AI chữa bệnh đã tiến tới đâu rồi?

“Nói AI có thể chữa khỏi ung thư nghe giống như một câu nói sáo rỗng hơn là truyền cảm hứng, hầu hết mọi người cho rằng điều đó là lừa dối.”

Ngày 16/08, Giám đốc điều hành Anthropic, Dario Amodei, đã viết câu này trên X. Hai ngày sau, Anthropic công bố một thí nghiệm thiết kế protein: Claude vận hành một nhóm các mô hình chuyên biệt và công cụ nghiên cứu, cho ra các protein mới có thể kết hợp với nhiều mục tiêu protein khác nhau. Thêm một ngày nữa, Moderna và Merck thông báo vắc-xin cá nhân hóa ung thư có sử dụng học máy trong thiết kế đã đạt được tiêu chí chính trong thử nghiệm giai đoạn ba đối với ung thư hắc tố.

Việc nhiều kết quả cùng xuất hiện đã thu hút sự quan tâm của công chúng đối với AI y tế, thị trường tài chính cũng phản ứng nhanh chóng. Ngày 19/08, cổ phiếu Moderna tăng khoảng 177%, Merck tăng khoảng 13%; cổ phiếu Twist, đối tác xác minh thí nghiệm của Anthropic, trong ngày tăng 22,64%, Tempus AI - đơn vị tập trung vào y học chính xác AI - cũng tăng 22%. Sức nóng tiếp tục lan tỏa tới toàn bộ nhóm ngành công nghệ sinh học, iShares Biotechnology ETF và SPDR S&P Biotech ETF lần lượt tăng 6,6% và 5,9% trong ngày.

Từ thiết kế protein, khám phá thuốc bằng AI, đến thử nghiệm giai đoạn ba vắc-xin ung thư cá nhân hóa, “y tế AI” đang ngày càng gắn liền với nhiều thành tựu nghiên cứu cụ thể. Vậy, từng bước tiến này hiện ở mức nào? Có bước nào đã qua xác nhận lâm sàng trên người, bước nào vẫn chỉ trên máy thí nghiệm; AI đảm nhận vai trò gì trong đó? Nó thực sự đã giúp con người “chữa khỏi” ung thư chưa?

“Chữa khỏi” có những tiêu chí rất nghiêm ngặt

“Y tế AI” nghe có vẻ là một ngành riêng, nhưng bên trong lại bao gồm nhiều công việc rất khác nhau.

Thuật toán có thể đọc hồ sơ bệnh án, nhận dạng hình ảnh, dự đoán nguy cơ bệnh, cũng có thể tìm kiếm mục tiêu thuốc, sinh cấu trúc phân tử, sàng lọc bệnh nhân cho thử nghiệm lâm sàng. Ngoài ra còn trợ giúp bác sĩ lựa chọn phương án điều trị, tính liều xạ trị, hoặc theo dõi phản ứng của bệnh nhân sau dùng thuốc.

Tất cả những công việc đó đều liên quan đến y tế, nhưng tiêu chuẩn bằng chứng lại không giống nhau.

Một mô hình trả lời đúng đề thi y khoa chỉ chứng minh nó xử lý được văn bản dạng nhất định; dự đoán chính xác trên ca bệnh lịch sử chứng minh nó tái hiện được mẫu hình từ dữ liệu; hỗ trợ bác sĩ cải thiện tỷ lệ chẩn đoán tại bệnh viện thì cần thử nghiệm lâm sàng tiền cứu; một loại thuốc do AI thiết kế có hiệu quả hay không cuối cùng vẫn cần so sánh trực tiếp trên bệnh nhân với phương pháp điều trị hiện có hoặc giả dược.

Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ (FDA) cho biết, từ năm 2016 đã nhận được hơn 500 bộ hồ sơ thuốc và sản phẩm sinh học có thành phần AI. “Ứng dụng AI” ở đây có thể chỉ dự đoán dược động học, tối ưu hóa liều dùng, phân tích biến cuối lâm sàng, tích hợp dữ liệu tiến trình tự nhiên, cũng có thể là hỗ trợ sản xuất và kiểm soát chất lượng. Điều này cho thấy AI đã trở thành công cụ thường dùng trong nghiên cứu thuốc, nhưng không phải 500 loại thuốc tự thân do AI phát minh ra.

AI y tế đã được cấp phép chủ yếu cũng tập trung ở các khâu xử lý thông tin. Theo một nghiên cứu hệ thống năm 2025 trên JAMA, có 950 thiết bị y tế AI đã được FDA cho phép, trong đó 723 thuộc về ngành chẩn đoán hình ảnh, chiếm khoảng 76%. Những AI này xử lý các dữ liệu dạng số hóa cao như phim Xquang, CT, MRI và siêu âm.

Hình ảnh y tế có định dạng đầu vào tương đối chuẩn, bệnh viện cũng đã có nhiều dữ liệu số hóa, nhiều tác vụ lại có đáp án rõ ràng, như: có nốt bất thường trên hình ảnh hay không, ranh giới tổn thương ở đâu, hai lần kiểm tra trước sau thay đổi ra sao. Vì thế, hiện đây là mắt xích tập trung nhiều sản phẩm AI nhất trong y tế.

Nhưng với hoạt động điều trị, lại đặt ra câu hỏi loại khác.

Mô hình chẩn đoán cố trả lời “hiện tại bệnh nhân này xảy ra chuyện gì”. Quyết định điều trị cần trả lời “can thiệp một biện pháp thì bệnh nhân này xảy ra điều gì”. Không thể cho cùng một bệnh nhân dùng đồng thời hai phác đồ loại trừ nhau, nhà nghiên cứu cũng không thể quan sát trực tiếp kết quả không xảy ra. Mô hình có tương quan cao vẫn có thể nhầm đặc trưng nhóm bệnh nhận điều trị là hiệu quả điều trị.

Vì thế, thử nghiệm ngẫu nhiên đối chứng vẫn rất quan trọng. Bài tổng quan của Nature Medicine về học máy nhân quả nêu rõ, AI có thể kết hợp dữ liệu thử nghiệm lâm sàng và thế giới thực để ước lượng hiệu quả điều trị cá nhân hóa, nhưng hệ số thiên lệch, nhiễu và giả định nhân quả sai lầm vẫn sẽ cho ra dự đoán sai.

Còn “chữa khỏi” theo y học không chỉ là tạm thời không phát hiện tế bào ung thư sau điều trị, mà còn phải đảm bảo sau này không bị tái phát. Viện Nghiên cứu Ung thư Quốc gia Mỹ diễn giải là: mọi dấu vết của ung thư đã biến mất và sẽ không tái phát về sau. Cho dù bệnh nhân đạt lui bệnh hoàn toàn kéo dài nhiều năm, bác sĩ thường vẫn thận trọng khi sử dụng từ này vì tương lai chưa thể khẳng định.

Hình | Định nghĩa của FDA về "chữa khỏi" (Nguồn: FDA)

Mô hình đạt điểm cao trên benchmark hay ca bệnh lịch sử chỉ nói lên khả năng dự đoán đầu bài. Người bệnh có được hưởng lợi lâu dài hay không thì phải dựa vào thử nghiệm đối chứng và thời gian theo dõi nhiều năm.

Ba thành quả, dừng lại trước ba ngưỡng cửa khác nhau

Những khác biệt này có thể thấy rõ từ thí nghiệm mà Anthropic mới công bố.

Trong chuỗi tác vụ kéo dài 24-48h này, Claude đã đọc tài liệu khoa học và cơ sở dữ liệu, sử dụng các công cụ dự đoán và thiết kế cấu trúc protein công khai, chọn vị trí kết hợp, sinh protein ứng viên, sau đó liên tục sàng lọc và điều chỉnh theo kết quả tính toán.

Nhóm nghiên cứu chọn 16 mục tiêu protein, với 15 cái cuối cùng cho ra kết quả đo lường có thể lý giải. Phòng thí nghiệm tổng hợp và kiểm tra 1.320 thiết kế, xác nhận 354 protein có thể kết hợp với mục tiêu, trong số 15 mục tiêu có 14 mục tiêu tìm được protein kết hợp. Hiệu suất của một số tác vụ thậm chí vượt quy trình thông dụng mà Anthropic từng dùng.

Đây là một thành tựu nghiên cứu vững chắc. Claude không chỉ tổng hợp tri thức đã có, mà còn hoạt động liên tục trong nhiều giờ, phối hợp mô hình chuyên ngành, điều chỉnh chiến lược thực nghiệm, bàn giao các mẫu thiết kế mới có thể kiểm nghiệm qua thí nghiệm ướt. Các phòng thí nghiệm độc lập tổng hợp và đo kiểm còn giúp giảm rủi ro mô hình tự đánh giá điểm số.

Hình | Claude điều phối thành công nhiều mô hình protein thiết kế mã nguồn mở, sinh ra protein kết hợp với tỉ lệ thành công và ái lực cao. (Nguồn: Anthropic)

Tuy nhiên, đối tượng nghiên cứu là 15 mục tiêu protein có thể giải thích được, không phải là 15 bệnh lý; 354 kết quả là protein kết hợp, chứ không phải 354 loại thuốc.

Một protein có thể bám dính với mục tiêu chỉ thể hiện nhà phát triển đã tìm được một chiếc chìa có thể cắm vào ổ khóa. Liệu nó có mở đúng cửa hay không, có làm hỏng các cửa khác không, vào cơ thể có tới được ổ khóa chứ, hệ miễn dịch có thải loại nó không,… đều cần thử nghiệm khác trả lời.Anthropic cũng nêu rõ trong báo cáo rằng các protein kết hợp nhỏ này không phải thuốc theo nghĩa thường, mà sự kết hợp chỉ là bước đầu trong phát triển thuốc.

So với đó, Rentosertib đã đi xa hơn. Đây là một loại thuốc nhỏ phân tử ứng viên cho điều trị xơ hóa phổi tự phát, công ty phát triển Insilico Medicine sử dụng AI để tìm mục tiêu TNIK, rồi dùng mô hình sinh cấu trúc phân tử. Thử nghiệm lâm sàng pha II ngẫu nhiên được công bố năm 2025 thu nhận 71 bệnh nhân, sau 12 tuần điều trị ghi nhận dấu hiệu hiệu lực ban đầu, thuốc nhìn chung dung nạp được.

Tuy nhiên, nghiên cứu quy mô nhỏ, tổng số 16 người bỏ giữa chừng ở mọi nhóm, thời gian quan sát cũng chưa đủ để đánh giá hiệu quả lâu dài. Nhóm nghiên cứu trong bài báo đánh giá kết quả “đáng khích lệ, cần nghiên cứu tiếp”, chưa phải là đột phá điều trị xác thực.

Đến tháng 7/2026, Rentosertib bước vào pha III. Đây là một trong những trường hợp thuốc AI tiến gần nhất tới xác thực lâm sàng: AI tham gia phát hiện mục tiêu, thiết kế phân tử, thuốc ứng viên trải qua thử nghiệm trên động vật, nghiên cứu an toàn giai đoạn I, thử nghiệm ngẫu nhiên pha II, nay bắt đầu đánh giá trực tiếp diện rộng trên người. Thuốc này vẫn chưa được cấp phép lưu hành, cũng chưa chữa khỏi xơ hóa phổi tự phát.

Vắc-xin ung thư cá nhân hóa của Moderna lại đứng ở một vị trí khác.

Nhóm phát triển giải trình tự khối u và mô bình thường của từng bệnh nhân, xác định đột biến đặc trưng khối u, rồi xếp hàng các kháng nguyên mới tiềm năng bằng học máy và giải thuật tin sinh học. Tối đa 34 kháng nguyên mới được mã hóa vào một mRNA sản xuất riêng cho người bệnh, có mục tiêu huấn luyện hệ miễn dịch nhận ra tế bào ung thư của họ.

Trong thử nghiệm pha III INTerpath-001 vừa công bố, 1.137 bệnh nhân u ác tính da nguy cơ cao được điều trị. Các khối u này đã được cắt bỏ hoàn toàn bằng phẫu thuật, nghiên cứu xem liệu phối hợp giữa vắc-xin và Keytruda có giảm nguy cơ tái phát hoặc di căn xa hay không.

Công ty cho biết thử nghiệm đạt được hai tiêu chí ở phân tích giữa kỳ dự kiến: thời gian sống không tái phát và thời gian sống không di căn xa. Thời gian sống tổng thể vẫn đang theo dõi, tỷ lệ rủi ro, tần suất biến cố, khoảng tin cậy và đường cong sống đều chưa công bố.

Thử nghiệm pha III này xác nhận hiệu quả bổ sung của “vắc-xin cá nhân hóa cộng Keytruda”. Không có nhóm đối chứng sử dụng vắc-xin với kháng nguyên chọn bằng phương pháp thủ công, cũng không so “dùng AI” với “không dùng AI”. Do đó nghiên cứu chỉ có thể chứng minh liệu pháp có thành phần học máy có tác dụng, chứ không đánh giá được phần hiệu quả nào do thuật toán mang lại.

Ba thành quả này lần lượt trả lời ba câu hỏi: mô hình liệu có thể thiết kế protein kết hợp mục tiêu trong phòng thí nghiệm, ứng viên thuốc do AI phát hiện và thiết kế có hiệu quả ban đầu trên người, liệu pháp cá nhân hóa có thành phần AI liệu có cải thiện chỉ số lâm sàng trong thử nghiệm pha III hay không.

Chúng ta không cần dùng tên gọi “chữa khỏi” để tăng trọng cho chúng. Anthropic cải thiện tỷ lệ trúng đích khi thiết kế protein, Rentosertib đưa thuốc ứng viên phát hiện và thiết kế bởi AI tiến gần pha lâm sàng muộn, Moderna lần đầu cho vắc-xin ung thư cá nhân hóa đạt kết quả dương tính ở thử nghiệm pha III. Đó đã là bước tiến rất quan trọng rồi.

Thất bại đắt giá nhất thường đến sau khi thuật toán hoàn thành

Như đã biết, phát hiện thuốc hiện đại là một chuỗi liên tục loại thải các ý tưởng.

Nhà nghiên cứu tìm mục tiêu thuốc từ cơ chế bệnh, từ hàng loạt ứng viên phân tử chọn ra số ít có thể tác động lên mục tiêu, rồi tối ưu hóa hoạt tính - ổn định - đặc hiệu - điều kiện sản xuất. Ứng viên thuốc sẽ qua thử nghiệm trên tế bào, động vật rồi trên người. Mỗi bước lại loại bớt những kết quả có vẻ sáng giá ở bước trước.

Một tổng quan về thất bại trong phát triển thuốc lâm sàng ước tính, từ giai đoạn phát hiện đến khi được duyệt mất 10-15 năm. Dù vào được thử nghiệm trên người pha I, khoảng 90% ứng viên vẫn không được phép lưu hành. 40%-50% trường hợp thất bại do hiệu quả lâm sàng không đủ, khoảng 30% do độc tính không chấp nhận được.

Hình | Quá trình phát hiện và phát triển thuốc, cùng tỉ lệ thất bại ở từng bước. (Nguồn: Acta Pharm Sin B)

Nhóm số liệu này cho thấy điều quan trọng thường bị bỏ qua khi nói đến phát triển thuốc với AI: tạo ra một ứng viên nổi bật về mặt tính toán có thể giúp tăng tốc cho nửa đầu của quy trình - vốn cũng là giai đoạn tỷ lệ thất bại cao nhất.

Mục tiêu có liên quan bệnh không có nghĩa cứ can thiệp là cải thiện bệnh; phân tử hiệu quả trên đĩa nuôi cấy không đồng nghĩa nó đạt nồng độ đủ trong người; mô hình động vật có hiệu quả cũng không đảm bảo được kết quả tương tự ở người. Nhiều ứng viên “hoàn hảo” vẫn thất bại ở các thử nghiệm pha II hoặc III vì thiếu hiệu quả.

AlphaFold là ví dụ điển hình cho sự khác biệt này. AlphaFold đã dự đoán cấu trúc khoảng 200 triệu protein, mở rộng đáng kể các thông tin cấu trúc mà nhà khoa học có thể khai thác. Những đầu mối trước đây mất nhiều tháng, thậm chí nhiều năm mới có nay nhờ nó mà chỉ vài phút là sinh ra. Các nhà khoa học đưa ra giả thuyết nhanh hơn, thậm chí nghiên cứu cả các protein từng thiếu cấu trúc thực nghiệm.

Nhưng mẫu mô hình thường chỉ là một cấu hình dự đoán, trong khi protein thật có thể thay đổi hình thái ở các nhiệt độ - môi trường dung dịch - trạng thái gắn khác nhau, hay tương tác đồng thời với nhiều protein, ion, phân tử nhỏ khác. Đối chiếu cấu trúc dự đoán AlphaFold với thí nghiệm thực cho thấy cho dù mô hình tự tin rất cao, cấu hình cục bộ, vị trí cạnh bên, hướng miền cấu trúc vẫn có thể khác biệt rõ rệt. Vì vậy, các kết quả này thích hợp được xem như “giả thuyết có giá trị lớn”, còn tương tác then chốt vẫn phải xác nhận bằng thực nghiệm.

AI giúp đưa ra nhiều phương án ứng viên hơn, nhưng khoa học sự sống lại hay thiếu những câu hỏi chất lượng cao và dữ liệu đủ tốt để kiểm nghiệm đáp án.

Tháng 8/2026, một bài tổng quan ngành trên Nature Reviews Drug Discovery nhận định AI có nhiều thành quả kỹ thuật trong phát triển thuốc, nhưng tác động lâm sàng còn hạn chế. Nguyên nhân chủ yếu bao gồm: nghiên cứu quá chú trọng chỉ số mô hình, dữ liệu khoa học sự sống phụ thuộc cao vào điều kiện thực nghiệm, mô tả thực tế của tác vụ không đủ chính xác, nhóm kỹ thuật giải quyết xong bài toán dễ tính toán mà chưa chắc đã gỡ được nút thắt thực của phát triển thuốc.

Ví dụ, một mô hình sinh có thể tạo ra hàng triệu phân tử chỉ trong vài giờ. Nhưng phòng thí nghiệm không đủ khả năng tổng hợp và kiểm tra phần lớn trong đó, càng nhiều ứng viên chỉ càng tăng áp lực lọc sàng về sau. Điều quan trọng là loại bỏ sớm các phân tử dễ thất bại nhất, dành nguồn lực thử nghiệm ít ỏi cho các giả thuyết tốt hơn.

Ở ý nghĩa này, “thất bại nhanh hơn” cũng là đóng góp lớn của AI cho y học. Nó không bằng “chữa khỏi”, nhưng có thể tiết kiệm vài năm thời gian và hàng trăm triệu USD chi phí.

Ung thư liên tục đặt ra đề bài mới trong quá trình điều trị

Riêng với ung thư - chủ đề gây chú ý lần này - thì vấn đề còn phức tạp hơn hẳn. Viện Nghiên cứu Ung thư Quốc gia Mỹ mô tả ung thư là một nhóm các bệnh liên quan nhau, với hơn 100 loại đã biết. Khối u ở các cơ quan khác nhau do loại tế bào khác gây ra, bị ảnh hưởng bởi các gen, môi trường miễn dịch và điều kiện bên ngoài khác nhau. Dù tên giải phẫu bệnh giống nhau, tổ hợp đột biến và đáp ứng điều trị của hai bệnh nhân cũng có thể rất khác biệt.

Bản thân khối u trong một bệnh nhân cũng không phải là một quần thể tế bào đồng nhất. Trong quá trình nhân đôi liên tục, khối u tích lũy đột biến và hình thành nhiều nhóm con khác biệt. Sinh thiết chỉ lấy mẫu một vị trí, một thời điểm, chưa chắc đã lấy được cả những tế bào có khả năng di căn hay kháng trị.

Khó khăn hơn nữa là quá trình điều trị cũng sẽ làm thay đổi khối u. Thuốc diệt các tế bào nhạy cảm, để sót lại số ít tế bào kháng thuốc có thể phát triển mạnh lên; hệ miễn dịch loại những tế bào dễ bị nhận ra, có thể chọn lọc ra nhóm con ẩn nấp tốt hơn. Một bài tổng quan trên Nature Reviews Immunology năm 2025 chỉ ra, dị loại nội tại của khối u liên quan đến kết cục lâm sàng xấu và đáp ứng thấp với miễn dịch, chính áp lực miễn dịch cũng điều chỉnh tiến hóa khối u.

Lúc này, thuật toán không còn xử lý các đề bài nhận dạng có đáp án cố định. Mô hình học quy luật từ dữ liệu bệnh nhân quá khứ, nhưng các thuốc và phối hợp điều trị liên tục thay đổi môi trường lựa chọn bệnh. Khi phương thức chẩn trị thay đổi, các mối liên hệ trong dữ liệu cũ có thể không còn đúng.

Dữ liệu ung thư còn có một nghịch lý: các bệnh viện, viện nghiên cứu lưu trữ vô số hình ảnh, bộ gen và hồ sơ, nhưng tới khâu quyết định điều trị cụ thể thì mẫu phù hợp lại giảm rất nhanh.

Nếu tiếp tục chia nhỏ theo kiểu dưới nhóm ung thư, đột biến, tiền sử điều trị, tuổi, tình trạng miễn dịch và bệnh kèm, có khi mỗi nhóm chỉ còn rất ít người. Những trường hợp thực sự cần điều trị cá nhân hóa lại chính là nơi dữ liệu huấn luyện thiếu hụt nhất. Khác biệt trong cách ghi chép, thiếu theo dõi, chệch lựa chọn điều trị và quần thể không đại diện cũng làm suy yếu độ tin cậy của mô hình.

Dẫu vậy, AI vẫn có thể phát huy tác dụng ở đây. Nó có thể kết hợp phân tích dữ liệu giải phẫu bệnh, đột biến gen, hồ sơ lâm sàng, để phát hiện nhóm bệnh nhân mà dữ liệu đơn lẻ khó nhận ra; dự đoán kháng nguyên mới tiềm ẩn; tối ưu hóa kế hoạch xạ trị, đối sánh cho thử nghiệm lâm sàng, đồng thời hỗ trợ bác sĩ phát hiện dấu hiệu tái phát sớm hơn.

Những công cụ này tăng khả năng quan sát, sắp xếp, ra quyết định.Lời khuyên điều trị không chắc chắn tốt hơn hẳn lựa chọn của bác sĩ, vẫn cần thử nghiệm tiên tiến xác định; khuyến nghị giữ được hiệu quả ở nhiều bệnh viện, dân tộc, môi trường điều trị khác nhau hay không lại cần xác thực thế giới thực.

Khi AI từ nhận biết chuyển qua can thiệp vào bệnh, nó cũng đồng thời bước vào địa hạt quan hệ nhân quả, trách nhiệm đạo đức và quản trị rủi ro. Mô hình phân loại sai có thể gây ra xét nghiệm lại, khuyến nghị điều trị sai dễ khiến bệnh nhân bỏ lỡ thuốc tốt, hoặc phải chấp nhận độc tính không cần thiết. Càng gần cơ thể bệnh nhân, trách nhiệm chứng minh càng lớn.

Do đó, trên con đường “chữa khỏi ung thư” hay cả nhiều bệnh thông thường khác, AI vẫn còn nhiều việc phải làm.

Mọi thứ trước thành công thực chất đều đang tăng tốc

Tuy nhiên, ảnh hưởng của AI đối với y học có lẽ không cần chờ tới khi một loại thuốc “hoàn toàn do AI phát minh” được duyệt thì mới được công nhận.

AI đã làm thay đổi tốc độ tiếp nhận tri thức của nhà nghiên cứu, mở rộng không gian phân tử và protein có thể truy cứu, bắt đầu can thiệp vào thiết kế thực nghiệm, thu nhận bệnh nhân, phân tích dữ liệu lâm sàng cũng như xử lý tài liệu quản lý.

Nguyên tắc thực hành AI tốt do FDA và Cơ quan Dược phẩm Châu Âu công bố chung năm 2026 đặt trọng tâm vào “xác định rõ ngữ cảnh ứng dụng”: độ tin cậy của mô hình phụ thuộc vào nó giải quyết câu hỏi gì và đáp án sẽ phải chịu trách nhiệm rủi ro đến mức nào.

Điều này cũng mang lại một thước đo ý nghĩa hơn. Ở giai đoạn phát hiện thuốc, cần xem xét AI đã rút ngắn được thời gian thiết kế-tối ưu không, đã cải thiện tỷ lệ trúng đích kiểm nghiệm thực chưa.Ở giai đoạn lâm sàng, cần theo dõi AI có giúp giảm thất bại thử nghiệm, cải thiện thu nhận bệnh nhân, tìm đúng nhóm thực sự có lợi không. Tiêu chuẩn cuối cùng vẫn là bệnh nhân sống lâu hơn, khỏe mạnh hơn, điều trị an toàn hiệu quả hơn với chi phí thấp hơn hay không.

Rentosertib, thiết kế protein của Anthropic và vắc-xin cá nhân hóa của Moderna đang đưa AI tiếp cận các mắt xích khác nhau của chuỗi này. Chúng gần hơn với thế giới sinh học so với đánh giá mô hình thuần túy, phức tạp hơn nhiều so với “AI chữa khỏi ung thư”.

Câu nói mà Dario gọi là sáo rỗng, thậm chí có lẽ nằm ở đây: biến một quy trình còn đang kiểm chứng từng bước thành cái kết, làm những tiến bộ đã xảy ra nhưng thiếu kịch tính bị mất tên gọi chính xác của nó.

Tính tới hôm nay, AI đã bắt đầu ảnh hưởng vào việc các nhà khoa học chọn mục tiêu tiếp theo, thiết kế phân tử nào, tiến hành thực nghiệm nào, còn việc bệnh nhân có khỏi bệnh hay không thì vẫn phải chờ vào thí nghiệm, thử nghiệm lâm sàng và thời gian cùng giải đáp.

Vận hành/trình bày: Hà Thần Long

Lưu ý: Ảnh bìa/hình đầu bài do AI hỗ trợ sinh ra