AI超大数据中心可能预示医疗保健革命

近日，美国总统特朗普与三位强大的科技领袖及一位来自中东的投资者共同宣布了一项计划，投资超过700亿美元建设数据中心，目标是使美国成为全球人工智能（AI）领域的领导者。

参与此次宣布的有Oracle的创始人拉里·埃里森（Larry Ellison）、OpenAI的首席执行官山姆·阿尔特曼（Sam Altman）以及日本IT企业家孙正义（Masayoshi Son）。他们指出，AI有可能彻底改变医疗保健行业。

这是一个非常庞大的项目，类似于二战期间的曼哈顿计划。目前计划建设20个数据中心，每个面积达50万平方英尺。小型数据中心通常不超过5000平方英尺；中型数据中心则在5000到5万平方英尺之间；大型数据中心通常在5万到10万平方英尺之间。

一个超过10万平方英尺的数据中心被称为“超大规模”数据中心。每个计划中的数据中心将是基本“超大规模”数据中心的五倍大。这实际上意味着该项目将建造世界上最大的数据中心。

电力需求

这些巨大的AI综合体将需要独立于电网的电力供应。数据处理需要大量的电能。主要用途有两个：首先是处理器本身消耗大量能量；其次，数据中心必须进行空调冷却以防止芯片过热。

例如，像ChatGPT这样的AI系统，每组处理单元大约消耗120千瓦。一组处理单元是指用于堆叠处理单元的货架单元，有时也称为“披萨盒”。每个单元占用略多于400平方英尺的空间。因此，如果一个数据中心为10万平方英尺，则可以容纳240个单元。

二十个各50万平方英尺的数据中心总共需要1000万平方英尺的空间，这意味着将容纳24,039个处理单元。这相当于2885兆瓦的电力，再加上40%用于冷却，总计约4039兆瓦。相比之下，尼亚加拉瀑布的总发电量仅为2600兆瓦。

使用小型模块化（核）反应堆

据估计，随着AI的广泛应用，几年内其将占美国电力消耗的四分之一或更多。为了避免给公共电网带来压力，该项目计划采用独立的专用电站为这些数据中心供电。它们将拥有自己的电力供应，从而减少因公共停电而造成的中断风险。

为此，考虑使用清洁能源如小型模块化核反应堆（SMRs）。例如，NuScale电力模块每个可产生50兆瓦。按照这个计算，拟建的AI计算综合体可以由大约80个SMRs提供动力。

美国历史上曾启动过其他电力密集型项目。例如，在田纳西州橡树岭建造的秘密设施，用于浓缩铀制造原子弹，曾使用了美国总发电量的七分之一，约为2200万兆瓦。如今，美国的发电量已达到约40亿兆瓦，远超1940年代的1530亿千瓦。

AI与医学

早期关于AI和医学的文章主要集中在它如何替代医生并做出诊断决策。RACmonitor在2019年1月发表了第一篇关于AI的文章。最初，医学界普遍嘲笑这项新技术，认为AI不可能学会如何成为一名医生。

但现在显然，AI的发展远超预期，并且仍在不断进步。

关于AI在医学中的应用已经远远超出了最初的简单想法。让我们来看看正在规划中的项目。

增强的医疗诊断和影像

AI在从影像中提出医疗诊断建议方面变得越来越高效。当然，人类也应该能够看到同样的东西，但AI系统可以分析比人类多得多的图像。目前，我们可以期待AI的分析结果会提供给医生以确认他们的诊断，快速定位潜在问题将节省大量时间。

预测性和个性化医疗

个性化医疗指的是针对特定患者或其具体疾病量身定制的治疗方法。研究人员正在努力提高个性化治疗的效果，并让AI能够即时审查所有患者的可用数据，这在医生（或医疗团队）看来是一个耗时的过程。此外，根据疾病的性质，AI应该能够确定最佳剂量、时机和治疗组合。

远程监测和远程医疗

如今的技术，如Apple Watch上的健康应用程序套件，已经允许参与科学研究和对患者的持续监测。借助AI，这种能力可以扩展到同时监测数十万患者，包括养老院的居民，远远超出人类医疗服务提供者的能力范围。

预计会有更多的监测，还包括对患者的持续指导，提醒他们锻炼、饮食或服药。每年有3400万次医院入院、3100万次健康中心就诊和1.39亿次急诊室访问。总计2.04亿人次。虽然听起来计算量巨大，但运行在超大规模数据中心的AI可以轻松监测这一数量的患者并完成其他工作。

临床决策支持系统（CDSS）

拉里·埃里森在其演讲中提到，AI将成为任何医疗团队不可或缺的一员，利用其强大的计算能力在几秒钟内分析所有可用的患者数据，并向医疗团队提供建议。医生可以与AI进行对话，讨论不同的治疗方案，并获得每种方案的成功概率。

当然，根据医生提出的问题或提出的治疗方案，AI还可以评估医生的技能水平，并记录下来。

计算机模拟研究发现新药

我预测，AI在医学中最重要的一项应用将是研究和开发新化合物来治疗疾病。

无需赘述冗长的过程。测试和批准一种药物需要数年时间。评估新分子实体的潜力也需要很长时间。

记住这一点，让我们列出AI将在其中发挥关键作用的领域。这包括药物发现、药物重新定位分析、识别可能有助于治愈疾病的靶点、预测化合物的毒性（无需在人类或类人体上进行实际测试），以及理解新分子的药代动力学特性，包括吸收、分布、代谢和排泄（ADME）属性。

关键是合成数据生成和所谓的“计算机模拟”研究。在这种方法中，新的分子实体通过软件建模。然后可以使用AI测试不同分子之间的相互作用。传统研究方法中，这些相互作用需要在实验室中逐一测试。

而在计算机模拟测试中，可以在几秒钟内测试数十万个化合物。此外，AI还能够设计出可能对缓解或治愈疾病有积极效果的新分子。

同形异构实验室

这些关于使用AI创建新药的想法并非理论上的。同形异构实验室吸引了多位诺贝尔奖得主，包括开发CRISPR-Cas9基因编辑技术的詹妮弗·杜德娜（Jennifer Doudna）、不对称有机催化领域的戴维·麦克米伦（David MacMillan）、细胞周期控制研究的保罗·纳斯（Paul Nurse）以及核糖体结构和功能研究的文奇·拉马克里希南（Venki Ramakrishnan）。

实验室的首席执行官德米斯·哈萨比斯（Demis Hassabis），同时也是Google DeepMind项目的负责人，表示过去药物发现需要5到10年的时间，但现在这个过程将加快十倍。他强调了蛋白质结构预测以及计算机模拟研究以理解不同生物分子之间的相互作用。

最重要的是，他预测AI设计的药物将在2025年底前进入临床试验阶段。

(全文结束)