当 AI 带来希望：一个癌症故事如何映照医学的未来
目录
如今只要关注 AI 新闻，映入眼帘的往往是两类标题：对失业的恐惧，以及对滥用的恐惧。深度伪造、安全漏洞、大规模裁员、监控、操纵。很多问题都是真实存在的，也确实值得重视。但正因为如此，另一面往往被压了下去：同样的技术也可以压缩知识、减少摩擦，在某些情况下，甚至把人最急需的时间重新还给他们。
我之前已经在博客的 另一篇文章 里写过，如今一切变化得有多快。本文可以看作那篇文章在医疗领域的另一面：少一点市场叙事，少一点 hype，多一点人。
OpenAI Forum 上的一则故事正是这样的案例。它并不煽情，也不轻松，更不是某种“AI 神奇治癌”的承诺。但它清楚展示了一件事：未来我们会越来越多地听到类似的故事，而且不只来自百万富翁。
先说结论：
- 在这个案例中，AI 没有取代医生，而是大幅加快了分析、研究和协同。
- 直到今天，这条路径依然极不公平，因为它需要金钱、时间、人脉，以及愿意深入医疗问题的精力。
- 但许多重大技术一开始本来就是这样，随后才慢慢走向更广泛的人群。
如果你想看原始演讲，这里直接嵌入了视频：
一个很容易被忽视的故事
故事的主角是 GitLab 联合创始人 Sid Sijbrandij。他被诊断出 Osteosarcoma，也就是一种罕见且极具侵袭性的骨癌。在 Forum 上，他非常坦率地描述了传统治疗有多残酷：手术、脊柱融合、放疗、化疗、输血，以及身体几乎被彻底击垮。对很多人来说，仅仅这些经历就足以改变一生。
对他而言，一个早期的重要转折点是所谓的 Click Chemistry，也就是那种获得诺奖认可、能够把某些分子或药物非常精准地连接起来的方法。对 Sid 来说，这不仅在科学上令人着迷，在心理上也很关键，因为它让他意识到，医学并不总是只能依靠大型标准研究。像 Single-Patient IND 这样的路径表明，在极端情况下，也可能存在合法、正式、面向个体的治疗通道。
然后更艰难的阶段来了：癌症复发了。几乎没有现成的标准方案可走。没有清晰的治疗管线，没有简单的下一步，也没有一个轻松的“那我们现在改用疗法 B”时刻。也正是在这里，我觉得这个新时代的某种特征一下子变得特别明显：他辞掉了自己的日常工作，进入了所谓的 Founder Mode，但不是为了创业，而是为了自己的生存。
乍一听，这几乎有点荒诞。一个科技创业者突然把癌症当作工程问题来处理。老实说，我的第一反应也会是怀疑。医学不是 SaaS 产品。聊天机器人不是肿瘤医生。一次 API 调用也不是治疗。
但如果只是把这个故事当成 Silicon Valley 的特殊例外，也未免太简单了。因为这里真正呈现出来的，并不是“ChatGPT 奇迹治病”，而是一种新的医学工作方式：更多数据、更强的模式识别、更高的并行度、更快的假设形成、更好的问题，以及从诊断到决策之间更短的回路。
在这个案例里，AI 具体做了什么
先把最重要的话放在前面：AI 并没有治好癌症。那样说会是一种危险且错误的简化。真正起作用的是一整套组合：诊断、专家、实验性方案、临床经验、个人坚持，以及作为加速器的 AI。
在演讲中，Sid Sijbrandij 和遗传学家 Jacob Stern 提到，他们围绕 Sid 的癌症收集了大约 25 TB 的数据，其中还包括 single-cell sequencing。这个数字本身就足够说明问题：这不是一个人类可以轻松通读的规模。这种级别的复杂性，正是 AI 能体现价值的地方。
几个更具体的例子：
- AI 被用于快速筛查、比较并排序大量科学文献。
- 基于 RNA sequencing 数据集和 CSV 导出结果，系统可以很快帮助识别潜在 targets。
- Jacob Stern 提到，有时大约 20 美元的 API 成本和 30 分钟左右的工作，就能完成过去昂贵、缓慢且高度依赖专家的分析。
- AI 还加快了 hypotheses 的提出、验证与淘汰，也就是一种更快的 biomedical iteration。
对我来说，最震撼的例子是 Penexin 3。Stern 解释说，这个 protein 在 Sid 的癌细胞中出现的频率，比健康组织高出大约 10,000 倍。可它却长期没有被真正重视，因为它具有 hydrophobic 特性，在传统 workflow 中并不容易浮现出来。这里恰恰体现了 AI 的特殊价值：它不一定创造全新的生物学，但它可以大幅加快“在草堆里找针”的过程。
同样重要的是，这并不只是一次 data dump。数据产生了 hypotheses，hypotheses 带来了 therapeutic options，而治疗选择从几乎为零，逐步扩展到 30 多种可能。正是在这一点上，我觉得 AI 特别有力量：复杂性没有消失，但它变得更可操作了。
为什么今天这条路仍然只对少数人开放
这里必须诚实。这样的故事确实鼓舞人心，但它并不公平。Sid 有资源，有人脉，也能腾出时间。他可以把自己几乎全职地投入到这个问题上。世界上大多数人做不到这一点。
而且这也不只是钱的问题。它还涉及体力、知识、语言、人际网络、接触专家的机会，以及个人在压力下还能继续运转的能力。一个在治疗过程中已经身心俱疲的人，很难再去面对 25 TB 数据、regulatory pathways、targeted therapy ideas 和各种 molecular targets，并把它们组织成可执行的方向。
所以我并不把这个故事当作一个模板。得出“每个病人都应该进入自己的 startup mode”这样的结论，显然是错误的。在患病期间要求一个人“自己成为自己的 research team”，根本不可能成为社会层面的解决方案。
但反过来得出另一种结论，同样也不对：因为今天这条路艰难而且不平等，所以它没有未来。技术史通常告诉我们的恰恰相反。
为什么这仍然不只是百万富翁的故事
几乎所有重大技术一开始都带着不平等。
曾经，私人浴室和热水浴是国王、贵族和富裕家庭的奢侈品。今天，它们是日常生活的一部分。
电灯最初也不是普及的基础设施，而是奢侈享受。后来它成为现代世界的基本条件。
航空旅行也曾经昂贵、稀缺，并且几乎只属于精英。今天，它已经成为许多人日常流动性的一部分。
再看看 genome sequencing。Human Genome Project 需要数十亿美元、极长时间和庞大的国际研究体系。如今，sequencing 的成本已经大幅下降，更多机构都能够使用。
技术就是这样扩散的。先慢，再突然。
今天的 personalized、AI-assisted medicine 仍然昂贵、零散，很多时候看起来像一种例外式治疗。但如果 models 继续变强、interfaces 继续变简单、diagnostic pipelines 继续标准化、regulatory 路径也变得更可落地，那么同样的思路就会慢慢进入更普通的医疗实践。
也许未来不是每个人都能拥有属于自己的 molecular taskforce。但非常有可能的是，医院、研究中心和肿瘤科医生会拥有这样的 systems：自动标记 rare markers、带着上下文总结最新 studies，并为个体病例提出更有价值的问题。
为什么这个故事让我看到希望
最让我印象深刻的，是这个故事依赖的不是奇迹，而是压缩。
在这里，AI 压缩的是：
- 专业文献
- diagnostics
- pattern recognition
- 不同学科之间的 communication
- 不轻易放弃 rare cases 的能力
而这在医学里极其宝贵。因为罕见疾病和非典型病程，很多时候并不是输在没有信息，而是输在没人有时间把所有信息真正拉到一起、整理成可行动的判断。
如果成千上万页病历、lab values、scans、RNA data 和 studies，最终能够汇聚成一个可工作的 working model，那它就不仅仅对富裕个体有意义了。它是在预示一种未来的医学：更精准、更个体化，也希望更公平。
今天看起来仍像例外治疗的东西，明天可能会以温和得多的形式成为常态：
- 自动突出 rare markers 的 system
- 预先替医生和患者筛出 relevant studies 的 assistant
- 更透明展示治疗路径及 side-effect profiles 的 tool
- 不再只看 standard pathways、而是更认真面对 individual biology 的 diagnostics
而且，是的，未来我们会越来越多地听到这样的故事，不只是来自资源充足的 founders。Tools 会更好，成本会下降，interfaces 会更简单。扩散就是从这里开始的。
我的结论
我认为这个故事之所以重要，是因为它能把视角稍微摆正。AI 不只是风险，不只是裁员，不只是 hype，不只是安全问题。它也可以成为一种工具，帮助人们在一个生病、缓慢而且经常过载的系统里，更好地找到方向。
当然，这并不意味着我们应该陷入技术浪漫主义。健康的基础依然惊人地朴素，也惊人地人性化：
- 足够的睡眠
- 运动
- 饮食
- 日常纪律
这一层很大程度上仍掌握在我们自己手里。它仍然是基础。
如果你对这些主题感兴趣，博客里其实已经有一些更偏实践和个人体验的内容，比如关于 health tracking 与健康数据 的文章，或者关于 Whoop、恢复、睡眠与负荷 的内容。
但在那之后，我相信我们会需要 AI。不是拿来替代医生，不是某个“神奇按钮”，而是叠加在数据、研究与复杂性之上的第二层 intelligence layer。
也正是在这里，我觉得 Google 很关键。通过 AlphaFold，Google DeepMind 已经公开了超过 2 亿个 protein structures 的预测结果；而 AlphaFold 3 则进一步走向下一阶段，不只是 protein 本身，还能更好地建模它们与其他 molecules 的 interactions。这并不是“治愈所有疾病”。但它是一个巨大的基础研究杠杆，因为它让 biology 对研究者而言更快变得可读。
所以我依然抱有希望。不是天真，不是盲目，而是有根据地希望。如果我们能把生活方式、预防、优质医疗和 AI 真正结合起来，那么未来的确可能把更多健康带给更多人。
下次见，
Joe
