夜雨聆风你吃的每一粒药，背后都躺着一座坟场
一款新药从实验室走到你手里，平均要烧掉13亿美元、耗去十年以上光阴绝大多数候选药物直到临床试验后期才宣告失败，细胞里有效，动物身上有效，到了人体，没用钱花了，时间耗了，病人等不起了。
现在，一位在免疫学领域深耕三十年的科学家站出来说：这套游戏规则，可以被AI彻底改写
▲ SciTech Era 转发的播客剪辑受到关注，核心论点：AI正从聊天机器人变成科研合作者，下一步是为每个人建造"数字生物双胞胎"
一个搁置三年的谜题，GPT-5用一次对话破了
故事要从一个被塞进抽屉的实验说起
2022年，Jackson Laboratory教授、免疫学家Derya Unutmaz的团队做了一组对比实验：在低糖环境和脱氧葡萄糖环境下，观察早期T细胞的分化按常理，两者都在"限制能量供给"，结果理应相似**但结果诡异地不同，没人能解释为什么**实验被搁置，一放就是三年。
2025年末，Unutmaz把这堆旧数据丢给了GPT-5 Pro
模型给出了一个此前无人提出的假说：脱氧葡萄糖并非只是"断粮"，它干扰了IL-2蛋白的构建过程，而IL-2恰恰能抑制T细胞向促炎方向（Th17）分化能量限制是表象，蛋白合成干扰才是本质
▲ OpenAI官网2026年6月发布的案例文章，记录了Unutmaz用GPT-5破解三年悬案的完整过程
更让Unutmaz震惊的是后面发生的事他把一组尚未发表的CD8+ T细胞杀伤淋巴瘤实验数据交给模型，让它"盲测"预测结局，模型的预测与实验结果吻合
"那一刻，"他后来回忆说，"我感觉它理解了问题没有AI就像被拿走了双手，或者半个大脑"
颠覆发生在时间压缩
2026年7月22日，健康播客 FoundMyFitness 第113期上线，题为Why AI Could Add Decades to Your Lifespan主持人Rhonda Patrick与Unutmaz长谈近两小时，社交账号SciTech Era随后将核心观点剪成九分钟视频，引起一轮讨论
Unutmaz的核心判断是：
AI能把原本长达几十年的研究循环压缩到以天计，这种时间尺度的变化足以重塑生物学研究。
过去，一位研究者分析一套大型生物数据集，可能耗时数月；现在，AI可以在几小时内发现模式、生成假说、设计最优实验方案，甚至直接产出候选药物分子Unutmaz把AI的角色定义为"科研合作者"：一个能跟你讨论通路、质疑实验设计、提出替代解释的同事
但这还只是序章。
终极野心：在硅基世界里，先替你试一万种药
Unutmaz眼中改变游戏规则的东西，叫数字双胞胎（Digital Twin）
想象一下：你的基因组、免疫系统状态、代谢特征、肠道微生物组成、所有生物标志物、完整病史，全部被编码进一个虚拟的你研究者可以在这个"硅基分身"上测试数千种治疗方案，然后再决定哪一种值得用在真人身上
▲ 早在2024年12月，Unutmaz就在社交平台系统阐述了数字双胞胎愿景：从虚拟细胞到虚拟组织，最终构建完整的人体in silico模型
由此推演，临床研究的时间和成本都将改写
临床试验不再是"年"的尺度，而可能是"周"甚至"天" 开发一款新药的成本，从十几亿美元量级，可能坍缩到千万美元级别那些在后期才暴露的毒性和无效性？在计算阶段就被筛掉了，失败变便宜了
更激进的愿景是：不再为一百万人造同一种药，而是为一个人找到最对的那一种治疗
Unutmaz在接受Excitech访谈时甚至给出了时间表：全身级仿真所需的AI能力和算力，"大约还需要五年"他用一个概率判断表达了自己的信心，99%的把握，十年内治愈包括癌症在内的所有疾病
走出科幻：心脏已经有了，全基因组筛选已经跑通了
数字双胞胎并非纯粹停留在PPT上
达索系统的Living Heart Project已经联合超过125家机构，构建了高精度的个性化数字心脏模型，可以模拟心脏对治疗的响应在欧洲多中心试验inEurHeart中，基于心脏数字双胞胎规划的室速消融手术，操作时间缩短约60%，急性成功率提升约15个百分点
▲ 达索系统Living Heart Project：器官级数字双胞胎的产业化先例
在药物发现的更上游，速度爆炸已经发生研究者用DrugCLIP，一种把蛋白口袋与小分子编码到共享向量空间的对比学习框架，实现了比传统对接快一千万倍的虚拟筛选8块GPU，24小时，扫完超过10万亿个蛋白-配体对，覆盖近半个人类基因组湿实验验证命中率达到15%–17.5%，其中包括此前从未有已知抑制剂的靶点
▲ DrugCLIP实现全基因组级虚拟筛选，单日处理10万亿蛋白-配体对，将"不可计算"变为"可计算"
Google DeepMind也已入局其高级研究总监Joelle Barral公开讨论"数字队列"如何为临床试验提供药物安全性与有效性的关键数据DeepMind衍生的Isomorphic Labs更是直接宣称使命为"用AI解决所有疾病"，并已与诺华、礼来、强生等巨头签下管线合作
▲ Google DeepMind官方讨论数字双胞胎与数字队列在临床试验中的潜力
与此同时，美国政府已经投入资源。2024年10月，NIH、NSF与FDA三方联合，通过FDT-BioTech项目投入超过600万美元，专门研究生物医学数字双胞胎的数学与工程基础
▲ NIH/NSF/FDA三方联合资助数字双胞胎基础研究，信号意味明确
冷水时刻：数字分身能取代真人试验吗？
当然有人泼冷水，而且泼得有道理。
▲ 网友Andre尖锐质问：没有真实世界实验就没有生物医学进步，最终在谁身上做实验？
"你不可能在没有实验的前提下获得生物医学进步数字分身不够。实验必须发生在真实世界里。"网友Andre的评论一针见血，这也是学术界的共识：数字双胞胎能缩小试验规模、前移失败、优化方案设计，但不能完全取消随机对照试验（RCT）
npj Systems Biology and Applications 2025年10月发表的同行评议框架论文明确指出：数字双胞胎可以生成虚拟对照臂、提前发现不良事件信号、改进入组公平性，但如果训练数据本身就缺乏多样性，模型会把历史偏差一起"复制"进虚拟队列
▲ 同行评议视角文系统讨论数字双胞胎在RCT中的角色、伦理与局限
还有一位回复者的观察值得玩味：验证可能跟模型本身一样重要，西方医学开始拥抱"治疗个体"的哲学，而这与东方医学的理念其实殊途同归，只不过前者走的是科学方法
信任怎么来？像自动驾驶一样，用里程说话
Unutmaz自己给出了一个精准的类比：自动驾驶
人们一开始不信任无人车，直到它在数百万英里的行驶中反复证明比人类更安全生物学或许会走同样的路，当AI的预测一次又一次与真实临床结局吻合，数字生物学终将赢得信任
这个类比的深意在于：它把问题从"模型够不够聪明"切换到了证据累积与失败可归因性没有哪个突破性时刻会突然让所有人相信，信任是磨出来的，一个病例、一次预测、一轮验证、一项审批……像里程表一样，一英里一英里地转
我们可能正站在一条指数曲线的起点从"为一百万人造同一种药"到"为你造你的药"，距离也许只有一代人的时间
时钟已经开始转了。
