Mục nhập 50 triệu đô la Mỹ của Nvidia, tại sao dược phẩm AI đáng ghét lại quay trở lại?

Nguồn gốc: mạng lưới huyết mạch

Nguồn hình ảnh: Được tạo bởi Unbounded AI‌

Vào ngày 12 tháng 7, Nvidia đã công bố khoản đầu tư 50 triệu đô la vào Đệ quy để tăng tốc các mô hình cơ bản mang tính đột phá trong lĩnh vực khám phá thuốc trí tuệ nhân tạo. Động thái này đã làm dấy lên mối lo ngại rộng rãi trong ngành và giá cổ phiếu của các mục tiêu liên quan trên thị trường thứ cấp đã tăng vọt.

Trên thực tế, Nvidia hơi do dự khi triển khai dược phẩm AI. Đầu năm 2018, Nvidia đã ra mắt nền tảng Clara dành riêng cho các tình huống y tế. Sau đó, Clara dần mở rộng ranh giới của mình từ các công cụ nghiên cứu AI hình ảnh và bắt đầu tham gia vào lĩnh vực gen. Nền tảng Clara đã nhanh chóng trở thành một công cụ hiệu quả trong việc phát triển các loại thuốc mới. Nó có thể được sử dụng trong thiết kế thuốc, thông qua các AI khác nhau để tạo ra các phân tử, để hoàn thành các nhiệm vụ như tạo protein, tạo phân tử và lắp ghép, thậm chí dự đoán ba- chiều tương tác giữa protein và phân tử, để tối ưu hóa Cách thức hoạt động của thuốc trong cơ thể.

Đến tháng 3 năm 2023, NVIDIA đã hợp tác với hơn 100 công ty trên thế giới, bao gồm cả nghiên cứu và phát triển thuốc mới, trên mô hình Clara. Nhưng khoản đầu tư 50 triệu USD vào Recursion là khoản đầu tư trực tiếp đầu tiên của Nvidia vào dược phẩm AI toàn cầu. Được thành lập vào năm 2013, công ty dược phẩm AI được thành lập này chủ yếu sử dụng các đặc điểm hình ảnh sợi của tế bào để sàng lọc thuốc.

Đặc điểm của Recurison là nhiều thí nghiệm có thể được thực hiện song song với thông lượng cao thông qua các thí nghiệm khô và ướt theo vòng kín. Đầu tiên, các tế bào của con người bị gây bệnh theo nhiều cách khác nhau trong phòng thí nghiệm, và những tế bào bị bệnh này được chụp ảnh. Sau đó, hãy để chương trình học máy tìm hiểu sự khác biệt giữa các tế bào bị bệnh này và các tế bào khỏe mạnh. Cuối cùng, các loại thuốc khác nhau được áp dụng cho các tế bào bị bệnh và chương trình học máy được sử dụng để đánh giá liệu các tế bào có trở lại trạng thái khỏe mạnh hay không, từ đó đánh giá tác dụng của thuốc.

Trong quy trình dược phẩm AI của Recurison, nghiên cứu cơ bản ở cấp độ tế bào là một mắt xích chính. Đằng sau điều này là logic tìm kiếm mục tiêu và phát triển các loại thuốc dựa trên bản chất của các hiện tượng phức tạp trong cuộc sống. Tại thời điểm mô hình dược phẩm AI truyền thống được đào tạo với dữ liệu nghiên cứu và phát triển thuốc hơi mệt mỏi, việc mở rộng chuỗi dược phẩm AI đang trở thành một cách suy nghĩ mới.

DSP-1181 đã biến mất và loại thuốc AI mới không thể chạy

Mùa hè năm 2022 vừa đến, và sau chưa đầy hai năm lao đao dưới sự chú ý của thị trường vốn, dược phẩm AI đã mở ra đợt hạ nhiệt đầu tiên. Ngoài môi trường bên ngoài lạnh giá trên diện rộng, các sản phẩm siêu sao nổi tiếng đã bước vào giai đoạn thử nghiệm lâm sàng, nhưng nhanh chóng gặp phải Waterloo, kìm hãm sự phát triển của dược phẩm AI.

Vào tháng 7 năm 2022, Sumitomo Pharmaceutical thông báo rằng họ sẽ ngừng phát triển DSP-1181 vì thử nghiệm lâm sàng Giai đoạn I không đáp ứng các tiêu chuẩn dự kiến. Ngay lập tức, cả DSP1181 đều biến mất khỏi các trang web chính thức của Exscientia và Sumitomo Pharmaceuticals. Kể từ đó, nỗ lực phát triển phân tử thuốc do AI thiết kế đầu tiên trên thế giới đã thất bại.

Ngay từ năm 2014, Sumitomo Pharmaceuticals đã ủng hộ công nghệ tạo hợp chất tự động và mô hình dự đoán trí tuệ nhân tạo dựa trên tri thức của Exscientia, và hai bên ngay lập tức đạt được sự hợp tác. Sumitomo Pharmaceuticals trở thành một trong những công ty dược phẩm đầu tiên trên thế giới hợp tác với các công ty AI. Trong những năm tiếp theo, Sumitomo Pharmaceuticals và Exscientia đã làm việc cùng nhau để cuối cùng chọn ra một loại thuốc thụ thể kết hợp với protein monoamine G (GPCR) để điều trị bệnh tâm thần.

Trong quá trình hợp tác, nhóm hóa học của Sumitomo Pharmaceuticals tổng hợp các hợp chất do Exscientia đề xuất, nhóm dược lý đánh giá các hợp chất này và hai công ty chia sẻ dữ liệu hoạt động với nhau để tiếp tục cải tiến thuốc. Dựa trên mô hình thuật toán AI của Exscientia, hai bên đã thử nghiệm và tổng hợp tới 350 hợp chất trong vòng chưa đầy một năm và DSP-1181 là hợp chất thứ 350 được tổng hợp kể từ khi dự án bắt đầu. Vào thời điểm đó, thời gian trung bình để hoàn thành công việc này trong ngành là hơn 5 năm.

Ngoài ra, hai bên cũng đang tổng hợp các chất tương tự trong quá trình thực hiện dự án. Các nhà hóa học tại Sumitomo Pharmaceuticals đồng thời tổng hợp các chất trung gian của các hợp chất do Exscientia đề xuất, đồng thời thiết kế và tổng hợp một số hợp chất với dữ liệu dược lý giả định, đồng thời đưa những dữ liệu này vào các mô hình dự đoán của Exscientia. Chúng bao gồm các hợp chất cung cấp các mối quan hệ cấu trúc-hoạt động quan trọng để tối ưu hóa các cấu trúc hợp chất, giúp đẩy nhanh hơn nữa chu kỳ khám phá thuốc và cho phép công ty phát hiện ra DSP-1181 trong một khoảng thời gian ngắn.

Vào đầu năm 2020, Exscientia đã công bố một cách rầm rộ rằng DSP-1181, được phát triển với sự hợp tác của Dược phẩm Sumitomo của Nhật Bản, đã bước vào thử nghiệm lâm sàng giai đoạn I. Khi bắt đầu thử nghiệm lâm sàng DSP-1181, Sumitomo Pharmaceuticals đã rất hào hứng và không thể không khen ngợi phương pháp cải tiến được Exscientia áp dụng sẽ đóng góp to lớn cho các loại thuốc điều trị hệ thần kinh trung ương.

Về sự thất bại của DSP-1181, một số nhà nghiên cứu đã chỉ ra rằng nguyên nhân sâu xa là do bản thân phân tử thuốc không đủ đổi mới.

Todd Wills của Dịch vụ Tóm tắt Hóa học Hoa Kỳ (CAS) đã tiến hành phân tích chi tiết DSP-1181 và phát hiện ra rằng thụ thể mà DSP-1181 tác động là mục tiêu cổ điển rất quan trọng của thuốc chống loạn thần. Nói cách khác, sự phát triển của DSP-1181 không đi chệch khỏi mục tiêu ban đầu. Sau khi nghiên cứu có hệ thống về hệ thống bằng sáng chế của DSP-1181, Wills phát hiện ra rằng phân tử DSP-1181 rất giống với haloperidol, một loại thuốc chống loạn thần điển hình được FDA chấp thuận vào năm 1967. Theo nghĩa này, Exscientia có khả năng tối ưu hóa trên khung phân tử đã được khám phá từ lâu.

Sự thất bại của DSP-1181 phủ bóng đen lên thời điểm tươi sáng của dược phẩm AI, nhưng cũng mang lại một bước ngoặt quan trọng cho ngành. Kể từ đó, khi mọi người nói về dược phẩm AI, ngoài các thuật toán và dữ liệu, họ cũng dần tập trung vào nghiên cứu sáng tạo trong phòng thí nghiệm.

Sau khi trải qua sự nhầm lẫn của giai đoạn tích lũy dữ liệu và công nghệ ban đầu, không có gì lạ khi các dược phẩm AI ngày nay xây dựng một đường ống thử nghiệm lâm sàng. Theo thống kê của Cục Thuốc thông minh, các loại thuốc mới được phát triển bởi các công ty dược phẩm AI trong nước như Iceland Stone Bio, Ruige Pharmaceuticals, Yingsi Intelligent và Hongyun Bio đã bước vào giai đoạn thử nghiệm lâm sàng. Vào cuối tháng 6, Insilicon Intelligence là công ty đầu tiên trên thế giới hoàn thành việc sử dụng thuốc AI INS018_055 cho bệnh nhân đầu tiên trong thử nghiệm lâm sàng Giai đoạn II.

Khó khăn thực sự là làm thế nào để thúc đẩy các thử nghiệm lâm sàng, vì nhiều loại thuốc AI đang bị mắc kẹt trong các thử nghiệm lâm sàng Giai đoạn I. Theo thống kê của Cục thuốc thông minh, trong số 80 đường ống thuốc AI lâm sàng được phê duyệt trên thế giới, chỉ có 29 đường ống R&D đã tiến tới giai đoạn II của thử nghiệm lâm sàng và không có đường ống thuốc AI nào bước vào giai đoạn sau.

Sau khi bị bịt mắt chạy trong 10 năm, AI Pharmaceuticals bắt đầu có chút không thể chạy được. Ngoài DSP-1181 đã rơi vào thử nghiệm lâm sàng giai đoạn I, cách đây không lâu, Benevolent AI, một công ty dược phẩm AI hàng đầu khác của Anh, cũng thông báo rằng một loại thuốc ứng cử viên điều trị viêm da dị ứng đã không đạt được mức mục tiêu trong thử nghiệm lâm sàng. thử nghiệm lâm sàng giai đoạn 2. Tiêu chí phụ về hiệu quả. Insilicon, công ty đang tích cực sản xuất các loại thuốc AI mới, cực kỳ thận trọng khi tiến hành thử nghiệm lâm sàng giai đoạn II.

Chiến đấu đột phá một điểm

Mặc dù đã có một số thăng trầm nhưng đối với dược phẩm AI, vẫn chưa có định nghĩa rõ ràng trong ngành. Mọi người cố gắng sử dụng các công nghệ trí tuệ nhân tạo (AI) như học máy, học sâu, xử lý ngôn ngữ tự nhiên và biểu đồ tri thức để thực hiện phân tích phân tử hóa học dược phẩm, khám phá mục tiêu, sàng lọc hợp chất và thậm chí nghiên cứu thử nghiệm lâm sàng và nghiên cứu thuốc mới khác công việc liên quan đến phát triển, đó là dược phẩm AI.

Trong nhiều trường hợp, dược phẩm AI được coi là giải pháp tối ưu để nâng cao hiệu quả nghiên cứu và phát triển thuốc mới. Tuy nhiên, công nghệ AI, tách biệt khỏi logic dược phẩm nghiêm ngặt, phá vỡ liên kết cốt lõi của nghiên cứu và phát triển thuốc mới tại một điểm duy nhất theo cách tách biệt với nhau.

Cụ thể, trong giai đoạn thăm dò trước đây, dược phẩm AI được sử dụng để hoàn thành hai nhiệm vụ cực kỳ tẻ nhạt nhưng cực kỳ quan trọng là khám phá mục tiêu mới và sàng lọc hợp chất.

Một mặt, mọi người hy vọng dựa vào khả năng tính toán và phân tích mạnh mẽ của dược phẩm AI để khám phá tiềm năng khai thác triệt để các mục tiêu khó điều trị và bỏ qua sự cạnh tranh đồng nhất ở Biển Đỏ. Theo thống kê, trong hệ protein của con người, các mục tiêu khó dùng thuốc chiếm hơn 75% và hơn một nửa số bệnh của con người là không thể chữa khỏi trên lâm sàng. Đối với các chỉ tiêu đã được kiểm chứng hiệu quả như PD-1, GLP-1…, hàng trăm công ty dược phẩm thường gấp rút phát triển trong thời gian ngắn.

Cho đến nay, dược phẩm AI đã được sử dụng để thay thế nhiều mắt xích trong quá trình phát triển thuốc mới thông thường. Ví dụ, xác định mục tiêu, đây là một bước quan trọng trong quá trình phát triển thuốc và là một trong những bước phức tạp nhất. Ở giai đoạn này, hầu hết các mục tiêu được sử dụng trong quá trình phát triển các loại thuốc mới là protein. Trong khám phá mục tiêu dựa trên AI, trước tiên, các nhà nghiên cứu trích xuất các đặc điểm ban đầu từ trình tự, cấu trúc và chức năng của protein, sau đó sử dụng các phương pháp học máy để xây dựng mô hình protein chính xác và ổn định, cuối cùng sử dụng mô hình này để xác định chức năng mục tiêu. Suy luận, dự đoán và phân loại. Điều này đã trở thành một phương tiện quan trọng trong nghiên cứu mục tiêu AI.

Ngoài dữ liệu cấu trúc, nhiều dữ liệu omics như genomics, proteomics và metabolomics được trích xuất từ các mẫu bệnh phẩm và dữ liệu y sinh khổng lồ, đồng thời học sâu được sử dụng để phân tích sự khác biệt giữa trạng thái không bệnh và bệnh. Nó cũng có thể được sử dụng để khám phá các protein có tác động đến bệnh tật.

Mặt khác, công nghệ AI có thể đơn giản hóa việc sàng lọc, tổng hợp thuốc và giảm chi phí. Đối với các hợp chất được sàng lọc, các điều kiện kích thước như độ hòa tan, hoạt tính/độ chọn lọc, độc tính, chuyển hóa, dược động học/hiệu quả và tổng hợp thường được yêu cầu. Điều này sẽ liên quan đến các quá trình thí nghiệm lặp đi lặp lại, tốn nhiều thời gian và công sức, đồng thời sẽ làm tăng chi phí nghiên cứu tiền lâm sàng. Và loại công việc đòi hỏi tính toán cao, lặp đi lặp lại này chính là thứ mà các chương trình máy tính giỏi.

Trong quá trình này, công nghệ AI được sử dụng để tạo ra phân tử, nghĩa là sử dụng các phương pháp học máy để tạo ra các phân tử nhỏ mới. Cụ thể, AI có thể thu được các quy luật về cấu trúc phân tử và khả năng uống thuốc của các hợp chất thông qua nghiên cứu một số lượng lớn các hợp chất hoặc phân tử thuốc, sau đó tạo ra nhiều hợp chất chưa từng tồn tại trong tự nhiên dưới dạng các phân tử thuốc ứng cử viên theo các quy luật này, xây dựng một cách hiệu quả thuốc với những đặc tính nhất định.Thư viện phân tử quy mô lớn và chất lượng cao.

Ngoài ra, công nghệ AI cũng được sử dụng để hoàn thiện thiết kế phản ứng hóa học và sàng lọc hợp chất. Một trong những lĩnh vực hóa học mà AI hiện đang đạt được tiến bộ là mô hình hóa và dự đoán các phản ứng hóa học và các lộ trình tổng hợp. Dựa trên công nghệ AI, cấu trúc phân tử được ánh xạ thành một dạng có thể được xử lý bằng thuật toán máy học và nhiều lộ trình tổng hợp được hình thành dựa trên cấu trúc của các hợp chất đã biết và đề xuất lộ trình tổng hợp tốt nhất. Đổi lại, học sâu và học chuyển giao có thể dự đoán kết quả phản ứng hóa học khi cho chất phản ứng. Các kỹ thuật AI thậm chí có thể được sử dụng để khám phá các phản ứng hóa học mới. Trong sàng lọc hợp chất, công nghệ AI được sử dụng để mô hình hóa mối quan hệ giữa cấu trúc hóa học và hoạt tính sinh học của các hợp chất, đồng thời dự đoán cơ chế hoạt động của các hợp chất.

Có thể nói, trên mọi node độc lập, AI Pharmaceuticals đã làm rất tốt. Nhưng loại xuất sắc này rất khó vượt ra ngoài phần mềm máy tính. Ngoài các thử nghiệm lâm sàng không thể chạy, dược phẩm AI đã bị chỉ trích trong các công ty dược phẩm, đây đã là một hiện tượng công khai. Trong cuộc phỏng vấn với Arterial.com, việc bị các kỹ sư dược phẩm AI phàn nàn về hoạt tính phân tử thấp và chu kỳ sản xuất dài, đồng thời bị các chuyên gia hóa dược không ưa vì nền tảng công nghệ vận hành khó khăn gần như đã trở thành số phận mà nhiều công ty dược phẩm AI không thể làm được. bỏ trốn.

Nhìn lại, không thể bỏ qua khoảng cách giữa dược phẩm AI và các công ty dược phẩm vì công ty dược phẩm theo đuổi hiệu quả và xác minh giá trị của chính nó bằng cách rút ngắn thời gian phát triển, trong khi công ty dược phẩm nhấn mạnh chất lượng và yêu cầu trình diễn lặp đi lặp lại để chọn ra mục tiêu tốt. Theo một nghĩa nào đó, dược phẩm AI đang đi trên một đường thẳng, cố gắng tiến về phía trước, trong khi quá trình nghiên cứu và phát triển thuốc mới giống như một vòng khép kín, có thể bị lật đổ và khởi động lại.

Việc triển khai dược phẩm AI trên thực tế có thể cần ngừng cố gắng tạo ra những bước đột phá tại một điểm duy nhất, thay vào đó hãy tích hợp vào tư duy khép kín về nghiên cứu và phát triển thuốc mới.

Trở về quy tắc thực sự của việc làm thuốc

Một nhà đầu tư nói với Arterial.com: “Ngày càng có nhiều công ty dược phẩm xây dựng các phòng thí nghiệm tự động, việc giới thiệu công nghệ AI trong khám phá thuốc, tổng hợp hóa học và các liên kết khác gần như đã trở thành một cấu hình tiêu chuẩn cho các công ty dược phẩm sáng tạo”. rằng nếu chức năng của phòng thí nghiệm thông minh tự động hóa nhằm nâng cao hiệu quả nghiên cứu và phát triển thuốc mới được xác minh, nó sẽ kích hoạt một làn sóng xây dựng cơ sở hạ tầng mới cho các công ty dược phẩm lớn.

Arterial.com đã phân loại dữ liệu công khai và thấy rằng trong hai năm qua, các công ty dược phẩm AI đã đầu tư vào việc xây dựng các phòng thí nghiệm tự động, môi trường phòng thí nghiệm và các công ty dược phẩm đa quốc gia như Pfizer, AstraZeneca, Eli Lilly cũng đã trả tiền cho phòng thí nghiệm tự động nghiên cứu và phát triển thuốc dựa trên công nghệ AI.

Ví dụ, tại AstraZeneca iLab ở Gothenburg, Thụy Điển, AstraZeneca đang khám phá việc xây dựng một phòng thí nghiệm hóa dược hoàn toàn tự động, tích hợp liền mạch thiết kế, sản xuất, thử nghiệm và phân tích vòng kín (DMTA) của quá trình phát triển thuốc mới với nền tảng công nghệ của Molecular AI, một doanh nghiệp nghiên cứu và phát triển thuốc AI mới. . Trong số đó, công nghệ AI chủ yếu hoàn thành các liên kết thiết kế và phân tích trong vòng khép kín DMTA, sử dụng AI và máy học để giúp các nhà hóa học đưa ra quyết định tốt hơn nhanh hơn, nhận ra sự tương tác hiệu quả giữa các nhà hóa học và máy tính, từ đó đẩy nhanh quá trình khám phá không gian hóa học và thiết kế của các phân tử thuốc mới tiềm năng.

Một ví dụ khác, Pfizer đã hợp tác với Jingtai Technology để đẩy nhanh quá trình phát triển các loại thuốc mới bằng phương pháp "Dự đoán AI + xác minh thử nghiệm", sau đó đã thành lập một phòng thí nghiệm tự động ở Thượng Hải.

"Phát triển thuốc là một quá trình tối ưu hóa đồng thời đa chiều", một số học viên nói với Arterial Network. Quy mô dữ liệu của nghiên cứu và phát triển thuốc mới là rất lớn, loại hình và cấu trúc khá phức tạp. có thể hoàn thành thiết kế hiệu quả hơn. , đã được kiểm chứng huyễn hoặc.

Một mặt, các công ty dược phẩm đã hình thành một phương pháp quản lý dữ liệu có hệ thống hơn. Nghiên cứu và phát triển thuốc truyền thống dựa trên khoa học thực nghiệm. Trong quá khứ nghiên cứu và phát triển các loại thuốc mới, việc ghi chép, quản lý và lưu trữ dữ liệu đều tập trung vào các thí nghiệm, cần được điều chỉnh linh hoạt theo nhu cầu thí nghiệm. Nói cách khác, dữ liệu chỉ là sản phẩm phụ của thử nghiệm. Vì AI là một phương pháp thuộc danh mục khoa học ảo, khoa học máy tính và khoa học dữ liệu nên tầm quan trọng của dữ liệu là hiển nhiên. Điều này đòi hỏi các công ty dược phẩm phải quy định chặt chẽ về định dạng, tiêu chuẩn, chất lượng và số lượng dữ liệu trong quá trình nghiên cứu và phát triển thuốc.

Mặt khác, mô hình thuật toán của các công ty dược phẩm AI cũng có thể được tối ưu hóa theo cách nhắm mục tiêu, thay vì được gọi đơn giản. AI được tích hợp sâu với hoạt động kinh doanh cốt lõi của ngành dược phẩm truyền thống, nhấn mạnh sự hiểu biết sâu sắc về ngành và độ chính xác kỹ thuật cao hơn. Ngoài việc khai thác kiến thức mới từ một số lượng lớn các bài báo và dữ liệu thử nghiệm hiện có, cũng cần có khả năng khám phá và tinh chỉnh đầy đủ dữ liệu thử nghiệm theo thời gian thực, đồng thời tối ưu hóa các mô hình và thuật toán lặp dựa trên phản hồi dữ liệu.

“Bên cạnh các mô hình thuật toán và dữ liệu, dược phẩm AI ngày càng quan tâm đến các vấn đề sinh học.” Một học viên khác chỉ ra. Đúng là hoàn toàn dựa vào thí nghiệm bản thân chỉ có thể xác minh giả thuyết đã hình thành, nhưng thứ mà dược phẩm AI đang phải đối mặt là một hệ thống phức tạp hơn và nhiều vấn đề vẫn chưa được biết. Trong những năm gần đây, các phương pháp phát hiện thuốc dựa trên kiểu hình đã bắt đầu thu hút sự chú ý, đó là việc sử dụng trực tiếp các hệ thống sinh học để sàng lọc thuốc mới.

Các vấn đề của khoa học đời sống phức tạp biết bao! Logic cơ bản của việc trở thành một phân tử được cấp bằng sáng chế là sự hiểu biết về các cơ chế sinh học có thể giải quyết vấn đề cuối cùng của dược phẩm AI. Những thay đổi mới trong ngành có thể thể hiện sự thay đổi tích cực trong phương thức vận hành của dược phẩm AI, từ sự phát triển độc lập tương đối rời rạc dựa trên dữ liệu phòng thí nghiệm của công ty dược phẩm, dữ liệu lâm sàng và mô hình sinh học lý tưởng, quay ngược dòng ngược dòng và sử dụng các phương pháp toán học. Hãy thử giải cấu trúc cơ chế bệnh từ góc độ sinh học, và bắt đầu tìm ra thuốc với mục đích cuối cùng.

Và quá trình này chắc chắn sẽ liên quan đến việc phân tích và tính toán dữ liệu lớn hơn, đây cũng là một lý do quan trọng khiến các công ty có sức mạnh tính toán như Nvidia tham gia sâu vào nó. "Các mô hình chiều thấp không thể được sử dụng để giải thích các vấn đề chiều cao. Chỉ bằng cách thiết lập các công cụ để hiểu các hệ thống cực kỳ phức tạp, các vấn đề phức tạp trong khoa học sự sống mới có thể được trả lời." Tiến sĩ Zhao Yu, phó giám đốc Phòng thí nghiệm Turing Darwin và đồng sáng lập của Công nghệ Zheyuan cho biết.

Đối với dược phẩm AI, chế độ hoạt động đột phá một điểm đã bị làm sai lệch theo một nghĩa nào đó, nhưng đường cong tăng trưởng của ngành luôn hướng lên.