4 月 16 日,在倫敦舉辦的 WIRED Health 大會上,Imperial College London 全球健康創新研究所所長、外科醫師 Ara Darzi 稱當下處於「抗生素耐藥性危機的第一個真正的拐點」。據 Wired 報導引用的數據,耐藥感染每年在全球導致超過 100 萬人直接死亡,並間接波及約 500 萬人。2024 年《柳葉刀》的一份報告預測,耐藥感染到 2050 年可能造成累計 4000 萬死亡。傳統診斷方式 —— 從樣本中培養細菌,以確定哪種抗生素有效 —— 耗時兩到三天,而敗血症患者根本沒有這種時間:每延遲一小時治療,死亡風險上升 4-9%。在等待結果期間,醫師只能憑經驗下藥。
AI 在三個方向上改變了這一計算。第一,診斷。Darzi 提到基於 AI 的系統在不依賴額外實驗室基礎設施的情況下達到 99% 以上的準確率 —— 「不依賴額外基礎設施」這一前提,對於在低資源地區部署尤其關鍵。WHO 估計,東南亞與東地中海地區每三例已上報感染中就有一例為耐藥感染,非洲為五分之一。第二,藥物發現。英國 NHS 正與 Google DeepMind 合作開發一套 AI 系統,在一次示範中,該系統在 48 小時內識別出此前未知的耐藥機制 —— 而 Imperial College London 的研究者為此問題已經投入了十年。第三,大規模實驗:與自動化實驗室結合,深度學習模型可 24 小時並行運行數百次實驗,數日內篩查數十億種分子結構;同時生成式 AI 也在被用於候選藥物的設計。
經濟這一段才是更難的。新抗生素管線之所以稀少,是因為市場懲罰這種產品最成功的形態:一種真正有效的新抗生素,理應盡量少用以延緩耐藥,這意味著低銷量,低銷量意味著對藥廠低 ROI,低 ROI 意味著 R&D 投入不足。Darzi 的措辭 —— 「激勵不足意味著創新可能無法觸及病人」—— 是另一種委婉表達:該問題裡「發現」這一半正在被 AI 越來越快地解決,而「部署經濟」那一半卻沒有任何人在解決。AI 可以找到候選分子,但 AI 修不好這些事:藥廠無法靠很少被開方的抗生素賺錢;醫院不願為快速診斷試劑支付足以攤銷研發成本的價格;耐藥率最高的低收入國家,也買不起 AI 所依賴的實驗室設備。
對 builders,三件具體事情。第一,「不需要額外實驗室基礎設施的 AI 診斷」這一承諾,正是值得盯緊的部署前沿。如果你在做醫療 AI,真正能到達病人手中的產品,會是那些跑在現有硬體(手機、基礎顯微、point-of-care 試劑盒)之上的 —— 而不是要求每個診所配置一台 20 萬美元定序儀的產品。第二,DeepMind/NHS 那個「48 小時 vs 10 年」的對比,是值得長期記住的 framing。AI 能把某些研究的時間線壓縮好幾個數量級,但僅限於那些瓶頸在「窮舉搜尋」而非「實驗驗證」的問題。實驗驗證仍然慢、貴且受人力限制 —— 據此為你的 AI 驅動研究專案編預算。第三,這一關於激勵的批評具有普適性:任何 AI 工具,其價值在於「越少被用越值錢」(罕見病診斷、安全事件響應、基礎設施監控)的,都會面臨同樣的「付款機制錯位」問題。從第一天起,就把這件事做進你的商業模式 —— 政府採購、訂閱授權、按結果定價 —— 因為光靠工具有效性,是解鎖不了預算的。