精選解讀｜AI 能加速科學，為什麼不等於十年內治癒癌症？真正的問題是「瓶頸轉移」
精選解讀｜AI 能加速科學，為什麼不等於十年內治癒癌症？真正的問題是「瓶頸轉移」
AlphaFold 已證明 AI 可以突破單一科學難題，但從理解疾病、設計藥物到人體試驗，每一段都有不同限制。當其中一個環節突然變快，企業真正該看的，是整個系統究竟快了多少。
最快的環節，不會決定整個系統的速度
2025 年，Google DeepMind 執行長 Demis Hassabis 在 CBS《60 Minutes》提出一個引人注目的預測：AI 有機會把部分藥物設計工作從原本需要數年，縮短到數月、甚至數週；當主持人追問「疾病是否可能因此終結」時，他認為，在 AI 協助下，這件事「也許在未來十年左右」已進入可及範圍。Anthropic 執行長 Dario Amodei 更早提出「compressed 21st century」：如果足夠強大的 AI 出現，人類原本可能需要 50 至 100 年取得的生物醫學進展，有機會壓縮到 5 至 10 年。
到了 2026 年，這種樂觀時間表開始受到更直接的挑戰。心臟科醫師 Eric Topol 對《The Information》表示，糖尿病、阿茲海默症、心臟疾病等重大疾病至今仍沒有真正的治癒方法，目前也缺乏歷史經驗支持「未來 5 至 10 年突然全面改變」這種預測。另一方面，長期投入 AI 藥物研發的 insitro 創辦人 Daphne Koller，也把問題指向更根本的一層：我們現在缺少的，可能不只是更快的藥物設計，而是對人類疾病本身更準確的理解。
這場爭論如果只被理解成「AI 領袖太樂觀，科學家太保守」，反而會錯過最值得企業理解的問題：當 AI 把一個關鍵工作加速十倍，整個系統真的也會快十倍嗎？
01｜AlphaFold 證明 AI 可以突破難題，但沒有證明成果會等速抵達
2020 年推出的 AlphaFold2，大幅改變蛋白質結構預測。2024 年諾貝爾化學獎將一半獎項頒給 David Baker，另一半共同頒給 Hassabis 與 John Jumper，其中 Hassabis 與 Jumper 正是因蛋白質結構預測獲獎。目前 AlphaFold Protein Structure Database 已提供超過 2 億筆蛋白質結構預測，Google DeepMind 表示 AlphaFold 已被超過 300 萬名、來自 190 多個國家的研究者使用。
這是真正的科學突破，也證明 AI 可以讓過去極為困難、耗時的研究工作產生巨幅加速。
但蛋白質結構預測，和病人最後能不能得到有效治療，中間仍隔著很長一段路。
知道蛋白質長什麼樣，不等於知道某種疾病真正由什麼因果機制造成；找到可能的藥物標靶，也不等於干預這個標靶一定能改變病程；設計出候選藥物之後，還要經過臨床前研究、人體試驗、安全性與療效確認。
因此，AlphaFold 同時提供了兩個不同層次的證據。
一個已經相當明確：AI 可以大幅提升特定 scientific capability。
另一個仍沒有被證明：這種能力提升，會不會以接近相同的比例縮短從科學發現到病人受益的時間。
兩者不能直接畫上等號。
02｜藥物設計變快之後，真正的瓶頸可能移到「我們到底懂不懂疾病」
Daphne Koller 在 2026 年 8 月發表的〈Drug Discovery Has No Magic Wands〉，提供了一個很有用的拆解方法。
她把藥物研發分成三段：
Disease → Mechanism → Drug → Patient
Disease → Mechanism → Drug → Patient
第一段，是從疾病找到真正具有因果關係的生物機制；第二段，是根據這個機制設計藥物；第三段，才是讓候選藥物經過臨床開發，走到病人身上。
Koller 認為，目前大量 AI 能力集中在第二段。當我們已經知道要攻擊哪一個機制時，AI 正變得愈來愈擅長設計蛋白質、小分子、RNA 或其他候選療法。
問題是，許多疾病最難的地方可能還在第一段。
我們究竟找對了嗎？
Koller 指出，超過 90% 進入臨床試驗的藥物最後失敗；她的判斷是，很多情況並不是分子沒有按照設計發揮作用，而是最初選擇的疾病機制就不對。她用一個很直觀的比喻形容：藥物產業已經很會製造鑰匙，問題是很多鑰匙配的是錯的鎖。
這使我們可以用一個更廣義的方式理解目前的 AI 科學進展：AI 不一定直接消除系統限制，它可能先讓瓶頸換位置。
如果分子設計不再需要數年，疾病機制判斷的重要性就會上升；如果候選藥物可以大量、快速產生，臨床驗證能力就可能變成新的限制；即使臨床流程繼續改善，人體生物學、安全性與長期療效仍有一些無法只靠運算速度跳過的時間。
這並不是 Amodei 沒有考慮過的問題。相反地，他在提出「50 至 100 年壓縮成 5 至 10 年」時，已明確列出資料不足、實體世界速度、生物複雜性、實驗時間與臨床試驗等限制。他真正更樂觀的判斷，是足夠強大的 AI 最終也能透過更好的實驗設計、模擬、平行化與新研究工具，逐步繞過其中一些限制。
所以現在真正還沒有答案的，不是「AI 有沒有能力加速科學」。
答案顯然是有。
真正的不確定性在於：當一個瓶頸被突破之後，AI 能不能持續突破下一個、再下一個瓶頸，最後讓整條生物醫學價值鏈一起加速。
03｜企業導入 AI 也容易犯同一個錯：把 Task Acceleration 當成 System Acceleration
這也是這場醫療爭論對一般企業最有價值的地方。企業評估 AI 時，通常最容易測量的是單一工作的改善。
工程師使用 AI Coding 後，寫程式快了多少？
行銷團隊使用生成式 AI 後，一天可以多產出多少內容？
工廠導入預測模型後，設備異常可以提早多久發現？
工程師使用 AI Coding 後，寫程式快了多少？
行銷團隊使用生成式 AI 後，一天可以多產出多少內容？
工廠導入預測模型後，設備異常可以提早多久發現？
這些數字都有價值，但它們回答的是 Task Acceleration，還不是整個系統的改善。
程式碼寫得更快之後，測試、安全檢查、系統架構與程式碼審查可能接手成為限制。
內容大量生成之後，真正稀缺的可能轉成選題、查證、判斷、編輯與通路。
工廠即使可以更早預測設備故障，如果現場沒有維修人力、備品不足，或停機需要多層授權，模型表現再好，也不會同比例轉換成產線成果。
這就是企業版本的「瓶頸轉移」。
因此，比「這項 AI 能省下多少工時」更完整的判斷順序應該是：
AI Capability Gain → Bottleneck Shift → System Throughput → Business Outcome
AI Capability Gain → Bottleneck Shift → System Throughput → Business Outcome
先確認 AI 究竟把哪一項能力變強；接著觀察原有瓶頸消失後，哪一段工作開始塞車；再測量整條工作流程的週期時間、產出量與品質究竟改善多少；最後才回到營收、成本、風險、客戶成果等企業真正關心的結果。
這也是為什麼企業除了整理 AI Use Case List，其實還可以多畫一張 AI Bottleneck Map。
不是只標記「哪些工作可以用 AI」，而是把 AI 放進完整工作流程後，持續追蹤限制條件移到了哪裡。
企業可以先問三個問題：
1. 如果這項工作明天快十倍，下一個最慢的環節會是哪裡？
如果答案很清楚，代表 AI 專案的下一階段可能不是繼續優化模型，而是處理相鄰流程。
2. 我們現在衡量的是 AI 的能力，還是整條流程的結果？
生成速度、模型準確率、節省工時都是中間指標。真正應同步觀察的，是完整流程時間、錯誤率、客戶成果、成本或其他最終 KPI。
3. 新瓶頸需要 AI 解決，還是需要人、制度與資源重新配置？
有些限制來自技術，但有些來自權限、資料、審核、供應能力、人員配置與組織制度。繼續增加 AI 能力，不一定是最有效的解法。
總結｜接下來真正要看的，不是 AI 還能生成多少，而是它能不能連續突破限制條件
目前的證據，還不足以判斷 AI 是否能讓癌症或其他重大疾病在未來 5 至 10 年內普遍被治癒。Hassabis 與 Amodei 提出的是對未來 AI 能力與系統性加速幅度的預測，不是已經得到臨床證據支持的時間表；Topol 與 Koller 的質疑，也不能反過來證明這種加速不會發生。
比較穩健的判斷是：AI 已經證明自己能大幅壓縮部分科學工作的時間，但從 Task Acceleration 走到 System Acceleration，中間還隔著疾病理解、實驗、臨床驗證與實體世界限制。
接下來最值得觀察的訊號是：AI 能不能開始提高「找對疾病機制」的成功率；AI 產生的候選藥物能不能在人體試驗中呈現更高成功率；以及從疾病假設到臨床結果的端到端週期，是否真的持續縮短。
如果這些數字開始一起改善，「compressed 21st century」才會從一個大膽預測，逐步變成可以驗證的趨勢。
對企業也是如此。
AI 真正改變一個產業的速度，不會只由最快的那個環節決定，而要看整個系統還剩下多少沒有被解開的瓶頸。
AI 真正改變一個產業的速度，不會只由最快的那個環節決定，而要看整個系統還剩下多少沒有被解開的瓶頸。
FAQ
Q1｜Demis Hassabis 真的預測 AI 十年內可以治癒所有疾病嗎？
Hassabis 在 2025 年《60 Minutes》訪問中表示，在 AI 協助下「治癒所有疾病」有一天可能實現，當主持人追問疾病終結是否可及時，他回答「也許在未來十年左右」。這是對未來可能性的預測，不是承諾在特定日期前完成，也不是已有臨床證據支持的時間表。
Q2｜Dario Amodei 的「compressed 21st century」是什麼？
Amodei 認為，在「足夠強大的 AI」出現之後，AI-enabled biology and medicine 可能把人類原本需要 50 至 100 年取得的生物醫學進展壓縮到約 5 至 10 年。這個時間是從他所定義的 powerful AI 出現後開始計算，而且他自己也明確承認實驗、資料、物理世界與臨床試驗存在限制。
Q3｜AlphaFold 是否已經證明 AI 可以治療疾病？
沒有。AlphaFold 已證明 AI 可以大幅提升蛋白質結構預測能力，並成為全球研究工具，但蛋白質結構預測只是疾病研究與藥物開發的一個環節。它的成功證明 AI 能加速科學任務，不能直接證明疾病治療結果會以相同速度改善。
Q4｜什麼是本文所說的「瓶頸轉移」？
「瓶頸轉移」是本文用來理解 AI 導入的判讀方式：當 AI 大幅改善原本最慢的工作，整個系統的限制可能不會消失，而會移到下一個環節。因此評估 AI 時，不能只測量單一任務加速多少，還要觀察新的限制條件與整體流程改善幅度。
Q5｜企業應該如何判斷 AI 專案是否真的有效？
除了模型準確率、生成速度與節省工時，還應追蹤端到端的工作流程週期、產出品質、錯誤率、成本與最終企業成果。最關鍵的問題是：原本的工作變快之後，下一個最慢的環節在哪裡？
參考資料
Artificial intelligence could end disease, lead to "radical abundance," Google DeepMind CEO Demis Hassabis says — CBS News / 60 Minutes
https://www.cbsnews.com/news/artificial-intelligence-google-deepmind-ceo-demis-hassabis-60-minutes-transcript
Why Scientists See AI Leaders as False Prophets — The Information, Amy Dockser Marcus
https://www.theinformation.com/articles/ai-probably-cure-cancer-anytime-soon-scientists-say
Drug Discovery Has No Magic Wands — Daphne Koller
https://www.a16z.news/p/drug-discovery-has-no-magic-wands
AlphaFold Protein Structure Database — EMBL-EBI / Google DeepMind
https://alphafold.ebi.ac.uk
作者：睿客
版權聲明與授權須知
本內容由 InfoAI 擁有著作權。如有引用、轉載或任何商業用途的需求，請來信聯絡： contentpower688@gmail.com。
如果你覺得這篇解讀對你有幫助，歡迎訂閱 InfoAI 電子報，我們將持續為你精選 全球 AI 新聞與趨勢洞察，幫助你看懂新聞背後的真正意義。也別忘了加入透過［按鈕］加入 Line 社群 ，隨時掌握值得關注的 AI 發展與專業觀點。
AI 協作聲明：
本篇文章由 InfoAI 團隊策劃，並透過人工智慧工具協助資料整理與內容撰寫，最終內容由編輯進行人工審閱與優化。
JUDGEMENT
We help you make better judgement about AI.
不是更快知道 AI 新聞，而是更早做出你能承擔後果的判斷。
InfoAI 存在的目的
是把 AI 的變化，轉換成可被理解、可被評估、可被行動的判斷框架。