Phát minh lớn nhất năm 2026 có thể là một loại thuốc do AI thiết kế

Sự thay đổi đó đã bắt đầu. Việc khám phá thuốc từ lâu đã là một trong những phần chậm chạp và tốn kém nhất của khoa học hiện đại. Để đưa một loại thuốc mới từ nghiên cứu ban đầu ra thị trường thường mất hơn một thập kỷ và có thể tốn hàng tỷ đô la. Một phân tích năm 2020 trên tạp chí JAMA ước tính chi phí nghiên cứu và phát triển trung bình cho các loại thuốc mới vào khoảng 1 tỷ đô la hoặc hơn, tùy thuộc vào phương pháp. Hầu hết các hợp chất tiềm năng đều thất bại. Nhiều loại không bao giờ vượt qua được giai đoạn thử nghiệm ban đầu. Quá trình này nổi tiếng với sự chậm trễ, lãng phí và những ngõ cụt khoa học.

AI không thay đổi được những sự thật khắc nghiệt của sinh học. Nó không thể chỉ đơn giản là ước ra một loại thuốc. Nhưng nó đang bắt đầu thay đổi tốc độ và logic của việc tìm kiếm. Các nhà nghiên cứu hiện sử dụng hệ thống học máy để dự đoán cách các phân tử có thể liên kết với một mục tiêu, mức độ độc hại của chúng, và hợp chất nào đáng để tạo ra trong phòng thí nghiệm. AlphaFold của DeepMind đã thu hút sự chú ý toàn cầu khi dự đoán cấu trúc của vô số protein, một vấn đề đã cản trở các nhà sinh học trong nhiều thập kỷ. Điều đó không ngay lập tức tạo ra thuốc mới, nhưng nó đã loại bỏ một trở ngại lớn. Nó đã cho các nhà khoa học một tấm bản đồ rõ ràng hơn về các hình dạng phân tử mà họ đang cố gắng tác động.

Tại Hoa Kỳ, Châu Âu, Trung Quốc và Vương quốc Anh, các công ty công nghệ sinh học đã dành vài năm qua để xây dựng trên nền tảng đó. Một số công ty hiện báo cáo rằng các hệ thống do AI dẫn đường có thể thu hẹp hàng triệu hợp chất khả thi xuống còn một nhóm nhỏ các ứng cử viên nghiêm túc trong vài tháng thay vì nhiều năm. Một số loại thuốc tiềm năng do AI thiết kế hoặc hỗ trợ đã bước vào giai đoạn thử nghiệm lâm sàng. Điểm quan trọng nhất không phải là mọi loại thuốc đó sẽ thành công. Nhiều loại sẽ không. Vấn đề là quy trình này không còn là lý thuyết nữa. Nó đã chuyển từ ngôn ngữ tiếp thị sang thử nghiệm trong thế giới thực.

Đó là lý do tại sao năm 2026 lại quan trọng. Đến lúc đó, công chúng có thể sẽ thấy điều gì đó cụ thể hơn những lời hứa: dữ liệu thử nghiệm giai đoạn giữa mạnh mẽ hơn, bằng chứng rõ ràng hơn rằng các hợp chất do AI lựa chọn có thể vượt qua các bộ lọc khắc nghiệt của quá trình phát triển lâm sàng, và có lẽ là loại thuốc được công nhận rộng rãi đầu tiên có thời gian khám phá được rút ngắn đáng kể nhờ các công cụ này. Đây sẽ không phải là khoa học viễn tưởng. Đây sẽ là một phương pháp nghiên cứu mới đi vào đời sống công chúng.

Nguyên nhân cơ bản rất đơn giản. Sinh học tạo ra quá nhiều dữ liệu để chỉ riêng các nhóm nghiên cứu con người có thể phân tích hiệu quả. Một con đường bệnh lý duy nhất có thể liên quan đến hàng nghìn gen, protein và tương tác hóa học. Các nhà nghiên cứu cũng phải đối mặt với một vũ trụ hóa học khổng lồ. Theo một số ước tính, số lượng các phân tử giống thuốc có thể có là cực kỳ lớn. Sàng lọc truyền thống chỉ có thể kiểm tra một phần rất nhỏ. AI hữu ích ở đây không phải vì nó hiểu bệnh như một bác sĩ, mà vì nó có thể xếp hạng, sắp xếp và dự đoán các quy luật ở quy mô mà các nhà nghiên cứu con người không thể sánh được.

Đồng thời, tự động hóa trong phòng thí nghiệm đã được cải thiện. Điện toán đám mây đã trở nên rẻ hơn và mạnh mẽ hơn. Giải trình tự gen hiện là công việc thường quy trong nhiều môi trường nghiên cứu. Các cơ sở dữ liệu công và tư đã được mở rộng. Nói cách khác, AI không đến một mình. Nó xuất hiện trong một hệ thống khoa học cuối cùng đã tạo ra đủ dữ liệu, dung lượng lưu trữ và năng lực phòng thí nghiệm để làm cho các mô hình này trở nên thiết thực. Sự kết hợp đó là điều khiến một phát minh trong tương lai gần có khả năng xảy ra. Đó không phải là một đột phá kỳ diệu duy nhất. Đó là sự hội tụ của nhiều đột phá nhỏ hơn.

Tác động có thể rất rộng. Hậu quả đầu tiên là tốc độ. Đối với bệnh nhân ung thư, bệnh hiếm gặp, hoặc nhiễm trùng kháng thuốc, thời gian là rất quan trọng. Việc lựa chọn mục tiêu nhanh hơn và thiết kế phân tử thông minh hơn có thể giảm bớt sự chậm trễ ở giai đoạn đầu. Hậu quả thứ hai là chi phí, mặc dù điểm này cần thận trọng. Các công ty dược phẩm có thể tiết kiệm tiền trong quá trình khám phá, nhưng điều đó không đảm bảo giá thuốc sẽ rẻ hơn cho bệnh nhân. Lịch sử ngành dược cho thấy hiệu quả khoa học không tự động trở thành khả năng chi trả. Tuy nhiên, chi phí nghiên cứu thấp hơn có thể khiến việc theo đuổi các nhóm bệnh nhân bị lãng quên hoặc nhỏ hơn trở nên hấp dẫn hơn.

Cũng có một lý do sức khỏe cộng đồng khiến điều này trở nên quan trọng ngay bây giờ. Tình trạng kháng kháng sinh tiếp tục gia tăng. Tổ chức Y tế Thế giới đã gọi tình trạng kháng thuốc là một trong những mối đe dọa sức khỏe cộng đồng hàng đầu toàn cầu. Tuy nhiên, việc phát triển kháng sinh đã bị tụt hậu trong nhiều năm vì thị trường yếu và khoa học thì khó. Các công cụ AI có thể tìm kiếm các cấu trúc phân tử mới một cách hiệu quả hơn có thể giúp ích ở đây. Vào năm 2023, các nhà nghiên cứu tại MIT và Đại học McMaster đã báo cáo việc sử dụng các phương pháp AI để xác định các ứng cử viên kháng sinh mới chống lại các mầm bệnh nguy hiểm. Điều đó không giải quyết được cuộc khủng hoảng kháng sinh trong một sớm một chiều, nhưng nó cho thấy công nghệ này có thể có giá trị công cộng rõ ràng nhất ở đâu.

Tuy nhiên, sự phấn khích không nên xóa bỏ những rủi ro. Các mô hình AI có thể sai theo những cách trông rất thuyết phục. Chúng có thể khuếch đại thành kiến trong các bộ dữ liệu cũ. Chúng có thể hoạt động tốt hơn đối với các bệnh có nhiều dữ liệu và bỏ lại phía sau các tình trạng được nghiên cứu ít hơn. Các cơ quan quản lý cũng phải đối mặt với một thách thức mới. Nếu một công ty nói rằng một hệ thống AI đã giúp chọn một phân tử hoặc dự đoán kết quả thử nghiệm, các cơ quan vẫn cần bằng chứng rõ ràng rằng sản phẩm cuối cùng là an toàn và hiệu quả. Trong y học, tốc độ chỉ hữu ích nếu niềm tin được giữ vững.

Còn một mối lo ngại khác ít được chú ý hơn. Nếu AI trở thành trung tâm của việc khám phá, quyền lực khoa học có thể tập trung nhiều hơn nữa vào một số ít các công ty và viện nghiên cứu giàu có. Các quốc gia và công ty có dữ liệu tốt nhất, hạ tầng máy tính mạnh nhất và danh mục bằng sáng chế lớn nhất có thể nới rộng khoảng cách dẫn đầu. Điều đó sẽ định hình không chỉ ai là người hưởng lợi, mà còn cả những căn bệnh nào được quan tâm. Người dân ở các nước thu nhập thấp thường đã thấy kịch bản này trước đây. Những căn bệnh là gánh nặng cho họ không phải lúc nào cũng phù hợp với thị trường mà các nhà đầu tư ưa thích.

Phản ứng tốt nhất không phải là làm chậm khoa học lại. Đó là quản trị nó một cách tốt đẹp. Các nhà tài trợ công nên hỗ trợ các cơ sở dữ liệu sinh học mở, nghiên cứu protein được chia sẻ, và các thiết kế thử nghiệm có thể kiểm tra các hợp chất mới một cách nhanh chóng mà không làm suy yếu các quy tắc an toàn. Các trường đại học và phòng thí nghiệm phi lợi nhuận nên có quyền truy cập vào các nguồn tài nguyên máy tính, chứ không chỉ các công ty lớn. Các cơ quan quản lý nên yêu cầu các nhà phát triển ghi lại cách các công cụ AI được sử dụng và giới hạn của chúng ở đâu. Và các hệ thống y tế nên bắt đầu lập kế hoạch ngay từ bây giờ cho một câu hỏi chính trị cơ bản: nếu AI giảm chi phí khám phá ban đầu, ai sẽ được hưởng lợi từ những khoản tiết kiệm đó?

Vậy nên, phát minh khả thi của năm 2026 có thể sẽ không đến một cách kịch tính như mọi người mong đợi. Nó có thể không nằm trên kệ hàng hay lăn bánh trên đường phố. Nó có thể xuất hiện trong một bài báo lâm sàng, một hồ sơ đăng ký quản lý, hoặc một kết quả thử nghiệm cho thấy một phân tử được tìm thấy với sự trợ giúp của máy móc có thể điều trị cho bệnh nhân thực sự. Điều đó kém phần điện ảnh hơn một con robot gia dụng. Nhưng nó cũng quan trọng hơn.

Tương lai của khoa học thường bị nhầm lẫn với sự phô trương. Trên thực tế, nó thường là một công cụ tốt hơn được đưa vào một cuộc đấu tranh cũ của con người. Vào năm 2026, phát minh quan trọng nhất có thể là thứ giúp các nhà nghiên cứu tìm ra thuốc nhanh hơn, thử nghiệm ý tưởng thông minh hơn, và mang lại cho bệnh nhân một thứ quý giá hơn sự mới lạ: một cơ hội thực sự để có thêm thời gian.