DeepMind готов переосмыслить открытие лекарств и победить болезни

На Google I/O 2026 генеральный директор DeepMind Demis Hassabis с полностью серьёзным выражением лица объявил: компания надеется "переосмыслить процесс открытия лекарств с целью в один день решить все болезни". Это амбициозная и, откровенно, звучащая нереалистично цель. Но прежде чем отмахиваться, давайте разберёмся, что за этим стоит и почему журналисты Verge уже ловят Google за слово.

Что показали на I/O

Google DeepMind представил целый пакет инструментов для ускорения биологических исследований. Главные три: Gemini for Science (специализированная версия флагманской LLM для научных задач), AlphaFold 3 (система предсказания структуры белков) и совершенно новое AlphaGenome. AlphaFold 3 может с высокой точностью предсказывать трёхмерную структуру белков и их взаимодействия с другими молекулами. Это критично, потому что форма белка часто определяет, будет ли лекарство эффективным. AlphaGenome расширяет подход: теперь система может работать с геномными данными и предсказывать генетические факторы болезней. Gemini for Science интегрирует обе системы в единую платформу. Это LLM, которая "понимает" контекст биологических исследований, может читать научные статьи и давать рекомендации прямо внутри привычного учёным интерфейса.

Как это работает на практике

Примерный сценарий: исследователь загружает в Gemini for Science вопрос типа "разработать противовирусное соединение для вируса X". Система анализирует известные факты о вирусе, предлагает молекулярные структуры-кандидаты, использует AlphaFold 3 для предсказания взаимодействия этих молекул с вирусными белками и прогнозирует вероятные побочные эффекты. На бумаге это звучит как скачок в производительности. Раньше подобный поиск занимал месяцы. Теперь может быть часы или дни. Но есть нюанс: Google говорит про "ускорение", но не называет конкретные сроки. На сколько процентов быстрее? За какой счёт? Это остаётся за кадром.

Почему скептиков больше, чем верующих

Вот список причин, почему "решить все болезни" — это, мягко говоря, очень смелое заявление: От молекулы к лекарству — это не одна задача. Даже если AI идеально предскажет молекулу, её нужно синтезировать в лаборатории, протестировать на клеточных культурах, потом на животных, потом на людях (клинические испытания — 3 фазы, 5-10 лет), и только потом получить одобрение регулятора. **"Все болезни" — это не 100 заболеваний, это 10 000+.

Некоторые имеют генетическую природу (в зоне AI), но другие — инфекционные, аутоиммунные, психические, экологические. С ними AI молекулярной биологии мало поможет. * История AI полна обещаний, которые не сбылись.

** Deep Blue обещал революцию в аналитике. IBM Watson обещал революцию в медицине. Реальность обычно сложнее, чем маркетинговые слайды.

* Регуляторы замедляют процесс намеренно. FDA требует доказательства безопасности — это не их прихоть, это защита пациентов. AI-предложение — это только первый шаг в очень длинном пути.

«От больших обещаний до результатов в реальной клинике — дистанция огромного размера», — пишут редакторы

Verge, и они не одиноки в этом мнении.

Что это на самом деле значит

Инструменты Google DeepMind действительно полезны и могут ускорить отдельные фазы разработки лекарств — особенно на этапе поиска кандидатов. Но "решить все болезни" — это не технологическая задача. Это вопрос о том, насколько сложна биология, насколько жёсткие требования регуляторов, и сколько денег инвестировать в каждое направление. AI будет хорошим помощником учёных. Но волшебником не будет. Обещания Hassabis — вероятно, просто речь для Google I/O. Полезная речь, но оставаться реалистом стоит.