英偉達要治好誰的病?

出品 | 虎嗅醫療組

作者 | 陳廣晶、王一鵬

編輯 | 王一鵬

頭圖 | 視覺中國

英偉達在生命科學領域的野心藏不住了。

生成式 AI 興起後,英偉達的CEO黃仁勳頻繁在公開場合談論生命科學,宣稱“生命科學工程化”即將來臨。事實證明,老黃不玩虛的——在剛剛落幕的英偉達2024年GPU技術(GTC)大會上,醫療健康和生命科學大火了一把,有業內人士統計,總共900多場活動中,至少有90場與該領域相關。

尤其是在 GTC 開幕當天,黃仁勳一口氣正式推出了25個醫療、生物製藥相關的“微服務”,覆蓋醫學影像、藥物研發和數字健康等領域。其目標是讓“全球醫療企業能夠在任何地點和任何雲上充分利用生成式 AI 的最新進展”。

在此之前,業界對英偉達的認知,更多集中於“賣卡的”。“算力,特別是GPU是訓練AI模型必不可少的生產資料。”百圖生科首席技術官(CTO)宋樂告訴虎嗅。

而英偉達的佈局顯然超出了一個硬件供應商的“本分”。從公開數據看,這家全球芯片巨頭已經與超2500家相關企業達成合作,包括提供算法的AI企業,也包括醫療、製藥領域巨頭。比如:與強生開發了可實時分析數據的手術機器人,與GE開發了可以“自動”給患者拍片的“天眼CT”。

最近一年,英偉達更是通過投資等方式,將至少10家AI製藥領域頭部公司納入麾下。

這不是科技巨頭第一次進軍生命科學領域,但 2024 這個時間節點,與英偉達這家企業本身,都有着某種特別的含義。

“像英偉達這樣,將在醫療領域的佈局提到戰略地位,可能在業界還是第一次。”浙江大學藥學院教授謝昌諭告訴虎嗅。

對英偉達醫療領域佈局的洞察,必須追溯到生成式 AI 的發展本身。然而看似在技術、商業層面都有無限故事可講的生成式 AI,在醫療健康領域,可算是踢到了鐵板。

從產業的反應來看,目前AI在醫療健康領域還處於起步階段,很多企業,特別是製藥企業仍然在觀望。有國內知名藥企相關負責人曾公開表示,該公司引入大模型的工作,至今還停留在成本覈算階段。

這種遲滯性並不是某一家公司的問題。從數據看,全球每年有超2500億美元花在新藥研發上,其中投向AI製藥的只有10多億美元,預計到2026年也不超過30億美元。

另據IDC的一項調查顯示,醫療健康和生命科學相關企業中只有14%“已經在生成AI方面進行了大量投資,並在未來18個月內製定了‘通過培訓獲取GenAI增強軟件和諮詢服務’的支出計劃”,遠低於全球整體水平(34%),且只有製造業的一半。

與醫療企業對 AI 的疏離感迥然不同的是,技術供應商一直保持着極大的熱情。數據顯示,全球僅AI+生物醫藥公司就有700多家;在醫療健康領域,谷歌、IBM等巨頭早就有所佈局。尤其是ChatGPT 火起來以後,僅中國就一口氣涌現了近50個醫療大模型,從ToB的醫生助手到ToC的私人健康管家幾乎全品類覆蓋。

醫療健康就像一個冷靜的“冰山美人”,“追求者”很多,但極其務實。她清楚地表示,算法只是一個小夥子的“發展潛力”,數據才能代表他的“背景與身家”。

而這恰恰是大部分技術供應商的痛處。

有行業投資人透露,因爲難以獲得好的數據,80%左右的醫療大模型沒有進入第二階段(即:投喂專業數據在某個領域增強),進入第二階段的20%中,絕大部分也沒有進行鍼對不同的場景、任務的高水平微調。

部分創業公司對內部醫療大模型進行評估時也發現,其能力僅達到“助手”級別,還稱不上“同伴”。這導致AI在短期內無法獨當一面,工作範圍侷限在導診、輔助讀片、寫病歷等。

在生物製藥領域,AI在蛋白質結構預測、蛋白質生成,甚至抗體藥生成領域都有很好的表現,但是這些仍然是臨牀前階段。在最耗時、最費錢的臨牀試驗階段(該階段開銷佔新藥總研發費用的70%以上),還只能做一些招募患者、做記錄等簡單工作。對於新藥研發成功率低等痛點問題,也沒有實質性改善。

以百圖生科爲例。他們提出的長遠目標是用 AI 來模擬生命系統,比如人體免疫系統,理想狀態下可以更好地預測抗體藥進入人體的情況。但在現實落地卻很不容易。“要實現這個目標,就需要突破一系列多個尺度的AI建模問題。”

百圖生科 CTO 宋樂告訴虎嗅,因爲蛋白質領域數據相對較多——已經達到十億規模以上,所以這一領域的進展最快,不僅能生成蛋白質,甚至可以按照多樣化的設計目標來生成具有功能性的蛋白質,比如成藥性較好的抗體藥,催化效率比較高的酶等。

然而模擬生命系統工程中,不但涉及單個蛋白質分子的生成,還涉及到大量的蛋白質的相互作用、細胞內和細胞之間的相互作用等,但這方面的問題更復雜,相對來說數據處於稀缺狀態,會需要持續的AI模型和實驗數據獲取手段的創新和突破。

“可以想象,蛋白質的數據會呈指數性的增長,生成設計的落地案例也會快速增長。但是這只是一部分,要模擬免疫系統,就需要其他層面也有同樣多的數據,以及與其匹配的AI模型創新和迭代,有同樣快速的增長。”宋樂說。

那麼有了數據,AI 就能在醫療健康領域暢通無阻了嗎?也不盡然。

比如,醫療領域的公開數據相對更多,獲取方式更多元,AI+醫療在此的進展也更快。就在今年年初,谷歌推出了一款醫學對話AI——AMIE(Articulate Medical Intelligence Explorer)。這款應用是繼Med-PaLM、Med-PaLM2之後的又一個“AI醫生”,甚至通過了圖靈測試,表現可謂令人驚豔。

儘管從具體表現看,這款在心血管疾病等領域的診斷領域,可以做得比保健醫師更好,但仍然無法輕易用到真實患者身上,哈佛大學醫學院專家在接受採訪時直言,醫療絕不是收集信息這麼簡單,“它關乎人與人的關係”。

在其背後,倫理問題、監管問題、制度問題,以及科學研究本身的進展限制,都是難以突破的障礙。可以說,被頻繁提及的研究數據,只是一個准入門檻,AI+醫療健康和生命科學本質上不是要解決一個技術問題,而是一個綜合性的社會問題。

謝昌諭向虎嗅表示,更強的硬件和算法對加速行業發展一定是有幫助,但是並不說今天多了1000臺GPU,明天就可以跟你打包票說AIDD(人工智能藥物發現與設計)會有一個怎樣的進展。

人工智能也被用於提高手術機器人準確性、安全性等。圖爲小觀衆在看單孔腔鏡手術機器人剝鵪鶉蛋。來自:視覺中國

英偉達版“曲線救國”

因此,像過往所有的技術服務一般,單純由乙方獨立研發,向甲方切割式地交付技術方案,是絕對不行的。醫療、醫藥行業專家必須參與到技術方案演進的過程中,這是AI企業在醫療、製藥領域摸爬滾打、屢敗屢戰六七十年後,最終得出的結論。

在這種合作關係中,藥械企業不僅是買單方,更是數據的生產方,他們不僅解決了誰來買單的問題,也爲產品迭代提供了足夠的數據。今天發展最爲成熟的AI+醫療影像就是典型案例。

GE、西門子等巨頭將AI與大型設備綁定,就人爲地建立了數據挖掘機。CT機、核磁共振機只要每天正常工作,就可以源源不斷爲AI提供數據養料了。同理,在藥品領域,沒有誰比出資搞研發的藥企更能理直氣壯地收集數據,AI 企業如果能參與到藥企的工作流程中,也有機會破局。

這道理大家都懂,但實際很難做到,原因也很質樸:藥企不同意。

對於藥企來說,這些數據太貴了。手握大量研發數據的大藥企,每年研發投入都在數十億美元的規模,默沙東、羅氏等研發傳統悠久的企業,相關投入早就超過了百億美元,且有逐年增長的趨勢。這些靠重金砸出來的數據,不僅有機會成就爆款單品,在未來競爭中,也會拉開與競爭者的距離。

在醫藥市場競爭越來越激烈的今天,任何企業也不願意輕易將數據貢獻出來。在這種情況下,要想拿到企業、醫院內部的臨牀數據,就只能爲他們量身定製模型,讓他們在“安全區”內感受大模型的威力。

只不過,這種操作成本也是極高的。有業內人士向虎嗅透露,在雲計算推廣過程中也出現過類似的情況,最終很多公司因爲虧本嚴重不得不叫停相關業務。大模型定製成本只會更高,他認爲,協議金額很可能必須達到10億美元級別才能收支平衡。

英偉達對此的策略是“曲線救國”。

英偉達是建生態的一把好手,其在10多年前(2006年)就憑藉CUDA(compute Unified Device Architecture,計算機統一設備體系結構)奠定了在芯片界的競爭壁壘。

簡單來說,CUDA 是基於GPU設計的軟硬件結合的通用計算構架。其優勢主要有兩個,一個是使用者可以直接與GPU結合操控芯片;二是CUDA架構爲軟件廠商免費提供開發工具,方便軟件開發。前者大大降低了GPU的使用門檻,後者方便使用者的同時也悄悄挖深了“護城河”——隨着“工具包”裡的零件越來越多,其可替代性也大大降低。

由此形成的CUDA生態,將英偉達與AI深刻綁定,英偉達也藉此逐漸甩掉競爭對手,實現了逆襲。

在進入醫療健康和生命科學領域時,英偉達大有將CUDA生態的成功經驗照搬過來的勢頭。

按照英偉達公開信息,他們此次推出的25個微服務,實際上是以往“專業版”基礎上的更易操作版本——這些微服務套件中包含了經過優化的NVIDIA NIM™ AI 模型和工作流,並提供行業標準應用編程接口(API),可用於創建和部署雲原生應用。

也就是說,醫院、藥企可以根據自己的需求點擊“按鈕”直接滿足在醫學影像、自然語言和語音識別以及數字生物學生成、預測和模擬功能等領域的需求。

對於AI企業來說,英偉達的品牌背書、行業影響力等帶來了更多機會。“它是一種導流的平臺。”宋樂告訴虎嗅。百圖生科於2023年加入了英偉達招募創業公司的“NVIDIA初創加速計劃”,在今年的GTC大會上,宋樂還作爲生態合作伙伴代表百圖生科分享了三年來做AI+生物醫藥的經驗。

而在另一邊,英偉達也降低了大模型使用的門檻,方便傳統的醫院、藥企使用他們提供的“工具包”——比如各種AI大模型等。隨着工具包的逐漸豐富,以及產業合作方的習慣、依賴,形成新的難以替代的生態。

你很介意軟件企業直接參與業務流程,共享數據?OK,我把“傻瓜式”工具賣給你,你自己來做。定製模型這種高成本的事情,英偉達是不參與的,不管藥企、雲計算企業雙方怎麼折騰,只要基於我的基礎設施來做,這一商業模式就是成立的。

英偉達的算盤打得很響,但需要注意的是,CUDA 過去面對的是軟件產業,這與醫療產業截然不同,如果僅是照搬 CUDA 的打法,那甚至都無法打開醫療市場。

相對互聯網行業,醫療、製藥非常傳統和封閉,有其獨特的流程。比如:在中國,想說服醫院採購某種產品,不僅要經過複雜的流程,還需要找到正確的渠道。在被認爲最需要AI的基層,很多醫院的採購渠道掌握在個人或者小代理商手裡,如果找不到他們,再好的產品也與之無緣了。因此,很多AI+醫療企業創業近10年也還沒能盈利。

而且科技巨頭“攻下”醫院、藥企陣地的決心,一直以來都很堅定,導致這一市場還沒發展起來,已經成了紅海了。

AWS、騰訊雲、百度智能雲等,都在這個賽道中“跑馬圈地”,爲了爭取儘量多的合作者,甚至有國內科技公司的相關負責人公開直言“要將構建AI場景模型的權利交還給科學家”,這幾乎就是在向對方剖白,可以不惜成本,滿足對方一切定製化需求了。

此外,英偉達提供的“工具包”還停留在“大衆版”的層面上,醫院、藥企如果需要“專業版”大模型,還是需要與AI企業合作。這也讓類似CUDA生態的“護城河”很難形成。

長期以來,國內面向大甲方的生意,都在買方強烈的定製化訴求,與賣方的“虧錢能力”間左右拉扯。相比之下,英偉達的方式雖然輕巧,卻很難滿足醫療機構、醫生的需求——他們通常更習慣接受積極上門推銷產品的營銷方式,缺乏主動找“工具包”訓練數據的動力。

較早進入醫療行業的科技公司,幫助基層醫院用遠程技術提高診斷水平。來自:視覺中國

英偉達的機會,更多是趨勢性的——產業界對AI的主要行爲是觀望,但在態度上也承認,AI不再是可有可無的東西,它將從根本上重構生命科學產業。

上世紀80年代開始,新藥研發的主戰場從小分子化藥轉向了結構更加複雜的生物藥領域,總藥物篩選空間可以達到10的60次方之大,想要靠人力快速篩選出適合的分子幾乎不可能了,這一問題在“低垂的果實”逐漸摘完、複雜藥物研發成爲常態之後越來越突出了。

“AI在逐漸地變成生物醫藥研發中不可或缺的基本實驗設備。”宋樂向虎嗅解釋說。他認爲,接下來生物藥物研發對AI以及後面計算資源的需求量會越來越大。

如今應用AI技術,已經可以將新藥研發中的探索臨牀前化合物的耗時從原來的4年縮短3/4,到13.7個月,甚至壓縮到一個月或20多天。另據麥肯錫全球研究所(MGI)估計,生成式AI有望每年爲醫療、製藥產業帶來上千億美元經濟價值。

來自:麥肯錫

這樣的數據固然令人心動,但是這對每年全球銷售額超過萬億美元的產業來說,還不構成致命吸引。前述提到新藥研發最大的花銷在臨牀試驗階段,AI在這一領域能做的還非常有限。同時,目前還沒有任何一款由AI設計的藥品上市,也無法證明AI可以提高新藥研發的成功率。

因此,製藥企業與AI公司合作的過程中,試探性的少量投入更多,且更傾向於在類似密碼子優化的細節上合作。這讓很多AI製藥企業的商業化野心很難找到出口。

但這和英偉達有什麼關係呢?至少在五年內,英偉達賣的仍然是基礎設施,不是藥物研發解決方案,讓藥企爲態度買單先構建基礎設施,比直接砸錢定製大模型靠譜得多。

況且在中國,醫療機構、製藥企業對AI的需求還遠不止於新藥研發。

2018年以來,藥品、耗材帶量採購等斬斷“以藥養醫”利益鏈條的改革,以及國家醫保談判、醫保支付方式改革等醫改新政,共同宣告了整個藥品研發、生產、流通到使用環節暴利時代的結束。

在一輪又一輪的瘋狂降價潮中,整個產業鏈上的任何成員,都必須精打細算、想方設法地降本增效。此外,在醫藥反腐風暴不斷升級後,負責銷售藥品的流通企業,還要儘快找到合規的營銷方式。

對於所有這些問題而言,AI堪稱救命稻草。而英偉達是這個“稻草”上最爲世人矚目的企業。