硅谷对 AI 的误判：医疗瓶颈在监管而非智能

一篇近期流传于科技社区的文章抛出一个尖锐观点：硅谷对 AI 的乐观叙事低估了现实世界中真正的瓶颈——在医疗等领域，制约进步的核心因素是监管、临床试验成本与制度效率，而非模型「智能」本身。

一次晚餐引发的思考

作者在一次与 AI 实验室从业者的晚餐中，被对方直白质疑：为何不把时间投入到 AI 加速药物研发等「性感」方向？对话中，这位实验室人士援引了 AI 在说服力等基准上已超越人类辩手的表现，暗示 AGI 即将强力改变世界。作者反问住房问题——人类早就有能力建造更好的住房，但住房成本却比几十年前更高，因为瓶颈在于政治意愿而非技术能力。

作者承认，AI 实验室从业者因押注过「疯狂」想法而获得巨额财富，这让他们所言几乎被外界全盘接受。但作者认为这是一种误判：AI 并不天然能解决大多数人真正关心的问题，除非我们直面这些问题的真实结构。

AI 在医疗的真实瓶颈

作者援引了两个方向的事实支撑自己的观点。

第一个方向是硅谷社会动态：AI 实验室 CEO 频繁许诺 AI 将「治愈疾病」，任何带 AI 故事的生物科技初创公司都能获得高估值，而传统生物科技公司却因融资困难而大量倒闭。

第二个方向是作者熟悉的医疗领域：

• 摩尔定律的反面（Eroom's Law）：每美元研发投入所获批的新药数量几十年来持续下降，与「能力越强、产出越多」的直觉相悖。
• 临床试验的硬成本：一款新药的临床试验平均耗时约 7 年、花费超过 10 亿美元，且试验本身产生的人体数据恰恰是训练更好模型所必需、不可替代的资源。
• 中国生物科技的崛起：十年前中国生物科技几乎不在西方大药企的授权交易版图中，如今已占其授权交易的过半份额。这一变化主要得益于中国监管改革加快了迭代学习，而非基础科学能力的全面超越。

AI 能帮上忙的地方

作者并非全盘否定 AI 的价值。他特别看好 AI 在替代终点（surrogate endpoints）和生物标志物（biomarkers）方向的应用——将原本粗糙、离散的有效性读数转化为快速、连续的信号，理论上可使某些适应症的临床试验提速并降低成本最高达 10 倍。此外，即便不缩短试验本身，更好的生物标志物也能让研究者更早判断疗法是否起效，从而优化试验设计。

真正的瓶颈仍是治理

然而，作者强调，即便在这些方向上，约束往往也不是智能本身，而是治理与数据可及性：他接触的多家相关公司反复卡在数据获取环节——有公司等待美国国立卫生研究院（NIH）发布影像数据集已逾一年；若需与美国食品药品监督管理局（FDA）沟通验证终点，流程更为漫长。这意味着 AI 能否真正加速医疗，取决于制度能否同步放开，而非单纯依赖模型能力的提升。

（注：原文在结尾处因转载截断，部分内容未能呈现。）