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*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。
“在互聯網/雲計算的行業裏，像英偉達這樣，將在醫療領域的佈局提到戰略地位，可能還是*次。”浙江大學藥學院教授謝昌諭告訴虎嗅。
醫療領域，不相信算法
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，僅中國就一口氣湧現了近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：投餵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，但是這些仍然是臨床前階段。在最耗時、最費錢的臨床試驗階段（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。
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*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、醫院內部的臨床數據，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”裏的零件越來越多，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。“它是一種導流的平台。”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裏，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。
或有調和成本之爭的機會
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床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。