AI正在重塑医疗:从研发新药到看病问诊,一场静悄悄的革命已经开始大家好，我是Ella，这是我「AI认知研究」的第63篇。过去两年，人工智能几乎成为全球科技行业最受关注的话题。从ChatGPT引发的大模型热潮，到各类AI Agent不断涌现，人们习惯于将人工智能与搜索引擎、办公软件、内容创作甚至程序员职业联系在一起。每一次技术突破，都在引发关于未来工作方式和商业模式的讨论。然而，如果把视线从互联网行业转向医疗领域，就会发现另一场同样深刻、甚至可能影响更为深远的变革正在发生。与互联网行业追求效率提升不同，医疗行业面对的是一个更加现实的问题：医生不够用了。根据世界卫生组织预测，到2030年，全球将面临超过1000万名医护人员缺口。与此同时，人口老龄化正在成为全球趋势。联合国数据显示，到2050年，全球65岁以上人口占比将接近16%。老龄化意味着慢性病患者增加，意味着医疗需求持续增长，也意味着整个医疗体系将承受前所未有的压力。这并不是某一个国家面临的问题。在中国，优质医疗资源长期集中于大型三甲医院。每逢节假日结束，北京协和医院、华西医院、中山医院等顶级医疗机构门诊大厅里，总能看到来自全国各地的患者。许多人为了获得一次专家门诊机会，需要跨越数百甚至上千公里。在美国，基层医疗资源不足的问题长期存在。美国医学院协会预测，到2036年，美国医生缺口可能达到8.6万人以上。英国国家医疗服务体系（NHS）同样面临长期人手紧张的问题，不少患者预约专科门诊需要等待数周甚至数月。无论是发达国家还是发展中国家，医疗行业都面临同一个矛盾：医疗需求增长的速度，正在超过医生供给增长的速度。从本质上看，医疗是一种高度依赖知识和经验的服务。培养一名合格医生往往需要十年以上时间，而培养一名优秀专家则需要更长周期。这意味着，面对不断增长的需求，医疗体系很难像制造业一样通过增加设备和产能快速扩张。过去几十年，医疗行业一直在试图解决这一问题。从电子病历到互联网医院，从远程医疗到医学影像数字化，各种技术创新都在提高医疗服务效率。但这些技术更多是在优化流程，而没有真正改变医疗资源供给的底层逻辑。直到人工智能出现。与过去的信息化工具不同，AI不仅负责存储和传递信息，而是开始具备理解、分析和生成知识的能力。这意味着，医疗行业第一次拥有了一种能够扩展医生认知能力的工具。这也是为什么越来越多行业观察者认为，医疗或许将成为人工智能最重要的落地场景之一。如果把医疗体系拆解开来看，会发现AI已经开始进入药物研发、疾病筛查、医学影像、临床决策、健康管理等几乎所有关键环节。而这些变化叠加在一起，正在推动医疗行业发生一次结构性的重构。AI最先改变的，不是医院，而是药物研发很多人谈论AI医疗时，首先想到的是智能问诊、AI医生或者辅助诊断。事实上，AI最早产生重大影响的领域并不是医院，而是药物研发。长期以来，新药研发一直被认为是世界上风险最高、周期最长的创新活动之一。一款新药从实验室走向市场，平均需要10至15年时间，研发成本往往超过10亿美元，而最终成功上市的概率不足10%。药企面临的最大挑战并不是生产药物，而是在海量候选化合物中寻找真正有效的分子。传统药物研发本质上是一种概率游戏。研究人员不断设计、筛选、实验和淘汰候选方案，最终从无数失败中找到少数成功案例。这一过程不仅昂贵，而且低效。因此，当AI开始展现出处理复杂生物数据的能力时，药物研发成为最早受益的领域之一。2020年，DeepMind发布AlphaFold系统。这项技术解决了困扰生命科学界数十年的蛋白质结构预测难题。对于生命科学研究而言，蛋白质结构的重要性不亚于建筑设计图纸对于建筑工程。蛋白质如何折叠、形成何种三维结构，直接决定其功能和作用机制。而理解蛋白质结构，则是理解疾病机制和开发新药的重要前提。过去，科学家解析一种蛋白质结构往往需要数月甚至数年时间。而AlphaFold将这一过程缩短到数小时甚至数分钟。截至目前，AlphaFold已经预测超过2亿种蛋白质结构，覆盖几乎所有已知生命体。许多科学家认为，这是生命科学研究进入新阶段的重要标志。2024年，AlphaFold相关成果获得诺贝尔化学奖。这一奖项的重要意义并不仅仅在于认可一项技术突破，而在于它标志着AI开始从科研辅助工具走向科学发现工具。在人类历史上，大多数技术工具都服务于已有知识体系。显微镜帮助科学家观察细胞，望远镜帮助天文学家观察宇宙，但发现和解释仍然主要依赖人类。而AlphaFold展示了一种新的可能：AI不仅能够帮助科学家观察世界，还能够帮助科学家发现规律。这种变化正在改变整个生命科学行业。以Insilico Medicine为代表的AI制药企业，已经开始利用生成式AI设计全新的药物分子结构。过去，研究人员需要在已有知识框架内寻找潜在药物；而今天，AI能够生成此前从未被提出过的新分子，并预测其药理特性和临床价值。这意味着，AI正在从知识工具逐渐演变为知识创造工具。对于医疗行业而言，这种变化的意义可能远超单纯的效率提升。因为药物研发本质上是在探索未知领域，而AI正在帮助人类以前所未有的速度进入这些未知领域。如果说过去的药物研发更像在黑暗中摸索，那么AI正在为科学家提供一盏越来越明亮的探照灯。从实验室到医院：AI为什么首先在影像领域爆发药物研发解决的是未来的问题，而医院每天面对的是现实的问题。对于大多数医院而言，医生最稀缺的资源并不是医疗设备，而是时间。一位放射科医生每天需要阅读数百张甚至上千张CT、MRI和X光影像。一位门诊医生每天可能接诊几十名患者，同时还要完成病历记录、检查结果分析、诊疗方案制定等工作。随着医学检查手段不断进步，医疗行业正在产生越来越多的数据。但医疗行业从来不缺数据，缺的是能够处理数据的人。这也是为什么医学影像成为AI最早实现规模化落地的场景之一。从技术角度看，医学影像与计算机视觉天然契合。无论是肺部CT中的结节识别、乳腺癌筛查中的病灶检测，还是脑卒中患者的出血区域判断，本质上都属于图像识别问题。而图像识别恰恰是人工智能发展最成熟的领域之一。过去十年间，深度学习在图像识别领域取得突破性进展，其准确率不断接近甚至超越人类专业水平。当这一能力被应用到医学场景后，迅速展现出巨大价值。Google Health曾发布乳腺癌筛查AI模型。在相关研究中，该系统能够识别大量早期病灶，并在部分指标上达到甚至超过专业放射科医生水平。尽管最终诊断仍需医生完成，但AI已经能够承担初步筛查和风险识别工作。在中国，AI医学影像同样发展迅速。联影智能推出的肺结节筛查系统已经应用于大量医疗机构；腾讯觅影则在肺癌、食管癌、糖尿病视网膜病变等疾病筛查领域进行了长期探索；推想科技、数坤科技等企业也在不同细分领域建立了自己的产品体系。这些企业的成功并非偶然。因为AI影像的核心价值从来不是“替代医生”，而是帮助医生应对不断增长的工作量。以肺癌筛查为例，一次低剂量胸部CT往往包含数百张图像。医生需要在这些图像中寻找毫米级病灶，并判断其性质。随着体检普及和筛查规模扩大，放射科医生面临的阅片压力越来越大。而AI可以在数秒内完成全量扫描，并将可疑区域标记出来。它无法替代医生做出最终诊断，但能够显著减少医生遗漏风险，提高工作效率。事实上，这种“人机协同”正在成为AI医疗最重要的发展路径。医疗并不是一个允许低容错率的行业。患者真正需要的不是完全由机器做出的决定，而是在医生主导下，利用AI提升诊疗质量。从这个角度看，AI的价值并不在于让医院减少医生，而是在医生数量难以快速增长的情况下，让有限的医生服务更多患者。AI正在成为医生的“第二大脑”如果说医学影像解决的是“看见疾病”的问题，那么临床诊断解决的则是“理解疾病”的问题。而后者远比前者复杂。在很多人的印象中，医生的工作是根据检查结果给出诊断。但实际上，真正的临床决策远不止如此。一位患者走进诊室时，医生需要综合考虑症状表现、既往病史、家族遗传因素、检验结果、影像数据以及患者个人情况。对于复杂病例而言，还需要结合最新医学研究、临床指南和药物信息做出判断。这是一个高度依赖知识整合和经验积累的过程。然而，现代医学知识正在以前所未有的速度增长。根据美国国家医学图书馆的数据，全球每年新增医学论文超过百万篇。新的治疗方案、新的药物研究、新的临床证据不断出现。对于任何医生而言，想要完全掌握这些信息几乎是不可能完成的任务。这正是AI开始发挥作用的地方。过去几十年，医生最大的挑战之一是信息获取成本过高。面对复杂病例，医生需要查阅大量文献、搜索指南、分析案例。而大模型的出现改变了这一过程。AI能够快速阅读海量医学文献，提取关键信息，并以结构化方式呈现给医生。它能够帮助医生查询最新临床指南，比较不同治疗方案的优缺点，甚至提供基于循证医学的参考建议。2022年，微软完成对Nuance的收购，被视为AI进入医疗核心场景的重要标志。Nuance推出的DAX Copilot系统能够实时记录医患对话，并自动生成结构化病历。过去需要医生花费十几分钟甚至更长时间完成的文书工作，如今可以在几分钟内自动完成。这看似只是一个效率工具，但背后反映的是医疗行业长期存在的问题。很多研究显示，医生每天花费在病历记录和行政事务上的时间正在不断增加。在某些科室，文书工作甚至占据了医生相当比例的工作时间。对于患者来说，他们希望获得更多沟通时间；对于医生来说，他们希望把精力放在诊疗而不是文书工作上。AI恰好能够承担这些重复性任务。因此，越来越多业内人士开始将AI称为医生的“第二大脑”。它不是替代医生的大脑，而是扩展医生能力边界的大脑。未来最有竞争力的医生，或许并不是与AI竞争的医生，而是最善于利用AI能力的医生。从治病到健康管理：医疗正在向日常生活延伸过去一百多年里，医疗体系始终围绕医院运转。人们生病后进入医院，接受治疗，然后离开医院。但随着慢性病成为全球主要健康问题，这种模式正在发生变化。根据世界卫生组织数据，心血管疾病、糖尿病、癌症等慢性病已经成为全球主要死亡原因。而这些疾病往往需要长期管理，而非一次性治疗。对于慢病患者而言，真正重要的并不是一年去几次医院，而是每天的生活方式、饮食习惯和健康监测。这意味着医疗服务必须从医院内部延伸到日常生活。而AI正在成为这一转变的重要推动力。近年来，可穿戴设备快速普及。智能手表、智能手环以及各种健康监测设备能够持续记录心率、血氧、睡眠、运动量等数据。过去，这些数据大多停留在记录层面。而随着AI技术的发展，这些数据开始具备分析价值。系统不仅能够监测健康状况，还能够识别异常趋势，提前发出风险预警。例如，对于心血管疾病患者而言，AI可以通过长期监测发现潜在风险；对于糖尿病患者而言，AI能够帮助分析饮食和血糖变化之间的关系；对于老年群体而言，AI甚至能够通过行为模式变化识别潜在健康问题。与此同时，越来越多健康管理平台开始接入大模型能力。用户可以随时咨询用药问题、获取健康建议、了解疾病知识，并获得个性化健康管理方案。这些服务虽然无法替代医生，但能够承担大量基础健康管理工作。从行业发展趋势来看，未来医疗体系的重心正在从“疾病治疗”转向“健康管理”。而AI将成为这一转变过程中最重要的基础设施之一。AI真正改变的，不只是医生，而是医疗资源的分配方式每当谈到AI医疗，人们总会提出一个问题：医生会被AI取代吗？这是一个很自然的问题，但可能并不是最重要的问题。因为回顾医学发展的历史就会发现，人类从来不是依靠医生数量增长推动医疗进步。真正改变医疗的，往往是那些扩展认知边界的工具。显微镜让人类第一次看见细胞。X光让医生第一次看见人体内部结构。CT和MRI让疾病诊断进入精准时代。基因测序让科学家能够读取生命密码。这些技术从未取代医生，却不断扩展医生理解疾病的能力边界。AI也是如此。它能够阅读数百万篇医学论文，分析海量病例数据，发现隐藏在人类视野之外的规律，甚至开始帮助科学家探索新的药物和新的治疗方法。从本质上看，AI正在成为医疗行业的新一代认知工具。但比技术突破更重要的是，它正在改变医疗资源的分配方式。长期以来，医疗行业始终存在一个难以解决的问题：优质医疗资源高度集中。顶级医院、顶级专家和顶级科研机构掌握着最先进的知识和经验，而基层医疗机构往往缺乏相应能力。这种差距不仅存在于国家之间，也存在于城市之间。然而，AI第一次让知识和经验的大规模复制成为可能。过去，一位顶级专家一天能够接诊几十名患者；未来，他的经验有可能通过模型服务数十万人。过去，一个基层医生很难接触全球最新研究成果；未来，AI能够实时提供知识支持。过去，一个偏远地区患者获得顶级专家意见需要长途奔波；未来，这种能力有机会通过数字化方式被部分下沉。当然，这并不意味着所有问题都会被解决。医疗本质上仍然是一项需要责任、判断和人文关怀的工作。AI无法替代医生承担责任，也无法完全取代医患之间的信任关系。但它有机会缩小不同地区、不同机构之间的能力差距。这或许才是AI医疗最重要的意义。它不仅是在提高效率，更是在重新分配医疗资源。过去，最好的医疗资源只能服务少数人；未来，它有机会服务更多人。如果说过去两百年的医学进步依赖于显微镜、X光机和基因测序仪，那么未来几十年的医学突破，或许将越来越多地来自人工智能。而这场变革最终改变的，可能不仅仅是医院。它改变的，或许是每个人获得医疗服务的机会，以及整个社会面对疾病时的能力边界。从这个意义上说，AI医疗不仅是一场技术革命，更是一场关于医疗公平、医疗效率和人类健康未来的深刻变革。而这场变革，才刚刚开始。我是Ella，咱们下期见。关注「Ella的AI笔记」，一起理解AI，理解未来。往期推荐大模型上市潮背后：AI竞争，正在从实验室转向财报欧盟祭出最强“科技主权”计划：芯片、AI、云计算三箭齐发当AI接管618：谁在决定你买什么？
夜雨聆风