这集讲什么
AlphaFold 让蛋白质结构预测取得重大突破，但要理解蛋白质在真实生物环境中的运动、功能与药物作用，仍须重新设计数据、模型和验证方式。
1-3要点
- 先定义科学任务，再讨论规模：模型与数据各有瓶颈，追加算力无法凭空创造未被观测的信息。
- AlphaFold 的成功有明确边界：预测已知类型的实验结构，不等于完整描述蛋白质的构象分布、动态和功能。
- 好数据重在信息与覆盖：噪声样本可能有价值，整齐却重复的数据也可能收益有限。
0:00 / --:--
Latent Space · 10 月 9 日
Pushmeet Kohli 和 Sal Candido 指出，AlphaFold 成功预测了与实验结构相符的构象，但理解蛋白质的动态、功能与药物作用仍需重新设计数据采集、模型架构和验证方式。
AlphaFold 让蛋白质结构预测取得重大突破，但要理解蛋白质在真实生物环境中的运动、功能与药物作用，仍须重新设计数据、模型和验证方式。
这集还没有学习卡。生成后会保存在这一集，下次直接打开。
Latent Space· 2026-10-14以计算速度运行的闭环实验室——Leash Bio 的 Ian QuigleyLab-in-the-Loop at Compute Speed — Ian Quigley, Leash Bio同主题：AI 科学研究Latent Space· 2026-07-21🔬因果模型需要因果数据——Xaira 用于药物发现的 X-Cell 模型（首席发现官 Bo Wang 与首席 AI 科学家 Ci Chu）🔬Causal Models Need Causal Data - Xaira’s X-Cell model for Drug Discovery (Bo Wang & Ci Chu, Chief Discovery Officer & Chief AI Scientist)同主题：AI 科学研究
The Cognitive RevolutionLatent Space
Why AlphaFold Didn't Solve Protein Folding — Pushmeet Kohli, Google DeepMind & Sal Candido, Biohub
YouTube
音频
机器学习的“苦涩教训”通常被概括为：能够随算力扩展的方法，长期往往胜出。本场对谈把问题转向生物学：如果训练数据没有包含目标现象的信息，增加算力究竟能带来什么？讨论以 AlphaFold 为核心案例，延伸至细胞模型、蛋白质设计、冷冻电镜、模型可信度，以及 AI 对药物研发的实际影响。
本集最重要的转向，是把“模型还能做多大”改写为“我们到底想预测什么，又能观察到什么”。Candido 指出，规模规律并非任何数据集天然具备的属性：宏基因组序列即使混杂、不完整，也可能给蛋白质语言模型带来有效信息；反过来，持续生产容易获取却重复的样本，未必能提高模型能力。Kohli 则以 AlphaFold 说明资源约束如何决定技术路线：当时难以大幅扩充耗费全球科研力量建立的蛋白质结构数据库，团队便集中改进建模；面对“虚拟细胞”，现有细胞数据却不足以支撑同样的雄心。
因此，“AlphaFold 解决了折叠”只能在明确任务边界后成立。它成功预测与已收录实验结构相符的构象，却不等于掌握蛋白质在不同环境中的构象分布、动态和功能。两位嘉宾没有据此否定专门架构：科学知识可以提高小数据条件下的效率，只是先验若有偏差，也可能在数据变多后成为限制。讨论最后落到使用层面——模型不一定要向人类完整解释每一步推理，但必须能说明何时可靠、何时可能误导实验。至于 AI 何时改变临床，嘉宾拒绝给出单一倒计时：工具已进入药物发现流程，真正的数量级提速仍取决于基础生物学难题能否被突破。
💬 他们说了什么：主持人以建模者如何思考数据开场：AI 的“苦涩教训”认为可扩展的方法终将胜出，那么生物数据是否也有相应教训？这个问题为后续 AlphaFold 讨论设定了尺度与数据的框架。
💡 为什么重要：蛋白质研究不能仅凭模型规模判断进步。先问任务需要哪些观测，才能区分“模型尚不够强”与“数据根本没有记录目标现象”。
⚡ 争议点：“能够扩展”是有用的研究方向，却不是结果保证；若目标是蛋白质动态，仅扩大静态结构训练集，可能无法填上关键缺口。
💬 Candido 认为，规模规律不是处处存在、随时可用；研究者首先要找到增加数据或算力确实改善结果的条件。只有形成这种关系，扩大训练才更像可持续推进的工程问题。
💡 这把“找规律”放在“按规律投资”之前。对生物学而言，数据中的信息结构是否对应目标能力，比样本总量本身更重要。
⚡ 发现某个指标随规模改善，不代表下游医学目标也按同样规律改善。评估指标选错，可能制造出看似漂亮却不解决问题的规模曲线。
💬 Candido 举例说，蛋白质语言模型使用的宏基因组序列并非全是完整、高质量的真实蛋白质记录，却仍改善了模型对真实蛋白质的设计与理解能力。他同时警告：不能因此只扩充最容易生成的数据；建模者与实验数据生产者须共同决定下一批真正需要的信息。
💡 “有噪声”不等于“无价值”，“易获得”也不等于“有用”。数据策略应同时检验新增样本的信息增量，以及它能否补足目标任务的覆盖范围。
⚡ 开放协作可以减少建模端与实验端各自优化便利条件的倾向，但如何衡量一批新数据的独特信息价值，仍是难题。
💬 Kohli 对“苦涩教训”的解读并非一味选择模型或数据，而是反对先认定自己只能做其中一项。他认为，拿到固定训练集和测试集后只优化模型，是以工具代替问题；应先确认科学目标，再决定投入建模、算力、数据采集还是领域专长。
💡 资源有限时，技术路线必须由瓶颈决定。团队需要有能力快速试错，并判断当前限制是可通过算法跨越，还是必须改变实验与采样方式。
⚡ “问题优先”容易成为人人赞同的口号；真正困难的是建立可操作的诊断，证明追加某一类资源比其他选择更有效。
💬 Kohli 回顾 AlphaFold：团队当时无法凭自身资源与专长把蛋白质结构数据库 PDB 大幅扩充，于是着重从既有数据中取得更多建模收益。相较之下，探索细胞基因组学的“虚拟细胞”目标时，现有按细胞与基因组织的数据还不足以支撑宏大目标。
💡 这两个案例给出相反却一致的决策原则：数据难以扩充时优化模型；数据不足以表达目标时，不能假装更强模型能自动补齐观测。
⚡ “虚拟细胞”涵盖的预测范围很宽。若不先限定细胞类型、扰动与评价任务，很难断言需要多少、哪一种数据才算“足够”。
💬 Kohli 说，AlphaFold 2 的设计并非任意“手工技巧”：氨基酸残基相互影响等生物物理、化学知识，被纳入模型以提高数据效率。他也强调，重复堆积相似样本无济于事，整理出覆盖关键情形的好数据本身是一门技术。
💡 在样本稀缺时，可靠的科学先验可以减少模型必须从头学习的内容。预算分配因此不是“人才、数据、算力”三选一，而是寻找三者的有效组合。
⚡ 先验若与真实机制不符，便可能限制泛化。应持续测试架构优势是来自有效知识，还是仅来自对现有基准的贴合。
💬 Candido 认为，小数据时更强的归纳偏置通常有帮助；随着数据增加，模型也可能发现人未预见的规律，错误先验反而成为阻碍。扩展规模本身同样需要算法与工程设计；他提到为具体任务调整、发展 Transformer 之外的架构，但明确不认为已经进入“后 Transformer 时代”。随后话题转向结构预测之外尚待解决的功能、动态与设计。
💡 架构选择不是一次性的阵营表态。数据规模、推理成本和任务目标变化时，“最合适的模型”也会变化。
⚡ 新架构在特定任务上获益，不等于能够普遍替代 Transformer；比较时须同时计算数据需求、训练成本和下游效果。
💬 Kohli 先界定 AlphaFold 的成果：它学习预测与 PDB 中实验收录结构相符的结果，这十分有用，却不是蛋白质真实构象分布及全部动态的答案。他希望模型未来能直接处理冷冻电镜原始显微图像，提取现有结构表示可能遗漏的信息；他尝试过这一方向，也坦承仍需更多工作。Candido 则用“只建模自行车的一根辐条”比喻当前模型与完整生物系统的距离。
💡 蛋白质可能无序，并随环境改变形状。若研究问题涉及作用机制或药物设计，单一结构预测只是更大系统中的一部分。
⚡ 原始图像是否足以恢复所需的动态信息，以及模型能否在该数据层级扩展，是研究设想而非本集已验证的突破。
💬 主持人借“不能创造就不算理解”的费曼命题，追问黑箱设计成功是否足够。Candido 回答，AI 之前人们也借助不完全理解的工具进行设计；实用结果固然重要，但模型内部或许还储存着可供科学家提取的知识。他称蛋白质语言模型的表示中能找到结构之外与功能、运动有关的信息。
💡 模型可以兼具产出工具与研究对象两种身份。除了检验生成蛋白质是否有效，还可以研究其表示如何组织生物信息，形成新的可检验假设。
⚡ 从表示中读出某种信息，不等于模型掌握了完整因果机制；可解码的相关性仍须接受实验检验。
💬 Kohli 举例说，AlphaFold 2 当时在相关评估集上的 GDT 约为 90；即使达到 95，若 pLDDT 置信度完全没有校准，研究者仍可能把错误预测当作确定答案，耗费接下来一年的实验工作。他区分了两种理解：知道模型在什么情况下可靠，与解释它为何给出某个答案。
💡 对实际使用者，可信度不仅是平均准确率，还包括错误能否被识别、置信度能否指导实验资源的投入。
⚡ 模型曾被发现可用于识别蛋白质无序区域，说明它具备超出最初预期的用途；但新用途仍需要独立、针对性的行为评估。
💬 Kohli 提出，“可解释”必须追问“对谁可解释”。未来更强的模型或许能读取 AlphaFold 的激活信息，预测其行为并建立人类难以直接形成的解释；但使用者眼下更需要清楚掌握模型的能力、限制与失效情形。谈及临床时间表时，他拒绝给出单一日期：AI 已参与药物发现，10 倍或 100 倍的流程加速则是另一回事。
💡 机制解释、行为刻画与临床成效是不同层次的目标。把它们混为一谈，会让“AI 已进入医学”或“AI 尚未产生影响”都显得比事实更绝对。
⚡ 由另一个 AI 提供的解释，仍须验证其是否忠实反映被解释模型，而不只是一个听起来合理的事后故事。
💬 Candido 在收尾处说，追求 10% 改善与寻找 10 倍方案都有价值；后者迫使团队回到第一性原理，考虑此前未探索的路径。他把这种思路联系到 Biohub“治愈所有疾病”的宏大使命，同时没有声称已找到实现路径。
💡 远大目标的作用，是改变提问方式和研究组合，而不是替代可测量的阶段成果。渐进改良与基础突破需要并行。
⚡ “治愈所有疾病”是机构使命，不是技术预测；它最终能否带来数量级的健康收益，仍取决于具体疾病、研究成果及后续验证。
“The problem comes first.” “问题应当放在第一位。”——Pushmeet Kohli
“It’s not just about big data, it’s about good data.” “问题不只是大数据，而是好数据。”——Pushmeet Kohli
“Proteins are not blocks and they don’t act as blocks.” “蛋白质不是积木，也不会像积木那样运作。”——Pushmeet Kohli
“It’s more information than data.” “我们要找的与其说是下一批数据，不如说是下一批信息。”——Sal Candido
结构预测的输出通常是可供使用的结构表示，而生物实验中的蛋白质还受到环境、相互作用及状态变化影响。因此，判断一个模型是否“解决问题”，必须先说明预测对象、适用条件和评价标准。
本集还提示一种研究流程：先列出目标能力，再盘点现有数据实际记录了哪些现象；随后分别测试新增数据、科学先验和算力能否改变结果。若模型将用于决定昂贵实验，置信度校准与失效案例的整理应成为产品能力，而非发表结果后的附注。
latent.space_vtt
