AI从尼安德特人身上“复活”抗生素，顺手重写了医疗AI的路线图

一家实验室用AI在尼安德特人和丹尼索瓦人的蛋白序列里，找回了“灭绝”的抗生素分子；另一边，Google DeepMind 刚刚亮出一个能读影像、懂文本、看基因的通用医疗模型。这不是两条新闻，而是一条正在成型的新范式。

不是科幻：AI真的在“复活”灭绝的抗生素

如果你只看标题——“AI 在尼安德特人身上发现抗生素”——很容易以为这是个蹭《侏罗纪公园》的噱头。但真正的研究比标题更耐人寻味。

宾夕法尼亚大学的 Cesar de la Fuente 团队做了一件反直觉的事：不是从自然界现存物种里挖新分子，而是回到已经灭绝的人类近亲。原因很现实——我们今天还在用的很多抗生素，已经在市场上“服役”超过30年，而耐药菌却在指数级进化。

他们盯上的是“肽”（peptide）——短链蛋白，很多天然抗菌分子都属于这一类。方法很工程化：先训练 AI 识别人类蛋白中可能成为抗菌肽的片段，再把模型丢进公开的尼安德特人和丹尼索瓦人蛋白序列数据库，让 AI 做一次跨越数万年的“搜索”。

结果并不魔幻，但很真实：AI 提名了几十个候选肽，实验室验证发现，这些分子确实能抑制细菌生长。在小鼠感染实验中，效果不是“秒杀型”，却足以让研究团队确认一件事——这条路走得通。更重要的是，他们认为：这些候选分子本身不一定是终点，而是极大缩短药物发现周期的起点。

从“找分子”到“通模型”，医疗AI正在合流

如果说上一个故事展示的是 AI 如何改变“药从哪来”，那 Google 的 Med-PaLM M（文中称 med-pom M）则在回答另一个更大的问题：医生未来会和什么样的 AI 共事？

这支 Google / DeepMind 团队的野心很明确：做一个“通用型”医疗 AI。不是只会读影像，或者只会做医学问答，而是同时理解临床文本、医学影像和基因组数据。

为此，他们甚至先补了一块基础设施——一个新的多模态医疗基准 MultimedBench，覆盖 14 类任务，从医学问答到放射科报告生成。然后，才把模型丢进去实测。

真正让业内侧目的不是某个单项分数，而是一个词：零样本（zero-shot）。模型在没有针对性训练的情况下，能在全新的医学概念和任务上给出合理输出，甚至出现“零样本医学推理”。这意味着什么？意味着模型不是在背答案，而是在迁移和组合知识。

在医疗这种“组合复杂度极高”的领域，这一点，比单点性能更值钱。

40%的医生更喜欢AI报告，这个数字让人坐不住

真正让人后背发凉的数据，出现在影像报告测试里。

在 246 份回顾性胸部 X 光案例中，临床医生被要求对比：人类放射科医生写的报告 vs Med-PaLM M 生成的报告。结果是——在多达 40.5% 的案例里，医生更偏好 AI 的版本。

注意，这不是说 AI 已经“全面胜出”，而是：一个通用模型，在没有专门为“放射科写作”定制到极致的前提下，已经在相当比例的场景中，达到了专家级可接受、甚至更受欢迎的水平。

《纽约时报》的医生专栏作者 Daniella Lamas 点出了更深一层的张力：影像诊断这种高度依赖模式识别的工作，机器可能天生更少偏见、更不疲劳。但代价是什么？如果年轻医生从一开始就依赖 AI 生成诊断，他们是否还会真正学会“像医生一样思考”？

这不是技术问题，而是职业演化问题。

一个正在成形的信号：AI不再是“工具”，而是“合作者”

把这两条线放在一起看，会出现一个清晰信号。

在药物发现端，AI 已经开始做过去人类几乎不会尝试的搜索空间——比如灭绝物种的分子遗产；在临床端，AI 正从“单点辅助系统”走向能跨模态推理的通用模型。

它们的共同点只有一个：AI 不再只是提效工具，而是在定义新的工作方式。

医生、研究者、甚至药企接下来要面对的，不是“用不用 AI”，而是：哪些判断必须由人类保留？哪些探索，交给机器反而更安全、更快？

总结

这期内容真正值得 AI 从业者反复咀嚼的，不是某个模型名，也不是某次实验结果，而是一个趋势：AI 正在把人类从“经验驱动”推向“搜索驱动”。

对研究者而言，机会在于：学会把问题表述成“机器能探索的空间”；对工程师而言，价值在于：多模态、零样本、泛化能力，正在从论文卖点变成刚需；对所有关注医疗的人来说，真正该提前思考的，是如何在效率跃迁中，守住专业判断与伦理边界。

一个值得你带去和朋友讨论的问题是：当 AI 成为医学里最博学的“住院医师”，人类医生，应该升级成什么角色？

关键词： 医疗AI， 抗生素发现， 多模态模型， 零样本学习， Google DeepMind

事实核查备注： 需要核查：1）Cesar de la Fuente 的职称与所属机构；2）研究是否发表于 Nature 及文章标题；3）实验中测试的肽数量与小鼠实验结论；4）MultimedBench 的任务数量（14项）；5）胸部X光测试中 40.5% 的具体偏好比例与样本量（246例）；6）Med-PaLM M 的正式命名与发布时间。