美国人工智能公司Anthropic首席执行官达里奥·阿莫代伊（Dario Amodei）当地时间8月15日就人工智能产业与公众信任问题作出最新表态。他承认，包括Anthropic在内的AI企业迄今尚未充分兑现此前关于技术造福社会的重大承诺，并提出，如果人工智能希望真正改变公众对这项技术的评价，关键不在于继续描述未来可能实现什么，而在于取得能够被现实验证的科学成果。他以癌症研究为例，认为只有当AI实际推动这类重大医学突破时，技术带来的社会价值才会变得更加明确。

这番表态出现在生成式人工智能进入大规模商业应用之后。过去数年，AI模型在文本生成、软件开发、搜索、办公自动化和内容生产等领域迅速扩展，同时，数据中心建设、电力需求、训练数据使用以及就业结构变化也越来越直接地进入公共政策和企业决策。阿莫代伊认为，公众对人工智能企业保持谨慎，并不完全来自企业自身对AI风险的警告，也与社会长期以来对大型科技公司的信任程度有关。对AI产业而言，仅依靠模型性能提升，已经越来越难以证明大规模资本和基础设施投入最终能够带来与之相称的社会收益。

阿莫代伊因此把医学和生命科学放到了更重要的位置。Anthropic正在增加生物学和医学方向的研究投入，希望未来几年能够取得更加明确的成果。他此前多次提出，高能力人工智能可能帮助科学家分析传统研究方式难以快速处理的大规模生物医学信息，从而缩短发现疾病机制、筛选潜在药物和提出实验假设所需要的时间。此次表态进一步把衡量标准从“AI能够辅助研究”提高到了“AI是否能够形成经过实验和临床验证的重要科学成果”。

不过，“AI治愈癌症”并不能按照字面理解为寻找一种能够消灭所有癌症的单一药物。癌症并非一种单独疾病，而是由不同组织来源、遗传变化和生物机制形成的一大类疾病。不同癌症之间的治疗方式差异明显，同一种癌症在不同患者体内也可能呈现不同特征。因此，人工智能更现实的应用方向包括寻找新的药物靶点、分析基因和蛋白质数据、预测药物作用、筛选候选化合物、辅助影像和病理诊断，以及根据患者特征寻找更加合适的治疗组合，而不是一次性寻找适用于所有患者的统一疗法。

这一医学特点也决定了人工智能无法单独完成从计算结果到临床治疗的全部过程。模型可以帮助科学家更快提出假设、分析海量数据和缩小实验范围，但新的药物分子或者治疗机制仍然需要经过实验室验证、动物研究、安全性测试以及不同阶段的人体临床试验。即使AI在计算过程中找到此前没有被注意到的重要规律，也不能直接证明这种方法对患者安全有效。因此，在癌症等复杂疾病研究中，人工智能更可能成为科研能力的放大工具，而不是脱离医生、科学家、实验室和临床体系独立完成疾病治疗的主体。

现有生命科学研究已经显示出人工智能在特定科学问题上的潜力。蛋白质结构预测、大规模基因组和多组学数据分析等领域已经大量采用机器学习方法，一些科研人员也在利用语言模型和代码工具处理RNA测序、甲基化数据和复杂统计分析。随着现代生物医学实验产生的数据量不断增长，人工完成所有数据整理、程序编写和相关性分析变得越来越困难，AI能够在部分环节明显缩短研究时间。与此同时，通用语言模型、专业生物医学模型、机器学习算法以及能够调用科研工具的AI系统并不是完全相同的技术，把所有医学AI简单等同于聊天机器人，同样无法准确反映目前的研究状况。

因此，真正需要检验的并不是一个聊天模型能否直接宣布找到癌症疗法，而是人工智能能否与生物医学数据库、实验工具、分子模拟、科研软件和临床体系结合，持续提高新药和治疗方案被发现的效率。如果AI能够将原本需要长时间完成的部分筛选、分析和实验设计过程明显压缩，并最终产生经过独立验证的新药物、新靶点或新的治疗组合，这类成果将比模型在考试、写作或者编程基准中的成绩更直接地体现其医学价值。

但医学突破本身仍不足以解决AI产业面临的全部问题。技术成果能否真正转化为公共利益，还取决于新疗法最终的价格、医疗保险覆盖程度、患者获得治疗的机会以及相关知识产权和商业模式。如果人工智能帮助发现一种效果显著的新药，但治疗费用远远超过多数家庭的支付能力，医学上的技术突破与社会层面的实际受益仍可能存在明显距离。相关材料反映出的核心关切集中在这一点：取得医学突破和让普通患者得到这些成果，是两个不同的问题。

就业问题则构成另一项现实检验。人工智能企业一方面强调AI可能推动医学、科学和生产力进步，另一方面，自动化正在改变部分办公室、客服、软件开发和初级专业岗位。阿莫代伊本人此前也曾警告，高能力AI可能明显冲击入门级白领就业。如果技术创造的新财富主要集中于模型开发商、云计算企业和资本所有者，而大量劳动者承担职业转型和收入下降的成本，那么医学和科研进步并不会自动消除人工智能带来的经济压力。

由此形成的另一个问题，是AI产生的生产力收益如何进入普通人的实际生活。对于家庭和劳动者而言，真正能够改变技术评价的可能不仅是一项具有象征意义的科学突破，还包括医疗成本是否下降、疾病能否更早发现、药物开发能否加快，以及工作效率提高以后是否能够体现为更高收入、更低成本或者更好的公共服务。相关材料中既存在对就业替代和资源消耗的担忧，也存在较积极的判断，即如果人工智能最终能够解决传统技术长期无法突破的重要问题，大规模算力和基础设施投入将更容易体现其实际价值。

AI企业的控制方式同样影响这些成果最终如何进入科研和医疗体系。部分人工智能研究人员主张更加开放的模型和研究环境，认为先进技术过度集中在少数公司手中会限制独立研究和外部验证；Anthropic则长期强调高能力模型可能涉及网络安全、生物安全等风险，因此对最先进模型保持较为谨慎的开放政策。随着人工智能进一步进入药物研发和生命科学领域，模型由谁控制、科研机构能够获得多大程度的访问权限、研究结果能否被独立重复验证，以及最终知识产权如何分配，都可能直接影响技术成果的扩散速度。

阿莫代伊此次表态也反映出人工智能产业衡量成功的标准正在扩大。生成式AI早期竞争主要集中在模型规模、推理能力、编程水平和商业用户增长，而进入医学和科学研究之后，评价方式将更加接近传统科研：AI提出的药物靶点是否得到实验验证，预测出的分子能否在实验中产生预期作用，新的治疗方案是否能够进入临床试验，以及最终能否提高患者生存率和生活质量。

这也使癌症研究成为检验人工智能科研能力的一个具体领域。对于Anthropic及其他正在扩大生命科学布局的AI企业而言，下一阶段真正具有说服力的成果，将不是再次宣布模型具备更强的医学推理能力，而是出现由AI参与发现、经过实验验证并进入药物开发或临床研究流程的新靶点、新分子或治疗方案。届时，人工智能在医学领域的作用才能从技术演示进一步进入可以由科研机构、监管部门和患者共同验证的现实阶段。