4 月 16 日,在伦敦举办的 WIRED Health 大会上,Imperial College London 全球健康创新研究所所长、外科医生 Ara Darzi 称当下处于「抗生素耐药性危机的第一个真正的拐点」。据 Wired 报道引用的数据,耐药感染每年在全球导致超过 100 万人直接死亡,并间接波及约 500 万人。2024 年《柳叶刀》的一份报告预测,耐药感染到 2050 年可能造成累计 4000 万死亡。传统诊断方式 —— 从样本中培养细菌,以确定哪种抗生素有效 —— 耗时两到三天,而败血症患者根本没有这种时间:每延迟一小时治疗,死亡风险上升 4-9%。在等待结果期间,医生只能凭经验下药。
AI 在三个方向上改变了这一计算。第一,诊断。Darzi 提到基于 AI 的系统在不依赖额外实验室基础设施的情况下达到 99% 以上的准确率 —— 「不依赖额外基础设施」这一前提,对于在低资源地区部署尤其关键。WHO 估计,东南亚与东地中海地区每三例已上报感染中就有一例为耐药感染,非洲为五分之一。第二,药物发现。英国 NHS 正与 Google DeepMind 合作开发一套 AI 系统,在一次演示中,该系统在 48 小时内识别出此前未知的耐药机制 —— 而 Imperial College London 的研究者为此问题已经投入了十年。第三,大规模实验:与自动化实验室结合,深度学习模型可 24 小时并行运行数百次实验,数日内筛查数十亿种分子结构;同时生成式 AI 也在被用于候选药物的设计。
经济这一段才是更难的。新抗生素管线之所以稀少,是因为市场惩罚这种产品最成功的形态:一种真正有效的新抗生素,理应尽量少用以延缓耐药,这意味着低销量,低销量意味着对药企低 ROI,低 ROI 意味着 R&D 投入不足。Darzi 的措辞 —— 「激励不足意味着创新可能无法触及病人」—— 是另一种委婉表达:该问题里「发现」这一半正在被 AI 越来越快地解决,而「部署经济」那一半却没有任何人在解决。AI 可以找到候选分子,但 AI 修不好这些事:药企无法靠很少被开方的抗生素赚钱;医院不愿为快速诊断试剂支付足以摊销研发成本的价格;耐药率最高的低收入国家,也买不起 AI 所依赖的实验室设备。
对 builders,三件具体事情。第一,「不需要额外实验室基础设施的 AI 诊断」这一承诺,正是值得盯紧的部署前沿。如果你在做医疗 AI,真正能到达病人手中的产品,会是那些跑在现有硬件(手机、基础显微、point-of-care 试剂盒)之上的 —— 而不是要求每个诊所配置一台 20 万美元测序仪的产品。第二,DeepMind/NHS 那个「48 小时 vs 10 年」的对比,是值得长期记住的 framing。AI 能把某些研究的时间线压缩好几个数量级,但仅限于那些瓶颈在「穷举搜索」而非「实验验证」的问题。实验验证仍然慢、贵且受人力限制 —— 据此为你的 AI 驱动研究项目编预算。第三,这一关于激励的批评具有普适性:任何 AI 工具,其价值在于「越少被用越值钱」(罕见病诊断、安全事件响应、基础设施监控)的,都会面临同样的「付款机制错位」问题。从第一天起,就把这件事做进你的商业模式 —— 政府采购、订阅授权、按结果定价 —— 因为光靠工具有效性,是解锁不了预算的。