陈根：从潜力无限到时候未到，AI制药可堪大用？( 二 ) 文/陈根人工智能（AI）发展至

对于实验的过程中存在的患者服药依从性无法监测等问题，人工智能技术可以实现对患者的持续性监测，比如利用传感器跟踪药物摄入情况、用图像和面部识别跟踪病人服药依从性。苹果公司就推出了开源框架ResearchKit和CareKit ，不仅可以帮助临床试验招募患者，还可以帮助研究人员利用应用程序远程监控患者的健康状况、日常生活等。
文章插图
AI制药，时候未到
既然人工智能已经展现出了在制药业领域的优势和潜力，为什么人工智能制药产业至今还未密集爆发？反而是人们对人工智能领域不断取得的突破屡见不鲜。对于“人工智能算法因发现了一种强效的新抗生素”之类的头版新闻并不再感到稀奇。
新冠肺炎疫情是对人工智能的一块试金石，在协助诊疗和管理上，人工智能的表现可圈可点。
然而，对于制药来说，尽管国内有阿里云与全球健康药物研发中心GHDDI合作开发人工智能药物研发和大数据平台，针对冠状病毒的历史药物研发进行数据挖掘与集成，国外有DeepMind使用其AlphaFold人工智能系统来预测和发布与新冠病毒相关的结构。就像人工智能掌握了古老的中国棋盘游戏围棋一样，人工智能在制药上显示了巨大希望。然后呢，并没有答案。
此外，尽管科技进步颠覆了移动通讯，个人电脑，互联网和基因测序等等领域，开发新药的成本却在稳步上升。人工智能制药为这个领域吸引了更多投资和更多人才。但随着炒作愈演愈烈，药物开发成本却一路走高。于是，一直以来，看起来很有希望的人工智能技术突破，却并没有带来研发水平的显著提高。
人工智能制药似乎依旧不堪大用。究其根本，还在于当今的人工智能存在的固有局限性。对于目前的人工智能来说，其主要还是通过在数据中寻找模式来学习的。通常，输入的数据越多，人工智能就越智能。
总部位于旧金山的OpenAI发布的GPT-3算法，只需几个词的提示就可以写出任何主题的连贯段落。值得一提的是，第一版GPT于2018年发布，包含1.17亿个参数。 2019年发布的GPT-2包含15亿个参数。相比之下， GPT-3拥有1750亿个参数，比其前身多100倍，比之前最大的同类NLP模型要多10倍。于是，该算法通过分析近5千亿个单词实现了智能。然而这些数据也限制了GPT-3 。
文章插图
要实现超自然的性能，一般来说，必须输入模拟特定行为的高质量数据对系统进行训练。这在围棋等游戏中容易实现，每一步都有明确的参数，但在不太可预测的现实生活场景中则要困难得多。这也使得人工智能在应用到现实场景的过程中，经常会遇到困难。
疫情期间，在法国、美国等地，人工智能之所以也未能支持政府建立有效的接触者追踪系统的努力，很大一部分原因就是缺少必要的“原料” 。在英国，由于缺乏系统的数据采集来追踪和溯源新冠病例，短期内几乎不可能使用人工智能技术实施接触者追踪干预。
当然，即便人工智能可以创造出人类急需的药品，改善健康，治疗疾病。但无论是生成强化学习等方法的结合，还是量子计算的迷人前景，都需要生物学、化学以及更多学科的支持。只有保证科学的供给，才能更好地产出科学。
生活水平提升引起的人口结构变化和疫苗、抗生素等医学技术的出现加快了人类疾病谱变迁的速度，慢性病取代传染病成为人类主要的疾病负担。目前的医疗卫生体系是人类在对抗传染病和急性病过程中形成的。医学理念、临床干预方式难以应对慢性病的挑战，逐渐表现出效率低下，医疗保健成本高速增长等特征，日趋不堪重负。
人工智能技术的巨大突破，融合了深度学习算法、数据建模、大规模GPU并行化平台等技术构成的深度神经网络，能模拟人脑的工作机制。国家可以在提升早期检测准确度、加强诊断和风险控制、降低治疗费用、辅助病人自我健康管理、提升治疗效果等方面给予医疗工作者充分支持。
在制药行业从识别生物靶点，设计新分子，到提供个性化治疗和预测临床试验结果方面，人工智能制药更是具有巨大潜力。目前，人工智能制药或许依然会输给传统的生物学和化学，但这并不意味着它还没有准备好进入黄金期。未来，随着医疗大数据的形成与完善，患者检查、诊断、治疗全过程的数字化之后， AI就能通过自动学习来研发药物。可以预见，不久的将来，随着AI制药黄金期的到来，也将给制药这一历史悠久且至关重要的行业带来前所未有的变革。