神算還是笨算?AI能破解病毒結構、打造醫療數位雙生,卻為何在複雜生命體前淪為「笨算法」?揭開AI醫療的維度詛咒與底層缺陷,我們終將發現,再完美的算法也無法治癒人類的貪婪!

7013 次觀看·2026年6月6日
當生成式AI席捲全球,人類企圖用我們創造出的“矽基大腦”終結致命病毒與癌症,但這究竟是顛覆性的醫學神話,還是一場高維度的機率填空遊戲?本集《旭思堂》將帶您從泥濘的熱帶雨林走入冷酷的超級計算機實驗室,直擊AI在“逆向蛋白質摺疊”與“醫療數位雙生”等領域令人驚豔的突破。同時,我們也將殘酷剖析AI模型在生醫領域所面臨的“維度詛咒”與“保守偏差”等底層算法缺陷。最重要的是,我們將探討一個終極的命題:當超級電腦日夜運算特效藥時,推土機卻仍在摧毀雨林,科技的狂飆真的能拯救失去生命敬畏的現代文明嗎?
開場:神話與笨算法的碰撞
從熱帶雨林的生態界線拉回現代超級計算機實驗室,拋出核心疑問:當被頂尖科學家批評為“笨拙算法”的AI,撞上極度複雜的生命科學時,會帶來突破還是危機?
第一節:照亮微觀世界的導航:從盲目試錯到“逆向摺疊”
介紹AI如何顛覆傳統盲測,透過“逆向蛋白質摺疊”與圖神經網絡(GNN)精準預測化學鍵,讓新藥研發從暗室摸索進入精準導航時代。
第二節:不再是黑盒子:解碼細胞動態與“免疫設定點”
探討AI如何結合生物學先驗知識打破黑盒子,精準模擬細胞時間動態,並利用表徵學習將龐大數據壓縮,為個人打出專屬的“免疫健康指標”。
第三節:終極模擬:醫療數位雙生與廢水預警
展現AI巨觀層面應用,包含建立個人化“醫療數位雙生”進行虛擬手術與試藥,創造虛擬病患加速疫苗研發,以及結合廢水監測打造提前數週的疫情預警系統。
第四節:笨拙的填空題?AI的“維度詛咒”與“保守偏差”
AI算法的致命缺陷——在生醫領域面臨小樣本、高維度的困境,甚至無法超越簡單線性模型;且在預測劇烈細胞動態時,容易產生低估醫療風險的“保守偏差”。
第五節:破局之道與文明的終極對賭
點出將“生命的法則”寫入AI架構是破局關鍵,並昇華主題:技術只是鏡子,再完美的AI也算不出跨國資本的貪婪,解決不了生態破壞與公衛不平等。
開場 Trailer 金句:
1)當這種被認為“笨拙”的算法,撞上極度複雜的生命科學時,會發生什麼事?
2)在樣本極度稀缺的生醫領域,那些被寄予厚望的最先進AI,表現通常根本無法超越最傳統的線性機器學習模型。
3)AI能以微秒為單位幫助我們找到一絲生機,但它永遠算不出跨國資本對熱帶雨林的無度砍伐!
結尾昇華金句:
1)技術其實是一面鏡子,它無情地照出了人類對生命科學的傲慢,也照出了人類文明的內在匱乏。
2)AI永遠無法解決人類“心”的頑疾,當富裕國家囤積AI算力時,貧困國家的人民卻依然赤手空拳地面對致命病毒。
3)真正決定人類未來的,絕對不是多麼複雜的演算法,而是我們是否願意放下手中的推土機,重新敬畏造物主的生命設計。
那麼當這種被認爲笨拙的算法
撞上了極度複雜的生命科學時
會發生什麼呢
如果我們依賴醫療數位雙生來預測藥物反應
而AI因爲保守偏差掩蓋了可能引發的一個
比如說劇烈的過敏或者是免疫的海嘯
那麼這就會導致災難性的一個醫療的決策
AI或許能夠以微秒爲單位
幫助我們在龐大的數據中找到一絲的生機
但是真正決定人類未來的
絕對不是我們能夠寫出多麼複雜的演算法
而是我們是否願意放下手中的屠刀
對吧
或者是推圖機
那麼重新學會如何對自然
對造物主生命設計的一個敬畏
各位朋友大家好
歡迎您回到敘事談的節目
我是林小旭
在三期節目裏
我們探討了造物主爲蝙蝠與人類設計的
兩套截然不同的免疫設計
那麼當這兩條平行線
因爲人類的歐盟擴張而交錯時
我們體內那套用來應付日常傷口的
焦土戰術的免疫系統
瞬間就變成了一場
摧毀所有器官的細胞基礎風暴
那麼今天我們把鏡頭從古老潮溼的熱帶雨林
拉回到現代文明最尖端的
超級計算機的實驗室
人類正試圖用我們自己創造出來的
軌跡大腦
人工智能
AI
來修補這場生態與免疫的災難
最近這一年
深層式AI席捲全球
很多人都在問
AI除了能寫文章畫畫之外
它真的能在對抗致命病毒
甚至治療癌症上
取得實質性的突破嗎
同時我們也聽到另一種尖銳的聲音
有些頂尖的電腦科學家也批評說
目前的AI其實是一種非常笨拙的算法
它只是在機械的
在做幾率的填空體
那麼當這種被認爲笨拙的算法
撞上了極度複雜的生命科學時
會發生什麼呢
今天的節目裏我們不僅要帶您看看
AI最令人驚豔的醫學突破
那更要直擊AI模型
在醫療衛生領域所面臨的
底層算法上的缺陷
首先我們來看看
AI目前在生醫領域
最exciting最令人振奮的突破
因爲傳統的醫藥研發
就像是在一間巨大的暗室裏面
去盲目的摸索
科學家需要花費數年的時間
去解析病毒蛋白的結構
然後再從幾萬種的化合物中
盲測到能夠對抗它的藥
但是現在AI徹底顛覆了
這個遊戲的規則
大家可能聽說過alpha fold
就是它能夠預測蛋白質的3D結構
但是現在產業界有了更驚人的突破
叫做逆向蛋白質摺疊
inverse protein folding
以國際大藥廠阿斯利康
就是AstraZeneca
所開發的AI框架MAPDIF爲例
如果說傳統的AI是看着密碼拆形狀
那麼MAPDIF就是看着形狀寫密碼
這就像是逆向的摺紙藝術
AI先設計好我們需要一個
能精準卡住伊波拉病毒的
完美的立體形狀
然後讓AI逆向的去推導出
到底需要什麼樣的氨基酸的序列
才能夠摺疊出這樣精準的形狀
此外他們還開發了名爲
Edge Set Attention ESA的模型
這個圖神經網絡
它是圖像神經網絡叫做GNN
它不再只是盯着原子看
而是專注於原子之間的化學鍵
讓預測藥物分子的穩定性
變得前所未有的精準
這意味着我們未來的藥物研發
正是從試錯法
進入了一個精準導航的時代
然而生物體
它不是靜態的一個樂高極目
所以當你把AI設計的完美藥物
打進人體細胞的時候
細胞是會反抗的
癌細胞或者被病毒感染的細胞
會迅速改變它們的信息傳播路徑
來產生抗藥性
那麼過去AI是個黑盒子
它只看輸入和輸出
不管中間的生物機制
這在醫學上是非常危險
所以爲了解決這個問題
科學家現在也開發出了
叫做結合生物學鮮豔知識的神經網絡
BINNS
比如說一種名叫做LAMBAS
的一個循環神經網絡
RNN框架
這種AI它不再是憑空亂猜
科學家把人類已知的細胞信號
傳導的地圖
例如KEGG資料庫裏面的生物知識
直接寫進AI的架構裏面
然後透過這種RNN網絡
AI就可以精準地模擬出
細胞在接觸藥物時的時間動態變化
它能夠預測在藥物打進去的
第一分鐘第一小時到穩態的時候
細胞內的蛋白質開光
是如何被打開或者是關閉的
所以這就讓AI不僅有了超強的預測力
而且還擁有了人類可以理解的
一個生物學的一個透明度
這個把視角從單一細胞
就放大到了整個人體
所以AI正在幫助我們解開
另外一個巨大的謎團
就是爲什麼面對同一種病毒
比如說是新冠或者是Ebola
有些人毫無症狀
有些人就會引發致命的重症
所以這裏面還牽扯到系統免疫學中
一個非常前沿的概念
每個人的免疫系統在健康狀態下
都有一個專屬的一個基線一個baseline
那麼透過單細胞轉入學
single cell transcriptome
科學家現在可以一次測量
幾十萬個免疫細胞的狀態
但這些數據的維度太高了
人類大腦根本無法處理
那麼這時AI的表徵學
就是representation learning
與深度神經網絡就派上用場了
所以現在的AI它能夠把高達
數萬維的一個免疫的數據
壓縮成一個低維度的
個人免疫狀態嵌入
叫embedding
這就好像說爲你的免疫系統
打出了一個專屬的免疫健康指標
透過這個指標
AI不僅能夠預測
你對某種疫苗會不會有反應
甚至能夠在你完全沒有感覺到生命之前
提前偵察到自體免疫疾病
或者是衰老的微弱信號
那麼如果AI能夠模擬一個細胞的動態
能夠測量一個人的免疫基線
那我們能不能把這一切結合起來
在超級電腦裏面複製一個你呢
這就是目前醫療AI領域
可以說是最大膽
也可以說最令人激動的一個突破
叫做醫療數位雙生
Medical Digital Twins MDTs
所謂的數位雙生呢
它其實原來是工業界用來模擬飛行引擎
或者是工廠運作的一個技術
那麼現在科學家將患者的解剖學特徵
基因數據還有免疫指標
以及過往的病例全部整合起來
在虛擬空間裏面建立一個
與患者高度同步的一個綜合數位模型
這就叫做數位雙生
Digital Twins 對吧
那麼這個數位雙生有什麼用呢
用處太大
那麼在進行高風險的手術的時候
比如說你要做心臟瓦膜置換前呢
醫生可以在你的這個數位雙生上
先進行無數次的一個虛擬手術
他透過流體力學以及AI的模擬呢
想找出最完美的一個開刀的角度
那麼在治療慢性病或者癌症的時候呢
AI可以在你的這個數位分身上
預先測試各種藥物的組合
看看哪一種能夠達到最好的療效
而且毒性最低
所以這就叫做真正意義上的一種精準醫療
在對抗傳染病和病毒危機手
那麼數位雙生的概念也被進一步放大了
叫做虛擬世代
Virtual Cohorts
就是說在開發Ebola或者下一代新冠疫苗的時候
我們經常面臨比如說找不到合適的這個病患
來進行臨牀實驗的困境對吧
這個畢竟是做Ebola的疫苗嘛
所以很多人當然會擔心這個做疫苗的這個實驗
而且是針對Ebola的
萬一這個疫苗有什麼問題
是不是我會感染到這個Ebola呢對不對
所以這個要找合適的患者來進行臨牀實驗
也是很困難的一件事情
當然還有一個因素呢就是
很多Ebola患者他這個發病的過程很快
所以沒有一個漫長的時間來給你做臨牀的實驗對吧
所以這些因素都使得
你要找到合適的這個病患來進行臨牀實驗是比較困難的
那麼現在AI可以基於真實的數據
生成出成千上萬個極度逼真的一個合成虛擬病患
叫做Synthetic MDTs
所以這些虛擬的病患它擁有真實的統計分佈的特徵
所以我們可以在電腦裏面對他們進行大規模的虛擬的臨牀實驗
這會大大的加速了新藥與疫苗的研發的速度
那麼在宏觀的疫情防堵上呢AI的作用也顯出來了
AI的這個天羅地網它已經鋪開了
現在最有效的一個預警系統之一呢
就是結合了廢水監測
Wastewater surveillance
以及AI流行病學的模型所形成的一個手法
就是藉由城市下水道的廢水進行高通量的基因測序
然後將這些數據輸入到AI模型裏面
所以科學家可以在醫院裏面
出現第一例確診病例的速度之前
就提前捕捉到病毒在社區裏面隱匿傳播的一個信號
甚至能夠精準的預測出來病毒的一個突變的趨勢
聽起來這一系列的AI在醫療方面的應用
似乎讓AI變得無所不能是不是
但是事情從來都是沒有這麼樂觀的
我們不能只停留在科技表面的一個框框之中
當我們深入到AI算法的底層的時候
我們會發現目前的AI模型
對於這些宏大的醫學設想
其實充滿了很多致命的不足
就像許多AI的專家批評大語言模型
這個LLM大語言模型時呢
這些批評就說
這些AI看似聰明
但是它本質上呢
只是一種基於統計幾率的一個笨拙的算法
它們並不是真正的理解這個世界
只不過是在做高維度的詞彙填空
那麼在醫療衛生領域
這種算法的底層缺陷也被無限放大了
那第一個最致命的缺陷
就是純粹統計學上的一個災難
這個被稱爲維度的詛咒
這裏面牽扯到N和P
什麼是N和P呢
就是在電腦科學裏面
N代表樣本的數量
比如說幾萬張貓與狗的圖片等等
那麼P呢代表特徵的維度
所以傳統的AI之所以能夠在圖像識別
或者在GPT上大獲成功
其實是因爲它們處於N遠大於P的這個時代
所以數據量遠遠大於特徵的複雜度
那麼AI可以靠着暴力堆疊算力
硬生生的把這些規律給背下來
在生物一些領域呢
情況卻完全相反
那麼現代的這些醫學的技術
一次實驗就能夠測量出
幾萬個基因或者是蛋白質
它的這個維度P是高達數萬的
但是受到臨牀成本倫理的限制
我們能夠收集到的病患的樣本數呢
N卻通常只有幾百個
最多幾千幾萬個
那麼就形成了一個極端的N遠小於P的困境
所以在最新的這個AUKBENCH大型基準測試中
科學家就發現了一個殘酷的真相
這種樣本極度稀缺的生醫領域呢
那些被寄予厚望的
最先進的圖像神經網絡GNN
它表現通常根本無法超越最傳統
最簡單的線性機器的學習模型
AI那套靠龐大的參數來學習的優勢
不但發揮不出來
反而因爲過於複雜的架構
被噪音給徹底淹沒了
那麼第二個底層缺陷呢
它出現在我們試圖用AI來預測
細胞的動態變化時
所有的機器學習模型
它本質上都是一種數據內插法
就是試圖填補未曾見過的一個空白點
但是在一項模擬細胞藥物反應的研究中
科學家發現當神經網絡
比如說像我們剛纔提到的RNN
它們在龐大的緯度裏面會感到困惑
或者是沒有把握去預測
一個激烈的動態的變化
比如說細胞基數突然飆升時
這個模型爲了避免犯下大錯
它會表現出一種明顯的保守偏差
叫做Conservative Bias
也就是說它會選擇保守形式
直接預測一個沒有變化的平穩基線
所以AI的算法傾向於低估動態變化
如果我們依賴醫療數位雙生來預測藥物反應
而AI因爲保守偏差
掩蓋了可能引發的一個
比如說劇烈的過敏或者是免疫的海嘯
那麼這就會導致災難性的一個醫療的決策
所以聽到這裏
我們也不是要大家對AI醫療感到絕望
對吧
我們是要知道問題的所在
知道問題的所在可能也是突破的開始
這就是爲什麼我們在前面要提到
科學家必須開發能夠結合生物學
鮮豔知識的一個神經網絡BINN
既然知道了N遠小於P的劣勢無法改變
我們就需把生命的法則寫進AI的架構裏面
那麼透過強制的約束AI
只能夠在已知的生物機制這個軌道上運行
那麼這樣就會大量的大幅的減少
這個AI瞎猜的這個自由參數
所以這個可以一定程度上解決
就是說過度擬合的問題
也打破了黑盒子的魔咒
讓預測更有了真正的一個機制的透明度
好
那到了這個節目的尾聲
就是說我們回到我們探討這一切的一個出發點
就是我們從這個逆向蛋白質的摺疊
到醫療術爲雙生
還有這個緯度的詛咒
到算法的一個保守偏差等等
所以我們不得不承認
技術它其實是一面鏡子
它無情的造出了人類對生命科學的
就是過去的一些過度的傲慢
也造出了人類文明的內在的匱乏
其實AI確實很強大
但它解決的問題永遠只是技術
這個術的問題
不管你是加速這個基因測序
預測蛋白質結構
找出數據間的相關性等等
但是AI永遠無法解決人類心智的頑疾
就是即使我們發明了最完美的算法
克服了保守偏差
AI也算不出來跨國資本
對熱帶雨林的無度的砍伐
對不對
那麼AI也擋不住短期利益
和盲目推進的一種農業的擴張
所以AI更解決不了
全球公共衛生的極度的不平衡
所以當富裕的國家用金錢
囤積了過剩的抗體藥物
和AI的算力的時候
這些貧困國家的人民
卻依然在缺乏乾淨水源的環境中
赤手空拳的面對蝙蝠洞裏面
溢出的這些致命的病毒
那麼這些都是AI模型裏面
永遠無法量化的參數
所以如果人類一邊讓超級計算機
日以繼夜的去運算
用AI去研發最尖端的特效藥和疫苗
但是另一面
我們卻繼續的開着推土機
去冷酷的推平野生動物
最後的一片雨林棲息地
那麼在這樣的情況下
這場人類與病毒的對抗
將永遠是一場沒有終點的
西西佛式的一種對賭
這就是我們在AI狂飆的時代
最需要冷靜思考的命題
AI或許能夠以微秒爲單位
幫助我們在龐大的數據中
找到一絲的生機
但是真正決定人類未來的
絕對不是我們能夠寫出
多麼複雜的演算法
而是我們是否願意放下手中的土刀
對吧
或者是推土機
那麼重新學會
如何對自然
對造物主生命設計的一個敬畏
這裏是敘事堂
我是林曉旭
希望我們在科技的狂飆中
依然保有對生命的敬畏
感謝您收看
我們下一期節目再見
希望大家點贊轉發訂閱我們的節目