當前，大型基礎模型、多模態(tài)數(shù)據(jù)集，以及DNA與蛋白質等生物分子的大規(guī)模研究，正以超乎想象的速度刷新著人們的認知。
世界經(jīng)濟論壇網(wǎng)站在日前的報道中指出，生成式人工智能（GenAI）已成為推動生命科學進步最強勁的引擎之一。它進一步釋放了CRISPR基因編輯與細胞工程等生物技術的潛力。如今，GenAI已在藥物研發(fā)、精準醫(yī)療、腦機接口等領域嶄露頭角，展現(xiàn)出令人矚目的應用前景。未來10年，它將為人類健康譜寫全新篇章。
加速藥物與療法研發(fā)進程
今年1月，麥肯錫公司發(fā)布分析報告指出，其全球研究所曾預測：GenAI每年可為制藥與醫(yī)療行業(yè)創(chuàng)造約600億至1100億美元的經(jīng)濟價值。這一技術將顯著提升全產業(yè)鏈的效率與創(chuàng)新水平，從新藥研發(fā)的方式，到醫(yī)療服務的推廣與管理模式，都將迎來深刻變革。
在藥物研發(fā)中，GenAI能夠識別新靶點、優(yōu)化分子結構設計。在開發(fā)環(huán)節(jié)，它簡化了臨床前驗證流程，為細胞與基因療法設計出更安全、更高效的遞送系統(tǒng)，并助力構建更智能的臨床試驗方案。
麥肯錫的分析進一步指出，GenAI通過加快療法的開發(fā)、審批及上市速度，可幫助制藥企業(yè)應對“資產生命周期壓縮”的挑戰(zhàn)，即企業(yè)從新藥中獲得價值的時間窗口不斷收窄。研究發(fā)現(xiàn)，過去20年間，這一周期從9.8年縮短至約7.1年，整整減少了18個月。
此外，GenAI還能模擬患者群體、預測治療效果，并結合來自電子健康記錄與可穿戴設備的真實數(shù)據(jù)，從而縮短從概念到臨床的轉化路徑。
助力精準醫(yī)療邁入新階段
精準醫(yī)療是一種創(chuàng)新的醫(yī)療理念，它在制定治療方案時，會綜合考量每個人的基因特征、生活環(huán)境與生活方式等因素，真正做到“因人而異”。這種從“一刀切”到個性化護理的模式轉變，在GenAI的賦能下，正以前所未有的速度向前推進。
2024年，大多數(shù)醫(yī)療健康領域的GenAI應用仍主要依賴基于文本的單模態(tài)大語言模型。到了2025年，能夠同時處理并生成文本、圖像、基因組數(shù)據(jù)，甚至實時監(jiān)測生命體征的多模態(tài)模型正逐漸成為主流。這一進步將顯著提升診斷效率、臨床決策支持能力和醫(yī)學影像分析水平，為精準醫(yī)療注入強勁動力。
這些GenAI應用能夠精準解析包含遺傳信息、生活方式與環(huán)境因素在內的多模態(tài)數(shù)據(jù)，從而為患者提供高度個性化的診斷、監(jiān)測與治療建議。
美國健康產業(yè)趨勢網(wǎng)站報道指出，GenAI可解讀患者的基因圖譜，推薦最有效的藥物，最大限度減少“試錯式”用藥。它還能依據(jù)遺傳傾向，有針對性地提出改善生活方式的建議，幫助人們主動管理健康。結合可穿戴設備采集的實時健康數(shù)據(jù)，GenAI甚至能動態(tài)調整治療方案，實現(xiàn)治療的動態(tài)優(yōu)化。
開啟人機交互新路徑
腦機接口是讓人能夠直接用思維與數(shù)字設備乃至外部世界溝通的技術，而GenAI正逐步實現(xiàn)無縫的神經(jīng)信號解碼，將大腦活動轉化為對外部設備的操控指令。當GenAI與腦機接口強強聯(lián)合，便在生物認知與計算系統(tǒng)之間架起了雙向溝通的橋梁，這不僅為患者帶來輔助生活的新工具，也為人機交互開辟了拓展人類潛能的全新路徑。
今年9月初，美國加州大學洛杉磯分校的研究團隊在《自然·機器智能》上發(fā)表了一項成果。他們開發(fā)出一套非侵入式腦機接口系統(tǒng)，并配備了兩個“AI助手”：一個能協(xié)助用戶操控計算機光標，另一個則借助虛擬輸入輔助完成機械臂任務。測試表明，該系統(tǒng)通過解讀用戶意圖并輔助執(zhí)行動作，顯著提升了癱瘓患者在操作光標或機械臂等任務中的表現(xiàn)。
“神經(jīng)連接”公司的第三名受試者成功通過腦電波操控機械臂，完成了“抓取—遞送”這一復雜動作。與此同時，AI大模型LaBraM同步逆向解析了該動作對應的神經(jīng)編碼。這標志著人腦與AI的交互已不再局限于單向指令傳遞，而是邁入了雙向神經(jīng)符號系統(tǒng)構建的新階段。這一技術質變，有望悄然重塑醫(yī)療、教育乃至人類認知的基本范式。
麥肯錫公司強調，在醫(yī)學與健康領域，GenAI遠不只是一種工具，更是一股推動患者護理、醫(yī)學研究及健康管理體系全面革新的重要力量。
盡管如此，GenAI的發(fā)展仍面臨若干挑戰(zhàn)。首當其沖的是模型的可解釋性與透明度問題，尤其是基于深度學習算法的GenAI模型，常因其“黑匣子”特性而受到詬病，醫(yī)護人員往往難以理解其決策邏輯。這種解釋性的缺失，在一定程度上影響了信任度，也阻礙了技術的普及應用。此外，訓練AI模型需要大規(guī)模數(shù)據(jù)集，這也引發(fā)了人們對數(shù)據(jù)隱私與安全問題的深切關注。
