鉴证实录2

“说 AI 能治愈癌症更像是一种陈词滥调，而非鼓舞人心，大多数人认为这是欺骗性的。”8 月 16 日，Anthropic 首席执行官 Dario Amodei 在 X 上写下了这句话。会议汇聚1800余名专家学者及企事业代表，共同探讨核聚变能研究最新进展与未来发展路径。　　记者从大会现场获悉，央企中国聚变能源有限公司（下称“中国聚变”）落沪后布局的首座聚变大科学装置——中国环流四号建设进程更新，9家企业联手攻关25T高温超导磁体，在2028年和2030年分别设置了关键节点目标。　　上海证券报记者走访多家公司展台发现，头部企业商业化路线图明确，众多A股上市公司紧随产业发展步伐，布局系统装置、核心材料与关键零部件赛道。

C | 伴随耐心资本持续赋能，核聚变完整产业链生态正加快构建。　　中国环流四号建设提速　　开幕式上，多项重要信息集中发布，包括长三角高温超导磁体技术创新联合体聚变堆高温超导磁体研制路线图、中国环流四号目标图像、《核聚变能装置技术图谱（第一卷）——托卡马克卷》等。　　自2021年美国聚变能源公司CFS突破高温超导技术以来，全球多国相继布局高温超导磁体技术路线。两天后，Anthropic 公布了一项蛋白质设计实验：Claude 操作一组专业模型和研究工具，设计出了能够与多个目标蛋白结合的新蛋白。再过一天，莫德纳和默沙东宣布，包含机器学习设计环节的个体化癌症疫苗在黑色素瘤三期试验中达到主要终点。长三角高温超导磁体技术创新联合体发布了高温超导磁体研制路线图，目标2028年前建成首条25T高温超导强场磁体研制和测试线，2030年前完成原型磁体研制。几项成果集中出现，再次激起了外界对 AI 医疗的关注，资本市场也迅速作出反应。8 月 19 日，莫德纳股价上涨约177%，默沙东上涨约 13%；Anthropic 相关实验的验证方 Twist 股价单日上涨 22.64%、从事 AI 精准医疗的 Tempus AI 也上涨 22%。

D | 　　据介绍，长三角高温超导磁体技术创新联合体由中国聚变牵头，联合上海超导、东部超导、上海交大、上海电气核电集团、超磁新能、能量奇点、杭氧集团、翌曦科技等首批九家成员单位组建，将围绕中国环流四号聚变装置需求，形成高温超导强场托卡马克磁体研制能力与工程化技术体系。热度随后扩散到整个生物科技板块，iShares Biotechnology ETF 和 SPDR S&P Biotech ETF 当天分别上涨 6.6% 和 5.9%。从蛋白质设计、AI 药物发现，到个体化癌症疫苗的三期试验，“AI 医疗”开始对应越来越具体的研究成果。那么，这些进展分别到了哪一步？哪些已经经过人体临床验证，哪些还停留在实验室；AI 又在其中承担了什么工作？它真的帮助人类“治愈”癌症了吗？“治愈”有着非常严格的要求“AI 医疗”听起来像一个单独的行业，但它内部其实包含一系列差别很大的工作。　　中国环流四号是全球首个高温超导强场稳态燃烧聚变实验平台，由中国聚变建设，装置落地上海。

E | 根据中国环流四号目标图像，该装置将系统验证聚变复杂环境下25T高温超导强场磁体的可靠性，演示聚变堆全域智能控制，实现装置长时间稳态运行，有力支撑我国设计、建设下一代聚变堆。　　中国环流四号为高温超导托卡马克装置。

F | 算法可以阅读病历、识别影像、预测疾病风险，也可以寻找药物靶点、生成分子结构、筛选临床试验患者。根据最新发布的《核聚变能装置技术图谱（第一卷）——托卡马克卷》，托卡马克装置包括主机系统、辅助系统、堆芯运行与前沿物理研究、燃料系统、取能与发电系统、核与辐射安全以及总体设计与集成技术，每一子系统下又包含各项细分系统。它还可以辅助医生选择治疗方案、计算放疗剂量，或者监测患者服药后的反应。

G | 这些工作都与医疗有关，证据标准却各不相同。一个模型在医学考试中答对问题，证明的是它能处理某种形式的文本；在历史病例上准确预测诊断，证明的是它能复现数据中的模式；在医院里帮助医生提高诊断率，需要前瞻性试验；一种由 AI 参与设计的药物是否有效，最终还要在患者身上与现有治疗或者安慰剂进行比较。美国食品药品监督管理局（FDA）称，自 2016 年以来已经收到超过 500 份包含 AI 组件的药品和生物制品申报材料。　　中国国际核聚变能源计划执行中心主任王艳表示，核聚变能正加速从科学研究向工程示范迈进，全球核聚变能的研发呈现加速态势，反映出其作为未来理想能源的巨大潜力，但核聚变能的开发利用仍面临科学和工程技术挑战，在热潮中必须保持冷静，加快培育未来国际联盟体系，正视并共同解决前沿科技难题。　　聚变生态加速崛起　　记者在现场看到，不少企业在展台上公布了最新的项目时间规划与创新成果。这里的“使用 AI”可以指预测药代动力学、优化剂量、分析临床终点、整合自然病史数据，也可以指辅助生产和质量控制。它说明 AI 已经成为药物研发中的常用工具，并不意味着 500 款药物由 AI 独立发明。已经获得监管授权的医疗 AI，同样主要分布在信息处理环节。JAMA 2025 年的一项系统研究统计了 950 款 FDA 授权的 AI 医疗器械，其中 723 款属于放射科，占比约 76%。它们处理的是 X 光片、CT、核磁共振和超声等高度数字化的数据。医学影像有相对标准的输入格式，医院也已经积累了大量数字化资料，许多任务也拥有明确答案，例如一张图像中是否存在结节，病灶边界在哪里，前后两次检查发生了什么变化。一级市场融资火热，亦有新锐企业对记者透露，正密集接触资本，未来两个月还将陆续对外披露融资新进展。因此，这也是目前聚集了最多 AI 产品的医疗环节。而对于治疗来说，它所提出的是另一类问题。

H | 诊断模型试图回答“这个患者现在发生了什么”。

I | 　　我国核聚变产业正形成国家队与民营力量双轨并行的格局。治疗决策需要回答“采取某项干预后，这名患者会发生什么”。中国聚变、聚变新能，中国工程物理研究院等“国家队”集体亮相。同一个患者不可能同时接受两套相互排斥的方案，研究者无法直接观察那个没有发生的结果。新奥集团、星能玄光、星核聚变、曦融兆波、翌曦科技等民营核聚变企业也现身展会现场。相关性很强的模型，也可能把接受某种治疗的人群特征误认为治疗效果。　　聚变新能为中国科学院合肥物质院在磁约束核聚变领域的成果转化平台，主要负责紧凑型聚变能实验装置（BEST）的建设。记者从展台了解到，按照战略规划，公司将在10-15年之内实现实验研究、工程示范、商业应用一体化的聚变商业体系。

J | 　　新奥集团展台工作人员对记者介绍，公司计划在2027年实现氢硼燃烧并演示发电，在2035年实现氢硼聚变发电，进入聚变示范堆阶段。这就是随机对照试验仍然重要的原因。

K | 旗下装置“和龙-2”已全面完成物理设计与工程设计并开工建设，计划2027年底建成启用，2030年点亮氢硼聚变第一盏灯。

L | Nature Medicine 关于因果机器学习的综述指出，AI 可以结合临床试验和真实世界数据估算个体化治疗效果，但偏差、混杂因素和错误的因果假设仍会产生错误预测。

M | 至于“治愈”，医学要求的不只是治疗后暂时查不到癌细胞，还要确认它以后不再复发。　　超磁新能定位于可控核聚变核心部件提供商。公司介绍称，正在开发世界首个大尺寸25特斯拉高温超导可控核聚变托卡马克磁体系统以及高温超导可控核聚变仿星器磁体系统，这项技术有望使核聚变装置更加紧凑、高效，大幅降低建设成本，为聚变能源商业化扫清关键障碍。美国国家癌症研究所将其解释为癌症的所有痕迹已经消失，并且以后不会复发。　　在核聚变向商业化落地的过程中，一批A股上市公司正加速完善核聚变产业链。患者即使进入持续多年的完全缓解，医生通常仍然谨慎使用这个词，因为未来尚未发生。西部超导、永鼎股份旗下东部超导、上海电气、安泰科技、西部材料、杭氧集团、合锻智能、国光电气等多家企业亮相本次展会。　　从数千万元到数亿元，尽管核聚变相关业务在总营收中占比尚且不高，但多家企业均明确看好这条潜力赛道。

N | 　　一家材料企业负责人表示，公司已取得BEST装置偏滤器40%的钨材料订单。当前装置正推进从理论验证到工程化落地，公司自研发期便参与相关项目配套，每年相关订单达数千万元。其产品已经应用于ITER、EAST、BEST、CRAFT等项目。

o | 　　合锻智能集中展示在托卡马克与仿星器两种技术路线下的核心部件制造能力和最新工程进展。据了解，公司专门成立了尖端制造事业部，聚焦CFEDR等国内外大型聚变堆项目，开拓聚变堆核心部件配套市场，计划覆盖所有聚变相关堆型。

图丨FDA 对于治愈的定义（来源：FDA）模型在基准测试或历史病例上取得高分，只能说明它完成了相应的预测任务。以托卡马克装置为例，公司具备真空室、包层、磁体、偏滤器、线圈等核心部件制造能力。患者能否长期获益，则要看对照试验和数年随访。　　合锻智能技术负责人表示，预计明年相关订单总额超亿元。三项成果，停在三道不同的门前这种差别，可以从 Anthropic 最近公布的实验说起。公司计划投资20亿元，围绕聚变堆制造需求，打造国内唯一具备聚变工程堆全尺寸、整机级交付能力的制造基地，计划2027年10月份投产。在这组持续 24 至 48 小时的任务中，Claude 通过阅读论文和数据库，调用公开的蛋白质结构预测与设计工具，挑选结合位置，生成候选蛋白，再根据计算结果不断筛选和调整。研究人员选定了 16 个目标蛋白，其中 15 个最终取得可以解释的测量结果。　　核聚变装置运行过程中，需要极端低温环境来实现超导磁体的冷却和等离子体约束。记者了解到，杭氧股份以80K低温氮系统为核心，为核聚变装置超导磁体提供基础低温环境支撑，已成功应用于中科院高能物理研究所衔接光源技术研究与测试平台，目前正为BEST装置定制制造80K低温氮系统。　　安泰科技为核聚变偏滤器钨铜材料核心供应商。实验室对 1,320 个设计进行合成和测试，确认 354 个能够结合目标，在 15 个目标中有 14 个找到了结合蛋白。部分任务的命中率超过 Anthropic 此前使用的常规流程。展台负责人对记者表示，目前核聚变业务占总营收比例较小，预计核聚变发展步入后期商用堆阶段，订单才会呈现爆发式增长。这是一个扎实的研究成果。Claude 不只是总结已有知识，它连续工作了数十小时，组合专业模型，调整实验策略，交出了能够接受湿实验检验的新设计。外部实验室负责合成和检测，也降低了模型对自己打分的风险。

图丨Claude 成功协调多个开源蛋白质设计模型，生成了具有高成功率和亲和力的结合蛋白。（来源：Anthropic）不过，实验对象是 15 个可以解释的蛋白靶点，不是 15 种疾病；354 个结果是蛋白结合物，也不是 354 款药。一个蛋白能够黏住靶点，只说明研发者找到了某把可能插进锁孔的钥匙。它是否会打开正确的门，会不会同时碰坏其他门，进入人体后能否抵达锁孔，免疫系统是否把它清除，都需要其他实验回答。

p | 　　在耐心资本方面，上海国投前瞻性布局了核聚变赛道。上海国投有关负责人介绍，公司采用了一套“1+X+N”的产业投资组合打法：以中国聚变为产业布局的核心链主，依托链主资源辐射带动上下游企业集聚；捕捉不同技术路线的商业化拐点，以分散单一技术路线研发风险；最终聚焦核心环节延伸布局，强化生态培育。（文章来源：上海证券报）。Anthropic 在报告中也明确表示，这些小型结合蛋白不是标准意义上的药物，结合只是药物研发的第一步。

q | 相比之下，Rentosertib 已经走得更远。

r | 这是一款用于治疗特发性肺纤维化的候选小分子药物，其研发公司英矽智能使用 AI 寻找 TNIK 靶点，又通过生成模型设计分子结构。2025 年公布的随机二期临床试验招募了 71 名患者，在为期 12 周的治疗中观察到初步疗效信号，药物总体耐受性尚可。不过这项研究规模很小，全部组别共有 16 人退出，观察时间也不足以判断长期疗效。研究者在论文中将结果称为“令人鼓舞，值得进一步研究”，而非一项已经得到确认的治疗突破。2026 年 7 月，Rentosertib 进入三期试验。

s | 它是目前最接近完整临床验证的 AI 药物案例之一：AI 参与发现靶点、设计分子，候选药随后经历临床前实验、一期安全性研究、随机二期试验，现在开始接受更大规模的人体检验。它仍未获得上市批准，也没有治愈特发性肺纤维化。莫德纳的个体化癌症疫苗又处在不同的位置。研发人员先对每名患者的肿瘤和正常组织进行测序，找出肿瘤特有的突变，再用机器学习和生物信息学算法对候选新抗原排序。最多 34 个新抗原会被编码进一条为患者单独制造的 mRNA，目的是训练免疫系统识别其肿瘤细胞。在刚刚公布的 INTerpath-001 三期试验中，1,137 名高风险皮肤黑色素瘤患者接受了治疗。这些患者的肿瘤已经通过手术完全切除，研究考察的是疫苗联合 Keytruda 能否降低术后复发和远处转移风险。

t | 公司称，试验在预设的中期分析中达到无复发生存期和无远处转移生存期两个终点。总体生存期仍在随访，风险比、绝对事件率、置信区间和生存曲线尚未披露。

u | 这项三期试验验证了“个体化疫苗加 Keytruda”整套方案的增量效果。

v | 它没有设置一组由人类使用其他方法挑选新抗原的疫苗，也没有比较“使用 AI”和“不使用 AI”。

w | 因此，研究能够证明包含机器学习环节的疗法有效，无法计算疗效中有多少应当归功于算法。

x | 三项成果分别回答了三个问题：模型能否设计出在实验室中结合靶点的蛋白，AI 发现和设计的候选药能否在人类身上显示初步疗效，包含机器学习组件的个体化疗法能否在三期试验中改善临床终点。我们不需要用“治愈”的名号来给他们增加分量。Anthropic 提高了蛋白质设计的实验命中率，Rentosertib 把 AI 发现和设计的候选药推进到后期临床，莫德纳则让个体化癌症疫苗首次在三期试验中取得阳性结果。这些已经是足够重要的进展。

y | 最昂贵的失败，发生在算法交卷以后我们知道，现代药物研发是一套不断淘汰答案的制度。研究人员从疾病机制中寻找靶点，从大量候选分子中找到能够影响靶点的少数，再优化活性、稳定性、选择性和生产条件。

z | 候选药随后进入细胞实验、动物实验和人体临床试验。每一步都会淘汰前一步看起来很有希望的结果。一项关于临床研发失败的综述估计，药物从发现到获批通常需要 10 至 15 年。即使已经进入一期人体试验，约九成候选药仍无法获得批准。40%—50% 的失败源于临床疗效不足，约 30% 源于无法接受的毒性。

|

| （来源：Acta Pharm Sin B）">

图丨药物发现与开发的过程，以及每一步的失败率。（来源：Acta Pharm Sin B）而这组数字揭示了 AI 药物研发最容易被忽略的一点：生成一个在计算上表现优秀的候选物，可能只加速了失败率最高流程中的前半段。靶点与疾病相关，不等于干预靶点就能改善疾病；分子在培养皿中有效，不等于它在人体内能够达到足够浓度；动物模型出现变化，也不保证人类患者获得同样结果。

| 许多“完美”的候选药，直到二期或者三期临床才暴露出疗效不足。AlphaFold 就很好地代表了这种区别。它已经预测了约 2 亿个蛋白质结构，极大扩展了研究人员可以利用的结构信息。以前可能需要数月甚至数年才能获得的线索，现在几分钟便能生成。科学家能够更快提出假设，也可以研究一些过去缺乏实验结构的蛋白。但模型给出的通常是一个预测构象，而真实蛋白会在不同温度、溶液环境和结合状态下改变形态，也可能与其他蛋白、离子和小分子共同作用。研究人员比较 AlphaFold 预测与实验结构后发现，即便模型置信度很高，局部构象、侧链位置和结构域方向仍可能不同。

| 因此，这些预测更适合被视为“非常有价值的假设”，关键相互作用仍需实验确认。AI 可以提出更多候选答案，生命科学缺少的却经常是高质量问题和能够检验答案的数据。2026 年 8 月，Nature Reviews Drug Discovery 发表的一篇行业评述认为，AI 在药物研发中的技术成果很多，临床相关影响仍然有限。作者把原因归结为几类：研究过度关注模型指标，生命科学数据高度依赖实验条件，现实任务没有被准确描述，技术团队解决了一个容易计算的问题，却未必解决药物研发中真正阻塞决策的问题。比如，一个生成模型可以在几小时内创造数百万个分子。但实验室没有能力合成和检测其中大部分，更多候选物甚至会放大后续筛选压力。真正有价值的提升是把最可能失败的分子尽早排除，让有限的实验资源集中到更好的假设上。在这个意义上，“更快失败”也可能是 AI 对医学的重要贡献。它不等于“治愈”，却可能节省数年时间和数亿美元成本。癌症会在治疗过程中改写题目而就这次引发关注的癌症来说，它所对应的问题更要复杂得多。美国国家癌症研究所将癌症描述为一组相关疾病，已知类型超过 100 种。不同器官的肿瘤由不同细胞产生，受到不同基因、免疫环境和外界因素影响。即使病理名称相同，两名患者的突变组合和治疗反应也可能相差很远。一名患者体内的肿瘤也不是整齐划一的细胞群。

| 肿瘤在不断复制中积累突变，形成多个特征不同的亚群。一次活检取到的只是某个位置、某个时间的样本，未必包含所有具有转移或耐药能力的细胞。更棘手的是，治疗还会改变肿瘤。药物杀死敏感细胞后，少数具有耐药性的细胞可能留下并扩张；免疫系统清除容易识别的细胞，也可能选择出更善于隐藏的亚群。2025 年 Nature Reviews Immunology 的一篇综述指出，肿瘤内部异质性与较差的临床结局、对免疫检查点抑制剂反应不足相关，免疫压力本身也会参与塑造肿瘤演化。算法此时面对的不再是一道答案固定的识别题。模型根据过去患者的数据学习规律，新的药物和治疗组合却会改变疾病的选择环境。当诊疗方式发生变化，历史数据中的关系也可能随之失效。癌症数据还存在一个看似矛盾的问题：医院和研究机构保存了海量影像、基因组和病历资料，但进入具体治疗决策后，可用样本迅速减少。一旦按照癌症亚型、突变、治疗史、年龄、免疫状态和合并疾病继续划分，每组患者可能只剩很少几人。真正需要个体化治疗的罕见组合，恰好也是训练数据最稀缺的位置。记录方式不同、随访缺失、治疗选择偏差和人口代表性不足，还会继续削弱模型的可靠性。AI 仍然可以在这里发挥作用。它能把病理图像、基因突变和临床资料放在一起分析，寻找单一数据源难以发现的患者亚群；能够预测潜在新抗原、优化放疗计划、匹配临床试验，也能帮助医生更早发现复发迹象。这些工具提高的是观察、排序和决策能力。它们给出的治疗建议是否真正优于医生原来的选择，仍需要前瞻性研究；一项建议能否在不同医院、不同族群和不断变化的治疗环境中保持有效，则需要真实世界验证。而当 AI 从识别疾病走向干预疾病，它就同时进入了因果关系、伦理责任和风险分配的领域。模型的一次错误分类可能导致重复检查；一次错误治疗建议可能让患者错过有效药物，或者承受不必要的毒性。越接近患者身体，证明责任就越重。

| 因此，在“治愈癌症”乃至其他普通疾病的道路上，AI 依然任重而道远。成功之前的一切，正在加速但话又说回来，AI 对医学的影响，未必需要等待第一款“完全由 AI 发明”的药物获批才算成立。

| 它已经改变研究人员阅读知识的速度，扩大了可搜索的分子和蛋白质空间，也开始介入实验设计、患者招募、临床数据分析和监管材料处理。FDA 与欧洲药品管理局 2026 年共同发布的良好 AI 实践原则，把“明确使用场景”放在核心位置：模型是否可靠，取决于它被用来回答什么问题，以及答案将承担多大的风险。这也提供了一种更有意义的衡量方式。在药物发现阶段，可以考察 AI 是否缩短了候选物设计和优化时间，是否提高了经过实验确认的命中率。在临床阶段，应当观察它能否减少试验失败、改善患者招募、找到真正获益的亚群。最终的标准仍然是患者是否活得更久、更健康，是否用更低成本获得了安全有效的治疗。Rentosertib、Anthropic 的蛋白质设计和莫德纳的个体化疫苗，正在把 AI 推向这条链条的不同位置。它们比单纯的模型基准更接近生物世界，也比“AI 治愈癌症”复杂得多。Dario 所说的陈词滥调，问题或许就在这里。它把一个仍在逐级验证的过程提前写成了结局，也让那些已经发生、却不够戏剧化的进展失去了准确的名字。截至今天，AI 已经开始影响科学家下一步选择哪个靶点、设计哪个分子、进行哪项实验，而患者能否被治愈，仍要由实验、临床和时间共同回答。

|