Wybory · AI i długowieczność
W naszej podróży mój syn Alek i ja spotkaliśmy ponad stu ekspertów od długowieczności w 39 krajach i stanach i prawie wszędzie, prędzej czy później, rozmowa schodziła na sztuczną inteligencję. W Szanghaju przeszliśmy przez laboratorium, w którym roboty i AI razem szukają nowych leków. W Los Angeles Peter Diamandis powiedział nam, że największy wpływ na długowieczność będzie miała AI. I raz po raz naukowcy, którzy używają jej na co dzień, mówili nam równie jasno, czego ona jeszcze nie potrafi. Ta strona jest o tym, jak AI zmienia odkrywanie leków, badania białek, skany, badania i zegary starzenia, co mogłaby znaczyć dla twoich własnych danych o zdrowiu i dla lekarzy AI, oraz o jej uczciwych granicach – danych, błędach, prywatności i tym, do kogo należą twoje dane – słowami ekspertów, którzy nas tego nauczyli, z wdzięcznością.
Autor: Marek Piotrowski · Aktualizacja 2026-10-30
W skrócie
AI daje nauce o długowieczności coś, czego nigdy nie miała: moc przeczytania większej ilości danych, niż jakikolwiek człowiek byłby w stanie. Już dziś pomaga naukowcom szybciej znajdować nowych kandydatów na leki, przewidywać kształty białek, wykrywać nowotwory na skanach i odczytywać nasz wiek z badań – a pewnego dnia może zamienić twoje rozproszone dane o zdrowiu w jedną jasną wskazówkę, która naprawdę coś zmieni.
To narzędzie, a narzędzie jest tylko tak dobre jak dane, z których się uczy, i ludzie, którzy go używają. Używana mądrze, może dać nam więcej zdrowych, radosnych lat – i dać ludziom, którzy się o nas troszczą, więcej czasu dla nas. [1][2][3]
Długowieczność, tak jak ją rozumiemy: więcej zdrowych, radosnych lat. Co mamy na myśli →
Twoje ciało to ogromny, ruchliwy system, a nauka potrafi dziś zmierzyć z niego więcej, niż jakikolwiek człowiek zdołałby przeczytać. Sztuczna inteligencja, czyli AI, to program komputerowy, który uczy się wzorców z ogromnych ilości danych, a potem wykorzystuje je do przewidywań. Dlatego tak wielu naukowców, których spotkaliśmy, było nią zachwyconych.
W Los Angeles Peter Diamandis – jedna z pierwszych osób, które dzięki swoim podcastom zainspirowały mnie do długowieczności – powiedział to tak mocno jak mało kto w naszej podróży:
„Bez wątpienia największy wpływ na długowieczność będzie miała AI. Bez żadnej wątpliwości, prawda? I dlatego ciągle przyglądam się temu miejscu, gdzie AI pomaga nam zrozumieć na poziomie molekularnym, co dzieje się w komórce, i przeprowadzać biliony eksperymentów, gdzie wcześniej mogliśmy zrobić tylko setki. Ponieważ te systemy mogą działać in silico, mogą działać jakby w wyobrażonych systemach i znajdować nowe informacje.”
Mówiąc prościej: AI może testować pomysły w komputerze, bardzo szybko, zanim ktokolwiek dotknie probówki. Dzięki temu naukowcy mogą sprawdzić o wiele więcej pomysłów niż kiedykolwiek wcześniej i zostawić do laboratorium tylko najlepsze.
W Buck Institute w Kalifornii – spokojnym, pięknym miejscu z małymi sarnami za oknami – Eric Verdin opowiedział nam, jak już teraz zmienia ona jego własne laboratoria:
„Zobaczysz to w większości laboratoriów, także tutaj: robotyka staje się częścią równania. Mamy mikroskop z robotem, który pozwala nam wykonywać pracę wielu naukowców, i to rozprzestrzenia się wszędzie. Jednym z największych postępów byłoby to, że AI przyspieszy też sposób, w jaki myślimy. W pewnym sensie AI to po prostu robotyka dla mózgu. Pozwala nam naprawdę nauczyć się znajdować wzorce tam, gdzie własnymi oczami nic nie widzimy.”
Mówiąc prościej: Roboty wykonują pracę laboratoryjną wielu rąk. AI wykonuje pracę myślową wielu oczu: znajduje w danych wzorce, których sami nigdy byśmy nie zobaczyli.
Stworzenie nowego leku trwa wiele lat. Naukowcy muszą znaleźć właściwy cel (target) – często białko w ciele, które źle się zachowuje – potem zaprojektować cząsteczkę, która to naprawi, przetestować ją w laboratorium i dopiero wtedy na ludziach. AI pomaga najbardziej w pierwszych krokach.
W grudniu 2023 roku Alek i ja odwiedziliśmy w Szanghaju laboratorium, o którym mówili wszyscy w branży: roboty prowadzą eksperymenty, a AI decyduje, co sprawdzić dalej. Zhihu Qu, inżynier, który podczas naszej wizyty pracował przy jego robotach, oprowadził nas:
„Załóżmy, że doprowadzamy lek do PCC, to powinno zająć prawie trzy lata, ale my kończymy to w 18 miesięcy. […] Myślę, że na pewnym etapie AI może przyspieszyć wiele, może kilkukrotnie z czasem. […] Ale tylko przy wczesnym odkrywaniu. W pozostałej części musimy iść krok po kroku. Tak jak przy badaniach klinicznych. Tego nie możemy przyspieszyć.”
Mówiąc prościej: „PCC” to kandydat przedkliniczny: cząsteczka, którą naukowcy wybierają, żeby prowadzić ją dalej w stronę badań. AI i roboty mogą bardzo przyspieszyć te wczesne poszukiwania. Ale bezpieczne przetestowanie leku na ludziach wciąż zajmuje tyle czasu, ile musi.
Badacze przyjrzeli się lekom znalezionym dzięki AI, które doszły do badań na ludziach. W pierwszej fazie, która sprawdza głównie bezpieczeństwo, sukces odniosło 80–90% – więcej niż zwykle. W drugiej fazie, w której zaczyna się sprawdzać, czy lek działa, sukces odniosło około 40%, mniej więcej tyle co w przypadku leków znalezionych dawnym sposobem. Liczby w tej drugiej fazie są jeszcze małe.
Na podstawie: Jedna analiza portfeli firm · to dopiero początek [2]AI nie tylko projektuje cząsteczki. Również czyta. W Londynie biogerontolog Avi Roy powiedział nam, dlaczego naukowcy potrzebują tej pomocy:
„Pojawienie się uczenia maszynowego i obliczeń, które próbują rozwiązać te złożone problemy, to absolutnie droga naprzód. Jeśli ty i ja wejdziemy dziś do PubMed, a jest mniej więcej druga w Wielkiej Brytanii, i po prostu sprawdzimy artykuły, które trafiły do PubMed od północy, przez czternaście godzin, nie bylibyśmy w stanie przekopać się przez całą tę literaturę biomedyczną w czternaście godzin. Więc wyobraź sobie, co będzie pod koniec miesiąca, pod koniec roku. Jak w ogóle można wydobyć całą tę wartość ze wszystkich tych artykułów i wiedzieć, co da się powtórzyć, a czego nie? Potrzebujemy pomocy. Absolutnie potrzebujemy pomocy.”
Mówiąc prościej: Codziennie ukazuje się tyle nowych badań, że nikt nie jest w stanie przeczytać wszystkiego. AI może pomóc naukowcom znaleźć w nich to, co ważne – i to, co naprawdę się potwierdza.
Idąc przez to laboratorium w Szanghaju, byłem zachwycony. Takie laboratoria mogą zmienić sposób prowadzenia badań. Myślę, że główna siła, jaką ludzie widzą w Insilico, to to, że odkryje nowy lek, który wszystko zmieni. Ale wyobraź sobie, że takie laboratoria są w każdym szpitalu na świecie, a przynajmniej w każdym dużym mieście, i że są ze sobą połączone i mogą się od siebie uczyć. To byłaby ogromna zmiana.
Kilka dni później, jeszcze w Szanghaju, Evelyne Bischof, lekarka onkologii i długowieczności, której klinika już wysyła próbki do tego laboratorium, opowiedziała nam, jak z nim pracuje:
„Do pracy klinicznej, tak. […] Na razie to jeszcze oczywiście forma badań zatwierdzonych przez komisję etyczną, prawda? Ale jeśli to pójdzie w tym tempie, to bardzo, bardzo szybko naprawdę możemy dojść do punktu, w którym będziemy mieć […] miniaturowe laboratorium AI z robotami w naszym szpitalu. […] Koniec z transportem próbek. […] Przychodzisz, pobieram biopsję, przepuszczam ją przez roboty, one robią swoje […] będzie gotowe w ciągu jednego dnia. […] I jutro mogę ci powiedzieć, jaki lek musisz brać.”
Mówiąc prościej: Dziś próbka pacjenta jedzie do laboratorium i z powrotem. Evelyne ma nadzieję na małe laboratorium z robotami w samym szpitalu, tak żeby następnego dnia lekarz wiedział, który lek pasuje do tej jednej osoby.
Potem zapytałem ją o pomysł, o którym nie przestawałem myśleć od naszej wizyty: takie laboratoria na uniwersytetach na całym świecie, połączone jedną bazą danych, porównujące swoje wyniki. Odpowiedziała:
„To jest siła danych, które masz właśnie tutaj, prawda? Więc jeśli zrobimy to w każdym szpitalu na świecie albo nawet w kilku szpitalach na całym świecie, i będziemy połączeni w chmurze, i wszystkie wyniki będą wgrywane, to da nam biliony danych. Więc jeśli potem mam pacjenta, który jest bardzo rzadki, ale go przepuszczę i zidentyfikuję go gdzieś w chmurze, to nadal mogę pomóc temu pacjentowi, prawda? Więc […] to będzie, nie mówię, że może być, to będzie bardzo potężne narzędzie, także dla długowieczności, prawda?”
Mówiąc prościej: Jeden szpital widzi tylko kilku pacjentów z rzadką chorobą. Tysiące połączonych laboratoriów widzą ich wszystkich i razem mogą pomóc każdemu z nich.
Dla mnie to jest przyszłość: leczenie stworzone dla jednego pacjenta, na podstawie tego, czego laboratoria na całym świecie nauczyły się razem. W to powinien inwestować każdy kraj i nad tym wszyscy powinni pracować razem.
Białka to malutkie maszyny, które wykonują większość pracy w twoich komórkach. To, co białko robi, zależy od jego kształtu, a przez dziesięciolecia ustalenie kształtu choćby jednego białka mogło zająć naukowcom w laboratorium miesiące albo lata.
W 2021 roku program o nazwie AlphaFold pokazał, że potrafi przewidzieć kształt 3D białka na podstawie jego cegiełek, w większości przypadków prawie tak dokładnie jak eksperymenty laboratoryjne. Jego darmowa baza obejmuje dziś ponad 214 milionów sekwencji białek. W 2024 roku Demis Hassabis i John Jumper otrzymali za to Nagrodę Nobla z chemii, razem z Davidem Bakerem, który za pomocą komputerów projektuje zupełnie nowe białka.
Na podstawie: Przełomowe badanie, publiczna baza danych i Nagroda Nobla 2024 [1][4][5]Na pierwszej konferencji naszej podróży, w Dublinie, Aubrey de Grey – człowiek, o którym tak wiele osób w tej dziedzinie mówi, że to on pierwszy je zainspirował – powiedział nam, jak wielka to rzecz:
„Wszyscy oczywiście mówią o AlphaFold, tym wspaniałym programie, który potrafi ustalić trójwymiarową strukturę białek, zaczynając tylko od ich sekwencji aminokwasów. To już miało wpływ porównywalny z tym, jaki widzieliśmy dwadzieścia parę lat temu, kiedy po raz pierwszy zsekwencjonowaliśmy ludzki genom. Niekoniecznie umożliwia eksperymenty, które wcześniej były niemożliwe, ale sprawia, że wiele eksperymentów o wiele łatwiej i szybciej zaprojektować i przeprowadzić. I będziemy widzieć tego więcej. Naturalnym następnym krokiem w tej dziedzinie jest projektowanie białek od zera.”
Mówiąc prościej: Znać kształt białka to jak znać kształt zamka: o wiele łatwiej zaprojektować wtedy klucz – lek – który do niego pasuje. Następnym krokiem jest projektowanie nowych białek, które wykonają zadania, jakie wybierzemy.
W Waszyngtonie Larry Callahan, który przez dwadzieścia lat był naukowcem w amerykańskiej Agencji Żywności i Leków (FDA), zgodził się, że te programy są bardzo dobre – i przypomniał nam, że kształt to dopiero początek:
„Są teraz dobre programy AI, które podają strukturę białka i są bardzo dobre, to AlphaFold i kolejne wersje, które przyszły po AlphaFold. Więc wiadomo teraz, jak zbudowane są cele. […] Ale jest tyle rzeczy. Nie chodzi tylko o to, żeby trafić w cel. Lek musi dostać się do organizmu. Żeby dostać się do organizmu, czasem musi przejść przez transporter. Musi przedostać się obok wszystkich enzymów metabolicznych.”
Mówiąc prościej: Znalezienie zamka to nie wszystko. Lek musi też przejść przez twoje ciało, dotrzeć tam, gdzie jest potrzebny, i po drodze nie zamienić się w coś szkodliwego. Dlatego badania na ludziach wciąż są ważne.
AI uczy się też czytać to, co czytają lekarze: mammografie, rezonans magnetyczny, zapisy pracy serca i badania krwi. Nigdy się nie męczy i potrafi zauważyć wzorce za małe dla oka.
W Szwecji 80 033 kobiety losowo otrzymały albo zwykłą ocenę mammografii przez dwóch lekarzy, albo ocenę, w której AI sortowała zdjęcia i wskazywała podejrzane miejsca. Z pomocą AI lekarze wykryli o 20% więcej nowotworów, bez większej liczby fałszywych alarmów, i odczytali o 44% mniej zdjęć.
Na podstawie: Jedno duże badanie randomizowane na ludziach [3]AI wytrenowana na zapisach pracy serca (EKG) 499 727 pacjentów nauczyła się szacować, ile lat ma dana osoba. Kiedy serce wyglądało na ponad 7 lat starsze, niż ta osoba była naprawdę, częściej miała ona problemy z sercem, takie jak wysokie ciśnienie, zwężone tętnice wieńcowe albo słabszą pracę serca.
Na podstawie: Jedno duże badanie na pacjentach [6]Zegary starzenia, czyli badania, które szacują twój wiek biologiczny, są zbudowane tak samo: komputer uczy się z danych wielu ludzi. (Napisaliśmy o nich całą stronę: Nie ma jednego wieku biologicznego.) W Bostonie Mahdi Moqri, który tworzy te biomarkery na Harvardzie, powiedział nam, dlaczego AI jest tu tak ważna:
„Może najlepsza wiadomość dla dziedziny biomarkerów i biomarkerów starzenia jest taka, że mamy teraz tak dużo danych, a te nowe megakohorty i krajowe biobanki produkują ogromne ilości danych multiomicznych, a każda z tych omik to tysiące pomiarów z każdego pobrania krwi. I nie możemy ich przetworzyć starymi metodami czy metodami statystycznymi. AI jest tu, żeby uratować nas przy tych wszystkich danych. […] Dane są, rozwiązanie jest. Potrzebujemy tylko lepszych narzędzi, żeby przekopać się przez te dane. A AI obiecuje nam w tym pomóc.”
Mówiąc prościej: Jedno badanie krwi może dziś dać tysiące liczb. AI to narzędzie, które potrafi je uporządkować i odkryć, co mówią o tym, jak każdy z nas się starzeje.
Słowa, które warto znać
Z naszego słowniczka. Dotknij karty, żeby ją odwrócić: z tyłu jest nauka i ludzie, którzy nam ją wytłumaczyli.
Ile lat ma twoje ciało, a nie ile urodzin obchodziłeś.
Wiek biologiczny
Dwie osoby urodzone w tym samym roku mogą w środku różnić się o całe lata. Wiek biologiczny szacuje się na podstawie wyników krwi, tego, jak twoje DNA jest włączane i wyłączane, oraz testów siły i sprawności. W przeciwieństwie do daty urodzenia może się zmieniać — w obie strony. Czytaj więcej →
To, co możesz zmierzyć już dziś, żeby zobaczyć, jak szybko się starzejesz, na długo zanim coś zaboli.
Biomarkery starzenia
Część pochodzi ze zwykłego badania krwi, jak cukier, stan zapalny i cholesterol; część z twojego ciała, jak siła uścisku i tempo chodu; część jest nowsza, jak zegary epigenetyczne. Czytaj więcej →
Poziom 04 · Prewencja„Starzenie to nie jedna rzecz i nigdy nie będzie proste, i zawsze będzie czymś innym u różnych ludzi.”
Nikolina Lauc · Londyn, lipiec 2024
Prewencja to królowa medycyny: pozostać zdrowym, zamiast czekać na leczenie.
Prewencja
Badania przesiewowe, genomika, obrazowanie i biomarkery wychwytują problem, póki jest jeszcze mały, jego leczenie jest tanie, a decyzja należy do ciebie. Większość systemów ochrony zdrowia wciąż jest zbudowana wokół opieki nad chorymi i działa dopiero wtedy, gdy coś się zepsuje; długowieczność zamienia to w opiekę nad zdrowiem. Czytaj więcej →
Poziom 04 · Prewencja
Prawie każdy naukowiec, który pracuje z AI, mówił nam jednym tchem dwie rzeczy: jest potężna i nie jest magią. Max Unfried, przyjaciel, który otworzył przed nami Singapur w naszej podróży i który dzięki AI bada lipidy – tłuszcze w ciele – i starzenie, ujął to najlepiej:
„AI potrafi rozumieć język, AI potrafi rozumieć obrazy i AI potrafi w pewnym stopniu rozumieć podstawowe zasady chemii. Więc uważam, że jest pod tym względem dość potężna, w tych bardzo wąskich zadaniach, że tak powiem. Jednocześnie, jeśli chodzi o rzucanie AI na wszystko, jestem mniej optymistyczny. A AI jest używana jak modne hasło, prawda? A jednocześnie myślę, że te AI, które mamy obecnie, te potężne AI, które były bardzo przydatne, na przykład w rozumieniu mediów społecznościowych, potrzebują bardzo dużo danych. I moim zdaniem w wielu sprawach związanych ze starzeniem nie mamy jeszcze takiej ilości danych. Więc tak, można rzucić na to AI i coś ci zwróci. Ale przy niewystarczających danych to prawdopodobnie nie jest poprawne, a może nawet jest błędne. I myślę, że tu musimy być trochę ostrożni, prawda? Dobre modele AI są świetne, ale potrzebujemy bardzo dużo naprawdę dobrych danych wysokiej jakości, żeby wyciągnąć z nich jak najwięcej.”
Mówiąc prościej: AI jest bardzo dobra w wąskich zadaniach, do których widziała wiele przykładów. Daj jej za mało danych albo słabe dane, a i tak da ci odpowiedź – tylko że ta odpowiedź może być błędna.
Brian Kennedy, z którym od pierwszego dnia w Dublinie czuliśmy się jak rodzina, opowiedział Alkowi o innym problemie. (Jednym z doktorantów, o których mówił, był Max.)
„Używamy teraz AI dużo więcej. To trochę szalone, bo mam doktorantów, którzy wiedzą o tym o wiele więcej niż ja. […] AI naprawdę pozwala nam wchodzić w nowe obszary i analizować duże zbiory danych, żeby zdobywać nową wiedzę. […] AI pozwala nam analizować wszystkie te szlaki razem i wypluwa odpowiedź, ale czasem to bywa frustrujące, bo nie wiesz, dlaczego ta odpowiedź jest prawdziwa. Po prostu taka jest odpowiedź, ale to nie jest tak satysfakcjonujące, jeśli chce się zrozumieć mechanizm tego, co się dzieje. Więc teraz jest ruch w stronę sensownej AI. Nie jestem jeszcze pewien, co to znaczy, ale mam nadzieję, że to się uda, bo myślę, że potrzebujemy nie tylko odpowiedzi, ale musimy rozumieć, dlaczego to są odpowiedzi. I dlatego musimy trochę połączyć AI z tradycyjną nauką w laboratorium mokrym.”
Mówiąc prościej: Czasem AI daje odpowiedź, nie potrafiąc wyjaśnić dlaczego. Naukowcy chcą jednego i drugiego, odpowiedzi i powodu, więc sprawdzają pomysły AI prawdziwymi eksperymentami.
Program, którego amerykańskie systemy opieki zdrowotnej używały, żeby zdecydować, kto powinien dostać dodatkową opiekę, oceniał, jak bardzo ludzie są chorzy, na podstawie tego, ile wydano na ich zdrowie. Na czarnoskórych pacjentów z takimi samymi potrzebami wydano mniej pieniędzy, więc program zaniżał to, jak bardzo byli chorzy. Poprawienie go podniosłoby odsetek czarnoskórych pacjentów wybieranych do dodatkowej pomocy z 17,7% do 46,5%.
Na podstawie: Jedno badanie szeroko używanego programu [7]Guido Kroemer, jeden z autorów Hallmarks of Aging, codziennie używa AI w swoim laboratorium. W Singapurze dał nam zdanie warte zapamiętania:
„W laboratorium używamy sztucznej inteligencji do wielu pytań, więc dokujemy cząsteczki, które zostały zamodelowane w przestrzeni trójwymiarowej przez sztuczną inteligencję. Robimy obliczenia z modelowania molekularnego. Generujemy duże zbiory danych, które częściowo poddajemy analizie bioinformatycznej powiązanej z AI. Robimy analizę obrazu, więc robimy zdjęcia albo filmy komórek, które zachowują się w ten czy inny sposób in vitro, a potem wykorzystujemy te informacje, używając narzędzi AI. Więc to jest sztuczna inteligencja […] albo przynajmniej nazywa się to sztuczną inteligencją, ale to tylko narzędzie, które potrzebuje prawdziwej inteligencji, żeby stało się użyteczne.”
Mówiąc prościej: AI to narzędzie, jak mikroskop. Staje się przydatna dopiero w rękach ludzi, którzy wiedzą, o co pytać i jak sprawdzić odpowiedź.
Bardzo chciałbym platformy, która pomaga ludziom zrozumieć ich własne dane medyczne. Nie tylko duże wyniki z kliniki, ale też dane z codzienności, bo bez pomocy ludzie wariują na ich punkcie. Wielu z nas ma badania krwi, skany i notatki od różnych lekarzy, rozrzucone na przestrzeni lat, a teraz jeszcze liczby z zegarków i pierścieni w każdej minucie, i bardzo mało z tego rozumiemy.
Nie potrzebuję ekranu na moim wearable, który minuta po minucie mówi mi, co się dzieje – biegniesz, Marek. Wiem, że biegnę. Chcę, żeby moje urządzenie wysyłało dane do programu, mojej własnej osobistej AI, która uczy się wzorców ze wszystkich moich urządzeń i wszystkich moich danych medycznych i daje mi wskazówki, z którymi mogę coś zrobić. Na koniec miesiąca mówi mi, co robiłem, i poleca jedną zmianę, która naprawdę zrobiłaby różnicę. To jest ważne.
Potem pojawia się pytanie, do kogo to wszystko należy. W Dublinie, w pierwszych dniach naszej podróży, rozmawiała z nami o tym Tina Woods – aktywistka długowieczności i chodząca bomba energii:
„Jest cała ta przestrzeń, powiedzmy, cyfrowych biomarkerów i pasywnego zbierania danych, bo oczywiście mamy zegarki. Mamy te wszystkie czujniki […] I oczywiście trzeba sobie radzić z obawami społeczeństwa o prywatność i tym wszystkim. […] Fascynują mnie na przykład osobiste portfele danych. To, jak człowiek jednym kliknięciem może zdecydować, z kim dzieli się swoimi danymi. […] Potrzebujemy przepisów i regulacji, które wesprą naszą zdolność do dzielenia się danymi na dużą skalę. Naprawdę fascynują mnie więc takie pomysły jak dawstwo danych, filantropia danych, gdzie szeroka publiczność może być częścią ogromnego projektu badawczego, który pobudzi firmy do wzrostu, bo będziemy mieć lepszy dostęp do danych.”
Mówiąc prościej: Twój zegarek, twoje badania i twoje skany tworzą dane o tobie. To ty powinieneś decydować, kto je widzi – a jeśli chcesz, możesz je oddać nauce, żeby pomóc wszystkim.
Badacze pokazali, że 99,98% Amerykanów można było prawidłowo zidentyfikować w zbiorze danych zawierającym 15 zwykłych informacji o nich, takich jak wiek, płeć i stan cywilny – nawet po usunięciu nazwisk.
Na podstawie: Jedno badanie modelowe [8]Asystenci AI, którzy odpowiadają na pytania o zdrowie, już są. Potrafią wyjaśnić wynik badania prostymi słowami, i to jest wspaniałe. Ale mogą brzmieć pewnie, a mimo to się mylić, a to, co do nich wpisujesz, może być przechowywane. Oto dobre pytania, które warto zadać, zanim któremuś z nich zaufasz:
Radość w tym wszystkim to czas. Jeśli maszyny zajmą się czytaniem, sortowaniem i papierkową robotą, ludzie, którzy się o nas troszczą, odzyskają swoje ręce i serca. W Szanghaju powiedziałem Evelyne Bischof, lekarce onkologii i długowieczności, że mam nadzieję, że AI pewnego dnia pozwoli jej pracować cztery godziny dziennie. Roześmiała się, a potem powiedziała to:
„Naprawdę mam nadzieję, że AI faktycznie przyniesie nam rozwiązania, które zdejmą z nas dużą część ciężaru, od papierkowej roboty po administrację, rzeczy, które po prostu zabierają czas. Gdybyśmy mogli to zdjąć, a ja mogłabym przejść od high tech do high touch, spędzać więcej czasu z pacjentem i dopasowywać, a potem też więcej czasu ze sobą i swoją długowiecznością, to byłoby wspaniałe.”
Mówiąc prościej: Marzeniem nie jest lekarz-robot. Jest nim lekarka, która ma więcej czasu dla ciebie – i dla swojego własnego długiego, zdrowego życia.
I jest radość w tym, co AI otwiera przed młodymi ludźmi. Kiedy Alek zapytał Andreę Maier w Dublinie o AI, dała mu radę zawodową, która przyda się każdemu nastolatkowi:
„Myślę, że w medycynie długowieczności jesteśmy na etapie, na którym najpierw sami musimy przeliczyć dane, bo musimy się upewnić, że mają sens, że dane są dobre i że mają sens fizjologicznie. Ale potem musimy naprawdę napisać właściwe algorytmy, żeby trochę ułatwić mi życie przy przeliczaniu danych, i sztuczna inteligencja ma tu naprawdę dużą, dużą rolę. Więc jeśli chcesz mieć karierę, powiedziałabym: albo studiuj medycynę, idź w medycynę zdrowia i długowieczności, zostań lekarzem medycyny zdrowia i długowieczności. A jeśli jesteś naprawdę bystry, zrób jedno i drugie. Studiuj też sztuczną inteligencję, połącz to, a przyszłość należy do ciebie.”
Mówiąc prościej: Lekarze, którzy rozumieją dane, i ludzie od danych, którzy rozumieją ciało: tam buduje się przyszłość medycyny długowieczności.
Idąc z Peterem Diamandisem brzegiem oceanu w Santa Monica, powiedziałem mu, jak to widzę:
„Zwykle mówię, że są dwie najważniejsze rzeczy, a AI to tylko narzędzie. Pierwsza to długowieczność, żebyśmy mogli żyć dłużej, tym pięknym życiem, i przeżywać te emocje. A druga to świadome przywództwo: żeby wszystko, co robimy, całą technologię, jaką możemy stworzyć, wykorzystywać dla dobra ludzkości, a nie na złe. I to jest właściwie najtrudniejsze zadanie.”
Zanim coś zmienisz
Ta strona pokazuje, co mówią badania i eksperci, których spotkaliśmy. To nie jest porada medyczna i nie polecamy tu żadnego leku, suplementu ani zabiegu. Ta strona nic o Tobie nie wie. Zanim cokolwiek zaczniesz, odstawisz lub zmienisz — zwłaszcza jeśli jesteś w ciąży, chorujesz lub przyjmujesz leki — porozmawiaj, proszę, z lekarzem. W nagłym wypadku dzwoń pod 112.
Każda liczba na tej stronie, według numeru w nawiasie kwadratowym. Cytaty pochodzą z nagrań wywiadów Live Beyond, prowadzonych po angielsku; tutaj są przetłumaczone i oczyszczone jedynie z wtrąceń. To nie jest porada medyczna. Zanim cokolwiek zmienisz, porozmawiaj z lekarzem.