2026张江药谷大会暨上海国际生物医药产业周开幕论坛“AI驱动创新”专场，2013年诺贝尔化学奖获得者、斯坦福大学教授迈克尔·莱维特（Michael Levitt），与英矽智能联合首席执行官兼首席科学官任峰，围绕“预见生命的未来：AI驱动下精准制药与衰老逆转”展开了一场深度对话。
一位是计算生物学先驱，另一位带领团队，推动全球首个由人工智能完成靶点发现与分子设计的创新药进入Ⅲ期临床试验。从分子设计到临床验证，再到健康长寿与衰老研究，两人的讨论不断向生命科学更深处延伸，为理解疾病、衰老与生命打开了新的想象空间。一起来看对话实录→
AI如何重塑药物研发？
任峰
首先想问莱维特教授一个关于“从科幻走向临床现实”的问题。50多年前，您就开展了世界上第一个蛋白质活性酶的模拟研究。当时听起来像是科幻小说，而今天，我们不仅能够预测蛋白质结构、设计新的分子，甚至可以使用AI技术开展临床研究。
您如何看待AI的发展及其对生物学研究的影响？是否符合您当时对生物学的愿景？
Michael Levitt
很高兴来到这里和您对话。我当时做分子设计和模拟时，最根本的想法是：生物学遵循自然规律，我们可以用一种全新的方式来理解生物学。
令我震惊的不是这件事有多重要，而是它发展得有多快。现在，我们已经从预测蛋白质结构，走向设计蛋白质、寻找潜在治疗方法、发现药物分子，并进一步推动临床试验的发展。
任峰
即便现在还有很多怀疑的声音，一直有人讨论：AI虽然有用，但可能只是在早期开发和发现阶段有用，很难真正把药物带入临床、推向患者。我们也非常高兴能够分享这样的消息。在硅谷，已经有AI发现和设计的分子进入了Ⅲ期临床试验。
从您的角度来看，作为一名计算生物物理学家，您认为AI未来是否还有更广泛的应用场景？毕竟，我们可以提出一个分子，但到真正进入临床应用，还需要经历Ⅰ期、Ⅱ期、Ⅲ期等一系列验证过程。
Michael Levitt
我觉得这个很有意思，可以用AI识别靶点，这样的生存过程非常重要。分子已经经历了很长历程，还有这样的挑战，确实在3阶之前有很多时间在上面。
这一点非常重要。一个由计算机设计出来的分子，需要经历一个又一个逐步接近真实临床情境的验证阶段。AI不仅可以帮助设计分子，也可以帮助识别靶点。一个药物分子真正走到临床，需要经历非常漫长的过程，在进入Ⅲ期之前就已经投入了大量时间和工作。到了Ⅲ期临床试验，可以说已经非常接近最终的现实检验，因此现在的进展非常令人兴奋，我也很期待最后会带来怎样的结果。
任峰
从您的角度来看，您对于正在进行的Ⅲ期临床试验有怎样的看法？您最关注哪些关键结果？
Michael Levitt
我认为，现实世界与实验之间存在不同层次的关系，或者说，我们面对的是不同生命层级之间的关系。
Ⅰ期、Ⅱ期、Ⅲ期临床试验都非常重要。在这个过程中，人类所发挥的作用比计算机给出的结果更重要。未来AI的重要性会越来越凸显，但我们仍然需要不断观察。
过去做的建模有很多维度，比如量子力学以及不同尺度下的模型。但从一个药物分子真正走向疾病治疗，要困难得多。这里面涉及原子、蛋白质、细胞、通路、组织乃至不同的人群，非常复杂。我们正在不断取得进展，而AI重要的地方，就是帮助我们解决这些瓶颈。所以与其讨论AI究竟更适合早期还是晚期研发，不如说，它应该逐步融入药物研发的每一个环节。
AI如何跨越临床挑战？
任峰
我们现在正在开展这样一项Ⅲ期临床研究，不确定能不能成功，还是会有一些紧张。我们也一直在想，有没有可能有一天，直接用AI来预测Ⅲ期临床试验的结果？
从您的经验来看，如果希望实现这样的预测，在计算层面最大的挑战是什么？生物医学与AI结合，目前最主要的问题在哪里？
Michael Levitt
现在我们已经有一些非常好的计算模型，比如针对电解质、蛋白质等建立的模型，但我们还没有足够好的、面向人群和患者的模型。
因为每一位患者都不一样。即使一次临床试验中只有100名患者，他们之间也可能存在很多差异。我们要做这样的预测非常困难。
但AI是个很好的工具，可以从数据中提取规律。如果五年以后，我们真的能用AI预测Ⅲ期临床试验结果，我不会觉得特别惊讶。我认为这是一个非常现实、值得探索的问题。
任峰
也就是说，您认为一个重要原因是患者之间存在差异，而我们现在掌握的数据还不够充分？对于不同人群在临床试验中的差异，我们目前也还没有完全了解，对吗？
Michael Levitt
是的。每个人都有不同的属性。我们可以测量一些临床指标，但目前还无法真正理解每一个个体背后的机制，以及不同个体之间为什么会产生这些差异。
可能未来技术会朝这个方向发展。我们也已经看到，人工智能在过去3年取得了很大的进步。新一代AI，我觉得它有可能彻底改变临床试验，未来或许可能实现对Ⅲ期临床试验结果的预测。如果将来这种预测真的能够在Ⅲ期临床试验中得到验证，并且保持较高的准确性，那将是非常重要的进展。
理想的最终情况下我们希望真正帮助到患者。最基础的就是靶点、分子、患者和数据。要实现这一目标，需要不断重复一个过程：预测、创造、测试、学习，再重复，最终形成一个完整循环。
我认为与特定案例相比，这个循环本身更加重要。有些人可能觉得人工智能会在某些方面给我们带来新的障碍，但实际上我们也可以不断从AI中学习。这是一个反馈机制、反馈循环。当我们有更多案例和病例后，AI也能不断得到提升和优化。
AI如何拓展生命科学边界？
任峰
刚才我们主要讨论了AI和药物研发，接下来想把话题转向健康长寿。比如肺纤维化就是一种与衰老密切相关的疾病。目前我们正在研发的IPF相关分子，也可能成为探索健康长寿路径中的一步。
那么，我们应该如何从疾病治疗进一步走向健康长寿？您如何看待计算生物学、计算生物物理学在解决衰老问题中的作用？
Michael Levitt
衰老更难，因为我们没有单一分子可以用于解决衰老问题。它可能与基因、分子、蛋白质、新陈代谢以及免疫系统等很多因素有关，而且这些变化是在很长一段时间里逐渐发生的，非常具有挑战。
AI能够从大量信息中发现规律、识别模式，但我们不能把延长人类健康寿命的希望完全寄托在AI上，也不能只希望在某一个生物标志物上得到一个更好的“分数”。生物标志物非常重要，但它只是第一步，并不是最终目标。
最近我们发表了一篇文章在《Nature Biotechnology》上，利用蛋白质组学来尝试评估患者状况。未来可能会有AI智能体决定我们在其中的应用。为了真正推进这个领域的研究，一个很重要的问题是：我们到底如何利用AI将微观层面的细胞变化与宏观层面的健康寿命联系起来？我认为这是一个非常困难的问题。
如果讨论衰老的话，可能需要让老年患者接受相关试验。这样的研究本身就有价值所在，因为通过对老年群体的长期观察和测试，我们能够获得更多信息。不同的衰老标志物、不同剂量对疗效的反映可能也不完全相同，其中存在很多影响因素。如果临床试验参与者同时患有某些疾病，比如肺部疾病，治疗方案也需要有所不同。一种方法可能对特定人群有效，对其他群体却没用。如何解决这些差异，会成为未来一个重要的研究方向。未来我们或许需要探索，能不能把老龄化研究与临床试验更好地结合起来。
如果我们观察健康人群，也会发现，衰老的标志有很多种。我们可以通过很多方式判断一个人是否出现衰老迹象。比如从椅子上站起来的速度变慢，或者在跑步机上运动时心脏出现不适，这些都可以提供信息。为了让相关药物真正应用到健康人群中，我们还需要获得监管部门的批准。我希望未来有一天，一些公司能够真正做到这一点，改变整个领域的发展。
任峰
刚才您提到了一个有意思的变化：AI正在重新塑造科学。过去我们更多是借助计算来理解自然，而今天已经开始尝试设计甚至创造自然界原本不存在的东西，让生物学更好地服务于人类。
最后一个问题，在您看来，未来的人们回看今天，会不会把这个时期视为一次新的科学范式转变？无论是开发新的药物，还是利用AI治疗疾病，我们正处在一个怎样的节点？
Michael Levitt
我认为一些非常根本性的变化正在发生。我们不断发现新的规律和资源，并且尝试更好地理解它们。计算方法出现以后，帮助我们更深入地理解生物学，现在甚至能够创造一些自然界中原本不存在的东西。我们的能力正在变得非常强大，它改变了整体科学发展的进程。
AI会重塑科学，也会赋能科学。但科学最根本的仍然取决于我们能不能提出一个好的问题，是否有令人惊喜的实验发生。AI可以加快每一个步骤，甚至连犯错也可能更快。但同样我们也可以更快发现错误，更快找到正确方向，这是非常根本的逻辑。
如果未来能够降低新药研发的成本，我们就有机会开发出更多安全有效的药物。比如在社交媒体上会听到一些关于抗衰老药物的讨论，这些药物或许能够帮助我们应对人口老龄化，但首先要确保这些药物是安全的。未来，我们希望能够延缓疾病发生，尽可能维持人的身体功能，更好地保护人类健康。
编辑：朱文莹
特别声明：本文经上观新闻客户端的“上观号”入驻单位授权发布，仅代表该入驻单位观点，“上观新闻”仅为信息发布平台，如您认为发布内容侵犯您的相关权益，请联系删除!
