C
ChaoBro

Демис Хассабис говорит, что AI «решит все болезни» — почему меня всё больше раздражают такие заявления

Демис Хассабис говорит, что AI «решит все болезни» — почему меня всё больше раздражают такие заявления

«AI решит все болезни.»

Эти слова прозвучали из уст CEO Google DeepMind Демиса Хассабиса на главной сцене Google I/O.

Victoria Song из The Verge написала ответную статью с прямым заголовком: «Решить все болезни, говорите? Не так быстро.»

Я согласен с оценкой Victoria, но хочу подойти к этому с другой стороны: почему такие разговоры наносят больше вреда индустрии, чем общественности.

Это не первый раз, и не последний

Нарратив AI «решит все болезни» циркулирует как минимум пять лет:

  • 2021: AlphaFold решает проблему сворачивания белков, СМИ говорят «разработка лекарств即将被革命»
  • 2023: AI обнаруживает новые антибиотики, СМИ говорят «супербактерии спасены»
  • 2025: AI-assisted дизайн клинических испытаний, СМИ говорят «цикл разработки новых лекарств сократится на 80%»
  • 2026: Демис Хассабис говорит «AI решит все болезни»

Каждый раз это частично правда плюс大量夸张。Сворачивание белков действительно было решено, но между этим и «решить все болезни» лежит более десяти пробелов.

Проблема не в способностях AI, а в масштабе нарратива

DeepMind действительно проделал выдающуюся работу в области AI + здравоохранение. AlphaFold — это реально, AlphaMissense — это реально, их прогресс в обнаружении лекарств — это реально.

Но проблема с «решить все болезни» не в том, что AI не может этого сделать — возможно, через 50 лет мы оглянемся назад и AI действительно massively ускорил медицинский прогресс.

Проблема в том: когда вы говорите «решить все болезни», вы переопределяете значения «решить» и «все».

  • Причины болезни Альцгеймера до сих пор не полностью поняты
  • Гетерогенность большинства видов рака означает, что «лечение рака» — это на самом деле «лечение десятков различных заболеваний»
  • Редкие заболевания имеют слишком мало пациентов, коммерческие стимулы недостаточны для驱动 R&D
  • Доступность системы здравоохранения — даже если есть лекарство, сколько людей могут его получить?

Это не технические проблемы. Это проблемы биологии, экономики, социологии. AI не может решить эти проблемы, по крайней мере не путём «обучения более крупной модели».

Misleading предпринимателей и инвесторов

Самый вредный аспект таких разговоров — они создают нереалистичные ожидания у предпринимателей и инвесторов.

Если вы основатель AI-медицинского стартапа и слышите, как CEO DeepMind говорит «AI решит все болезни» — вы почувствуете, что ваш赛道 имеет бесконечный потенциал. Затем вы обнаруживаете:

  • Процесс одобрения FDA не ускоряется только потому, что вы использовали AI
  • Частота неудач в фазе III не снижается только потому, что у вашей модели больше параметров
  • Циклы закупок больниц настолько длинные, что вы ставите под вопрос свои жизненные решения

Затем ваш burn rate заканчивается, компания закрывается. Вы не проиграли, потому что AI не работает. Вы проиграли, потому что вас misled нарратив.

Я уважаю работу DeepMind

Повторю ещё раз: команда DeepMind делает по-настоящему важные исследования. AlphaFold изменила правила игры в структурной биологии. Без вопросов.

Но публичные заявления их руководителей increasingly звучат как типичное для tech-индустрии overpromising. Побочный эффект таких заявлений:

Это отрывает ожидания общественности от AI-здравоохранения от научной реальности, crushing исследователей, которые делают трудную работу под нереалистичными ожиданиями.

Мой совет

В следующий раз, когда вы услышите «AI вылечит X», задайте три вопроса:

  1. О каком конкретном X они говорят? «Все болезни» — это не конкретно. «Болезнь Альцгеймера» — конкретно.
  2. Сколько времени от лаборатории до клиники? Обычно 10-15 лет.
  3. Они занимаются научными исследованиями или дают pitch для привлечения финансирования? Значение «лечения» в этих двух контекстах совершенно разное.

AI трансформирует медицину. В этом у меня нет сомнений.

Но «решить все болезни» — это не научный прогноз. Это PR-слоган.

Различие имеет значение.

Основные источники: