AI研发新药真有那么神？

近年来，向往着用AI研发新药的美好愿景，巨头纷纷投下了重注。

制药巨头赛诺菲和AI药物发现平台Exscientia签下3亿美元巨额订单，葛兰素史克随后也出了4200万美元。默克和Atomwise、强生旗下的杨森制药与BenevolentAI也都有类似的合作。

风投也非常看好这个领域。硅谷VC公司安德森·霍洛维茨（A16Z）为投资AI药物发现公司，组建了一支4.5亿美元的基金。

好像巨头都上车了，小玩家要不要跟上？

今天，硅谷极客们最爱的HackerNews上有一篇热门文章就在探讨这件事。大部分评论者都同意这篇文章的基本观点：AI在药物发现中的作用被过度吹捧了。

这篇文章通过分析制药公司阿斯利康、名校哈佛和斯坦福、以及创业公司Insilico Medicine等名声卓著的实验室最近的一些研究，来说明AI研究者是如何过度吹捧他们的成果的。

以下是这篇热门文章的主要内容，量子位编译整理：

△ 1981年的《财富》杂志封面：

在默克，用计算机设计药物

我乐观地认为，这些事情2018年会有变化。这可能并不是因为人工智能的突破，而是因为这些研发机构会有进步：现在，随着在线教育和社交媒体的兴起，更强力的检查和平衡已经成为可能，为开放同行评议提供了新机会，这会成为挤泡沫的力量。

接下来，让我们进入技术部分，谈谈最近一些过度吹捧的AI研究案例。

阿斯利康

最近，英国制药公司阿斯利康和明斯特大学、上海大学的研究者一起发表了一项研究，尝试用循环神经网络（RNN）和强化学习来生成新分子。

相关论文：

Generating Focussed Molecule Libraries for Drug Discovery with Recurrent Neural Networks
https://arxiv.org/abs/1701.01329

这个问题很重要，因为一个创造性的AI能为发现引导物的流程中带来更多多样性。

这篇论文引起了我的注意，是因为用了很大篇幅来讲模型的评价。这看起来很有深度，他们给出了基于谷本系数相似性度量和基于levenshtein距离等多个衡量指标。论文中还有大量的可视化展示。

然而，他们的衡量标准都是用在AI生成的分子与自然分子之间的，总是“省略”了对AI产生的分子彼此之间距离的测量。这种省略让人有一种“多样性”的错觉：AI生成的分子和自然分子之间的距离很大，就可以认为AI具有创造性，探索了化学空间中的新方向。

于是我们就有了如下图所示的错觉：

△ 真正的多样性：蓝色圆点代表AI生成的分子，红色十字代表自然分子

而实际上，如果AI生成的分子之间距离很小，这就意味着我们陷入了下图所示的状况，模型所产生的分子基本位于同一位置，并没有多样性：

△ 多样性错觉：AI生成的分子（蓝色圆点）和自然分子（红色十字）之间仍然有很大距离，但AI生成的分子集中在一起

简单来说，阿斯利康这篇论文对房间里的大象视而不见，最近这家公司一些其他论文依然有这个问题。

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------