喺人工智能同醫療交叉領域嘅最新突破中，Google DeepMind 首席執行官 德米斯·哈薩比斯（Demis Hassabis， 2024年NOBEL化學獎獲得者）喺9月12日公開表示，AI 技術有望將傳統藥物發現周期由數年甚至十年，縮短到數個月。呢個大膽預測源自 DeepMind 旗下子公司 Isomorphic Labs 嘅最新進展，該公司正利用 AlphaFold 3 等模型模擬蛋白質摺疊同分子互動，加快藥物靶點識別自動化。作為 2024 年諾貝爾化學獎得主，哈薩比斯嘅聲明唔單止點燃咗全球製藥業嘅想像，亦引發咗對 AI 倫理同監管嘅熱議。根據 Bloomberg 報道，呢場變革可能喺未來 2‑3 年內落地，潛在經濟價值達萬億美元級別。對於製藥巨頭如輝瑞同諾華嚟講，呢個意味住由「試錯式」研發轉向「精準預測」，而對病人嚟講，係罕見病療法嘅曙光。DeepMind 嘅呢番主張，標誌住 AI 由輔助工具躍升為核心引擎，推動醫藥行業進入「AI 加速時代」。
背景：由 AlphaFold 到 Isomorphic Labs 嘅 AI 製藥佈局
DeepMind 嘅藥物發現之旅可以追溯到 2018 年嘅 AlphaFold 項目，該模型首次攻破咗蛋白質摺疊難題——一個被譽為「生物學聖杯」嘅挑戰。蛋白質摺疊決定咗分子點樣由胺基酸序列形成三維結構，而過往對呢個過程嘅預測曾經要科學家用幾個月甚至幾年嘅計算。AlphaFold 2 喺 2020 年問世，喺 CASP 比賽中準確率超過 90%，免費開源後惠及全球數百萬研究者。2024 年，AlphaFold 3 進一步升級，支援多分子複合體模擬，包括 DNA、RNA 同配體互動，準確率提升到 76%。呢項技術直接催生咗 Isomorphic Labs，Alphabet 於 2021 年成立嘅獨立實體，專注將 AI 應用於整條藥物研發鏈。
Isomorphic Labs 已經同多家藥企合作：2024 年 11 月，佢哋同禮來簽咗 10 億美元協議，用 AI 設計針對癌症同免疫病嘅候選藥物；2025 年上半年，又同賽諾菲達成類似夥伴關係，聚焦神經退行性疾病。哈薩比斯喺 Bloomberg 訪談中透露，Isomorphic 嘅 AI 平台已將早期靶點驗證時間由 6‑12 個月壓縮到 2‑3 星期，整體發現階段由 5 年縮短到 1 年以內。呢個成就得益於海量數據驅動：模型用咗數 TB 嘅蛋白質數據庫同量子化學模擬作訓練，並結合強化學習優化分子設計。唔同於傳統高通量篩選（每年測試數百萬化合物），AI 方法係「反向工程」：由疾病靶點出發生成優化分子，成功率提升 5‑10 倍。
技術原理：AI 點樣「預測」藥物奇蹟
DeepMind 嘅 AI 藥物發現核心在於將「生成式建模」同「擴散模型」融合。AlphaFold 3 採用端到端 Transformer 架構，將蛋白質序列視為「語言」，透過自注意力機制捕捉原子級互動。簡單講，模型輸入胺基酸序列同環境因素（例如 pH 值），輸出三維座標同置信分數。哈薩比斯強調，呢個過程模擬咗進化動態，能預測蛋白質—藥物結合親和力（Kd 值），誤差小於 1 kcal/mol——遠優於傳統實驗測定。
縮短時間嘅關鍵係「閉環自動化」：Isomorphic Labs 嘅平台整合咗 AlphaFold 3 同擴散模型（例如基於 Denoising Diffusion Probabilistic Models），生成數千個虛擬化合物，然後用分子動力學模擬去篩選。傳統藥物發現分六個階段：靶點識別（1‑2 年）、命中物發現（1‑3 年）、優化（2‑4 年）等，總周期 10‑15 年，成本 20‑30 億美元。AI 介入後，靶點階段只需數星期：模型掃描基因組數據庫，預測變異蛋白嘅「漏洞」。例如喺阿爾茨海默病研究中，AlphaFold 3 辨認出 Aβ 蛋白嘅隱秘結合位點，生成抑制劑分子，體外驗證成功率達 85%。
另一個創新係「多模態融合」：AlphaFold 3 支援圖像同文字輸入，例如上傳 X 射線晶體結構圖或描述「針對 COVID 變異株嘅廣譜抗體」。咁樣連非專家（例如臨床醫生）都可以參與設計。哈薩比斯喺 Tech in Asia 訪問舉例：Isomorphic 嘅 AI 已為罕見病如脊髓性肌萎縮症（SMA）生成逾十種候選藥物，進入 II 期臨床，時間比傳統快 3 倍。据估算，呢項技術可將失敗率由 90% 降至 60%，為全球製藥業每年節省數千億美元。
聲明嘅影響：機遇同全球回響
哈薩比斯所講嘅「數月論」並非空談，而係基於內部數據：Isomorphic Labs 嘅基準測試顯示，AI 驅動項目平均周期縮短 70%，由概念到 IND（新藥臨床試驗申請）只需 6‑9 個月。呢點對發展中國家尤其重要：低成本 AI 工具可以加速本土藥物開發，例如針對瘧疾或結核嘅療法。世界衛生組織已表示，會將 AlphaFold 納入全球健康倡議，推動開源共享。在中國，百度同阿里雲正借鑑類似技術，預計 2026 年推出本土版蛋白預測模型。
不過，呢個預言亦引起咗憂慮。製藥業工會警告，AI 自動化可能導致 10 萬個研發職位流失；倫理專家指出，模型偏見（例如訓練數據以歐美人群為主）可能放大健康不平等。哈薩比斯回應話，DeepMind 已投資 5 億美元用於「公平 AI」審計，確保模型多樣性。監管方面，美國 FDA 於 2025 年 7 月發布 AI 藥物指南，要求透明度報告；歐盟 AI 法案則將高風險醫療 AI 列為有更嚴格門檻嘅範疇。
挑戰與未來展望
雖然前景光明，AI 藥物發現仍面對瓶頸。首先係計算資源：AlphaFold 3 需要 TPU v5 集群，單次模擬耗時數小時，中小企難以負擔。其次係驗證缺口：AI 預測需要濕實驗室確認，轉化率雖然提高，但仍需數月動物試驗。最後係黑盒問題：模型決策唔夠透明，FDA 要求「可解釋 AI」以追蹤錯誤來源。
展望未來，哈薩比斯預測，到 2027 年，AI 會主導 80% 嘅新藥設計，Isomorphic Labs 計劃推出 AlphaFold 4，支援量子級模擬。與此同時，跨界合作會愈來愈多：DeepMind 正同 Moderna 聯手開發 mRNA 疫苗 AI 優化器。全球製藥市場預計由 2025 年嘅 1.5 萬億美元增長到 2030 年嘅 2.5 萬億美元，AI 貢獻率超過 30%。
DeepMind 嘅聲明唔單止係技術宣言，仲係醫藥範式轉變嘅號角。佢證明咗 AI 可以將「不可能」變為可能，但同時需要平衡創新與責任。哈薩比斯喺訪談結尾感慨：「AI 唔係取代人類，而係放大我哋嘅好奇心。」隨住 Isomorphic Labs 嘅推進，呢個「數月奇蹟」或者會重塑人類健康圖景，值得全行業拭目以待。