三句话速览
- 01
这场约 32 分钟的科学 AI 对谈追问：什么数据、模型结构和领域知识，才能让扩展真正产生科学收益？
- 02
Kohli 把 AlphaFold 的成功界定为对已有实验结构的有效预测，而不是对蛋白质全部动态、功能和生物学情境的完整理解；Candido 则要求把单个部件的模型推进到系统层面的模型。
- 03
对 AI 建设者最有迁移价值的结论是：先定义真实问题，再证明数据有信息、模型有边界、置信度可用，最后讨论规模与产出。
本期不是否定 AlphaFold，而是反对把一个可验证的子任务突破升级为整个科学领域已经结束。科学 AI 的下一步要同时优化数据覆盖、领域结构、可靠性校准和系统情境；对临床与药物研发的加速承诺，也必须具体到哪个环节、什么结果和怎样验证。以下英文观点均为忠实非逐字重述，中文是对应同句直译。
10 条核心观点
01扩展规律需要被找到，不能预先假定它存在
A useful scaling law must be discovered in data that contains the information needed for the target problem.
一条有用的扩展规律，必须在包含目标问题所需信息的数据中被发现。
- scaling law：扩展规律，指增加数据或算力时效果如何变化。
- discovered：被发现，强调要以实验确认，而非先验保证。
- target problem：目标问题，实际希望模型解决的任务。
原文语境
01:00—02:09，Candido 纠正常见误解：不是任何场景都天然存在 scaling law。团队先寻找投入更多数据和算力确实带来更好结果的条件；如果数据没有所需信息和统计结构，模型就无法凭规模获得想要的能力。
观点解读
这把“先扩容再解释”改成“先做小规模曲线实验”。业务团队应测试不同数据量对目标指标的影响，同时排除重复样本和泄漏；若曲线停滞，优先查信息缺失，而不是自动把预算加到模型或服务器上。
02容易采集的数据，不一定对应最重要的问题
Model builders and experimentalists need to choose data together rather than optimize only for what is already available or easy to generate.
模型构建者和实验人员需要共同选择数据，而不是只针对已经可用或容易生成的数据进行优化。
- experimentalists：实验人员，实际设计和执行科学实验的人。
- optimize：优化，这里指选择工作方向以获得更好结果。
- generate：生成，这里是产生新的测量或实验数据。
原文语境
02:32—04:50，Candido 承认模型研究者容易沿已有数据走，数据生产者又容易沿能生产的数据走。他以质量并非完美的宏基因组序列改善蛋白模型为正面例子，但强调不能因此得出“扩展任何便宜数据都好”的结论；Biohub 的开放协作应反过来问需要什么数据。
观点解读
有价值的数据不是简单等于干净数据，也不是简单等于大量数据。迁移到产品建设，可以让研究、运营和工程一起定义缺口：哪些失败场景没有被记录，哪些用户问题没有进入训练或评测集，哪些新增数据会真正改变决策。
03问题优先于“我是做模型的”这种专业身份
The scientific problem should determine whether the next investment goes into modeling, data collection, or domain expertise.
科学问题应当决定下一笔投入是用于建模、数据采集，还是领域专业知识。
- determine：决定，是资源选择的依据而非保证结果。
- data collection：数据采集，补充实际观测。
- domain expertise：领域专业知识，例如生物物理和实验经验。
原文语境
04:54—09:52，Kohli 将 bitter lesson 理解为不要宗教式坚持某一种解决方法。AlphaFold 团队受限于专业能力和资源，无法让 PDB 数据规模增加一个数量级，因此主要改善建模；而探索虚拟细胞时，cell-by-gene 数据又不足以承载目标。
观点解读
同一家机构在不同问题上可以采取相反投入策略，这正说明没有通用配方。对工作流设计，先写清目标、已有证据和硬约束，再决定加模型、补数据还是找专家；“所有问题都用代理解决”与“所有问题都先建数据库”同样可能走偏。
04科学先验能提高数据效率，但也可能成为上限
Scientific inductive bias can improve data efficiency, but an incorrect bias may become restrictive as the dataset grows.
科学归纳偏置能够提高数据效率，但当数据集增长时，不正确的偏置可能变得具有限制性。
- inductive bias：归纳偏置，模型预先嵌入的结构性假设。
- data efficiency：数据效率，用较少样本获得有效能力。
- restrictive：具有限制性的，可能阻止发现假设之外的规律。
原文语境
10:48—14:36，Kohli 解释 AlphaFold 的结构设计受生物物理直觉启发，例如氨基酸残基相互影响，模型无需从零重学。Candido 同意小数据时先验很重要，又指出数据增加后模型可能发现人类没想到的关系，错误先验便可能阻碍进步。
观点解读
两人的分歧不是“手工设计对规模”，而是先验应随证据接受检验。企业系统里的固定规则、字段分类和流程模板也属于先验：早期帮助稳定运行，后期则要测试是否把新用户、新任务和真实异常挡在门外。
05预测实验结构，不等于解决所有蛋白质生物学
Reproducing a deposited protein structure does not amount to understanding every conformation, dynamic behavior, or biological function of that protein.
复现一个已存档的蛋白质结构，并不等于理解该蛋白质的每一种构象、动态行为或生物学功能。
- deposited：已存档的，指实验结构被提交到数据库。
- conformation：构象，分子在一定条件下的空间形态。
- amount to：等同于，这里用于否定两种成果之间的等价关系。
原文语境
14:36—17:39，主持人对比新闻中的“折叠问题解决了”和科学家仍关注的功能、动态、设计。Kohli 说明其实际目标是复现研究者取得并存入 PDB 的结构，并非已经知道真实基态及所有结构分布；蛋白也不是不变的积木。
观点解读
评测对象与使用对象要分清：在数据库标签上预测得好，不会自动证明在所有环境、相互作用和下游目的上可靠。标题里的“没解决”应理解为边界澄清，而非推翻成果，更不能据此推断某个药物已经有效或无效。
06原始测量可能保留被最终标签丢掉的信息
Raw cryo-EM micrographs may preserve distributional information that is lost when observations are reduced to a single structure.
当观测被简化为单一结构时，原始冷冻电镜显微图可能保留那些被丢失的分布信息。
- cryo-EM micrographs：冷冻电镜显微图，实验观测的图像资料。
- distributional information：分布信息，涉及不同状态而非一个代表值。
- reduced to：被简化为，指处理中压缩了信息。
原文语境
17:54—19:07，具有计算机视觉背景的 Kohli 提到自己想直接处理 cryo-EM micrographs，而不只使用最终 PDB 结构，希望抽取动态与分布。他明确说尝试过，但还需要更多工作；这是潜在路线，不是已完成的方法展示。
观点解读
保留原始数据有时能为未来任务留空间，但也增加噪声、储存和处理成本。迁移到信息系统，应至少记录原始事件和派生标签的血缘，避免只留最终摘要；本期并未证明任何原始数据都优于经过整理的结果。
07从部件模型走向系统模型，才接近用户要解的问题
Better models of isolated biological parts still need to be placed in their broader biological context.
对孤立生物部件的更好模型，仍然需要被放到更广泛的生物学情境中。
- isolated：孤立的，指脱离其他相互作用条件。
- broader：更广泛的，扩大考虑的系统范围。
- biological context：生物学情境，例如细胞环境与相互作用。
原文语境
19:09—20:43，Candido 用自行车作比：目前模型像研究车辐，要逐步到轮子再到整辆车；有时用户还想用自行车模型设计皮卡零件，任务跨越更大。他认为已有蛋白模型很有用，但并非人们最终要解决的问题。
观点解读
在产品里，准确的摘要、检索或分类器只是部件。结果进入权限、业务规则、真实行动和回执后，才能证明整个流程有效。不要把“模型输出正确”当作“用户任务完成”；也不要因系统还不完整就否认子模块的现实价值。
08模型有用与人类理解模型，是两条相关但不同的路线
Useful protein design does not remove the value of extracting scientific knowledge from a model's internal representations.
有用的蛋白质设计，并不会消除从模型内部表征中提取科学知识的价值。
- extracting：提取，从已有模型中获取可解释信息。
- scientific knowledge：科学知识，可被理解、检验和复用的认识。
- internal representations：内部表征，模型编码输入信息的方式。
原文语境
20:43—23:48，主持人提出黑箱设计是否足够。Candido 表示黑箱在 AI 之前就能帮助设计，但理解仍然重要；其团队研究可解释性，在蛋白语言模型表征里不仅看到结构，也看到功能和运动信息，还有许多内容未被解锁。
观点解读
能生成可用候选物与能解释为什么有效，不应二选一。自动化业务同样需要两套产物：完成任务的结果，以及能支持复盘的证据和机制说明。这里是嘉宾的研究观察，不等于所有蛋白语言模型都已具备可靠的功能预测能力。
09可信使用首先需要行为边界与不确定性校准
A model can be useful without complete mechanistic interpretability, but users still need calibrated confidence and a clear account of its limitations.
一个模型可以在没有完整机制可解释性的情况下有用，但用户仍然需要经过校准的置信度，以及对其局限的清晰说明。
- mechanistic interpretability：机制可解释性，理解内部计算如何产生答案。
- calibrated confidence：经过校准的置信度，信心程度应与实际正确率相称。
- limitations：局限，模型不能可靠做到的范围。
原文语境
23:53—27:43，Kohli 区分理解内部机制和理解模型行为。即使结构得分很高，如果 pLDDT 完全失准，研究者可能信错结果、白费一年。他以 AlphaFold 2 当时约 90 的 GDT 得分说明预测质量，并强调强弱项、泛化和可靠性仍必须表征。
观点解读
“不必解释每一个神经元”不是“可以不审计”。面向用户至少要回答在哪些分布和条件下有效、失败如何暴露、置信度代表什么、何时转给专家。GDT 与 pLDDT 是不同性质的指标，不能把两个数值简单当成同一种百分比。
10谈药物研发加速，要先说加速哪个环节
Claims of tenfold acceleration in drug discovery require a specific process and outcome, not merely the presence of AI in the workflow.
关于药物发现加速十倍的说法，需要指明具体流程和结果，而不只是工作流中存在 AI。
- tenfold：十倍，数量级目标而非已达成成绩。
- drug discovery：药物发现，包括多个不同研发环节。
- merely：仅仅，强调使用工具不足以证明结果改善。
原文语境
28:08—31:46，Kohli 认为“AI 何时进入临床”的问法不明确，因为 AI 已用于药物发现各环节；真正要问的是靶点、先导化合物优化、临床前研究或毒理哪部分获得十倍、百倍加速。Candido 也不预测完全由 AI 产生药物的日期，而赞成同时探索 10% 改良和 10 倍路线。
观点解读
部署率与产出价值不能混为一谈。企业可以把“用了多少 AI”换为某一环节的周期、成本、失败率和实际影响，并固定比较口径。这里讨论的是研究战略，没有给出获批药物时间表，更不是医疗建议或疗效承诺。
深度分析
规模为何必须接到信息闭环
数据、架构和领域知识不是可互换的预算桶。目标所需信息缺失时，扩大现有样本只是重复盲区；反过来，稍显杂乱的数据也可能补充原先没有的覆盖。Candido 的宏基因组例子与 Kohli 的细胞数据限制，共同支持先看信息、再看规模。
本刊建议把这条链迁移为：目标问题 → 缺失信息 → 可获得观测 → 规模实验 → 外部验证。它比先挑最强模型更慢一步，却能避免把整套系统建在一个无法验证的假设上。
一次突破与一个领域的完成之间
AlphaFold 对特定目标做出了极重要的贡献，因而值得庆祝。问题出在传播叙事把一个清晰子任务映射为整个蛋白科学被解决，从而可能影响后续研究资源。Kohli 在访谈中主动把目标退回存档实验结构，体现的是科学边界，而非自我否定。
对信息自动化，这同样解释为什么采集成功、摘要完成、数据库写入和网站发布必须分开验证。每步有价值，但只有全部接通，用户请求才真正完成；一张成功截图不能替代完整的运行证据。
理解的最低要求不是零
Kohli 和 Candido 的侧重点不同，但共同拒绝盲用黑箱。机制解释可能尚不足，行为层面的校准、泛化和失败表征却应先到位。一个看似高质量却自信失准的模型，会把用户投入引向最昂贵的错误。
因此建设者至少应公开能力边界、验证方法和不确定项，再逐步加强内部解释。这个治理思路适用于普通业务系统；临床应用则还需要相应专业和监管验证，本报告不替代它们。
值得回听的时间点
数据的扩展规律
确认数据中是否存在目标任务需要的信息。
问题优先与跨学科约束
比较 AlphaFold 和虚拟细胞为何采用不同投入路径。
先验、数据效率和架构
理解手工设计与扩展并非对立。
蛋白质预测的边界
最值得回听的标题澄清：存档结构不等于所有动态。
校准与可解释性
把内部理解和可信行为拆开。
临床与数量级加速
避免把已用 AI 等同于已证明十倍提速。
人物、工具与数字
立场与分歧
共同立场
- 目标问题应支配数据与模型选择；扩展需要工程和科学知识。
- AlphaFold 重要且有用，但仍应支持结构、动态和更大系统的研究。
主要分歧
- Candido 更强调从模型表征中释放潜在知识；Kohli 强调先确保用户理解行为与不确定性，不要求完整内部机制解释。
- 主持人倾向索要临床时间预测，两位嘉宾都把问题改成具体环节和实际结果。
工作启发与行动
- 信息产品应保存来源血缘和失败信息，而不仅保存最终摘要。
- 代理流程应明确模块指标与端到端任务指标，不能以单模块成功代替最终完成。
- 领域先验应被版本化、可测试，而非永久写死在技能或提示词里。
- 高风险模型要报告适用条件和不确定性；漂亮的输出不是可靠性的证明。
可以从这里开始
- 为当前 AI 项目写一页问题卡：用户目标、可观测结果、数据缺口和资源约束。
- 用小规模数据量与模型大小实验，先验证投入与目标效果之间的曲线。
- 保留原始事件标识、处理版本和派生结果，让错误能反查到来源。
- 把验证集按环境和失败类型切片，检查置信度是否与实际成功率一致。
- 为每个“加速”目标列出原流程、测量区间、质量条件和最终结果，避免只统计工具使用量。
事实、观点与不确定项
本期基于完整节目内容整理。节目中的二手引用、嘉宾自述和编辑推断分别标注，不将其等同于独立事实调查。
已核对的来源与节目内容
- 本期是 Brandon Anderson 主持、Kohli 与 Candido 参加的完整对谈，官方稿覆盖到 31:46 收尾。
- 两位嘉宾都明确区分结构预测、动态、功能与设计问题；这可在本期全文回溯。
- 本期没有展示新药获批、临床试验结果或虚拟细胞完成的验证数据。
观点与判断
- Kohli 认为问题优先于方法身份，行为表征和不确定性校准是可信使用的必要条件。
- Candido 认为数量级目标有助于发现不同路径，并期望生物模型走向系统情境。
仍需留意
- 冷冻电镜原始图像建模是潜在方向，嘉宾明确说仍需工作。
- 模型先验在哪个数据规模开始妨碍效果，取决于任务，未给出统一阈值。
- 临床提速时间、完全 AI 药物日期和治愈所有疾病均未被验证，不应当作承诺。
金句与关键词
The problem comes first“问题要放在第一位。”来自 Kohli 在 04:54 段落的原句短摘；它概括方法选择原则，而不是反对建模或数据扩展。
回到原始内容
本期根据完整节目整理，英文观点句为非逐字忠实转述，中文按对应句子直译。来源方法与未确认事项见上文。了解编辑说明
处理方式：完整读取发行方提供的官方全文，完整下载规范RSS音频核对节目身份与时长。另以独立MLX Whisper medium对开头、两处中段及结尾四处物理音频片段逐段比对，属于自动转写文本核对，不宣称人工逐秒听完整期。英文观点为忠实非逐字重述，中文直接翻译同句，三条难词来自同句。短引语已按官方来源单独核对。
报告生成时间：2026/10/12 10:42:23（北京时间）
收录于 2026-10-12