景的澳大利亚顾问 Paul Conyngham，借助一款对话助手和 AlphaFold，为他的狗 Rosie 所患的癌症（肥大细胞瘤）设计了一款个性化信使 RNA 疫苗。这一做法沿用了精准医疗的逻辑：比对健康基因组与肿瘤基因组以找出突变，用 AlphaFold 对相应的蛋白质建模，然后瞄准这些“新抗原”。疫苗并不是他自己制造的：一家专业的大学研究机构（位于悉尼的 UNSW）以几千美元的费用完成了合成。据报道，结果是肿瘤缩小了大约一半，但并未治愈。这件事既展示了前景（AI 不会取代研究人员，却扩大了能够作出贡献者的圈子，通向一种更具参与性的医学），也同样展示了它的局限：正如专家们所提醒的，这些只是工作假说，而非经过验证的疗法；只有临床试验这条路才能确立真实的疗效，而制造环节仍然离不开实验室。这种普及更为阴暗的另一面，即生物安全风险，将在第24章讨论。

背景知识

AI 与长寿

一个相关领域正吸引着巨额资金：对衰老和长寿的研究。其思路不再只是逐一治疗各种疾病，而是去理解、甚至延缓衰老机制本身。AI 在其中扮演着多重角色：分析海量的生物数据集以构建衰老时钟（根据分子标志物估算生物体的“生物学”年龄），寻找可作用于衰老细胞或衰老通路的候选分子，并加速疗法的发现（用的正是上一节提到的那些引擎）。一些专业公司（如前文提到的 Insilico Medicine，以及长寿生物科技领域的 Retro Biosciences 和 Altos Labs）正押注于这种融合。审慎依然必要：延长健康寿命是一个严肃的科学目标，但这个领域也吸引了极为乐观的营销话术，而迄今为止并不存在任何经过验证的“抗衰老药丸”。在这里，严谨研究与过度包装的承诺之间，往往只有一线之隔。

14.3材料、气候与其他基础科学

通俗地说

同样的方法正在众多学科中铺开，AI 在其中充当为研究者服务的加速器和探索者：

材料科学：AI 系统已提出数十万种全新的晶体结构，它们是更好的电池、超导体或太阳能电池板的候选材料（与第10章的能源转型相关）。
气象与气候：AI 模型如今预报天气的速度比笨重的传统物理模拟更快，有时还更准，并有助于气候建模。
物理学：AI 帮助人们更好地控制聚变反应堆中炽热的等离子体，并分析大型科学装置（加速器、望远镜）产生的海量数据。
神经科学：它帮助解码大脑活动，直至脑机接口。
数学：它开始提出猜想，并验证（乃至找到）证明，自2026年夏季以来已出现首批经过形式化的研究成果（第14.1节）。

背景知识

AI 服务于核能与粒子物理

有两个领域值得专门说明，因为它们颠倒了通常的关系：在这里，AI 不再只是耗能大户，它成了服务于科学和能源的工具。在民用核能领域，它已经在优化核电站的运行：预测性维护（预判设备故障）、在传感器数据流中进行异常检测、停堆计划与燃料管理，以及加速反应堆设计（包括小型模块化反应堆 SMR）。国际原子能机构（IAEA）自2021年起统筹相关专项计划，并认证了若干参考中心（核能方面在 Purdue，聚变方面在 MIT）。在聚变领域，最核心的课题是等离子体的实时控制：这是一种温度高达数百万度、本质上不稳定的气体，强化学习系统学会了通过操控磁场来约束它，而传统方法在这方面力不从心；AI 还帮助探索未来反应堆的各项参数。例如，2026年9月，Princeton 和 PPPL 的研究人员在 Nuclear Fusion 上发表了 PACMAN 框架，它在 DIII-D 托卡马克上的五次实验中接受了测试：其决策周期约为20毫秒，并在其中提前约200毫秒预测并避开了一个磁撕裂模。最后，在粒子物理领域，像 CERN 这样的实验室长期依靠机器学习来筛选大型强子对撞机（LHC）产生的海量对撞数据，从中找出罕见的有价值信号。AI 与能源就这样相互滋养（第10章）。

背景知识

AI 与太空

航天业已成为 AI 的一大用户。在对地观测方面，模型持续分析卫星图像，以追踪森林砍伐、农作物、灾害、冰层消融或排放情况，把洪水般涌来的图像转化为可用的信息。在天文学方面，机器学习负责筛选大型望远镜的海量数据：在光变曲线中探测系外行星（这一方法已在 Kepler 的数据中揭示出新的世界）、对星系进行分类、发现暂现事件。在探测方面，AI 协助巡视器和探测器自主导航（通信延迟使实时操控无从谈起），协助规划观测任务，以及对航天器进行预测性维护。最后，随着近地轨道上的卫星日益密集，太空监视（追踪在轨碎片、预防碰撞）也越来越依赖这些技术。在这里，AI 同样是科学工作与运营工作的倍增器。

背景知识

预报天气的 AI

AI 服务于科学最实在的成就之一，是天气预报。基于数十年大气数据（再分析资料，如 ERA5）训练出来的模型，已在许多指标上追平并超越了运行在超级计算机上的传统物理系统。先行者 GraphCast（Google DeepMind，2023年）只用一块显卡，不到一分钟就能生成一份十天预报，而欧洲中心（ECMWF）的基准模型则需要数小时，GraphCast 在约 90% 的测试指标上胜出；其概率式的后继者 GenCast（2024年）能生成集合预报情景，并在近 97% 的目标上击败了欧洲的集合预报系统。其他参与者也在同场竞逐：Pangu-Weather（Huawei）尤其擅长预报气旋，Aurora（Microsoft）是一个大气“基础模型”，而 ECMWF 自己也开发了自有的 AI 模型（AIFS）并已投入业务运行。在实践中，这些模型（尚）未取代物理模型：气象部门和飓风中心把它们当作一个额外的预报来源，而 AI 与传统模型之间的分歧本身也成了一条关于不确定性的信息。有两点局限给热情降了温：这些模型是用过去的数据训练的，可能难以预判史无前例的极端事件（在气候不断变化的背景下，这个问题尤为尖锐，见第10章），而且它们的分辨率仍然有限。即便如此，这条发展轨迹依然惊人：在一个可靠预报时效大约每十年才延长一天的领域，AI 把这样的进步压缩到了几年之内。

背景知识

科学诚信受到威胁

在可复现性之外，生成式 AI 对科学文献的可靠性构成了更为直接的威胁。如今有些论文部分乃至全部由模型撰写，有时并未加以声明；人们在期刊中发现了不慎遗留的、暴露来源的措辞，甚至还有伪造的图像或数据。这一现象助长了“论文工厂”（paper mills）的滋生，它们批量炮制虚假论文，也让本已不堪重负的同行评议更加吃紧，有人正（谨慎地）尝试用 AI 来辅助评议。风险是双重的：用可疑的结果污染科学文献库，以及侵蚀人们对学术发表的信任。作为回应，出版方和各机构正在开发检测工具、制定 AI 使用披露规则，并提高警惕。科学在这里必须防范的，恰恰是它同时用来推动自身进步的那件工具。

14.4日常生活中的健康

通俗地说

在患者身边，AI 正在多条战线上取得进展。

医学影像：它能在 X 光片、CT 或核磁共振图像上发现肿瘤和异常，灵敏度有时高于人眼，并加快诊断。
辅助诊断：在某些研究中，对话式 AI 系统在典型病例上的表现优于医生（这一结果有待在真实条件下确认）。
外科手术：手术机器人正在配备能够预判并发症的 AI 副驾驶（第13章）。
个性化医疗：根据患者的遗传和临床特征调整治疗方案，并为已有药物寻找新用途。
减轻行政负担：问诊转录、撰写病历报告，这可以把时间还给医疗本身。这是目前部署最广的用途之一：所谓的环境式助手（在患者同意的前提下）聆听问诊过程，并自动撰写报告，归入患者病历。最成熟的例子是法国的 Nabla，到2026年年中，约有10万名执业医师在大约190家医疗机构中使用它，它可接入主流的电子病历系统，主要目的是减轻医护人员的行政负担和职业倦怠。
心理健康：对话式智能体提供初步的心理支持，易于获得且不带评判。对于改善医疗可及性而言，这是一条有前景的路径，但风险很高（第19章）：这类工具不能取代专业人士，可能给出糟糕的建议，并且在用户陷入困境时必须将其引导至真人援助。

背景知识

脑机接口

在神经科学与临床的交界处，脑机接口（英文为 BCI）把大脑直接与计算机相连，而要把神经信号解码为意图，AI 不可或缺。其中最受媒体关注的 Neuralink，于2024年初为首位人类患者植入了设备（一名四肢瘫痪的男子，他得以用意念移动光标、玩游戏和浏览网页）；到2026年年中，已有二十来名患者接受了它的植入物（硬币大小，带有数千个由手术机器人植入的电极），分属运动控制（PRIME）、言语恢复（VOICE）和视觉恢复（Blindsight）等试验。但 Neuralink 并非独此一家：Synchron 经由血管置入传感器，无需打开颅骨（分辨率较低，但风险小得多）；Precision Neuroscience、Paradromics 和 Blackrock Neurotech 在探索其他路线，而非侵入式头戴设备（脑电图 EEG）则能在不读取思想的情况下检测精神状态。对瘫痪者而言，前景无比广阔，但利害也同样重大：安全性、最为私密的数据（大脑活动）的隐私，以及更为遥远的能力增强前景，后者引出了“神经权利”的问题。从极长远来看，一些参与者（Neuralink 首当其冲）怀有更激进的抱负：人与 AI 的共生，也就是一种超高带宽的接口，旨在让人类“不被”日益强大的 AI“甩在身后”。这一前景目前还只是其公开宣示的愿景，与今天的实际能力相去甚远，并在可行性和伦理上都引出了巨大的问题。

14.5健康领域特有的局限与风险

争议焦点

健康领域集中了一些特有的风险，要求人们必须审慎。

责任。 如果 AI 诊断出错，谁来负责：医生、软件开发商，还是医院？法律框架仍然模糊（第21章）。
偏见。 一个主要基于西方人群训练的模型，对其他群体可能不那么可靠，从而造成医疗上的不平等（第21章）。
验证与监管。 在健康领域，对证据的要求是最高的。欧盟把基于 AI 的医疗器械归为“高风险”，要求进行审计并保持透明（这些高风险规则的适用已推迟至2027年12月和2028年8月，第25章）。在美国，FDA 于2026年8月18日就生成式 AI 医疗器械的监管启动了公开征求意见（截至2026年10月19日）：该文件提出了一个双轴风险矩阵（器械的自主程度、后果的严重程度）、一种借鉴临床医生考核方式的“按能力”评估，以及上市后的强化监测，并提到了看似可信的虚构内容。现阶段这还只是一次征求意见：尚未通过任何具有约束力的规则。
保密性。 健康数据属于最敏感的数据之列，用它进行训练必须遵守严格的规则（在欧洲是 GDPR，见第21章）。
幻觉。 语言模型可能编造一条参考文献或一个用药剂量：在医疗情境下，这可能致命。由此得出一条适用于整个科学与健康领域的黄金法则：AI 辅助，而由具备资质的人来决定。

本章要点（第14章）

AI 正在成为重要的科学工具：不是用来聊天，而是用来发现，乃至提出假说（“AI 科研伙伴”）。其标志是 AlphaFold（2024年诺贝尔化学奖）。
在药物发现方面，它压缩了研发周期：AlphaFold 3（2亿个结构）、Isomorphic Labs（融资21亿美元，计划2026年底进入临床试验）、Insilico（自2026年7月起进入三期临床）；目前尚无任何一款由 AI 设计的药物获批。
其影响延伸到材料、气候、聚变、神经科学和数学（两个系统在2026年奥林匹克竞赛中取得满分，首批经过形式化的研究成果问世）；但使用不当的 AI 也会威胁科学的可复现性。
在健康领域，它在影像、诊断、外科手术、个性化医疗和心理健康支持方面不断进步（最后一项风险很高）。
风险有其特殊性：责任、人群偏见、验证、保密性和幻觉。原则是：AI 辅助，具备资质的人决定。

从科学发现到知识传授：第15章将考察 AI 如何颠覆教育。

14.1AI：科学的新工具#

14.2生物学与药物发现#

14.3材料、气候与其他基础科学#

14.4日常生活中的健康#

14.5健康领域特有的局限与风险#

本章要点（第14章）

14.1AI：科学的新工具

14.2生物学与药物发现

14.3材料、气候与其他基础科学

14.4日常生活中的健康

14.5健康领域特有的局限与风险