Aftercasting — More signal, less time

这集讲什么

在这期播客中，Evan Feinberg 和 Sergey Edunov 讨论了在药物发现领域中，扩散模型如何成为比大型语言模型（LLMs）更具创新性的研究方向。

值得看吗？

值得快速扫一遍：有时间戳议程与分节详解，可按兴趣跳听。

1-3要点

扩散模型在药物发现中的应用潜力巨大，尤其是在三维结构预测方面。
传统机器学习策略在蛋白质小分子相互作用中的效果有限。
Genesis 的技术突破展示了 AI 在药物发现中的潜力，可能会加速新药的开发。

播出信息

日期：2026年7月1日
嘉宾：Evan Feinberg（Genesis Molecular AI 创始人兼 CEO），Sergey Edunov（Genesis CTO）
场合：Latent Space AI for Science 播客

背景

在过去的几年中，生成对抗网络（GANs）曾被认为是图像生成的未来。然而，它们在蛋白质或蛋白质配体系统中并不奏效。随着扩散模型的出现，研究人员发现其在三维结构预测中的应用潜力巨大，尤其是在药物发现领域。Genesis Molecular AI 是一家专注于利用人工智能进行药物发现的公司，其创始人和技术负责人在本集中分享了他们的见解和经验。

节目结构 / 议程

引言与嘉宾介绍 — 00:00 🎧 · ▶️
扩散模型在药物发现中的应用 — 01:28 🎧 · ▶️
机器学习在分子建模中的挑战 — 03:57 🎧 · ▶️
Genesis 的技术突破 — 06:30 🎧 · ▶️
Pearl 模型的创新点 — 13:04 🎧 · ▶️
药物发现的未来展望 — 22:39 🎧 · ▶️
扩散模型的实际应用案例 — 31:54 🎧 · ▶️
未来的挑战与机遇 — 41:20 🎧 · ▶️
结语与未来的合作机会 — 48:13 🎧 · ▶️
观众提问与互动 — 59:28 🎧 · ▶️
结束语 — 1:48:28 🎧 · ▶️

分节详解

1) 引言与嘉宾介绍

💬 他们说了什么： 主持人 RJ Hanicki 和 Brandon Anderson 介绍了嘉宾 Evan Feinberg 和 Sergey Edunov。Evan 是 Genesis Molecular AI 的创始人兼 CEO，而 Sergey 曾在 Meta 领导 Lama 2 和 Lama 3 的预训练工作。两位嘉宾都拥有物理学背景，并在人工智能领域有丰富的经验。— 00:00 🎧 · ▶️

💡 为什么重要： 了解嘉宾的背景有助于理解他们在药物发现领域的观点和贡献。两位嘉宾的物理学背景和在 AI 领域的经验为他们在 Genesis 的工作奠定了基础。

⚡ 争议点： 无明显争议。

2) 扩散模型在药物发现中的应用

💬 Sergey 提到他在职业生涯中多次转型，最终回归物理学，并加入 Genesis。Evan 解释了扩散模型在三维结构预测中的重要性，并指出这在几年前是不可预见的。— 01:28 🎧 · ▶️

💡 扩散模型的应用展示了 AI 在药物发现中的潜力，尤其是在三维结构预测方面，这为新药的开发提供了新的可能性。

⚡ 扩散模型是否真的优于其他模型，如 GANs，仍需进一步验证。

3) 机器学习在分子建模中的挑战

💬 Evan 讨论了机器学习在分子建模中的挑战，特别是在蛋白质与小分子相互作用方面。他指出，传统的机器学习策略在这一领域的效果有限。— 03:57 🎧 · ▶️

💡 了解这些挑战有助于识别当前技术的局限性，并推动新方法的开发。

⚡ 传统机器学习策略在药物发现中的作用是否被低估。

4) Genesis 的技术突破

💬 Evan 介绍了 Genesis 的技术突破，特别是在蛋白质小分子相互作用预测中的进展。他强调了公司在 AI 药物发现领域的独特价值。— 06:30 🎧 · ▶️

💡 这些技术突破展示了 AI 在药物发现中的潜力，可能会加速新药的开发。

⚡ 这些突破是否足以改变行业现状，仍需观察。

5) Pearl 模型的创新点

💬 Sergey 详细介绍了 Pearl 模型的创新点，特别是在小分子空间中的应用。他解释了模型如何通过物理建模来生成更多训练数据。— 13:04 🎧 · ▶️

💡 Pearl 模型的创新为药物发现提供了新的工具，可能会提高药物开发的效率和准确性。

⚡ 模型的实际效果是否如预期，仍需进一步验证。

6) 药物发现的未来展望

💬 Evan 讨论了药物发现的未来，强调了 AI 在这一领域的潜力。他指出，未来十年将看到技术的指数级进步。— 22:39 🎧 · ▶️

💡 这些展望为行业提供了方向，鼓励更多投资和研究。

⚡ 技术进步的速度和影响是否被高估。

7) 扩散模型的实际应用案例

💬 Sergey 分享了扩散模型在实际药物发现项目中的应用案例，特别是在处理复杂目标时的表现。— 31:54 🎧 · ▶️

💡 实际案例展示了模型的实用性和潜力，为进一步研究提供了基础。

⚡ 案例的普遍性和可复制性仍需验证。

8) 未来的挑战与机遇

💬 Evan 和 Sergey 讨论了未来的挑战与机遇，包括计算资源的限制和行业的变化趋势。— 41:20 🎧 · ▶️

💡 识别挑战和机遇有助于行业更好地应对未来的不确定性。

⚡ 计算资源的限制是否会成为主要瓶颈。

9) 结语与未来的合作机会

💬 嘉宾总结了讨论内容，并展望了未来的合作机会。他们强调了与制药公司合作的重要性。— 48:13 🎧 · ▶️

💡 合作机会的识别有助于推动行业发展，并促进技术的实际应用。

⚡ 合作模式是否能够有效推动技术进步。

10) 观众提问与互动

💬 嘉宾回答了观众的提问，涉及技术细节和行业趋势。他们还讨论了 AI 在药物发现中的角色。— 59:28 🎧 · ▶️

💡 观众的提问提供了不同的视角，有助于深入理解讨论内容。

⚡ 无明显争议。

11) 结束语

💬 主持人和嘉宾总结了讨论内容，并感谢观众的参与。他们鼓励听众关注未来的技术发展。— 1:48:28 🎧 · ▶️

💡 结束语为讨论画上句号，并为未来的讨论奠定基础。