伟大的AI生物医学领域人物系列之二：AI开始进入生物医学最难的一关，Daphne Koller为什么执着于疾病的"因果"？

📌一个事实：Daphne Koller（达芙妮·科勒）创立的insitro（因西特罗），正在尝试用机器学习整合人群遗传学、细胞实验和临床数据，寻找能够“通过干预改变疾病结局的生物学机制”。据insitro披露，其平台已积累PB（PB拍字节= 约100万GB，相当于20万部高清电影的数据量）级别的大规模细胞与人类生物学数据，并与Bristol Myers Squibb（百时美施贵宝）、Eli Lilly（礼来）、Gilead（吉利德）等大型药企建立合作。

⚠️一个边界：但Koller自己反复强调，AI能够压缩数据分析、靶点发现和部分药物设计环节，却不能让细胞、动物和人体临床试验突破生物学本身的时间尺度。她说："You cannot make a cell grow faster by throwing more GPUs at it."（你不可能靠堆GPU让细胞长得更快。）

💡一个判断：Koller真正值得关注的地方，不是她把AI用于药物研发，而是她试图回答一个更困难的问题：当AI从海量生命数据中发现一个疾病相关信号时，我们如何判断它究竟是相关因素，还是值得干预的因果因素？

一、从概率图模型到生物学：一个人物的思想线

Daphne Koller（达芙妮·科勒）的学术底色不是传统生物医学，而是概率模型、统计推断与机器学习。她长期研究如何在复杂数据中描述变量之间的关系，并进一步理解哪些关系具有因果意义。这种"从复杂数据中区分相关与因果"的训练，后来几乎原封不动地进入了她对AI制药的理解。

1968年生于耶路撒冷，在希伯来大学和斯坦福大学完成学业后，1995年加入斯坦福大学计算机系，2004年获得麦克阿瑟基金会"天才奖"，2011年当选美国国家工程院院士，2023年当选美国国家科学院院士。

但这些履历不是重点。重点是：她一生都在做同一件事——用计算方法重构复杂系统，并在噪声中区分"相关"与"因果"。

二、两次"系统重构"的预演：从教育到长寿

2012年，Koller与吴恩达联合创立Coursera（库尔塞拉）。这段经历对她而言是一次"大规模系统重构"的预演——从学术界走向工程化平台。

真正关键的转折是2016年。她离开Coursera，加入Calico（卡利科，Alphabet旗下专注抗衰老研究的生物科技公司）任首席计算官。

在Calico，她观察到一个悖论：生命科学领域的数据正在爆炸，但药物发现的效率却停滞不前。根据塔夫茨药物研发中心（美国塔夫茨大学下属的行业智库，专门统计全球新药研发要花多少钱、花多长时间，是制药业引用最广泛的"成本基准表"来源）等机构采用的估算口径，新药研发的综合成本可达到数十亿美元，研发周期通常超过十年。

但她看到的不是"数据不够"，而是另一个问题：数据爆炸与生物学可解释性之间的鸿沟。海量数据生成了无数统计关联，但很少有人能回答——这些关联中，哪些是值得被干预的因果机制？

因此，2018年，她创立insitro（因西特罗），使命就是填补这个鸿沟。

三、"因果性"是治疗的核心，但不是临床成功的充分条件

Koller对AI制药的核心判断，可以用一句话概括：一种药物要有效，它干预的靶点需要具有足够可信的人类因果证据，证明对该靶点进行干预有可能改变疾病相关结局。如果AI只是发现A和B相关，但A并不因果驱动B，那么针对A的药物大概率会失败。

这正是当前AI制药的最大痛点：很多AI模型能发现“统计关联”，但无法证明因果关系。

Koller讲过一个内部案例：团队曾用AI生成一份靶点优先级排序，但压力测试后发现，某个高优先级靶点的依据站不住脚——把统计关联误认为因果关系，团队及时叫停了这个项目，并在AI流程中加入了新的校验机制。

他们设置了一个关键限定：

因果证据只是药物研发成功的必要基础之一，而不是充分条件。即使一个靶点具有充分的人类因果证据，仍然可能出现药物无法有效作用于靶点、无法到达目标组织、出现毒性、动物模型与人体不同、疾病异质性导致疗效不足等问题。

所以更准确的表述是：AI制药的问题不是从"相关性"一步跳到"因果性"就结束了，而是从"相关"走向"因果"，再从"因果"走向"可干预、可成药、可验证"。

四、insitro怎么做：AI不是实验本身，但正在承担"预测潜在干预结果"的角色

insitro的官方定位是"用于人类健康的因果AI"。其核心平台名为Virtual Human——但这里必须澄清：它并不是一个可以完整模拟真实人体的数字孪生，而是一个用于整合人群遗传学、临床数据和实验数据、辅助疾病机制与靶点研究的平台。

据insitro披露，其工作流大致是：

人类数据 → 遗传学/实验干预证据 → AI整合与建模 → 候选因果机制 → 实验干预验证 → 靶点确认 → 药物设计 → 动物实验 → 临床

这里的关键是：因果关系不是AI从观察数据里凭空"发现"的。2026年8月，Koller在《绘制因果人类生物学图谱》一文中明确写道：前沿模型从海量观察数据中学习的是“什么经常一起出现”，而不是"什么导致什么"；因果关系通常需要通过干预和记录干预后的结果来获得。

换句话说：AI不是实验本身，但AI正在承担"从因果证据出发，预测潜在干预结果"的角色。

实验产生因果证据，AI学习因果结构并预测新的干预，再由实验/临床验证——这才是Koller定义的闭环。

据insitro披露，其平台已积累PB级别的大规模细胞与人类生物学数据，并将这些数据与遗传学和实验干预结合起来。

2026年1月，insitro收购以色列生物制剂设计公司CombinAbleAI，推出TherML平台，将设计能力从小分子扩展到oligonucleotides（寡核苷酸）和complex biologics（复杂生物制剂）。

另外值得注意的是，Koller在8月26日文章中明确说：Virtual Human不是一个巨大统一的AI模型。生物学太复杂、数据太异质，因此它实际上由“大量专门模型+推理层（reasoning layer）”构成——专门模型负责"看懂"细胞图像、分子数据、临床数据等不同类型的信息，推理层负责把这些信息连接起来，形成机制和靶点判断。

insitro官网也将其描述成一套由数据、表征、因果、Agentic Reasoning等层组成的技术栈。

这意味着：未来医疗AI未必是"一个超级模型吃掉整个医疗"，而可能是一个"专用模型→多模态表征→因果证据→推理层→实验验证→新数据→再训练"的闭环系统。

五、CTRO-1013：AI真正面对的考场，还没有从计算机里搬到人体里

CTRO-1013是insitro目前推进中的候选药物之一，也是其公开披露较多的项目。这是一种由insitro的AI/计算平台参与发现和推进的siRNA（小干扰RNA）疗法，通过沉默IRS1基因治疗MASH（代谢功能障碍相关脂肪性肝炎）。

但必须明确三层限定：

第一层：目前仍是临床前证据。2026年6月，insitro在ADA会议公布了CTRO-1013的临床前数据，包括人类遗传学、人类肝细胞实验、小鼠模型以及非人灵长类（食蟹猴）数据——食蟹猴中观察到持续靶点抑制且未影响glucose homeostasis（葡萄糖稳态）。但整个项目仍然没有人体临床疗效证据。

第二层：这是生物标志物变化。数据显示治疗后TIMP-1（纤维化标志物）降低37%，CK-18（肝损伤标志物）降低68%。这些是替代终点，不是疗效终点。

第三层：从临床前走向人体，仍然存在巨大不确定性。公司据此推进IND-enabling studies（新药申请支持研究），并计划2026年进入首次人体试验。这些结果说明的是候选药物具有进一步开发的依据，而不是已经证明其在人类患者中有效。

换句话说：AI真正面对的考场，还没有从计算机里搬到人体里。

六、AI到底改变了药物研发的哪一步？

这是评价Koller时必须回答的问题。

1、AI没有改变的是：

（1）细胞培养的时间

（2）动物实验的周期

（3）人体临床试验的时长

（4）生物学本身的验证逻辑

2、AI可能改变的是：

（1）搜索空间：从"人类提出少数假设"到"AI在海量数据中筛选大量候选机制"

（2）假设质量：通过因果推断提高靶点选择的可靠性

（3）多尺度连接：把人群遗传学、细胞表型和分子设计串成闭环

Koller自己说得最清楚：AI真正的价值不是替代科学家，而是扩大科学家寻找值得验证的假设的速度和范围。但验证本身——细胞、动物、人体——一步都不能少。

所以更准确的说法是：

AI加速的不是生物学本身，而是人类寻找值得验证的生物学假设的过程。

七、与Hassabis的对照：理解生命 vs 寻找可干预机制

如果把AI for Biomedicine（AI用于生物医学）比作一座桥：

Hassabis在做的是"测绘桥的地形"——AlphaFold预测蛋白质结构，理解生命分子的形态。

Koller在做的是"设计桥的承重结构"——insitro寻找因果靶点并造出药物，试图干预生命过程。

但这不是两种互斥路线。AlphaFold的结构预测可以进入药物发现；insitro同样大量使用预测模型。两人更像同一座桥的两端：一端是理解，一端是干预。

真正的分界线不是"谁使用预测、谁使用因果"，而是"最终把AI输出交给什么样的实验验证"。

八、2026年的Koller：她已不只是谈"因果"，而是在定义一套新的AI制药范式

2026年8月，Koller连续发表两篇文章，实际上形成了一个漂亮的"上下篇"：

上篇——8月3日《Drug Discovery Has No Magic Wands》：AI为什么不能只靠更强模型解决药物发现？

因为她认为目前AI的大量工作集中在"Mechanism-to-Drug"（分子设计），而真正困难的是“找到一种干预后能够真正改变疾病进程的生物学机制”。她写道："我们很擅长制造钥匙，但通常开的是错误的锁"。

下篇——8月26日《Mapping Causal Human Biology》：那AI应该怎样进入生物学？

从人类遗传学+细胞扰动实验获取因果证据，再用AI把这些证据连接起来，预测尚未做过的干预在人类系统中会产生什么结果。而单纯增加观察数据和参数，并不能自动解决因果推理问题。

这意味着：Koller不是在"宣传"因果AI，而是在亲自把这套方法论系统化。

九、Koller真正重要的地方

她真正重要的地方，不是她有多少融资、多少合作、多少管线。

而是她提出了一个值得认真检验的命题：

AI制药真正的瓶颈，也许不是预测能力，而是能否把预测转化为可验证的因果机制，并最终证明干预这一机制能够改变疾病结局。

她把AI制药的评价标准从"预测得准不准"，往"干预之后有没有改变疾病"推进了一步。

但推进这一步，不等于已经走完了全程。

AI制药真正的竞争，也许不是谁能生成更多分子，而是谁能更早发现哪些生物学假设值得被人体验证。

AI不能让细胞长得更快。但它可能让人类更快找到，哪些地方值得等待细胞给出答案。

【互动问题】

如果AI能够显著提高靶点发现的准确率，却没有同步提高临床成功率，那么"因果AI"究竟解决了药物研发中最重要的问题，还是只解决了其中一个环节？

评论区见。

【信源清单】

【Koller本人2026年8月最新文章】

Koller, D. 《Drug Discovery Has No Magic Wands》. a16z (2026.8.3) — 核心方法论阐述

Koller, D. 《Mapping Causal Human Biology》. Deep Phenotype (2026.8.26) — 因果推断最新定义

【公司自述】3. insitro官网《Virtual Human Platform》(2026) — 平台定位与数据规模4. insitro官网《CTRO-1013 ADA 86th Scientific Sessions Data》(2026.6) — 临床前动物实验数据5. insitro官网《Leadership: Daphne Koller》(2025.4) — 人物履历

【独立媒体访谈】6. Observer《Daphne Koller on Why Insitro Skipped Biotech's Shortcut》(2026.7) — 核心引用来源7. Technovation《Machine Learning and Medicine: An Interview with Daphne Koller》(2019) — 历史思想

【第三方分析】8. Information Matters《Insitro Company Profile》(2026.6) — 融资与合作数据

【行业基准】9. Tufts Center for the Study of Drug Development《Cost of Developing a New Drug》— 研发成本估算口径