Волна оптимизма по поводу того, что ИИ вот-вот вылечит рак, давно выдохлась. Даже основатели крупнейших ИИ-компаний, которые сами раздували эту идею, начинают признавать реальность: практических результатов почти нет. На прошлой неделе CEO Anthropic Дарио Амодей попросту назвал заявления о чудо-лечении рака через ИИ клише, потеряв всякую кредибельность. OpenAI и Google DeepMind долгие годы продвигали нарратив про AGI как путь к победе над раком — но конкретных лекарств так и не появилось.
Стартап Vivodyne предлагает объяснение, которое звучит убедительнее хайпа: проблема не в архитектуре нейросетей и не в размере модели. Проблема в том, на чём учатся эти модели. Сегодня ИИ-системы для открытия лекарств тренируют на данных из животных тестов, на снимках отдельных клеток или белков в пробирке — но не на живых человеческих тканях. Как едко заметил CEO Vivodyne Андрей Георгеску: «Без человеческих испытаний эти модели будут лечить рак у мышей». И это не метафора — даже AlphaFold, лауреат Нобелевской премии в ИИ, так и не привёл к созданию ни одного нового лекарства, несмотря на революционный прорыв в понимании структуры белков.
Сама проблема хорошо известна фармацевтической индустрии: 90% лекарств, которые работают в животных моделях и проходят в клинические испытания, не получают одобрение FDA для людей. Это означает, что текущие модели предсказания попросту не улавливают сложность человеческой биологии. Isomorphic Labs, компания, созданная на основе AlphaFold, только сейчас готовит первые клинические испытания — и то не раньше конца этого года, хотя изначально планировала 2025-й.
Vivodyne предлагает подойти к проблеме с другой стороны: вместо того чтобы ждать более умных алгоритмов, нужно дать им правильные данные. Компания разработала HIVE — модульные робо-лаборатории, которые могут одновременно выращивать 20 видов человеческой ткани, автоматически дозировать вещества и отслеживать результаты. Ключевой момент: эти системы фиксируют не статичные снимки состояний клеток, а динамику причинно-следственных связей. Модель видит не просто «состояние A» и «состояние B», а понимает: «состояние B возникло как результат воздействия на состояние A». Именно такие данные сегодня отсутствуют в тренировочных наборах большинства ИИ-моделей.
Результаты впечатляют, если верить самой компании: печень Vivodyne показывает 94% точность предсказания по сравнению с реальными испытаниями на токсичность, ткань дыхательных путей совпадает с человеческой на 96%, костный мозг достиг 100% совпадения в тестах 20 различных химиотерапевтических препаратов. На прошлой неделе Vivodyne открыла около Сан-Франциско то, что она называет крупнейшим в мире «центром человеческих данных» — и по словам Георгеску, её команда уже достигает пропускной способности вдвое выше всех животных испытаний в США вместе взятых. Компания привлекла чуть менее 80 миллионов долларов и работает с несколькими крупными фармкомпаниями, хотя и не называет их публично.
Стратегия простая: сократить затраты на клинические испытания (которые стоят десятки миллионов долларов), дав фармкомпаниям уверенность в том, что кандидат на лекарство сработает, прежде чем тратить ресурсы на дорогостоящие тесты на людях. Но в более крупном масштабе Георгеску видит в своих робо-лабораториях механизм для переподготовки самих ИИ-моделей — переходу от пассивного обучения на статичных данных к активному обучению на причинно-следственных связях. Это критически важно для будущего комбинированной терапии: если вместо одного вещества нужны два или три компонента, пространство поиска становится астрономическим, и экспериментальный подход уже не работает. Нужны модели, которые могут рассуждать: «я хочу этот эффект — какую причину вызвать?»
Для российского бизнеса эта тенденция имеет практическое значение. Отечественным фармкомпаниям и биотехным стартапам работа с международными партнёрами на ранних стадиях разработки становится всё более затруднительной из-за санкций и ограничений доступа к оборудованию. Однако логика Vivodyne — инвестировать в качество данных вместо мощности вычислений — актуальна и для России: наладить сбор структурированных клинических данных, связать их в единую систему и использовать для тренировки ИИ-моделей можно в меньшем масштабе и с локальными ресурсами. В редакции ежедневно работаем с подобными задачами автоматизации клинических процессов — и видим, что даже без глобальной масштабности имеет смысл начинать сейчас, пока мировые игроки переживают регуляторные потрясения.
Главное, что Vivodyne демонстрирует: гипотеза о волшебном ИИ, который спасёт человечество, была переоценена, а инженерная реальность — недооценена. Путь к реальному прогрессу в медицине идёт через скучную работу с данными и причинно-следственными моделями, а не через всё более крупные нейросети. Это может быть менее захватывающим нарративом, но куда более надёжным путём.