11月19日,2026新浪新闻探索大会的讲台上,华大集团CEO尹烨把《为什么AI干不掉生命科学?》讲上了热搜:AI从下棋、翻译一路干到数学物理,却在生物学面前停住了——因为地球不会读你的预报,但肿瘤会“读”你的药。他把原因说得更技术流:生命系统无法被浓缩为Token,统计共现也无法逆推生命的物理因果,给药后肿瘤可能耐药、病毒可能逃逸,。把这个判断翻译成一句话:生命科学里,预测只是上半场,裁决权在实验台和活体身上;验证不可省略,责任不可外包,这就是湿实验和医生暂时没被替代的根因。微博微博
两笔可核验的数据给这句话定边界。实验一侧,11月14日发布的“史上最严”湿实验预测基准SPU,让AI在实验开始前直接预测真实结果,即便强如Opus 5.5、GPT-6 Astra,数据上距离真正能实现预测还都很遥远。医疗一侧,2026年英国研究者在一组医生身上重做了人机对照试验,有模型辅助的医生仍然比模型单独作答低 21.3 个百分点。问题不是模型不行,恰恰是模型行,但“验证”和“负责”这两步还没法交给它。知乎知乎
生命科学没有“数字编译器”
写代码有编译器,回车一毫秒就能报错;围棋有清晰胜负规则,算力自我博弈就能进化,但生命科学没有数字编译器,自然界唯一的编译器是真实的生化反应。这解释了为什么AlphaFold的成就没有自动兑换成“AI懂生物”。知乎
AlphaFold 预测超过 2 亿个蛋白质结构,被 190 个国家的 200 多万研究者使用,其数据库2025年10月版本收录约2.41亿条预测结构。但静态结构不等于生命行为:一旦脱离湿实验的物理反馈,AI模型既测不准分子活性,也推不出活体毒性。微博知乎知乎
数据这一层同样有缺口。期刊论文里九成五以上全是做成功的阳性结果,算法真正需要的是精确的失败记录——哪种溶剂配比导致沉淀、什么温度让靶点蛋白失活——这类包含完整过程的阴性数据,公开语料里没有。SPU 基准出题的方式正是戳这个软肋:模型每题运行八小时、允许联网检索并自行计算,交卷后与隐藏的实测结果排序对分,整张考卷的规模是。知乎知乎

AI算得越快,湿实验越忙
行业常见口径是传统新药研发平均十年以上、二十亿美元以上,AI被认为能把发现阶段的时间砍去七到九成。但设计越快,要验证的候选物就越多,AI没有让湿实验过时,它让湿实验成了限速环节。知乎
一个公开案例把“试错结构”摊开:研究机构借Claude设计抗蝎毒蛋白,211个设计交由两家合同研究组织合成与验证,最终17个达到结合标准。知乎
验证侧的订单随之上涨。按券商口径,Twist Bioscience 2026财年前三季度DNA合成收入1.61亿美元,同比增长31.4%。知乎
算力压缩不了生物常数。GPU几个月就能翻倍,但食蟹猴长到实验规格必须老老实实走完六到七年的生理生长周期。知乎
到了临床阶段,数字世界的速度优势彻底归零,超过八成临床试验都卡在患者入组延期。这一轮真正稀缺的不是设备台数,而是把难表达蛋白做出来、把不均一样品制成合格制样的人和手艺。知乎
AI公司把湿实验“搬进自家”
最直接的回答来自AI公司自己:Anthropic收购Coefficient Bio之后开始自建湿实验室,目标是把整个生命科学研发周期压缩十倍;据路透社报道,它已在旧金山湾区运营一间湿实验室,用Claude协助实验设计与自动化执行。知乎知乎
国内走的是同一逻辑的干湿闭环:晶泰科技的机器人实验室7×24小时跑湿实验,形成“AI设计、实验验证、数据反馈、模型迭代”的飞轮。深势科技为生物医学研究推出的科研智能体BioMaster近期接入Kimi K3.1 Pro,覆盖单细胞分析、基因变异解读等任务。湿实验没有被绕开,只是从“人海战术”改写为“自动化+少量顶尖实验科学家”。知乎知乎

医生一侧:缺的不是模型,是接口、责任和规则
先说清楚一个反常识事实:在同一套病例题上,大模型单独答,比医生拿着同一个大模型答,分更高。知乎
2026年的英国复现实验给出了落差的原因:在所有需要回答的病例问题里,只有 30% 被真的拿去问过模型。模型就在旁边开着,却没进入医生的思考流程——瓶颈在人机接口,不在模型能力本身。知乎
换一类任务,结果会反转。在治疗选择、检查取舍这类要权衡多个选项的管理决策里,用模型的医生比只用常规资料的医生高 6.5 个百分点。知乎
2026年2月《Nature Medicine》的心肌病随机对照试验更进一步:当模型能读取心电图、磁共振等原始检查数据并主动给出完整方案时,有临床意义的错误从 24.3% 降到 13.1%。知乎
但证据只覆盖到这里:这些研究里没有一项是在真实门诊里做的,样本量都在 20 到 100 人之间,评分靠专家共识而不是患者结局。知乎
被证明能减少的是错误和遗漏,不是对一个具体的人做决定并为之负责。知乎
制度和责任层面卡得更硬:AI分身不具备独立执业资质,其输出只能作为辅助参考,互联网诊疗相关监管规则明确处方不得由人工智能自动生成。参考建议出现偏差时,医生、机构与技术提供方之间的责任划分尚无法律细则。今日头条
已规模化落地的“医生AI分身”,行业自己的定位也更接近补位而非替代。医院里的真实变化同样如此:引入AI阅片后影像科医生工作效率翻倍、一个人干五个人的活儿,但医院保留现有编制不招新人。先替换的是效率,不是岗位。今日头条知乎
“干不掉”不是永久判决,盯住三个信号
谢晓亮院士今年在科学智能大会上的表述更克制:AI帮你寻找规律,很难推导出本质性的科学原理。尹烨的“干不掉”,准确读法是当下还干不掉。往后值得盯三件事:下一代湿实验预测基准的分数何时开始大幅上涨;自动化湿实验产能与失败数据供给能否规模化;医疗AI的责任细则和临床工作流融合何时落地。湿实验员和医生真正不可替代的不是职业身份,而是“验证者”和“担责者”这两个角色——AI越强,这两个角色的价格只会更高。知乎
当前文章无评论,是时候发表评论了