黄仁勋认证“下一个黄金赛道”！“AI+医药”或成英伟达GTC重头戏

①即将开幕的英伟达 GTC 大会上，有 90 场活动与健康 / 生命科学相关，数目居所有行业之首。 ②黄仁勋指出，" 当数据科学、人工智能和自动化的结合时，生物学会呈指数级改进，成为下一个黄金赛道。" ③微软、谷歌等全球最强大的科技巨头们，也正在将生物技术视为 AI 的下一个前沿领域。

《科创板日报》3 月 17 日讯 " 有人说，我们是英伟达下一个数十亿美元级业务，" 英伟达医疗保健副总裁 Kimberly Powell 日前在一次采访中如是表示。她表示，英伟达的目标是为更多生物技术公司提供芯片、云基础设施与其他工具。

对于英伟达而言，医疗保健并非是其最为亮眼的业务，但这不意味着它不重视这一领域。

若按照英伟达自家官网的行业分类，即将于 18 日开幕的英伟达 GTC 大会上，有 90 场活动与医疗保健 / 生命科学相关——数目位居所有行业之首，超过了汽车、云服务、硬件 / 半导体等一众热门领域。

其中，由 Kimberly Powell 主持的 "AIGC 在现代医学中的作用 " 活动，更汇集了著名基金经理 " 木头姐 "Cathie Wood、微软研究院院长 Peter Lee 等多位大咖，探讨 "（AIGC 如何）重新定义医疗服务、发现新药和提高患者疗效的关键驱动力 "。

作为英伟达的掌舵人，黄仁勋已经一次又一次地将数字生物学称为技术领域中 " 下一场惊人的革命 "，他还在近期举行的一场会议中放言，人人都必须学会计算机的时代过去了，人类生物学才是未来。

在这个 AIGC 与医药的交汇点上，AI 写的不是风花雪月，画的不是山光水色，根据一个个提示词生成的，或将是下一个 " 神药 "。

▌为什么是现在？

在大多数情况下，当人们谈到英伟达时，都会将它定义为一家芯片公司；始于 2022 年的这一场 AI 热潮，更是进一步加深了这一印象。

但黄仁勋对此并不赞成。在 2008 年的一次采访中，这个总是以黑色皮衣示人的英伟达掌门人就坦承，

" 表面上，我们确实是生产芯片的，但在我的眼里，我们从来都不是一家芯片公司，而是一家帮助客户解决复杂视觉计算问题的公司。"

" 如果英伟达把自己限定为生产芯片的公司，我们就会自动地认为电影和我们没有关系，游戏和我们也没有关系，医院和我们也没有关系。事实上，这些都已经成为我们重要的业务，因为它们背后有一个同样的问题，即复杂的视觉计算问题，这些问题没有一个属于对手，全部属于客户。"

可以看到，彼时的英伟达，已将医疗纳入了自家版图之中。的确，将 AI 应用于药物发现并不是什么新鲜事。那么为什么经过了这么多年，以英伟达为首的科技巨头又开始为 AI 医药奔走呼喊？为什么是现在？

"（当下）是一个突破性的时刻。" ——这是 DeepMind 与英伟达的高管给出的共同答案，行业首次同时集齐了 " 大量训练数据、计算资源的爆炸式增长、AI 算法的进步 " 三个要素，" 这在五年前是不可能实现的。"

▌ AI+ 医药 = 下一个黄金赛道？

一举将英伟达捧上 " 算力之王 " 宝座的是 GPU，但过去两年以来，其风投部门很大一部分投资都流向了药物研发——单是 2023 年，英伟达就投资了 8 家药物发现初创公司。

图 | 英伟达 2023 年风投分布（来源：S&P Global）

得益于 AI 热潮，英伟达市值飞速上升。"既然计算机辅助设计行业捧出了第一家 2 万亿美元市值的芯片公司，同样，计算机辅助药物发现行业为什么不能打造下一个价值万亿美元的药物公司呢？" 谈及英伟达在生命科学领域的投资时，英伟达医疗保健副总裁 Kimberly Powell 这样解释。

而在 AI 医药这条路上，英伟达并非是踽踽独行者——可以说，科技巨头们都对生物医药领域的 AI 技术抱有兴趣，微软、谷歌等全球最强大的科技巨头们，也正在将生物技术视为 AI 的下一个前沿领域。

例如谷歌 DeepMind 的研究人员们将 AlphaFold 模型（一种预测蛋白质结构的突破性工具）用于开发一种 " 分子 " 注射器，以将药物直接注射到细胞中，并用于研究减少对杀虫剂依赖的农作；

Salesforce 去年推出了蛋白质生成模型 ProGen；

微软也发布了类似的开源模型 EvoDiff；

亚马逊为其 AWS 机器学习平台 SageMaker 发布了蛋白质折叠工具 ……

以 DeepMind 的 AlphaFold 研究项目为例：人体中的蛋白质管理着各种功能，所有这些功能都依赖于蛋白质的三维形状。每个蛋白质由一系列氨基酸组成，氨基酸与外部环境之间的相互作用决定了蛋白质的 " 折叠 "，这决定了其最终的形状。

对于生物技术公司来说，能够根据其氨基酸序列预测蛋白质形状非常重要，这些公司可以利用这些预测来设计新药、改良作物、可生物降解塑料等各种产品。

这正是深度学习的用武之地：在数以亿计的不同蛋白质序列及其底层结构上训练人工智能模型，让这些模型发现生物学规律，无需真正分子动力学模拟所需的昂贵计算。而完全模拟蛋白质需要高强度的计算资源，因此一些机构还专门设计和建造了超级计算机来处理这类问题。

毋庸置疑，AI 在生物技术领域拥有着巨大潜力。

在 15 年前就将目光投向医疗的黄仁勋曾惊叹，计算机辅助药物发现 " 确实是奇迹 "。用与计算机辅助芯片设计相同的方法，在药物发现领域中，人们可以从计算机辅助药物发现转向计算机辅助药物设计。" 如果我们将其放大十亿倍，我们就可以模拟生物学。"

" 未来生命科学会像传统行业那样高度工程化。当数据科学、人工智能和自动化的结合时，生物学会呈指数级改进，从而成为下一个黄金赛道。"