寻找永葆青春的密码，这家公司终极目标是用AI搞定“长生不老”

“听着，你要明白，那个终结者就在那里，你没法跟它讨价还价，也不能跟它讲道理。它感觉不到怜悯、悔恨或者恐惧，而且绝对不会停下——直到你被干掉。” ——Kyle Reese，《终结者》

数十年以来，好莱坞一直通过大屏幕对人工智能这一问题进行讨论。事实上，其中最为著名的一部伪预言型影片于34年前上映，由此亦诞生出一个几乎坚不可摧的人形机器人形象——作为电影的背景，这台机器人于2029年对一位女服务员展开疯狂追求，原因是她尚未出生的儿子将在更久远的未来成为人类反抗军抵御机器统治的最高领袖。

在克拉科夫市政工程博物馆临时展出的“钢铁角色展览”中的终结者雕塑。

虽然那时候我们对于整个世界的计算机化转型还抱有一丝恐惧，但事实证明信息时代与工业革命所带来的变迁明显利大于弊。

用计算技术对抗衰老

通过由创新型AI解决方案成果实现药物发现、衰老研究与疾病预防及/治疗，最终延长人类寿命。

Zhavoronkov指出，该公司的价值主要集中在其知识产权——更具体地讲，由Insilico创造的合成分子上，其最终可能带来数十亿美元的收入。他解释称，“我们是全球排名前一百的人工智能企业之一。”但正如大多数将彻底改变世界的伟大头脑一样，利润其实从来都不是关注重点。Zhavoonkov表示，他之所以建立起Insilico公司，其实是基于“基础数学”而作出的“计算决策”。

质量调整生命年是衡量疾病负担的一种通用型指标，其中涵盖生命的质量与数量。质量调整生命年在经济层面常被用于评估医疗干预的经济性价值，因此一个质量调整生命年指代的实际是完全健康的一年。

美国国家医学图书馆与美国国立卫生研究院表示，质量调整生命年的计算方法非常简单：“治疗引起的效用值变化乘以治疗效果的持续时间，即可得出质量调整生命年数字。质量调整生命年还可以与医疗费用加以结合，从而得出最终的成本/质量调整生命年通用标准，这项参数可用于比较任何治疗手段的实际成本效益。”

Zhavoronkov解释称，“大家需要关注的其实是自己的高质量生命年数。如果地球上的每个人都能拥有一年的高质量健康生活，那么实际产出就相当于75亿质量调整生命年。因此对于着眼衰老延缓工作的而言，其将影响到地球上的每一个人的实际生活质量。衰老研究的收益将给整个社会带来帮助。如果我能够为每个人带来额外的一年高质量生活，那么我将永远为此而自豪。”

途的手段之一。

Insilico Medicine公司创始人兼CEO Alex Zhavoronkov博士

专注三大研究方向

Zhavoronkov博士一直从事生物老年医学与再生医学领域的研究工作，并于2014年创立了Insilico Medicine公司。他拥有加拿大女王大学的双学士学位，约翰霍普金斯大学生物技术硕士学位以及莫斯科国立大学物理与数学博士学位。他亦担任IARP（国际老龄化研究小组）与英国慈善机构生物学研究基金会主席。他也曾担任小儿血液学、肿瘤与免疫学中心再生医学实验室主任以及莫斯科物理技术学院客座教授。

开创了生成对抗网络与强化学习技术在合成具有疾病防治功能的新型分子结构领域的应用。他首创用于开发药物与生物衰老标记的深度学习多模预测指标。Zhavoronkov在英国、韩国、俄罗斯、香港以及台湾皆设立有研发中心，并推出了Young.AI等多种生物标记衡量方法。自2012年以来，他先后发表超过90篇行业评议研究论文与书籍，其中包括《永恒的一代：生物医学进步如何改变全球经济体系》。

衰老研究、药物发现以及疾病及其分子靶点识别研究。

在Zhavoronkov的关注方向当中，研究是什么使我们变老以及如何尽可能与之进行长期抗争成为其最重要的研究课题。“衰老研究是我个人的关注重点，我投入大量时间与精力，希望了解关于衰老以及年龄相关疾病的秘密。目前，衰老在医疗卫生体系当中并未被视为一种疾病，因此得到的重视程度还非常有限。我希望能够开发出干预措施，帮助人们始终保持在最年轻的状态，并借此解决一系列由衰老所引发的危害。”

生成对抗网络——简称GAN。

中国嘉兴，2017年11月16日：中国科学院深度学习处理器演讲在乌镇互联网国际会议第三届世界互联网大会上进行成果发布。

GAN是一种由两套网络构成的深层神经网络架构，二者将彼此对抗（这就是‘对抗’名称的由来）。2014年，IAN Goodfellow以及其他研究人员首次在论文当中提到GAN这一概念。

GAN可通过学习创建出与我们的真实环境非常相近的世界：图像、音频、言语乃至散文皆不在话下。从某种意义上讲，GAN可谓是机器人中的艺术家，其输出结果令人印象深刻——甚至能够触动我们的内心。”

Insilico公司能够利用GAN技术开发出两套相互对抗的医学与疾病学习深层神经网络（简称DNN）。所谓深层神经网络，属于在我们自身生物神经网络或大脑构造启发下所建立起来的人工神经网络（简称ANN）。这些计算系统通过分析研究人员提供的实例来进行学习并逐步提高任务处理效能。举例来说，在图像识别当中，计算机可能会通过分析人工标记为“有猫”或“无猫”的图像学会识别猫这一生物对象，并借此发现其它图像当中的猫。事实上，其拥有的这种识别能力完全无关于猫这一生物的相关知识。它只是利用研究人员提供的素材进行分析，并由此整理出一套自己的相关特征处理方法。

不过Insilico公司亦在进一步利用深度学习技术对抗疾病。该公司利用从深层神经网络当中收集到的信息创建可能尚不存在的分子。Zhavoronkov表示，“我们利用数百万种分子结构对深层神经网络进行训练，而后要求其生成具有某些特征的新分子——例如与其它分子或生物活性存在关联，包括具有一定溶解度或相互作用的分子。通过这种方式，我们可以减少药物的副作用或确保其能够渗透血脑屏障。这是一个计算机科学领域的概念，我们利用深层神经网络仿效人脑的处理能力，从真实世界当中获取实际数据，而后将这些数据传递至其它层（类似于大脑中的皮层）、进行信息转化，由神经元学习其中的模式，最终向其提供参数以生成由这些分子构成的药物。”

Zhavoronkov指出，虽然关于人工智能的电影创作所在多有，但好莱坞与科学家们作出的判断却完全不同。“很多人害怕看到令人难以置信的东西，因为他们认为这些是不可能的。但我们必须记住，其在本质上仍是一台用于执行某项任务的机器，并不具备真正的意识，而单纯遵循数学原理。其没有自我意识，只能充当分类器或预测器。好莱坞总是强调其中的情感因素，但我认为我们永远没有能力创造灵魂。”

他认为人工智能与深度学习将通过药物发现及根除疾病等方式彻底改变世界。“我们正在努力优化药物开发量。事实上，制药是世界上效率最为低下的行业，超过90%的人体实验遭遇失败。我们希望帮助大型制药企业优化其研发过程，或者采取更快、更明智的药物发现方式。依靠人工智能，我们所使用的系统在各个层面都已经远远超越人类。”

举例来说，深层神经网络在图形识别方面于2015年首次超越人类水平; 而到2016年，其在黑色素瘤分类方面超过了人类皮肤科医师。他还提到了2016年首次亮相的特斯拉自动驾驶汽车，表示“在这样的汽车产品当中，我们需要人工智能有能力识别出其它汽车，且整个过程快速而准确。”他还称赞了美国人工智能计算厂商英伟达的成功表现，该公司在其GPU技术大会上发布了一系列振奋人心的公告，并在会后旋即迎来23%的股价上涨。“他们为深度学习奠定了坚实的基础。”

在研究各类疾病的过程中，Insilico公司希望发现导致疾病的特定分子或生物标记，寻找新的药物作为个性化解决方案以阻止癌症或者年龄相关疾病。Zhavaronkov指出，“举例来说，我们可以确定驱动癌症的特定分子，而后尝试找出调整或使用深度学习技术以改变治疗方式的途径。”他表示，Insilico公司致力于通过下一代人工智能成果改变制药行业。“我们正在开发可用于药物发现与再利用、生物标记开发以及快速验证等新策略的新工具。我们的项目结合了基因组学、大数据分析、深度学习以及强化学习等领域的最新进展。”

Insilico公司已经开发出一套全面的药物发现引擎。该引擎利用数百万种样品及大量数据类型发现疾病特征，并为数十亿业已存在或者可合成的分子搭配出必要的参数集，从而找到最具希望的使用方式。

虽然Zhavaronkov本人也承认，利用人工智能推动医疗卫生发展的相关举措进展并不快，这是因为科学家们需要进行长时间的发现与测试工作; 但他同时强调称，其它领域已经取得的成果不断证明着这类技术的光明前景，这也让他对人工智能及深度学习在疾病发现与治疗的未来表现充满信心。

Zhavaronkov指出，他希望能够在未来三年之内首次将人工智能发现的分子应用于人类患者身上，特别是借此对抗各类罕见疾病。他解释称，他目前正在关注ALS等肌肉骨骼疾病以及Progeria儿童早衰症。展望未来，他希望能够彻底根治糖尿病、帕金森病以及阿尔茨海默病。

G

M

T

文本转语音功能仅限200个字符