輝達近期股價大漲，主要來自AI強勁需求。但你知道，黃仁勳不只建議大學生別再學程式，該進攻生命科學外，自己也早就悄悄進攻此領域？據外媒指出，輝達對生醫產業的野心布局日漸鮮明、完整，加碼押注此領域的龐大獲利潛能。AI能否實現黃仁勳的期望，成為生醫界萬靈丹？
年初，輝達（NVIDIA）執行長黃仁勳發下豪語，預測2024年「每個產業都會成為科技業」。這段話是於摩根大通（J.P. Morgan）年度醫療保健大會上發表，本身也傳達了清晰意涵。
3月的GTC 大會上，醫療保健是一大焦點，輝達一舉推出25項針對該領域的生成式人工智慧「微服務」（micro services）。黃仁勳以晶片發展比擬未來的藥物研發，認為電腦模擬技術也將能大幅減低過程的複雜性及錯誤率。
傳統途徑的藥物研發是昂貴、漫長的歷程。新藥平均要耗費10年及10～20億美元的投資才能抵達市場，且約九成研發計畫會胎死腹中。
輝達看出這其中應有不少算力可以派上用場的空間。在摩根大通年度醫療保健大會上，黃仁勳表示，現在幾乎可以辨識所有具有結構的事物的「語言」，並加以翻譯，例如文本與蛋白質之間的互譯。
黃仁勳進一步解釋，若將電腦輔助晶片設計的方法放大數十億倍，可能就可以模擬生物學，讓電腦輔助藥物設計。未來，絕大部分的任務都能在電腦內完成，大幅降低研發成本及所需時程。
「我們堅信，這將成為未來研發與設計藥物的方式。」黃仁勳並鼓勵所有在算力或AI層面遭遇困難的生醫業者聯繫輝達，「我們會為你服務。」
從遊戲畫面到生物模擬，輝達為GPU拓展應用
自遊戲硬體起家的輝達，明星商品是如今業界垂涎不已的GPU。但輝達並非只提供硬體，讓客戶自行研究如何應用。透過研發軟體、結盟合作，以及多元投資策略，多管齊下地強化自己在生態系中的影響力，是輝達鞏固其地位的重要手腕。
例如，2006年推出的軟硬體整合技術CUDA，大幅拓展了GPU應用。使用者可以切割運算任務，並同時執行。這讓晶片功能變得更加通用，遠超過圖像處理的範圍。
當時，輝達便注意到有些科學家用以模擬小分子與蛋白質的移動與互動方式。麻省總醫院亦在2007年使用輝達GPU來重建電腦斷層圖像。但基於成本與複雜性，應用還相對有限。
2018年，DeepMind推出能預測蛋白質結構的AlphaFold。這讓輝達對AI在健康醫療領域的應用信心大振。AlphaFold能將胺基酸序列轉化為高度精準的3D結構的能力，也讓輝達看見更多可能。
輝達醫療保健事業部副總裁波魏爾（Kimberly Powell）對《Endpoints News》解釋，一旦可以在電腦中再現某些東西，就能開始建立模型。一旦有了模型，就能開始更了解相互作用。她說，「對我來說，這是電腦輔助藥物開發的新曙光。」
深入領域專業，為客戶量身打造工具包
2018年，輝達推出醫療保健及影像平台「NVIDIA Clara」。當時聚焦於將人工智慧引入硬體儀器中，協助處理大量的醫療數據，方便人工解讀。2020年進一步擴充Clara規模，提供更多元的運算解決方案。
目前Clara有四大採用AI技術的醫療照護解決方案：藥物開發、醫療設備、醫學影像、基因體。其中，2022年秋季推出的明星服務「BioNeMo」，是專為藥物研發而打造的生成式雲端平台。
BioNeMo上提供許多預訓生成式模型，包括AlphaFold 2。使用者可以使用自己的資料集進行微調，執行特定任務，如模擬分子對接、預測分子與蛋白質的結合強度。BioNeMo目前已有超過100個生物製藥客戶。
硬體業務依然是輝達的核心業務。但輝達為生醫產業量身打造軟體服務，協助客戶善用這些自己提供的龐大算力，其努力也愈來愈不容忽視。
穆迪評級（Moody's Ratings）科技分析師、高級副總裁喬西（Raj Joshi）對《CNBC》表示，設計半導體與平台讓其他人更輕易完成自己的任務，與打造一個成熟的工具包賣給客戶是兩碼子事。
對生醫公司來說，向輝達購買這些服務後，即可直接進行自己的核心業務，而不需要從頭思考自己該如何應用生成式AI這類科技。
輝達在此的一大優勢正是人才。基於資源、企業文化與薪酬等因素，炙手可熱的頂尖AI人才仍傾向投身科技公司，而非生醫產業。許多藥廠缺乏研發適用自己業務的模型的人才，輝達就在此補位。
輝達投資的醫院自動化新創Artisight執行長戈斯廷（Andrew Gostine）便表示，靠己力優化模型非常困難，「雇用AI人才來進行這些優化的金額，輝達免費回饋給你——只要你購買他們超級昂貴的GPUs。」
為了提供客戶真正適用的服務，輝達不僅需要AI工程師，更雇聘了許多博士等級的領域專家，如計算化學家、計算生物學家等，進行諸多基礎研究。
過往在遊戲產業的專業也能派上用場。黃仁勳認為，電玩中的粒子物理學與分子模擬中的流體動力學沒有太大不同。
「我們在電腦圖學（CG）中用以模擬場景光線的圖像處理技術，與醫療儀器的圖像處理並無不同。在很多方面，它們都是相似的數學。」他解釋，「我們緩慢而系統性地拓展了自己的視野。」
「快速失敗」，AI可望大幅降低藥物價格
在經營策略伙伴關係上，輝達一方面與大型企業聯手開發新應用，另一方面也投資能受益於輝達技術的新創公司。成立約兩年的企業創投部門Nventures，已投資了約十家生技領域新創。
2023年7月獲得輝達5000萬美元投資的「Recursion」，企業目標是「解碼生物學」。主要任務便是利用自己的生物及化學資料集，打造出更強大的AI模型來開發藥物。
Recursion執行長吉布森（Chris Gibson）承認，模擬生物學比模擬晶片背後的物理學難上「幾十億倍」，但他相信終究可以抵達類似的境地。吉布森指出，引入AI的一大好處是讓初期的失敗變得「容易且便宜」，藉此大幅降低藥品價格。
安永（EY）近期採訪15名生藥及生技公司的高階決策者，亦有相近看法。受訪者同意，研發藥物的成本將隨著採用生成式AI逐步降低。未來3～5年，降幅約介於15～22％，未來高點可上看67％。其中，最被看好可大幅縮減成本的環節是確認治療標的及驗證標的。
另外，AI也可助益藥物研發之外的公司營運任務。並透過提升生產力，節省更多預算，投注於核心業務上。
從OpenAI與莫德納（Moderna）的合作細節中，可窺見生成式AI如何助益非直接關乎藥物研發的任務。例如，莫德納員工使用過去研究成果訓練了一個GPT，用以起草監管機構提問的應答內容。這節約了大量人工搜索文件的時間與精力，可以轉投於加速研發進展的創新思考上。
AI加持，最終能開發多少藥物？有待檢驗
在樂觀的跡象外，最終判準依然是最終開發出的藥物數量及其成效。這仍是有待證明之處。
生醫領域是否適用規模理論，也受到質疑。資深藥物化學家霍恩伯格（Keith Hornberger）便數度指出，黃仁勳的看法過度樂觀、天真。
針對黃仁勳「模擬生物學」的願景，霍恩伯格表示，現有的生物學資料並不完善且充滿雜訊，這限制了可訓練出的模型能力。甚至是人類對生物學的理解，可能也不如科技圈期望得多。
霍恩伯格解釋，不同於半導體，生物學並不是被人設計出來的，而是經過數十年的演化積累而成，可能不是本質上可被化約、精準預測的一套系統。即便可以做到，也會需要極長的時間，其複雜性難以靠更大的算力解決。
但科技人士抱持獨特的樂觀主義，進軍各大垂直產業，看似已是不可阻擋的潮流。針對各行業優化的微調模型，是許多新創的努力方向。在推進技術進步的同時，如何經營人類對AI的信任，尤其是在攸關性命健康的生醫領域，將是不可忽略的環節。
