不明觉厉

“说 AI 能治愈癌症更像是一种陈词滥调，而非鼓舞人心，大多数人认为这是欺骗性的。                   直到跑得够远，跑到上午因心悸而不得不坐下休息过的长椅边，她才真切意识到——“终于为自己活了一次”。”8 月 16 日，Anthropic 首席执行官 Dario Amodei 在 X 上写下了这句话。

三 |                    李念今年40岁，在西南某城市的一个公家单位工作近15年。两天后，Anthropic 公布了一项蛋白质设计实验：Claude 操作一组专业模型和研究工具，设计出了能够与多个目标蛋白结合的新蛋白。

四 | 再过一天，莫德纳和默沙东宣布，包含机器学习设计环节的个体化癌症疫苗在黑色素瘤三期试验中达到主要终点。当时，她凭借笔试第一的成绩考入，一步步升至处级。几项成果集中出现，再次激起了外界对 AI 医疗的关注，资本市场也迅速作出反应。8 月 19 日，莫德纳股价上涨约177%，默沙东上涨约 13%；Anthropic 相关实验的验证方 Twist 股价单日上涨 22.64%、从事 AI 精准医疗的 Tempus AI 也上涨 22%。热度随后扩散到整个生物科技板块，iShares Biotechnology ETF 和 SPDR S&P Biotech ETF 当天分别上涨 6.6% 和 5.9%。从蛋白质设计、AI 药物发现，到个体化癌症疫苗的三期试验，“AI 医疗”开始对应越来越具体的研究成果。

五 | 对于一个出身普通工薪家庭、从小县城考出来的人来说，这已经是很大的成就。那么，这些进展分别到了哪一步？哪些已经经过人体临床验证，哪些还停留在实验室；AI 又在其中承担了什么工作？它真的帮助人类“治愈”癌症了吗？“治愈”有着非常严格的要求“AI 医疗”听起来像一个单独的行业，但它内部其实包含一系列差别很大的工作。算法可以阅读病历、识别影像、预测疾病风险，也可以寻找药物靶点、生成分子结构、筛选临床试验患者。它还可以辅助医生选择治疗方案、计算放疗剂量，或者监测患者服药后的反应。

六 | 这些工作都与医疗有关，证据标准却各不相同。一个模型在医学考试中答对问题，证明的是它能处理某种形式的文本；在历史病例上准确预测诊断，证明的是它能复现数据中的模式；在医院里帮助医生提高诊断率，需要前瞻性试验；一种由 AI 参与设计的药物是否有效，最终还要在患者身上与现有治疗或者安慰剂进行比较。                   李念的母亲对最稳定的工作有着一种执念，而这也传导给了李念。                   可真正进入职场后，她发现工作遵循着截然不同的逻辑。升职带来的不是更好的生活，而是更沉重的责任、更脱离实在感的工作内容，还有拒绝不了的人情世故和躲不过的暗中较量。美国食品药品监督管理局（FDA）称，自 2016 年以来已经收到超过 500 份包含 AI 组件的药品和生物制品申报材料。这里的“使用 AI”可以指预测药代动力学、优化剂量、分析临床终点、整合自然病史数据，也可以指辅助生产和质量控制。

七 | 它说明 AI 已经成为药物研发中的常用工具，并不意味着 500 款药物由 AI 独立发明。那些接踵而来的消耗，让她感到筋疲力尽。已经获得监管授权的医疗 AI，同样主要分布在信息处理环节。JAMA 2025 年的一项系统研究统计了 950 款 FDA 授权的 AI 医疗器械，其中 723 款属于放射科，占比约 76%。                   这不是李念一个人的感受。

八 |                    “80后”，作为改革开放后成长起来的一代人，他们的起点与轨迹曾经无比清晰，也被寄予厚望。生活的答案似乎天生存在，不需要多余的追问。                   面对压力，他们更倾向于把担子默默扛下来，再苦再累也先把事情做完。它们处理的是 X 光片、CT、核磁共振和超声等高度数字化的数据。医学影像有相对标准的输入格式，医院也已经积累了大量数字化资料，许多任务也拥有明确答案，例如一张图像中是否存在结节，病灶边界在哪里，前后两次检查发生了什么变化。这种顺从与担当，让他们一度成为社会的中流砥柱，也让他们在漫长的消耗中更容易被掏空。因此，这也是目前聚集了最多 AI 产品的医疗环节。而对于治疗来说，它所提出的是另一类问题。

九 | 诊断模型试图回答“这个患者现在发生了什么”。                   当“00后整顿职场”“95后拒绝升职”成为热门话题时，看上去更稳妥，且在职场上有所成就的“80后”们，也清晰地照见了自己的处境：他们很少轻易转身说“不”，却也越来越难说服自己继续忍受。治疗决策需要回答“采取某项干预后，这名患者会发生什么”。同一个患者不可能同时接受两套相互排斥的方案，研究者无法直接观察那个没有发生的结果。相关性很强的模型，也可能把接受某种治疗的人群特征误认为治疗效果。

十 |                    当他们决定去赌一把，说出“我不想干了”的时候，生活的答案仍不确定，但又好像没这么沉重。                   一、累了                    处长这一职位带给李念的，是“非常深刻，且非常具体的痛苦”。这就是随机对照试验仍然重要的原因。Nature Medicine 关于因果机器学习的综述指出，AI 可以结合临床试验和真实世界数据估算个体化治疗效果，但偏差、混杂因素和错误的因果假设仍会产生错误预测。

十一 | 至于“治愈”，医学要求的不只是治疗后暂时查不到癌细胞，还要确认它以后不再复发。

十二 | 美国国家癌症研究所将其解释为癌症的所有痕迹已经消失，并且以后不会复发。患者即使进入持续多年的完全缓解，医生通常仍然谨慎使用这个词，因为未来尚未发生。                   手机必须放在手边，24小时待命。

图丨FDA 对于治愈的定义（来源：FDA）模型在基准测试或历史病例上取得高分，只能说明它完成了相应的预测任务。

十三 | 李念回忆道，哪怕凌晨两点接到电话，也要立刻起床开始工作，“因为领导马上就要”。哪怕要求“非常不合理”，也得马上执行。

十四 | 患者能否长期获益，则要看对照试验和数年随访。

十五 | 三项成果，停在三道不同的门前这种差别，可以从 Anthropic 最近公布的实验说起。说一句不同意见，便会被点名批评，从小会说到大会。                   李念说，她曾经为了解决“一个亟待解决的问题”，花了数月的时间去制定一个办法。漫长的鏖战倒也能忍受，痛苦之处是全过程的心理矛盾。                   她明知道这个办法要生效，必须得首先解决很多其他一系列问题，“先把之前那些‘跑得太快，绳子没拴稳’的历史问题处理掉”，但是那些问题都没人理会。于是，她和同事们都是在明知做出来毫无用处的心理抵触之下，硬着头皮去做这件事。在这组持续 24 至 48 小时的任务中，Claude 通过阅读论文和数据库，调用公开的蛋白质结构预测与设计工具，挑选结合位置，生成候选蛋白，再根据计算结果不断筛选和调整。                   于是，一切变成了一场消耗。研究人员选定了 16 个目标蛋白，其中 15 个最终取得可以解释的测量结果。“沟通的成本、人力的成本、部门博弈的成本都在增加，可你拿不出任何成果。”李念说，“一般像这种情况，要么不了了之，要么就得想点非常规的手段。

十六 | ”                    那段时间，她几乎每天从早上8点忙到深夜12点，调度经济指标的频率从每周变成每天，再到“一天无数次”。上班路上，她时常会看着街头的清洁工发愣：“他们至少能把一片路面扫干净，而我手里，除了‘吓人的数据’，什么可见的成效都没有。”                    升到一定职级后，李念开始直面更高位阶的领导。对方“推己及人”，将提拔视为“给予的莫大的荣耀”，并“预设每个人都渴望往上爬”。实验室对 1,320 个设计进行合成和测试，确认 354 个能够结合目标，在 15 个目标中有 14 个找到了结合蛋白。                   但李念已经累了。部分任务的命中率超过 Anthropic 此前使用的常规流程。这是一个扎实的研究成果。

十七 | Claude 不只是总结已有知识，它连续工作了数十小时，组合专业模型，调整实验策略，交出了能够接受湿实验检验的新设计。外部实验室负责合成和检测，也降低了模型对自己打分的风险。

图丨Claude 成功协调多个开源蛋白质设计模型，生成了具有高成功率和亲和力的结合蛋白。                   几年前，抑郁与焦虑彻底压垮了李念。确诊、失眠、轻生念头……李念回忆，深夜睡不着觉得活不下时，她会想到自己年龄还不大的孩子，她琢磨不明白自己为何会陷入如此境地。（来源：Anthropic）不过，实验对象是 15 个可以解释的蛋白靶点，不是 15 种疾病；354 个结果是蛋白结合物，也不是 354 款药。

十八 | 一个蛋白能够黏住靶点，只说明研发者找到了某把可能插进锁孔的钥匙。                   李念说，早在疫情前，她就开始思考辞掉处长一职，但真正的转折只发生在一瞬间，是听到丈夫说“痛苦已经来了，你为什么还要忍受呢”的那一刻。当时，她正坐在路边的长椅上，因为无法呼吸而停下休息。它是否会打开正确的门，会不会同时碰坏其他门，进入人体后能否抵达锁孔，免疫系统是否把它清除，都需要其他实验回答。

十九 | Anthropic 在报告中也明确表示，这些小型结合蛋白不是标准意义上的药物，结合只是药物研发的第一步。                   李念回忆，小时候，自己害怕被困在小县城里，害怕没有机会离开家，害怕未知的未来。相比之下，Rentosertib 已经走得更远。这是一款用于治疗特发性肺纤维化的候选小分子药物，其研发公司英矽智能使用 AI 寻找 TNIK 靶点，又通过生成模型设计分子结构。2025 年公布的随机二期临床试验招募了 71 名患者，在为期 12 周的治疗中观察到初步疗效信号，药物总体耐受性尚可。怀揣着这份惴惴不安的“恐惧”，她一路向前。不过这项研究规模很小，全部组别共有 16 人退出，观察时间也不足以判断长期疗效。多年的求学、体面的工作、接二连三的成绩像一条看不见的绳索，把她牵到今天。可她没想到，最终换来的却是对自己的质问——“我并没有得到我想要的生活”。                   那一瞬间的决绝，把李念逼到了领导办公室门前。研究者在论文中将结果称为“令人鼓舞，值得进一步研究”，而非一项已经得到确认的治疗突破。2026 年 7 月，Rentosertib 进入三期试验。它是目前最接近完整临床验证的 AI 药物案例之一：AI 参与发现靶点、设计分子，候选药随后经历临床前实验、一期安全性研究、随机二期试验，现在开始接受更大规模的人体检验。

| 它仍未获得上市批准，也没有治愈特发性肺纤维化。她轻声叩门，收起情绪，先说“有件事一直想当面汇报”，再一点点切入；斟酌着每一个词，表达自己并不是抱怨，只是不想拖累整体的工作。当时的李念不知道会得到什么样的回应，但口中的话停不下来。莫德纳的个体化癌症疫苗又处在不同的位置。研发人员先对每名患者的肿瘤和正常组织进行测序，找出肿瘤特有的突变，再用机器学习和生物信息学算法对候选新抗原排序。                   李念说，她没想过领导竟然理解她，这也许是多年认真工作带来的意外之喜。最多 34 个新抗原会被编码进一条为患者单独制造的 mRNA，目的是训练免疫系统识别其肿瘤细胞。在刚刚公布的 INTerpath-001 三期试验中，1,137 名高风险皮肤黑色素瘤患者接受了治疗。

| 这些患者的肿瘤已经通过手术完全切除，研究考察的是疫苗联合 Keytruda 能否降低术后复发和远处转移风险。如今，她被安排到一个“边缘部门”，办公地搬到了有些潮湿的新楼层。                   偶尔遇到熟悉的年轻同事，有人会装作没看见，也有人揣度领导心思，在她面前故意耍些小动作。李念只觉得好笑——“就像小学生一样”。公司称，试验在预设的中期分析中达到无复发生存期和无远处转移生存期两个终点。总体生存期仍在随访，风险比、绝对事件率、置信区间和生存曲线尚未披露。                   新办公室没什么“人气儿”，但不再“被看见”，也意味着不必再活在他人的目光中。这项三期试验验证了“个体化疫苗加 Keytruda”整套方案的增量效果。它没有设置一组由人类使用其他方法挑选新抗原的疫苗，也没有比较“使用 AI”和“不使用 AI”。

| 因此，研究能够证明包含机器学习环节的疗法有效，无法计算疗效中有多少应当归功于算法。岗位清闲，李念开始有时间读书、写作，陪伴家人。

|                    但她没有告诉母亲自己离开了管理岗位。

| 三项成果分别回答了三个问题：模型能否设计出在实验室中结合靶点的蛋白，AI 发现和设计的候选药能否在人类身上显示初步疗效，包含机器学习组件的个体化疗法能否在三期试验中改善临床终点。我们不需要用“治愈”的名号来给他们增加分量。                   二、不上进                    陈晴今年44岁，大学毕业后就来到了东部沿海城市某基层单位工作。她从未想过要往上爬，年轻时总觉得自己“能力不足”。Anthropic 提高了蛋白质设计的实验命中率，Rentosertib 把 AI 发现和设计的候选药推进到后期临床，莫德纳则让个体化癌症疫苗首次在三期试验中取得阳性结果。被提拔为科长，是领导看重她的“踏实与责任心”——即便在被提拔前，她已经委婉推辞过一次。                   上任后没几年，她就向领导提过辞去职务，得到的回应始终是：“暂时没有合适人选。”陈晴说，她理解基层人手的短缺，只能硬着头皮扛下去。这些已经是足够重要的进展。只是没想到这一扛，就是近十年。                   陈晴回忆，刚参加工作时，她常跟着“师父”跑村子。

| 记得最深的一幕，是师父一次次下村，教不会电脑的村会计们一步步从开机开始，直到学会操作电脑，从不抱怨，也不催促。她看着那些人从摆烂抗拒到主动求教，第一次真切感受到：自己的工作，可以“改变一些人的日常”。最昂贵的失败，发生在算法交卷以后我们知道，现代药物研发是一套不断淘汰答案的制度。研究人员从疾病机制中寻找靶点，从大量候选分子中找到能够影响靶点的少数，再优化活性、稳定性、选择性和生产条件。候选药随后进入细胞实验、动物实验和人体临床试验。

| 每一步都会淘汰前一步看起来很有希望的结果。

| 一项关于临床研发失败的综述估计，药物从发现到获批通常需要 10 至 15 年。即使已经进入一期人体试验，约九成候选药仍无法获得批准。40%—50% 的失败源于临床疗效不足，约 30% 源于无法接受的毒性。

图丨药物发现与开发的过程，以及每一步的失败率。                   可当了科长之后，她的工作开始被“非本职工作”占据。（来源：Acta Pharm Sin B）而这组数字揭示了 AI 药物研发最容易被忽略的一点：生成一个在计算上表现优秀的候选物，可能只加速了失败率最高流程中的前半段。靶点与疾病相关，不等于干预靶点就能改善疾病；分子在培养皿中有效，不等于它在人体内能够达到足够浓度；动物模型出现变化，也不保证人类患者获得同样结果。

| 陈晴说，那时候的她一直是“活人微死”。                   最大的压力，来自频繁的大型活动。许多“完美”的候选药，直到二期或者三期临床才暴露出疗效不足。AlphaFold 就很好地代表了这种区别。每到这种时候，她要进社区，晚上和村社干部们挤在同一个大厅里，行军床一排排摆开，蚊香点着也挡不住蚊虫叮咬。它已经预测了约 2 亿个蛋白质结构，极大扩展了研究人员可以利用的结构信息。以前可能需要数月甚至数年才能获得的线索，现在几分钟便能生成。科学家能够更快提出假设，也可以研究一些过去缺乏实验结构的蛋白。

|                    白天照常上班，晚上熬夜值守，吃的是千篇一律的盒饭，洗澡只能趁下班匆匆回趟家。但模型给出的通常是一个预测构象，而真实蛋白会在不同温度、溶液环境和结合状态下改变形态，也可能与其他蛋白、离子和小分子共同作用。

| 研究人员比较 AlphaFold 预测与实验结构后发现，即便模型置信度很高，局部构象、侧链位置和结构域方向仍可能不同。因此，这些预测更适合被视为“非常有价值的假设”，关键相互作用仍需实验确认。AI 可以提出更多候选答案，生命科学缺少的却经常是高质量问题和能够检验答案的数据。2026 年 8 月，Nature Reviews Drug Discovery 发表的一篇行业评述认为，AI 在药物研发中的技术成果很多，临床相关影响仍然有限。

| 即便难得放一天假，也被规定必须待在离单位30分钟车程内。                   陈晴记得，有一次，和她一起值班的一位同事凌晨两三点才下班，开车回家时遭遇事故。作者把原因归结为几类：研究过度关注模型指标，生命科学数据高度依赖实验条件，现实任务没有被准确描述，技术团队解决了一个容易计算的问题，却未必解决药物研发中真正阻塞决策的问题。陈晴说，虽然人仅受了轻伤，但留下了心理阴影，很久不能正常开车。她至今都想不通：“这样究竟有什么意义？”                    但她又会反复自我修正——或许“上级有上级的考量，或许自己站得太低，看不见全局”。比如，一个生成模型可以在几小时内创造数百万个分子。

| 自我怀疑与自我说服，成了另一种消耗。

|                    这些年，她不断主动把自己往“边缘”位置放，但实际工作一件也没少担。直到近几年基层人手逐渐充裕，她才终于得以脱身，转为办事员。                   经验丰富的她，时常还会为新科长指点一二。

| 但实验室没有能力合成和检测其中大部分，更多候选物甚至会放大后续筛选压力。年轻同事看不懂她为什么这么“佛系”，可她心里再清楚不过：稍微对晋升展露渴望，就很容易“被领导拿捏”。真正有价值的提升是把最可能失败的分子尽早排除，让有限的实验资源集中到更好的假设上。在这个意义上，“更快失败”也可能是 AI 对医学的重要贡献。

| 它不等于“治愈”，却可能节省数年时间和数亿美元成本。癌症会在治疗过程中改写题目而就这次引发关注的癌症来说，它所对应的问题更要复杂得多。美国国家癌症研究所将癌症描述为一组相关疾病，已知类型超过 100 种。陈晴说，身边不少同龄人，40多岁了还在苦苦追逐一个职位，被“反复画饼”，她宁愿做个“不上进”的人。不同器官的肿瘤由不同细胞产生，受到不同基因、免疫环境和外界因素影响。即使病理名称相同，两名患者的突变组合和治疗反应也可能相差很远。一名患者体内的肿瘤也不是整齐划一的细胞群。肿瘤在不断复制中积累突变，形成多个特征不同的亚群。一次活检取到的只是某个位置、某个时间的样本，未必包含所有具有转移或耐药能力的细胞。更棘手的是，治疗还会改变肿瘤。                   如今，她在做自己喜欢的事，过着自己想要的生活。药物杀死敏感细胞后，少数具有耐药性的细胞可能留下并扩张；免疫系统清除容易识别的细胞，也可能选择出更善于隐藏的亚群。2025 年 Nature Reviews Immunology 的一篇综述指出，肿瘤内部异质性与较差的临床结局、对免疫检查点抑制剂反应不足相关，免疫压力本身也会参与塑造肿瘤演化。算法此时面对的不再是一道答案固定的识别题。在陈晴看来，如果别人的“优秀”只能靠她的“不上进”来衬托，她也乐在其中。                   三、另一种活法                    能辞去中层职务，却依旧留在原单位工作，需要天时地利人和。田怡，则选择干脆地抽身离开。                   田怡今年41岁，在云南的一家大企业做人资经理，已经干了十多年。模型根据过去患者的数据学习规律，新的药物和治疗组合却会改变疾病的选择环境。

| 离职前的那段时间，她两次被确诊为中重度抑郁与焦虑。最严重的一次，她在公司长廊里走着，却忽然分不清身在哪里——那是一次短暂的解离。                   田怡表示，让她走到这一步的，有加班的劳累，但更多的是改革带来的暗流汹涌。

|                    2018年起，原本各自独立的六家公司，被整合进同一个集团。

| 当诊疗方式发生变化，历史数据中的关系也可能随之失效。集团要建立统一的人事制度，从薪酬、绩效到考勤，事事都要重新梳理。癌症数据还存在一个看似矛盾的问题：医院和研究机构保存了海量影像、基因组和病历资料，但进入具体治疗决策后，可用样本迅速减少。一旦按照癌症亚型、突变、治疗史、年龄、免疫状态和合并疾病继续划分，每组患者可能只剩很少几人。

| 真正需要个体化治疗的罕见组合，恰好也是训练数据最稀缺的位置。记录方式不同、随访缺失、治疗选择偏差和人口代表性不足，还会继续削弱模型的可靠性。AI 仍然可以在这里发挥作用。它能把病理图像、基因突变和临床资料放在一起分析，寻找单一数据源难以发现的患者亚群；能够预测潜在新抗原、优化放疗计划、匹配临床试验，也能帮助医生更早发现复发迹象。

| 田怡作为人事部门的负责人，夹在上下之间：上有集团董事长催着要结果，下有六家分公司各怀立场，频频抗拒。这些工具提高的是观察、排序和决策能力。

|                    田怡说，一个再普通不过的考勤制度，都能引来无休止的反对；绩效工资的比例调整，本是为了激励，却被分公司领导当作“失去了惩罚下属的手段”，而被不停地“鸡蛋里挑骨头”。它们给出的治疗建议是否真正优于医生原来的选择，仍需要前瞻性研究；一项建议能否在不同医院、不同族群和不断变化的治疗环境中保持有效，则需要真实世界验证。

| 而当 AI 从识别疾病走向干预疾病，它就同时进入了因果关系、伦理责任和风险分配的领域。

| 模型的一次错误分类可能导致重复检查；一次错误治疗建议可能让患者错过有效药物，或者承受不必要的毒性。越接近患者身体，证明责任就越重。                   她记得最典型的场景，是在集团汇报会上，分公司领导脸上的“微表情”，点评时“刻意的语气”，都让自己如芒在背。

| 有时候，这些领导还会揪着一些“当下大家都知道无法解决的历史性问题”不放，指责她工作能力不够。                   更让田怡无所适从的，是那些“话里有话”的暗示——有时明明是个简单的议题，却被刻意埋坑，话锋一转就成了她的责任。因此，在“治愈癌症”乃至其他普通疾病的道路上，AI 依然任重而道远。在田怡看来，她从不是那种“擅长职场游戏”的人，她只想把事情做好。

| 反而是手下的一些老员工，常常在会后提醒她多琢磨琢磨。

|                    久而久之，她感觉自己的精神开始“割裂”，直到她意识到自己必须要停下来了。成功之前的一切，正在加速但话又说回来，AI 对医学的影响，未必需要等待第一款“完全由 AI 发明”的药物获批才算成立。                   但离开并不顺利。它已经改变研究人员阅读知识的速度，扩大了可搜索的分子和蛋白质空间，也开始介入实验设计、患者招募、临床数据分析和监管材料处理。FDA 与欧洲药品管理局 2026 年共同发布的良好 AI 实践原则，把“明确使用场景”放在核心位置：模型是否可靠，取决于它被用来回答什么问题，以及答案将承担多大的风险。“我其实从2023年8月份就提出辞职了，”田怡苦笑着说，“但可能是因为没人干活了，就得抓着一个人干，就这样一直拖到11月后才让我走。离职前，还得把公司的薪酬制度、绩效制度全部做完，交接好，才算真正离开。这也提供了一种更有意义的衡量方式。在药物发现阶段，可以考察 AI 是否缩短了候选物设计和优化时间，是否提高了经过实验确认的命中率。”                    田怡说，最初来到这家企业时，她就带着抵触。

| 在临床阶段，应当观察它能否减少试验失败、改善患者招募、找到真正获益的亚群。最终的标准仍然是患者是否活得更久、更健康，是否用更低成本获得了安全有效的治疗。

| 大学时，她顺着父母的要求留在云南的高校；毕业后，她选择去上海打拼，拒绝过父母安排的烟厂和银行岗位。那是她为数不多的“叛逆”。但父亲身体渐渐不好，母亲又再三劝说，她最终还是回到昆明。

|                    在昆明的日子里，父母年纪大了，她曾慢慢接受过那种极其简单的未来想象：一份稳定的工作，每月按时领薪，有个家，就是所谓的好生活。

|                    “我从小到大被他们规训惯了，所以事情都可以妥协。”田怡说，“但我不是没有底线，比如你要让我随便找个人去结婚，我不愿意。Rentosertib、Anthropic 的蛋白质设计和莫德纳的个体化疫苗，正在把 AI 推向这条链条的不同位置。

| 它们比单纯的模型基准更接近生物世界，也比“AI 治愈癌症”复杂得多。Dario 所说的陈词滥调，问题或许就在这里。它把一个仍在逐级验证的过程提前写成了结局，也让那些已经发生、却不够戏剧化的进展失去了准确的名字。截至今天，AI 已经开始影响科学家下一步选择哪个靶点、设计哪个分子、进行哪项实验，而患者能否被治愈，仍要由实验、临床和时间共同回答。”                    田怡回忆，在这么多年的人生经历中，她其实很少想过生活还能有别的活法，“身边一起长大的朋友同学，不是进银行、进高校，就是进大企业或国企”。