英伟达的生命科学野心

医疗、医药行业专家必须参与到技术方案演进的过程中，这是AI企业在医疗、制药领域摸爬滚打、屡败屡战六七十年后，最终得出的结论。

2024-04-19 10:21 · 虎嗅网　作者 | 陈广晶、王一鹏编辑 | 王一鹏　　

英伟达在生命科学领域的野心藏不住了。

生成式 AI 兴起后，英伟达的CEO黄仁勋频繁在公开场合谈论生命科学，宣称“生命科学工程化”即将来临。事实证明，老黄不玩虚的——在刚刚落幕的英伟达2024年GPU技术（GTC)大会上，医疗健康和生命科学大火了一把，有业内人士统计，总共900多场活动中，至少有90场与该领域相关。

尤其是在 GTC 开幕当天，黄仁勋一口气正式推出了25个医疗、生物制药相关的“微服务”，覆盖医学影像、药物研发和数字健康等领域。其目标是让“全球医疗企业能够在任何地点和任何云上充分利用生成式 AI 的最新进展”。

在此之前，业界对英伟达的认知，更多集中于“卖卡的”。“算力，特别是GPU是训练AI模型必不可少的生产资料。”百图生科首席技术官（CTO)宋乐告诉虎嗅。

而英伟达的布局显然超出了一个硬件供应商的“本分”。从公开数据看，这家全球芯片巨头已经与超2500家相关企业达成合作，包括提供算法的AI企业，也包括医疗、制药领域巨头。比如：与强生开发了可实时分析数据的手术机器人，与GE开发了可以“自动”给患者拍片的“天眼CT”。

最近一年，英伟达更是通过投资等方式，将至少10家AI制药领域头部公司纳入麾下。

这不是科技巨头*次进军生命科学领域，但 2024 这个时间节点，与英伟达这家企业本身，都有着某种特别的含义。

“在互联网/云计算的行业里，像英伟达这样，将在医疗领域的布局提到战略地位，可能还是*次。”浙江大学药学院教授谢昌谕告诉虎嗅。

医疗领域，不相信算法

对英伟达医疗领域布局的洞察，必须追溯到生成式 AI 的发展本身。然而看似在技术、商业层面都有无限故事可讲的生成式 AI，在医疗健康领域，可算是踢到了铁板。

从产业的反应来看，目前AI在医疗健康领域还处于起步阶段，很多企业，特别是制药企业仍然在观望。有国内知名药企相关负责人曾公开表示，该公司引入大模型的工作，至今还停留在成本核算阶段。

这种迟滞性并不是某一家公司的问题。从数据看，全球每年有超2500亿美元花在新药研发上，其中投向AI制药的只有10多亿美元，预计到2026年也不超过30亿美元。

另据IDC的一项调查显示，医疗健康和生命科学相关企业中只有14%“已经在生成AI方面进行了大量投资，并在未来18个月内制定了‘通过培训获取GenAI增强软件和咨询服务’的支出计划”，远低于全球整体水平（34%），且只有制造业的一半。

与医疗企业对 AI 的疏离感迥然不同的是，技术供应商一直保持着极大的热情。数据显示，全球仅AI+生物医药公司就有700多家；在医疗健康领域，谷歌、IBM等巨头早就有所布局。尤其是ChatGPT 火起来以后，仅中国就一口气涌现了近50个医疗大模型，从ToB的医生助手到ToC的私人健康管家几乎全品类覆盖。

医疗健康就像一个冷静的“冰山美人”，“追求者”很多，但极其务实。她清楚地表示，算法只是一个小伙子的“发展潜力”，数据才能代表他的“背景与身家”。

而这恰恰是大部分技术供应商的痛处。

有行业投资人透露，因为难以获得好的数据，80%左右的医疗大模型没有进入第二阶段（即：投喂专业数据在某个领域增强），进入第二阶段的20%中，绝大部分也没有进行针对不同的场景、任务的高水平微调。

部分创业公司对内部医疗大模型进行评估时也发现，其能力仅达到“助手”级别，还称不上“同伴”。这导致AI在短期内无法独当一面，工作范围局限在导诊、辅助读片、写病历等。

在生物制药领域，AI在蛋白质结构预测、蛋白质生成，甚至抗体药生成领域都有很好的表现，但是这些仍然是临床前阶段。在最耗时、最费钱的临床试验阶段（该阶段开销占新药总研发费用的70%以上），还只能做一些招募患者、做记录等简单工作。对于新药研发成功率低等痛点问题，也没有实质性改善。

以百图生科为例。他们提出的长远目标是用 AI 来模拟生命系统，比如人体免疫系统，理想状态下可以更好地预测抗体药进入人体的情况。但在现实落地却很不容易。“要实现这个目标，就需要突破一系列多个尺度的AI建模问题。”

百图生科 CTO 宋乐告诉虎嗅，因为蛋白质领域数据相对较多——已经达到十亿规模以上，所以这一领域的进展最快，不仅能生成蛋白质，甚至可以按照多样化的设计目标来生成具有功能性的蛋白质，比如成药性较好的抗体药，催化效率比较高的酶等。

然而模拟生命系统工程中，不但涉及单个蛋白质分子的生成，还涉及到大量的蛋白质的相互作用、细胞内和细胞之间的相互作用等，但这方面的问题更复杂，相对来说数据处于稀缺状态，会需要持续的AI模型和实验数据获取手段的创新和突破。

“可以想象，蛋白质的数据会呈指数性的增长，生成设计的落地案例也会快速增长。但是这只是一部分，要模拟免疫系统，就需要其他层面也有同样多的数据，以及与其匹配的AI模型创新和迭代，有同样快速的增长。”宋乐说。

那么有了数据，AI 就能在医疗健康领域畅通无阻了吗？也不尽然。

比如，医疗领域的公开数据相对更多，获取方式更多元，AI+医疗在此的进展也更快。就在今年年初，谷歌推出了一款医学对话AI——AMIE（Articulate Medical Intelligence Explorer）。这款应用是继Med-PaLM、Med-PaLM2之后的又一个“AI医生”，甚至通过了图灵测试，表现可谓令人惊艳。

尽管从具体表现看，这款在心血管疾病等领域的诊断领域，可以做得比保健医师更好，但仍然无法轻易用到真实患者身上，哈佛大学医学院专家在接受采访时直言，医疗绝不是收集信息这么简单，“它关乎人与人的关系”。

在其背后，伦理问题、监管问题、制度问题，以及科学研究本身的进展限制，都是难以突破的障碍。可以说，被频繁提及的研究数据，只是一个准入门槛，AI+医疗健康和生命科学本质上不是要解决一个技术问题，而是一个综合性的社会问题。

谢昌谕向虎嗅表示，更强的硬件和算法对加速行业发展一定是有帮助，但是并不说今天多了1000台GPU，明天就可以跟你打包票说AIDD（人工智能药物发现与设计）会有一个怎样的进展。

英伟达版“曲线救国”

因此，像过往所有的技术服务一般，单纯由乙方独立研发，向甲方切割式地交付技术方案，是*不行的。医疗、医药行业专家必须参与到技术方案演进的过程中，这是AI企业在医疗、制药领域摸爬滚打、屡败屡战六七十年后，最终得出的结论。

在这种合作关系中，药械企业不仅是买单方，更是数据的生产方，他们不仅解决了谁来买单的问题，也为产品迭代提供了足够的数据。今天发展最为成熟的AI+医疗影像就是典型案例。

GE、西门子等巨头将AI与大型设备绑定，就人为地建立了数据挖掘机。CT机、核磁共振机只要每天正常工作，就可以源源不断为AI提供数据养料了。同理，在药品领域，没有谁比出资搞研发的药企更能理直气壮地收集数据，AI 企业如果能参与到药企的工作流程中，也有机会破局。

这道理大家都懂，但实际很难做到，原因也很质朴：药企不同意。

对于药企来说，这些数据太贵了。手握大量研发数据的大药企，每年研发投入都在数十亿美元的规模，默沙东、罗氏等研发传统悠久的企业，相关投入早就超过了百亿美元，且有逐年增长的趋势。这些靠重金砸出来的数据，不仅有机会成就爆款单品，在未来竞争中，也会拉开与竞争者的距离。

在医药市场竞争越来越激烈的今天，任何企业也不愿意轻易将数据贡献出来。在这种情况下，要想拿到企业、医院内部的临床数据，就只能为他们量身定制模型，让他们在“安全区”内感受大模型的威力。

只不过，这种操作成本也是极高的。有业内人士向虎嗅透露，在云计算推广过程中也出现过类似的情况，最终很多公司因为亏本严重不得不叫停相关业务。大模型定制成本只会更高，他认为，协议金额很可能必须达到10亿美元级别才能收支平衡。

英伟达对此的策略是“曲线救国”。

英伟达是建生态的一把好手，其在10多年前（2006年）就凭借CUDA（compute Unified Device Architecture，计算机统一设备体系结构）奠定了在芯片界的竞争壁垒。

简单来说，CUDA 是基于GPU设计的软硬件结合的通用计算构架。其优势主要有两个，一个是使用者可以直接与GPU结合操控芯片；二是CUDA架构为软件厂商免费提供开发工具，方便软件开发。前者大大降低了GPU的使用门槛，后者方便使用者的同时也悄悄挖深了“护城河”——随着“工具包”里的零件越来越多，其可替代性也大大降低。

由此形成的CUDA生态，将英伟达与AI深刻绑定，英伟达也借此逐渐甩掉竞争对手，实现了逆袭。

在进入医疗健康和生命科学领域时，英伟达大有将CUDA生态的成功经验照搬过来的势头。

按照英伟达公开信息，他们此次推出的25个微服务，实际上是以往“专业版”基础上的更易操作版本——这些微服务套件中包含了经过优化的NVIDIA NIM™ AI 模型和工作流，并提供行业标准应用编程接口（API），可用于创建和部署云原生应用。

也就是说，医院、药企可以根据自己的需求点击“按钮”直接满足在医学影像、自然语言和语音识别以及数字生物学生成、预测和模拟功能等领域的需求。

对于AI企业来说，英伟达的品牌背书、行业影响力等带来了更多机会。“它是一种导流的平台。”宋乐告诉虎嗅。百图生科于2023年加入了英伟达招募创业公司的“NVIDIA初创加速计划”，在今年的GTC大会上，宋乐还作为生态合作伙伴代表百图生科分享了三年来做AI+生物医药的经验。

而在另一边，英伟达也降低了大模型使用的门槛，方便传统的医院、药企使用他们提供的“工具包”——比如各种AI大模型等。随着工具包的逐渐丰富，以及产业合作方的习惯、依赖，形成新的难以替代的生态。

你很介意软件企业直接参与业务流程，共享数据？OK，我把“傻瓜式”工具卖给你，你自己来做。定制模型这种高成本的事情，英伟达是不参与的，不管药企、云计算企业双方怎么折腾，只要基于我的基础设施来做，这一商业模式就是成立的。

英伟达的算盘打得很响，但需要注意的是，CUDA 过去面对的是软件产业，这与医疗产业截然不同，如果仅是照搬 CUDA 的打法，那甚至都无法打开医疗市场。

相对互联网行业，医疗、制药非常传统和封闭，有其独特的流程。比如：在中国，想说服医院采购某种产品，不仅要经过复杂的流程，还需要找到正确的渠道。在被认为最需要AI的基层，很多医院的采购渠道掌握在个人或者小代理商手里，如果找不到他们，再好的产品也与之无缘了。因此，很多AI+医疗企业创业近10年也还没能盈利。

而且科技巨头“攻下”医院、药企阵地的决心，一直以来都很坚定，导致这一市场还没发展起来，已经成了红海了。

AWS、腾讯云、百度智能云等，都在这个赛道中“跑马圈地”，为了争取尽量多的合作者，甚至有国内科技公司的相关负责人公开直言“要将构建AI场景模型的权利交还给科学家”，这几乎就是在向对方剖白，可以不惜成本，满足对方一切定制化需求了。

此外，英伟达提供的“工具包”还停留在“大众版”的层面上，医院、药企如果需要“专业版”大模型，还是需要与AI企业合作。这也让类似CUDA生态的“护城河”很难形成。

长期以来，国内面向大甲方的生意，都在买方强烈的定制化诉求，与卖方的“亏钱能力”间左右拉扯。相比之下，英伟达的方式虽然轻巧，却很难满足医疗机构、医生的需求——他们通常更习惯接受积极上门推销产品的营销方式，缺乏主动找“工具包”训练数据的动力。

或有调和成本之争的机会

英伟达的机会，更多是趋势性的——产业界对AI的主要行为是观望，但在态度上也承认，AI不再是可有可无的东西，它将从根本上重构生命科学产业。

上世纪80年代开始，新药研发的主战场从小分子化药转向了结构更加复杂的生物药领域，总药物筛选空间可以达到10的60次方之大，想要靠人力快速筛选出适合的分子几乎不可能了，这一问题在“低垂的果实”逐渐摘完、复杂药物研发成为常态之后越来越突出了。

“AI在逐渐地变成生物医药研发中不可或缺的基本实验设备。”宋乐向虎嗅解释说。他认为，接下来生物药物研发对AI以及后面计算资源的需求量会越来越大。

如今应用AI技术，已经可以将新药研发中的探索临床前化合物的耗时从原来的4年缩短3/4，到13.7个月，甚至压缩到一个月或20多天。另据麦肯锡全球研究所(MGI)估计，生成式AI有望每年为医疗、制药产业带来上千亿美元经济价值。