ช่วงสัปดาห์ที่ผ่านมา ข้อความหนึ่งจาก CEO ของ Anthropic กลายเป็นไวรัลไปทั่ววงการ AI — เพราะมันเป็นเสียงที่คนในซิลิคอนแวลลีย์ไม่ค่อยได้ยินกันบ่อยนัก
“ถึงตอนนี้ การบอกว่า AI จะรักษามะเร็ง มันกลายเป็นคำพูดที่ซ้ำซากจนไม่สร้างแรงบันดาลใจ และคนส่วนใหญ่คิดว่ามันหลอกลวง” — Dario Amodei เขียนบน X พร้อมพูดต่อว่า “สิ่งที่จะเวิร์คจริง ๆ คือการรักษามะเร็งให้ได้จริงเท่านั้น”
ทำไมบรรทัดนี้ถึงน่าสนใจ? เพราะตลอดหลายปีที่ผ่านมา เราเคยชินกับ CEO บริษัท AI ชั้นนำพูดว่า “AI จะรักษามะเร็ง” แทบเป็นเพลงกล่อมเด็ก ทั้งที่งานวิจัยและฉากหลังที่แท้จริงนั้นไม่ได้เรียบง่ายแบบนั้น
“AI จะรักษามะเร็ง” กลายเป็นคำกล่าวที่คนฟังแทบไม่เชื่อแล้ว — และถึงแม้จะเชื่อ ก็ยังต้องเจอกับกำแพงที่ฉลาดแค่ไหนก็ข้ามไม่ได้
ผมว่าประเด็นนี้มีอะไรให้ขุดลึกมากกว่าที่เห็นเยอะ วันนี้เลยอยากชวนมาดูกันว่า ทำไมต่อให้ AI ฉลาดขนาดไหน ก็ยัง “เร่งเวลาของชีววิทยา” ไม่ได้จริง ๆ
ตัวเลขที่ทำให้หยุดคิด
ก่อนอื่น มาดูภาพรวมกันก่อน ว่าวงการทุ่มเทไปแค่ไหน แล้วได้อะไรกลับมา
- เงินลงทุน: กว่า $70,000 ล้านเหรียญ ถูกเทลงไปรวม AI เข้ากับวงการวิทยาศาสตร์ชีวภาพระหว่างปี 2020–2024
- พลังประมวลผล: ดาต้าเซ็นเตอร์ AI ทั่วโลกตีว่ารวมกันแล้วราว 30 กิกะวัตต์ และยังมีสัญญาใหม่ ๆ ประกาศแทบทุกสัปดาห์
- ผลลัพธ์ในคลินิก: ทุกสัปดาห์มีผู้เสียชีวิตจากมะเร็งมากกว่า 188,000 คน แต่กลับยังไม่มียาแม้แต่ตัวเดียวที่ระบุว่าถูก “ค้นพบโดย AI” ออกสู่ตลาดจริง

ช่องว่างระหว่างคำสัญญาของ AI กับความจริงบนโลก
ตัวเลขพวกนี้ทำให้เห็นว่า ปัญหาไม่ใช่ “เราทุ่มเงินไม่พอ” หรือ “เครื่องไม่แรงพอ” — แต่คือบางอย่างในกระบวนการมันไม่ได้เร็วตามความเร็วของคอมพิวเตอร์
แล้ว AlphaFold ทำไมถึงสำเร็จ?
หลายคนยกความสำเร็จของ AlphaFold เป็นหลักฐานว่า AI แก้โจทย์ยาก ๆ ด้านชีววิทยาได้จริง เรื่องนี้ต้องบอกว่า — ใช่ มันสำเร็จ และมันน่าทึ่งมาก แต่สำเร็จด้วยเหตุผลที่เฉพาะเจาะจง
โปรตีนคือสายโซ่ของกรดอะมิโนที่ขดตัวเป็นรูปทรง 3 มิติ และรูปทรงนี้เองที่กำหนดว่ามันไปจับกับอะไรได้บ้าง การหา “รูปทรง” ของโปรตีนเป็นสิ่งที่ยากมาก และเคยต้องใช้กล้องจุลทรรศน์อิเล็กตรอนสุดแพงเพื่อถ่ายภาพโปรตีนที่ดูเป็นก้อนสีเทาเบลอ ๆ

AlphaFold พยากรณ์โครงสร้าง 3 มิติของโปรตีน (ที่มา: Nature)
แต่สิ่งสำคัญคือ AlphaFold ไม่ได้แก้โจทย์แบบ “จากศูนย์” — มันมีข้อได้เปรียบอยู่หลายชั้น:
- มีชุดข้อมูลสะอาด รออยู่แล้ว ชื่อ Protein Data Bank ที่เก็บข้อมูลมาตรฐานมานานหลายสิบปี
- รู้ชัดเจนว่า “ผลลัพธ์ที่ควรได้” คืออะไร — รูปทรง 3 มิติแบบเดียวกับที่มันเห็นในข้อมูลเทรน
- นักวิทยาศาสตร์มีเครื่องมือตรวจสอบคำตอบอยู่แล้ว และเคยทำแบบนี้ด้วยมือมานานหลายรุ่น
พูดอีกแบบก็คือ นักโครงสร้างชีววิทยา (structural biologist) ที่ใช้เวลาหลายสิบปีเก็บข้อมูลรูปโปรตีน ได้กลายเป็น “แหล่งข้อมูลเทรน” ให้โมเดลไปโดยปริยาย ในเดือนกรกฎาคม 2021 DeepMind ปล่อยโครงสร้าง 3 มิติของโปรตีนแทบทุกตัวในร่างกายมนุษย์ ซึ่งงานครึ่งหนึ่งของมันมนุษย์ลงมือทำกันเองมาเกือบ 50 ปี และต่อมาได้รับรางวัลโนเบลในปี 2024
แล้วมันหมายความว่าอะไร? มันแปลว่า AlphaFold เก่งจริงในโจทย์ “ง่ายที่สุดขีดหนึ่ง” ของชีววิทยา — ซึ่งไม่ได้แปลว่าจะเก่งแบบเดียวกันกับโจทย์ที่ยุ่งเหยิงกว่านั้น
มะเร็งไม่ใช่ “โรคเดียว” เหมือนโปรตีนตัวเดียว
มาถึงจุดที่ผมว่าสำคัญที่สุด คำว่า “มะเร็ง” จริง ๆ แล้วไม่ได้หมายถึงโรคเดียว — แต่หมายถึงโรคที่ต่างกันมากกว่า 200 ชนิด แต่ละโรคกระทบเซลล์และอวัยวะคนละรูปแบบ
ต่อให้เป็นสิ่งที่ฟังดู “เจาะจง” อย่างมะเร็งเต้านม ก็กระทบมากกว่าแค่เนื้อเยื่อเต้านม เพราะก่อนที่เซลล์มะเร็งตัวแรกจะแพร่กระจาย (metastasis) มันส่งสัญญาณเคมีในรูปแบบของโปรตีนผ่านกระแสเลือดไปยังอวัยวะอื่น เพื่อ “เตรียมที่” ล่วงหน้าไว้อีกด้วย
และตรงนี้คือจุดที่เชื่อมกับ AlphaFold — สมมติว่าเราสร้าง AlphaFold ที่พยากรณ์โครงสร้างโปรตีนทุกตัวในจักรวาลได้สมบูรณ์ มันก็ยังไม่ได้ช่วยให้เราเข้าใจว่า ทำไม โปรตีนพวกนี้จึงกระตุ้นการแพร่กระจาย หรือจะหยุดมันยังไง การจำลองปฏิสัมพันธ์ระหว่างโมเลกุลในคอมพิวเตอร์ (in silico) หรือการเขี่ยเซลล์ในจานเพาะเชื้อ ก็ไม่สามารถเก็บความซับซ้อนของระบบอวัยวะหลายแห่งที่ทำงานร่วมกันได้
ปัญหาอยู่ที่ “ข้อมูล” ไม่ใช่ “สติปัญญา”
นี่คือข้อโต้แย้งหลักของบทความต้นฉบับ และมันคมมาก — สิ่งที่ยังไม่ถูกวัด จะกลายเป็น data เทรนไม่ได้ และสิ่งที่ต้องวัด มักจะวัดได้ยากแสนสาหัส
ลองคิดตาม: ถ้าคุณอยากรู้ว่าทำไมเนื้องอกดื้อยา คุณตัดชิ้นเนื้อมาดู นั่นให้แค่ “ภาพหยุดนิ่ง” ของเซลล์ส่วนหนึ่ง ณ เวลาหนึ่ง ซึ่งเป็นตัวแทนที่ไม่สมบูรณ์ของประชากรเซลล์ที่กำลังกลายพันธุ์ตลอดเวลา แถมการวัดสิ่งที่อยู่ในเซลล์บางวิธีก็ฆ่าเซลล์นั้นทิ้ง
Martin Borch Jensen ผู้ร่วมก่อตั้ง Gordian Biotechnology ให้สัมภาษณ์ไว้ตรง ๆ ว่า “AI จะติดขัดกับคำถามที่ต้องใช้ข้อมูลที่เราไม่สามารถสร้างให้มากพอได้”

AI เข้ามาในงานค้นพบยา แต่ข้อมูลยังเป็นคอขวดใหญ่ (ที่มา: ScienceDirect)
อีกหนึ่งปัญหาคือ “ความสะอาด” ของข้อมูล นักเคมียา Derek Lowe เคยเขียนไว้ว่า “เรามีข้อมูลกองเป็นภูเขา แต่เราไม่รู้วิธีล้างและจัดหมวดหมู่… จริง ๆ เราไม่รู้ด้วยซ้ำว่ามันจะทำได้หรือเปล่า” เพราะข้อมูลชีวเวชศาสตร์ส่วนใหญ่ไม่เคยถูกเก็บมาเพื่อป้อนให้โมเดล AI ตั้งแต่แรก ตัวแปรสำคัญจึงหลุดหายไป หรือไปค้างอยู่ในฟล็อปปี้ดิสก์กับสมุดบันทึกห้องแล็บ
แต่ก็มีความหวัง — บริษัทไบโอเทคจำนวนมากขึ้นเรื่อย ๆ หันมาทำ “เว็ตแล็บ” ขนาดใหญ่เพื่อสร้างชุดข้อมูลสรีรวิทยาคุณภาพสูงให้ AI ในอนาคต บางอย่างทำอัตโนมัติด้วยหุ่นยนต์ได้ เช่น บริษัท Vivodyne เปิด “ศูนย์ข้อมูลชีววิทยามนุษย์ที่ใหญ่ที่สุดในโลก” ที่ให้หุ่นยนต์ทำการทดลองกับชิ้นเนื้อเยื่อจำนวนมากแบบขนาน
หุ่นยนต์ทำแล็บแทนคนได้หมดไหม?
จุดนี้หลายคนมักแย้งว่า “เดี๋ยวก็มีหุ่นยนต์และซูเปอร์อินเทลลิเจนซ์มารันแล็บเองทั้งหมด” — แต่ Jacob Kimmel ผู้ร่วมก่อตั้ง NewLimit บริษัทไบโอเทคสาย longevity มองว่า หุ่นยนต์อุตสาหกรรมยังสู้งานชีววิทยาไม่ได้ง่าย ๆ
ต่างจากโรงงานผลิตที่หุ่นยนต์ทวน “ชุดการเคลื่อนไหว” เดิมซ้ำ ๆ ได้ การวิจัยชีวเวชศาสตร์ต้องตัดสินใจแบบเรียลไทม์จำนวนมากจากสัญญาณที่จางมาก เขาบอกว่า “มือมนุษย์ยังเป็นวัตถุที่ซับซ้อนเกินกว่าจะจำลองแบบมันได้” และงานบางอย่าง เช่น การจับลูกหนูทดลอง หรือวัดแรงต้านของอิเล็กโทรดที่วางผิดตำแหน่ง ต้องใช้ “ความรู้สึก” ที่หุ่นยนต์ยังทำไม่ได้
ยกตัวอย่างที่เข้าใจง่ายจากสายที่เขาอยู่เอง — ถ้าคุณอยากเพิ่มอายุขัยของไพรเมต “คุณจะไม่มีทาง scale การวัด ‘อายุขัยของไพรเมต’ ได้ในทางปฏิบัติเลย” เพราะมันต้องรอเวลาจริงหลายสิบปี
วัคซีน mRNA ของ Moderna คือหลักฐานไหม?
ข่าวใหญ่ของสัปดาห์คือความร่วมมือของ Moderna และ Merck เรื่องวัคซีน mRNA รักษามะเร็งที่ช่วยลดการแพร่กระจาย จนหลายคนบน X รีบประกาศว่า “วัคซีนมะเร็งถูกค้นพบด้วย AI แล้ว”

วัคซีน mRNA มะเร็งของ Moderna–Merck ที่เป็นข่าวสัปดาห์นี้ (ที่มา: Al Jazeera)
ฟังดูน่าตื่นเต้น แต่ผมว่าต้องถอดรหัสกันสักนิด — AIML มีบทบาทจริงในงานวิจัยชีวเวชศาสตร์มานานหลายปีแล้ว และถูกใช้จริงในการพัฒนาวัคซีนตัวนี้ แต่การเรียกมันว่า “AI เป็นคนค้นพบ” คือการยืดความจริงเกินไป เพราะการทดลองระยะที่ 1 เริ่มมาตั้งแต่เดือนกันยายน 2022 ซึ่งก่อนที่ ChatGPT จะเปิดตัวด้วยซ้ำ และงานพัฒนาในช่วงพรีคลินิกก็ทำกันมานานหลายปีก่อนหน้า
อีกอย่าง วัคซีนตัวนี้ (mRNA-4359) ก็คือสิ่งทดลองครับ ยังไม่ผ่านการอนุมัติจาก FDA หรือ EMA มันเป็นความหวังที่ดี แต่ยังห่างไกลคำว่า “โรคหายแล้ว” มาก
Amodei ก็รู้เรื่องนี้ดี
น่าสนใจที่ตัว Amodei เองก็ยอมรับถึงอีกกำแพงหนึ่งในบทความ “Policy on the AI Exponential” — เขาชี้ว่าระบบกำกับดูแลถูกออกแบบมาเพื่อ “นวัตกรรมที่มาเร็วน้อยกว่า” และไม่พร้อมรับมือกับสินค้าและการค้นพบใหม่ ๆ ที่ AI จะหลั่งไหลเข้ามา เขาจึงเรียกร้องให้ปฏิรูประเบียบ เพื่อเร่งรีวิวยาที่มีคุณภาพสูงจริง ๆ
กระนั้น เมื่อคลอดออกมาเป็นแถลงการณ์ “The Future Is For Everyone” ที่เผยแพร่ช่วงต้นเดือนนี้ ก็ถูกมองว่าแปลกและโดนวิจารณ์ไปทั่ว แสดงว่าแม้แต่ตัวคนที่พูดเรื่องนี้บ่อยที่สุด ก็ยังหาทางเล่า “เรื่องดี ๆ ของ AI” ให้คนเชื่อได้ยาก

3 ประเด็นที่ควรจำจากเรื่องนี้
สรุป 3 ประเด็นที่ควรจำ
- AI เร่ง “เวลา” ของชีววิทยาไม่ได้ — ข้อมูลต้องเติบโตตามจังหวะจริงของเซลล์ สัตว์ทดลอง และมนุษย์ ไม่ใช่ตามตรรกะของคอมพิวเตอร์
- AlphaFold สำเร็จเพราะโจทย์ง่าย + มีข้อมูลสะอาดรอแล้ว — มันไม่ใช่ตัวอย่างที่นำไปใช้กับมะเร็งตรง ๆ ได้
- มะเร็งคือ 200+ โรค และข้อมูลยังกระจายไม่เป็นระบบ — ยาตัวแรกที่ “AI ค้นพบ” จึงยังไม่ออกสู่ตลาด
ข้อดีที่เราเก็บไปคิดต่อได้คือ AI จะช่วยให้งานวิจัยเร็วขึ้นจริงในหลายส่วน เช่น ช่วยเลือกว่าการทดลองไหนควรทำก่อน หรือลดงานขั้นตอนที่ซ้ำซาก แต่สิ่งที่มันทำไม่ได้คือ “การดูดข้อมูลจากกระบวนการทางชีววิทยาที่ต้องใช้เวลา” — และนั่นแหละคือกำแพงที่ฉลาดแค่ไหนก็ต้องรอ
ที่มา: Transformer News — Why AI won’t cure cancer anytime soon (Celia Ford, 20 ส.ค. 2026), Dario Amodei บน X, Sam Altman — Abundant Intelligence, Al Jazeera — Moderna/Merck cancer vaccine (19 ส.ค. 2026), Nature — AlphaFold
ความคิดเห็น 0
ยังไม่มีความคิดเห็น — เป็นคนแรกที่แสดงความคิดเห็น!