《科創闆日報》3 月 17 日訊 " 有人說，我們是英偉達下一個數十億美元級業務，" 英偉達醫療保健副總裁 Kimberly Powell 日前在一次采訪中如是表示。她表示，英偉達的目标是爲更多生物技術公司提供芯片、雲基礎設施與其他工具。
對于英偉達而言，醫療保健并非是其最爲亮眼的業務，但這不意味着它不重視這一領域。
若按照英偉達自家官網的行業分類，即将于 18 日開幕的英偉達 GTC 大會上，有 90 場活動與醫療保健 / 生命科學相關——數目位居所有行業之首，超過了汽車、雲服務、硬件 / 半導體等一衆熱門領域。
其中，由 Kimberly Powell 主持的 "AIGC 在現代醫學中的作用 " 活動，更彙集了著名基金經理 " 木頭姐 "Cathie Wood、微軟研究院院長 Peter Lee 等多位大咖，探讨 "（AIGC 如何）重新定義醫療服務、發現新藥和提高患者療效的關鍵驅動力 "。
作爲英偉達的掌舵人，黃仁勳已經一次又一次地将數字生物學稱爲技術領域中 " 下一場驚人的革命 "，他還在近期舉行的一場會議中放言，人人都必須學會計算機的時代過去了，人類生物學才是未來。
在這個 AIGC 與醫藥的交彙點上，AI 寫的不是風花雪月，畫的不是山光水色，根據一個個提示詞生成的，或将是下一個 " 神藥 "。
▌爲什麽是現在？
在大多數情況下，當人們談到英偉達時，都會将它定義爲一家芯片公司；始于 2022 年的這一場 AI 熱潮，更是進一步加深了這一印象。
但黃仁勳對此并不贊成。在 2008 年的一次采訪中，這個總是以黑色皮衣示人的英偉達掌門人就坦承，
" 表面上，我們确實是生産芯片的，但在我的眼裏，我們從來都不是一家芯片公司，而是一家幫助客戶解決複雜視覺計算問題的公司。"
" 如果英偉達把自己限定爲生産芯片的公司，我們就會自動地認爲電影和我們沒有關系，遊戲和我們也沒有關系，醫院和我們也沒有關系。事實上，這些都已經成爲我們重要的業務，因爲它們背後有一個同樣的問題，即複雜的視覺計算問題，這些問題沒有一個屬于對手，全部屬于客戶。"
可以看到，彼時的英偉達，已将醫療納入了自家版圖之中。的确，将 AI 應用于藥物發現并不是什麽新鮮事。那麽爲什麽經過了這麽多年，以英偉達爲首的科技巨頭又開始爲 AI 醫藥奔走呼喊？爲什麽是現在？
"（當下）是一個突破性的時刻。" ——這是 DeepMind 與英偉達的高管給出的共同答案，行業首次同時集齊了 " 大量訓練數據、計算資源的爆炸式增長、AI 算法的進步 " 三個要素，" 這在五年前是不可能實現的。"
▌ AI+ 醫藥 = 下一個黃金賽道？
一舉将英偉達捧上 " 算力之王 " 寶座的是 GPU，但過去兩年以來，其風投部門很大一部分投資都流向了藥物研發——單是 2023 年，英偉達就投資了 8 家藥物發現初創公司。
圖 | 英偉達 2023 年風投分布（來源：S&P Global）
得益于 AI 熱潮，英偉達市值飛速上升。"既然計算機輔助設計行業捧出了第一家 2 萬億美元市值的芯片公司，同樣，計算機輔助藥物發現行業爲什麽不能打造下一個價值萬億美元的藥物公司呢？" 談及英偉達在生命科學領域的投資時，英偉達醫療保健副總裁 Kimberly Powell 這樣解釋。
而在 AI 醫藥這條路上，英偉達并非是踽踽獨行者——可以說，科技巨頭們都對生物醫藥領域的 AI 技術抱有興趣，微軟、谷歌等全球最強大的科技巨頭們，也正在将生物技術視爲 AI 的下一個前沿領域。
例如谷歌 DeepMind 的研究人員們将 AlphaFold 模型（一種預測蛋白質結構的突破性工具）用于開發一種 " 分子 " 注射器，以将藥物直接注射到細胞中，并用于研究減少對殺蟲劑依賴的農作；
Salesforce 去年推出了蛋白質生成模型 ProGen；
微軟也發布了類似的開源模型 EvoDiff；
亞馬遜爲其 AWS 機器學習平台 SageMaker 發布了蛋白質折疊工具 ……
以 DeepMind 的 AlphaFold 研究項目爲例：人體中的蛋白質管理着各種功能，所有這些功能都依賴于蛋白質的三維形狀。每個蛋白質由一系列氨基酸組成，氨基酸與外部環境之間的相互作用決定了蛋白質的 " 折疊 "，這決定了其最終的形狀。
對于生物技術公司來說，能夠根據其氨基酸序列預測蛋白質形狀非常重要，這些公司可以利用這些預測來設計新藥、改良作物、可生物降解塑料等各種産品。
這正是深度學習的用武之地：在數以億計的不同蛋白質序列及其底層結構上訓練人工智能模型，讓這些模型發現生物學規律，無需真正分子動力學模拟所需的昂貴計算。而完全模拟蛋白質需要高強度的計算資源，因此一些機構還專門設計和建造了超級計算機來處理這類問題。
毋庸置疑，AI 在生物技術領域擁有着巨大潛力。
在 15 年前就将目光投向醫療的黃仁勳曾驚歎，計算機輔助藥物發現 " 确實是奇迹 "。用與計算機輔助芯片設計相同的方法，在藥物發現領域中，人們可以從計算機輔助藥物發現轉向計算機輔助藥物設計。" 如果我們将其放大十億倍，我們就可以模拟生物學。"
" 未來生命科學會像傳統行業那樣高度工程化。當數據科學、人工智能和自動化的結合時，生物學會呈指數級改進，從而成爲下一個黃金賽道。"
