Choix · IA et longévité
Pendant notre quête, mon fils Alek et moi avons rencontré plus d’une centaine d’experts de la longévité dans 39 pays et États, et presque partout, tôt ou tard, la conversation en venait à l’intelligence artificielle. À Shanghai, nous avons traversé un laboratoire où des robots et l’IA travaillent côte à côte pour chercher de nouveaux médicaments. À Los Angeles, Peter Diamandis nous a dit que le plus grand impact sur la longévité viendra de l’IA. Et encore et encore, les scientifiques qui l’utilisent tous les jours nous ont dit, tout aussi clairement, ce qu’elle ne sait pas encore faire. Cette page explique comment l’IA change la découverte de médicaments, la science des protéines, les examens, les analyses et les horloges du vieillissement, ce qu’elle pourrait signifier pour tes propres données de santé et pour les médecins IA, et ses limites honnêtes – les données, les erreurs, la vie privée et à qui appartiennent tes données –, avec les mots des experts qui nous l’ont appris, avec gratitude.
Par Marek Piotrowski · Mis à jour 2026-10-30
En bref
L’IA donne à la science de la longévité quelque chose qu’elle n’a jamais eu : le pouvoir de lire plus de données qu’aucun humain ne le pourrait jamais. Elle aide déjà les scientifiques à trouver plus vite de nouveaux candidats-médicaments, à prédire la forme des protéines, à repérer des cancers sur les examens d’imagerie et à lire notre âge dans des analyses – et un jour, elle pourrait transformer tes données de santé éparpillées en une seule suggestion claire qui change vraiment quelque chose.
C’est un outil, et un outil ne vaut que ce que valent les données dont il apprend et les personnes qui l’utilisent. Bien utilisée, elle peut nous apporter plus d’années en bonne santé et joyeuses – et donner aux personnes qui prennent soin de nous plus de temps pour nous. [1][2][3]
La longévité, telle que nous l’entendons : plus d’années en bonne santé et joyeuses. Ce que nous voulons dire →
Ton corps est un système immense et très actif, et la science peut aujourd’hui en mesurer plus qu’aucun humain ne pourrait jamais en lire. L’intelligence artificielle, ou IA, est un programme informatique qui apprend des schémas à partir d’énormes quantités de données, puis s’en sert pour faire des prédictions. C’est pour ça que tant de scientifiques que nous avons rencontrés en étaient enthousiastes.
À Los Angeles, Peter Diamandis – l’une des premières personnes à m’avoir inspiré sur la longévité, à travers ses podcasts – l’a dit aussi fort que quiconque pendant notre quête :
« Sans aucun doute, le plus grand impact sur la longévité viendra de l’IA. Sans le moindre doute, d’accord ? Et donc je regarde sans cesse le point de rencontre où l’IA nous aide à comprendre au niveau moléculaire ce qui se passe dans une cellule et à mener des billions d’expériences, là où avant nous ne pouvions en faire que des centaines. Parce que ces systèmes peuvent tourner in silico, ils peuvent tourner en quelque sorte dans des systèmes imaginaires et trouver de nouvelles informations. »
En clair: L’IA peut tester des idées dans un ordinateur, très vite, avant que quiconque ne touche une éprouvette. Les scientifiques peuvent donc essayer bien plus d’idées qu’avant, et ne garder que les meilleures pour le laboratoire.
Au Buck Institute, en Californie – un lieu calme et magnifique, avec de petits cerfs devant les fenêtres –, Eric Verdin nous a raconté comment elle change déjà ses propres laboratoires :
« Tu verras ça dans la plupart des laboratoires, y compris ici : la robotique entre dans l’équation. Nous avons un microscope robotisé qui nous permet de faire le travail de nombreux scientifiques, et on voit ça se répandre partout. L’un des plus grands progrès serait que l’IA accélère aussi notre façon de penser. D’une certaine manière, l’IA, c’est en gros de la robotique pour le cerveau. Elle nous permet vraiment d’apprendre à trouver des schémas là où nous ne voyons rien avec nos propres yeux. »
En clair: Les robots font le travail de laboratoire de nombreuses mains. L’IA fait le travail de réflexion de nombreux yeux : elle trouve dans les données des schémas que nous ne verrions jamais seuls.
Créer un nouveau médicament prend de nombreuses années. Les scientifiques doivent trouver la bonne cible – souvent une protéine du corps qui se comporte mal –, puis concevoir une molécule qui la répare, la tester en laboratoire, et seulement ensuite la tester chez l’humain. C’est dans les premières étapes que l’IA aide le plus.
En décembre 2023, Alek et moi avons visité à Shanghai un laboratoire dont tout le monde parlait dans le domaine : des robots mènent les expériences, et l’IA décide de ce qu’il faut essayer ensuite. Zhihu Qu, un ingénieur qui travaillait sur ses robots lors de notre visite, nous a fait visiter :
« Supposons que nous amenions un médicament jusqu’au PCC : c’est censé prendre presque trois ans, mais nous le terminons en 18 mois. […] Je pense qu’à certaines étapes, l’IA peut accélérer beaucoup de choses, peut-être de plusieurs fois avec le temps. […] Mais c’est seulement pour la découverte en amont. Pour le reste, nous devons avancer pas à pas. Ce sera comme pour l’essai clinique. Celui-là, nous ne pouvons pas l’accélérer. »
En clair: Un « PCC » est un candidat préclinique : la molécule que les scientifiques choisissent de faire avancer vers les essais. L’IA et les robots peuvent rendre cette recherche du début beaucoup plus rapide. Mais tester un médicament en toute sécurité chez l’humain prend toujours le temps qu’il faut.
Des chercheurs ont examiné des médicaments trouvés avec l’IA qui étaient arrivés jusqu’aux essais chez l’humain. À la première étape, qui vérifie surtout la sécurité, 80–90 % ont réussi – plus que le taux habituel. À la deuxième étape, qui commence à vérifier si un médicament marche, environ 40 % ont réussi, à peu près comme les médicaments trouvés à l’ancienne. Les chiffres de cette deuxième étape sont encore petits.
D’après: Une analyse des portefeuilles d’entreprises · c’est encore le début [2]L’IA ne fait pas que concevoir des molécules. Elle lit aussi. À Londres, Avi Roy, biogérontologue, nous a expliqué pourquoi les scientifiques ont besoin de cette aide :
« L’arrivée de l’apprentissage automatique et du calcul pour essayer de résoudre ces problèmes complexes, c’est absolument la voie à suivre. Si toi et moi, on va sur PubMed aujourd’hui, et il est à peu près deux heures au Royaume-Uni, et qu’on regarde juste les articles déposés dans PubMed depuis minuit hier soir, quatorze heures, on ne pourrait pas éplucher toute cette littérature biomédicale en quatorze heures. Alors imagine ce qui se passera à la fin du mois, à la fin de l’année. Comment est-on censé tirer toute la valeur de tous ces articles et savoir ce qui est reproductible et ce qui ne l’est pas ? Nous avons besoin d’aide. Nous avons absolument besoin d’aide. »
En clair: Il sort tellement de nouvelles recherches chaque jour que personne ne peut tout lire. L’IA peut aider les scientifiques à y trouver ce qui compte – et ce qui tient vraiment la route.
En traversant ce laboratoire à Shanghai, j’ai été émerveillé. Des laboratoires comme celui-là peuvent changer la façon de faire de la recherche. Je pense que la principale force que les gens voient chez Insilico, c’est qu’il découvrira le nouveau médicament qui change tout. Mais imagine si des laboratoires comme celui-là existaient dans chaque hôpital du monde, ou au moins dans chaque grande ville, et qu’ils étaient reliés entre eux et pouvaient apprendre les uns des autres. Ce serait un changement énorme.
Quelques jours plus tard, toujours à Shanghai, Evelyne Bischof, médecin en oncologie et en longévité dont la clinique envoie déjà des échantillons à ce laboratoire, nous a raconté comment elle travaille avec lui :
« Pour le travail clinique, oui. […] Pour l’instant, c’est encore sous forme, bien sûr, d’essais approuvés par un comité d’éthique, d’accord ? Mais si ça continue à cette vitesse, alors très, très bientôt, nous pourrons vraiment arriver au point où nous aurons un […] mini-laboratoire robotisé avec IA dans notre hôpital. […] Plus de transport d’échantillons. […] Tu viens, je fais la biopsie, je la fais passer par les robots, ils font leur travail […] ce sera terminé en une journée. […] Et je peux te dire demain quel médicament tu dois prendre. »
En clair: Aujourd’hui, l’échantillon d’un patient fait l’aller-retour jusqu’à un laboratoire. Evelyne espère un petit laboratoire robotisé dans l’hôpital même, pour que le lendemain le médecin sache quel médicament convient à cette personne-là.
Puis je lui ai parlé de l’idée qui ne me quittait plus depuis notre visite : des laboratoires comme celui-là dans les universités du monde entier, reliés par une seule base de données, qui comparent leurs résultats. Elle a répondu :
« C’est la puissance des données qu’on a juste ici, d’accord ? Donc si on fait ça dans chaque hôpital du monde, ou même dans quelques hôpitaux à travers le monde, et qu’on est reliés dans un cloud, et que tous les résultats sont téléversés, ça nous donne des billions de données. Donc si ensuite j’ai un patient très rare, mais que je le fais passer et que je l’identifie quelque part dans le cloud, je peux quand même aider ce patient, d’accord ? Donc […] ce sera, je ne dis pas que ça pourrait être, ce sera un outil très puissant, et aussi pour la longévité, d’accord ? »
En clair: Un hôpital ne voit que quelques patients atteints d’une maladie rare. Des milliers de laboratoires reliés les voient tous, et ensemble ils peuvent aider chacun d’eux.
Pour moi, c’est ça l’avenir : un traitement conçu pour un seul patient, à partir de ce que les laboratoires du monde entier ont appris ensemble. C’est quelque chose dans lequel chaque pays devrait investir, et sur lequel nous devrions tous travailler ensemble.
Les protéines sont les minuscules machines qui font l’essentiel du travail dans tes cellules. Ce que fait une protéine dépend de sa forme, et pendant des décennies, découvrir la forme d’une seule protéine pouvait prendre aux scientifiques des mois ou des années de laboratoire.
En 2021, un programme appelé AlphaFold a montré qu’il pouvait prédire la forme 3D d’une protéine à partir de ses briques de base, dans la plupart des cas presque aussi précisément que les expériences de laboratoire. Sa base de données gratuite couvre aujourd’hui plus de 214 millions de séquences de protéines. En 2024, Demis Hassabis et John Jumper ont partagé pour cela le prix Nobel de chimie, avec David Baker, qui conçoit par ordinateur des protéines entièrement nouvelles.
D’après: Une étude marquante, une base de données publique et le prix Nobel 2024 [1][4][5]Lors de la toute première conférence de notre quête, à Dublin, Aubrey de Grey – l’homme dont tant de gens dans ce domaine disent qu’il a été le premier à les inspirer – nous a dit à quel point c’est important :
« Tout le monde parle bien sûr d’AlphaFold, ce programme merveilleux capable de trouver la structure tridimensionnelle des protéines en partant simplement de leur séquence d’acides aminés. Ça a déjà eu un impact comparable à celui qu’on a vu il y a une vingtaine d’années, quand on a séquencé le génome humain pour la première fois. Ça ne rend pas forcément possibles des expériences qui ne l’étaient pas avant, mais ça rend beaucoup d’expériences beaucoup plus faciles et rapides à concevoir et à mettre en œuvre. Et on va en voir davantage. L’étape suivante naturelle dans ce domaine, c’est de pouvoir concevoir des protéines à partir de zéro. »
En clair: Connaître la forme d’une protéine, c’est comme connaître la forme d’une serrure : il devient beaucoup plus facile de concevoir une clé – un médicament – qui s’y ajuste. L’étape suivante, c’est de concevoir de nouvelles protéines qui font le travail que nous choisissons.
À Washington, Larry Callahan, qui a été scientifique pendant vingt ans à la Food and Drug Administration américaine (FDA), a reconnu que ces programmes sont très bons – et nous a rappelé qu’une forme n’est qu’un début :
« Il y a maintenant de bons programmes d’IA qui donnent la structure des protéines et qui sont très bons, ce sont AlphaFold et les versions qui sont venues après AlphaFold. Donc on sait maintenant comment les cibles sont structurées. […] Mais il y a tellement de choses. Il ne s’agit pas seulement d’atteindre une cible. Un médicament doit entrer dans le corps. Pour entrer dans le corps, il doit parfois passer par un transporteur. Il doit passer à travers toutes les enzymes du métabolisme. »
En clair: Trouver la serrure, ce n’est pas toute l’histoire. Un médicament doit aussi voyager dans ton corps, arriver là où on en a besoin et ne pas se transformer en quelque chose de nocif en chemin. C’est pour ça que les essais chez l’humain comptent toujours.
L’IA apprend aussi à lire ce que lisent les médecins : les mammographies, les IRM, les tracés cardiaques et les analyses de sang. Elle ne se fatigue jamais, et elle peut remarquer des schémas trop petits pour l’œil.
En Suède, 80 033 femmes ont reçu, par tirage au sort, soit la lecture habituelle de leur mammographie par deux médecins, soit une lecture où l’IA triait les images et signalait les zones suspectes. Avec l’IA, les médecins ont détecté 20 % de cancers en plus, sans plus de fausses alertes, et ont lu 44 % d’images en moins.
D’après: Un grand essai randomisé chez l’humain [3]Une IA entraînée sur les tracés cardiaques (ECG) de 499 727 patients a appris à estimer l’âge d’une personne. Quand le cœur paraissait plus de 7 ans plus vieux que la personne ne l’était vraiment, cette personne avait plus souvent des problèmes cardiaques comme une tension trop élevée, des artères coronaires rétrécies ou un cœur qui bat moins fort.
D’après: Une grande étude chez des patients [6]Les horloges du vieillissement, ces tests qui estiment ton âge biologique, sont construites de la même façon : un ordinateur apprend à partir des données de nombreuses personnes. (Nous leur avons consacré une page entière : Il n’y a pas un seul âge biologique.) À Boston, Mahdi Moqri, qui construit ces biomarqueurs à Harvard, nous a expliqué pourquoi l’IA compte tant ici :
« La meilleure nouvelle pour le domaine des biomarqueurs et des biomarqueurs du vieillissement, c’est peut-être qu’aujourd’hui nous avons tellement de données, et ces nouvelles méga-cohortes et biobanques nationales produisent d’énormes quantités de multi-omiques, et chacune de ces omiques, ce sont des milliers de mesures pour chaque prise de sang. Et nous ne pouvons pas les traiter avec les anciennes méthodes ou les méthodes statistiques. L’IA est là pour nous sauver avec toutes ces données. […] Les données sont là, la solution est là. Il nous faut juste de meilleurs outils pour creuser dans ces données. Et l’IA promet de nous y aider. »
En clair: Une seule prise de sang peut aujourd’hui donner des milliers de chiffres. L’IA est l’outil qui peut les trier et découvrir ce qu’ils disent de la façon dont chacun de nous vieillit.
Des mots à connaître
Tirées de notre glossaire. Touche une carte pour la retourner : au dos, la science, et les personnes qui nous l’ont expliquée.
L’âge de ton corps, plutôt que le nombre de tes anniversaires.
Âge biologique
Deux personnes nées la même année peuvent avoir des années d’écart à l’intérieur. L’âge biologique s’estime à partir de marqueurs sanguins, de la façon dont ton ADN s’allume et s’éteint, et de tests de force et de forme. Contrairement à ton anniversaire, il peut bouger — dans les deux sens. En savoir plus →
Ce que tu peux mesurer dès aujourd’hui pour voir à quelle vitesse tu vieillis, bien avant que quelque chose fasse mal.
Biomarqueurs du vieillissement
Niveau 04 · Le Pont de la Prévention« Le vieillissement n’est pas une seule chose, ce ne sera jamais simple, et ce seront toujours des choses différentes chez des personnes différentes. »
Nikolina Lauc · Londres, juillet 2024
La prévention est reine : rester en bonne santé, plutôt que d’attendre qu’on te soigne.
Prévention
Le dépistage, la génomique, l’imagerie et les biomarqueurs repèrent un problème tant qu’il est encore petit, peu coûteux à traiter et que la décision t’appartient. La plupart des systèmes de santé sont encore pensés pour soigner la maladie et agissent quand quelque chose se casse ; la longévité les fait passer des soins de la maladie aux soins de la santé. En savoir plus →
Niveau 04 · Le Pont de la Prévention
Presque tous les scientifiques qui travaillent avec l’IA nous ont dit deux choses d’un même souffle : elle est puissante, et ce n’est pas de la magie. Max Unfried, l’ami qui nous a ouvert Singapour pendant notre quête et qui utilise l’IA pour étudier les lipides – les graisses du corps – et le vieillissement, l’a dit le mieux :
« L’IA peut comprendre le langage, l’IA peut comprendre les images, et l’IA peut comprendre en partie les règles de base de la chimie. Donc je trouve qu’elle est assez puissante de ce point de vue, dans ces tâches très étroites, pour ainsi dire. En même temps, quand il s’agit de lancer l’IA sur tout, je suis moins optimiste. Et l’IA est utilisée comme un mot à la mode, d’accord ? Et en même temps, je pense que les IA que nous avons aujourd’hui, les IA puissantes qui ont été très utiles, par exemple pour donner du sens aux réseaux sociaux, ont besoin de beaucoup de données. Et mon avis personnel, c’est que pour beaucoup de choses liées au vieillissement, nous n’avons pas encore cette quantité de données. Donc oui, tu peux lancer l’IA dessus, et elle te rendra quelque chose. Mais avec des données insuffisantes, ce n’est probablement pas correct, ou peut-être même faux. Et je pense que c’est là qu’il faut être un peu prudents, d’accord ? Les bons modèles d’IA sont formidables, mais il nous faut beaucoup de données vraiment bonnes et de grande qualité pour en tirer le meilleur. »
En clair: L’IA est très douée pour des tâches étroites dont elle a vu de nombreux exemples. Donne-lui trop peu de données, ou de mauvaises données, et elle te donnera quand même une réponse – mais cette réponse risque d’être fausse.
Brian Kennedy, avec qui nous nous sommes sentis en famille dès notre tout premier jour à Dublin, a parlé à Alek d’un autre problème. (L’un des doctorants dont il parlait, c’était Max.)
« Nous utilisons beaucoup plus l’IA maintenant. C’est un peu fou, parce que j’ai des doctorants qui en savent bien plus que moi là-dessus. […] L’IA nous permet vraiment d’aller dans de nouveaux endroits et d’analyser des données massives, pour obtenir de nouvelles idées. […] L’IA nous permet d’analyser toutes ces voies ensemble, et elle sort une réponse, mais parfois ça peut être frustrant parce qu’on ne sait pas pourquoi cette réponse est vraie. C’est juste la réponse, mais ce n’est pas aussi satisfaisant quand on veut comprendre le mécanisme de ce qui se passe. Alors il y a maintenant un mouvement vers une IA qui a du sens. Je ne suis pas encore sûr de ce que ça veut dire, mais j’espère que ça marchera, parce que je pense que nous n’avons pas seulement besoin des réponses, nous avons besoin de comprendre pourquoi ce sont les réponses. Et donc nous devons mélanger un peu l’IA avec la science traditionnelle de laboratoire humide. »
En clair: Parfois, l’IA donne une réponse sans pouvoir expliquer pourquoi. Les scientifiques veulent les deux, la réponse et la raison, alors ils vérifient les idées de l’IA par de vraies expériences.
Un programme utilisé par des systèmes de santé américains pour décider qui devait recevoir des soins supplémentaires jugeait à quel point les gens étaient malades d’après ce qui avait été dépensé pour leur santé. On avait dépensé moins pour les patients noirs ayant les mêmes besoins, donc le programme sous-estimait à quel point ils étaient malades. Le corriger aurait fait passer la part de patients noirs choisis pour une aide supplémentaire de 17,7 % à 46,5 %.
D’après: Une étude d’un programme très utilisé [7]Guido Kroemer, l’un des auteurs des Hallmarks of Aging, utilise l’IA chaque jour dans son laboratoire. À Singapour, il nous a donné une phrase à retenir :
« Au laboratoire, nous utilisons l’intelligence artificielle pour beaucoup de questions : nous faisons de l’amarrage de molécules qui ont été modélisées dans l’espace en trois dimensions par l’intelligence artificielle. Nous faisons des calculs de modélisation moléculaire. Nous générons de grands jeux de données qui passent en partie par une analyse bio-informatique liée à l’IA. Nous faisons de l’analyse d’images : nous prenons des photos ou des vidéos de cellules qui se comportent d’une façon ou d’une autre in vitro, puis nous exploitons l’information en utilisant des outils d’IA. Donc c’est une intelligence artificielle […] ou du moins ça s’appelle intelligence artificielle, mais ce n’est qu’un outil qui a besoin d’une vraie intelligence pour devenir utile. »
En clair: L’IA est un outil, comme un microscope. Elle ne devient utile qu’entre les mains de personnes qui savent quoi lui demander, et comment vérifier la réponse.
J’aimerais tellement une plateforme qui aide les gens à comprendre leurs propres données médicales. Pas seulement les grands résultats d’une clinique, mais aussi les données de tous les jours, parce que sans aide, les gens deviennent fous avec. Beaucoup d’entre nous ont des analyses de sang, des examens et des notes de différents médecins, éparpillés au fil des années, et maintenant des chiffres de nos montres et de nos bagues à chaque minute, et nous en comprenons très peu.
Je n’ai pas besoin d’un écran sur mon objet connecté qui me dit minute par minute ce qui se passe – tu cours, Marek. Je sais que je cours. Je veux que mon objet connecté envoie ses données à un programme, ma propre IA personnelle, qui apprend les schémas de tous mes objets connectés et de toutes mes données médicales, et qui me donne des conseils concrets. À la fin du mois, elle me dit ce que j’ai fait et me recommande un seul changement qui ferait une vraie différence. C’est ça qui compte.
Ensuite vient la question de savoir à qui appartient tout ça. À Dublin, dans les premiers jours de notre quête, Tina Woods – une militante de la longévité et une vraie boule d’énergie – en a parlé avec nous :
« Il y a tout cet espace des biomarqueurs numériques, en quelque sorte, et de la collecte passive de données, parce que bien sûr nous avons des montres. Nous avons tous ces capteurs […] Et bien sûr, il faut tenir compte des inquiétudes du public sur la vie privée et tout ça. […] Je suis passionnée par les portefeuilles de données personnelles, par exemple. Comment, en un clic, une personne peut décider avec qui elle partage ses données. […] Nous avons besoin de lois et de réglementations qui soutiennent notre capacité à partager des données à grande échelle. Je suis donc vraiment passionnée par des idées comme le don de données, la philanthropie des données, où le grand public peut faire partie d’un projet de recherche scientifique à très grande échelle qui poussera les entreprises à grandir, parce que nous aurons un meilleur accès aux données. »
En clair: Ta montre, tes analyses et tes examens créent des données sur toi. C’est à toi de décider qui les voit – et, si tu le veux, tu peux les donner à la science pour aider tout le monde.
Des chercheurs ont montré que 99,98 % des Américains pouvaient être réidentifiés correctement dans un jeu de données contenant 15 informations ordinaires sur eux, comme l’âge, le genre et la situation familiale – même après avoir retiré leur nom.
D’après: Une étude de modélisation [8]Les assistants IA qui répondent aux questions de santé sont là aussi. Ils peuvent expliquer un résultat d’analyse en mots simples, et c’est merveilleux. Mais ils peuvent avoir l’air sûrs d’eux et se tromper quand même, et ce que tu y tapes peut être conservé. Voici de bonnes questions à te poser avant de faire confiance à l’un d’eux :
La joie dans tout ça, c’est le temps. Si les machines font la lecture, le tri et la paperasse, les personnes qui prennent soin de nous retrouvent leurs mains et leur cœur. À Shanghai, j’ai dit à Evelyne Bischof, médecin en oncologie et en longévité, que j’espérais que l’IA lui permettrait un jour de travailler quatre heures par jour. Elle a ri, puis elle a dit ceci :
« J’espère vraiment que l’IA nous apporte des solutions qui peuvent enlever une grande partie du fardeau, de la paperasse à l’administration, des choses qui prennent juste du temps. Si on pouvait enlever ça et que je pouvais passer du high-tech au high-touch, passer plus de temps avec le patient et ajuster, et puis aussi passer plus de temps avec moi et ma longévité, ce serait génial. »
En clair: Le rêve, ce n’est pas un médecin robot. C’est une médecin qui a plus de temps pour toi – et pour sa propre vie longue et en bonne santé.
Et il y a de la joie dans ce que l’IA ouvre aux jeunes. Quand Alek a interrogé Andrea Maier sur l’IA à Dublin, elle lui a donné un conseil de carrière utile à n’importe quel ado :
« Je pense qu’en médecine de la longévité, nous en sommes au stade où nous devons d’abord traiter les données nous-mêmes, parce que nous devons nous assurer qu’elles ont du sens, que les données sont bonnes et qu’elles ont du sens sur le plan physiologique. Mais ensuite, nous devons vraiment écrire les bons algorithmes pour me faciliter un peu la vie quand je traite les données, et l’intelligence artificielle a vraiment un grand, grand rôle. Donc si tu veux une carrière, je dirais : soit tu étudies la médecine, tu vas vers la médecine de la santé et de la longévité, tu deviens médecin de la santé et de la longévité. Et si tu es vraiment malin, fais les deux. Étudie aussi l’intelligence artificielle, combine les deux, et l’avenir est à toi. »
En clair: Des médecins qui comprennent les données, et des spécialistes des données qui comprennent le corps : c’est là que se construit l’avenir de la médecine de la longévité.
En marchant au bord de l’océan à Santa Monica avec Peter Diamandis, je lui ai dit comment je vois les choses :
« Pour moi, je dis souvent qu’il y a deux choses les plus importantes, et l’IA n’est qu’un outil. La première, c’est la longévité, pour que nous puissions vivre plus longtemps, cette belle vie, et ressentir ces émotions. Mais la deuxième, c’est le leadership conscient : que tout ce que nous faisons, toute la technologie que nous pouvons créer, nous l’utilisions pour le bien de l’humanité et pas pour le mal. Et c’est en fait la tâche la plus difficile. »
Avant de changer quoi que ce soit
Cette page partage ce que disent la recherche et les experts que nous avons rencontrés. Ce n’est pas un avis médical, et elle ne recommande aucun médicament, complément ni traitement. Elle ne sait rien de toi. Avant de commencer, d’arrêter ou de changer quoi que ce soit — surtout si tu es enceinte, si tu vis avec une maladie ou si tu prends un médicament —, parles-en à ton médecin. En cas d’urgence, appelle le 112 ou le numéro d’urgence local.
Chaque chiffre de cette page, selon le numéro entre crochets. Les citations viennent des entretiens enregistrés par Live Beyond, menés en anglais ; elles sont traduites ici et débarrassées seulement des hésitations. Ceci n’est pas un avis médical. Parle à ton médecin avant de changer quoi que ce soit.