0:00 / --:--
Latent Space · 7 月 1 日
Genesis Molecular AI 的 Evan Feinberg 与 Sergey Edunov 认为，扩散模型、物理先验和合成训练数据正在让蛋白质—小分子结构预测真正进入药物发现循环。
Genesis Molecular AI 创始人兼 CEO Evan Feinberg 与曾领导 Llama 2、Llama 3 预训练的 CTO Sergey Edunov 解释：面向蛋白质—小分子体系的扩散模型、物理先验、合成训练数据与推理时扩展，正在把过去难以泛化的结构预测模型变成可服务真实药物发现的系统，而下一步则是让 LLM 智能体编排这些复杂工具、帮助药物化学家更高效地作出设计决策。
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 药物发现Latent Space· 2026-08-11🔬生物 AI 的阶段性转变——Matthew McPartlon 与 Neil Patil，Chai Discovery🔬The BioAI Phase Shift - Matthew McPartlon & Neil Patil, Chai Discovery同主题：AI 药物发现
No Priors· 2026-10-15与 OpenAI 总裁 Greg Brockman 谈网络安全和药物研发正在改变的底层规律Latent Space
🔬 The Coolest Diffusion Research Isn't in LLMs — Evan Feinberg & Sergey Edunov, Genesis Molecular AI
YouTube
音频
Evan 回顾，2017—2018 年行业曾普遍讨论 GAN 将成为图像生成的未来，但 GAN 并不适合蛋白质或蛋白质—配体体系。这个领域需要等待一种更合适的生成建模“原语”，后来出现的扩散模型被证明更实用。节目由此提出一个核心判断：如果研究者真正关心基础 AI 研究，那么当下部分最具创新性的扩散研究并不只发生在图像、视频或 LLM 周边，而是在三维结构预测领域。
Genesis 的技术背景同时来自机器学习与物理。Evan 在 Stanford 研究图机器学习、分子图以及基于 GPU 的蛋白质模拟；Sergey 则从物理转向机器学习，后来领导 Llama 2 和 Llama 3 预训练，再回到与物理世界密切相关的分子建模。两人的共同问题是：怎样把面向语言模型形成的“预训练扩展—后训练—推理时扩展”路线，转译到药物发现中，同时又尊重三维几何、分子相互作用和物理约束。
节目围绕 Genesis 的 Pearl 展开。Pearl 接收蛋白质序列和配体表示，预测蛋白质与配体结合后的三维复合结构，即所谓 co-folding。Genesis 强调它专注于小分子和中等大小分子，而不是只处理蛋白质—蛋白质相互作用。困难在于，潜在药物样小分子的化学空间可达约 (10^{60})，而公开 Protein Data Bank 只有约 20 万个历史结构；训练数据不足、目标外泛化、诱导契合以及真实药物项目中的复杂评价，因而成为技术主线。
同时需要注意，用户提供的英文转写中明确包含“中段省略”，所以本笔记不会根据时间戳提示臆造缺失段落，只总结实际展示出的陈述。节目中涉及某些合作项目、内部药物项目与 Open Bind 结果时，也没有给出完整数值或实验表格，因此只能保留嘉宾的定性说法。
这期节目的主线不是笼统宣称“AI 将改变制药”，而是把问题收缩到一个长期顽固的技术瓶颈：如何准确预测蛋白质与小分子结合后的三维结构，并让预测真正进入药物设计循环。Genesis 的答案由四层组成。第一层是任务选择：Pearl 不只预测孤立蛋白质，而是联合预测蛋白质与配体的复合结构，力图处理结合时构象变化。第二层是数据策略：公开结构数据库只有约 20 万个结构，远小于互联网文本规模，因此公司利用小分子可被物理方法建模的特点，生成合成预训练数据。第三层是模型策略：以扩散头迭代细化三维结构，并在推理过程中加入基于物理的引导，把 LLM 的“思考 token”类比为结构空间中的推理时计算。第四层是产品策略：模型输出不仅要在基准上得分，还必须能被药物化学家、CAD 科学家和力场等传统工具使用，最终再由 LLM 智能体编排复杂参数与工具。
这套叙事的新信息在于，扩散模型被描述成三维科学建模的核心基础设施，而非图像生成技术的简单迁移；LLM 在系统中也不是直接“发明药物”，而主要负责调用和组织专业模型。嘉宾进一步主张，已知疾病生物学与“靶点是否容易被药物化”是两个正交问题，许多病因明确的靶点仍缺乏选择性治疗，因此药物设计可能是 AI 在医疗中的最高杠杆应用。争议则集中在证据强度：Pearl 在未见 Open Bind 靶点上的优势被反复强调，但转写没有提供具体分数；对临床成功率、物理引导和外推能力的陈述，也需要技术报告、数据切分和独立复现支持。更现实的限制是算力：两位嘉宾都把 GPU，尤其大型 H100 集群，视为当前最希望消除的瓶颈。
💬 他们说了什么： Evan 清楚记得 2017—2018 年讨论 GAN，当时人们认为生成对抗网络显然会成为图像生成的未来，但它们对蛋白质或蛋白质—配体体系并不好用。这个领域不得不等待更合适的基础建模原语，最后出现的是扩散模型。Evan 判断，如今部分最具创新性的扩散研究正在三维结构预测中发生，这在当年并非显而易见。Sergey 介绍自己原本学习物理，毕业后进入软件工程，后来发现机器学习中的许多工作与物理思维相似，因而进入 AI 研究。他曾在 Facebook 团队工作，并领导 Llama 2、Llama 3 模型，随后加入 Genesis、重新连接自己的物理背景。Evan 则在 Stanford 的 Vijay Pande 实验室研究分子图、原子与化学键网络，并将物理、GPU 模拟和图机器学习结合起来。
💡 为什么重要： 这段把 Genesis 的技术路线放在生成模型演化史中：关键并非把成熟图像模型直接套到生物学，而是找到适合连续三维坐标与物理约束的模型。两位嘉宾横跨物理、图学习和大模型扩展的经历，也解释了 Genesis 为什么会同时强调神经网络规模化与物理先验。
⚡ 争议点： “最具创新性的扩散研究正在三维结构预测中”属于嘉宾的领域判断，并不是转写中经过系统比较得到的结论。GAN 不适合该任务的说法也没有在节目中给出具体实验数据。
💬 Sergey 将 Pearl 定义为结构预测模型：输入蛋白质序列和配体表示，输出两者结合后在三维空间中的复合结构。这个任务常被称为 co-folding，节目同时提到 AlphaFold 3 以及其他采取类似方向的模型。Genesis 所称的差异化重点，是专门聚焦小分子，而很多模型更多处理蛋白质—蛋白质相互作用。小分子看似更简单，实际搜索空间极其庞大；Sergey 给出的数量是宇宙中约有 (10^{60}) 个药物样小分子。除化学身份外，小分子还可以旋转并采取不同构象，因此模型面对的是组合与几何共同扩张的空间。嘉宾用“在针堆里找干草”来形容：候选看起来可能都像针，但真正想找的对象仍极难识别。
💡 Pearl 的难点并不是单纯生成一个蛋白质形状，而是联合处理蛋白质、配体和结合构象。规模达到 (10^{60}) 后，穷举式搜索不具现实可行性，模型必须学习能大幅缩小搜索范围的结构规律。
⚡ (10^{60}) 是嘉宾给出的药物样化学空间数量级，节目没有解释具体定义或估算方法。“聚焦小分子”也不能仅凭任务描述证明 Pearl 一定优于其他 co-folding 模型。
💬 公开 PDB 被描述为包含约 20 万个历史晶体结构，而且扩展速度很慢，因为生成新结构需要大量时间、能源和资金。Genesis 利用小分子能够通过物理方法建模的特点，生成额外数据用于预训练；相比之下，蛋白质—蛋白质体系规模更大，物理模拟的计算成本更高。Sergey 将路线类比为 LLM 扩展：先做预训练扩展，再做微调或强化学习式的后训练，最后做推理时扩展。Pearl 的“思考”不是生成隐藏的语言 token，而是在内部处理尚未完全物化的晶体结构表示，并用物理引导把结果推向合理方向。模型中的基础模块之一是扩散头，它像图像和视频扩散模型一样，通过多步迭代逐渐细化预测结构。Evan 补充，系统会在输入、模型架构和输出三个层面尽量加入物理先验，同时避免让模型过度受限于人类已有认识。
💡 互联网规模语料并不存在于实验结构数据中，所以科学模型不能只依赖“收集更多真实数据”这一条路。合成数据、物理引导和推理时计算共同构成了 Genesis 应对数据稀缺与目标外泛化的核心方案。
⚡ Sergey 承认很难准确解释模型内部究竟学到了什么，团队也没有把稀疏自编码器等机械可解释性方法作为当前方向。物理先验究竟提升了多少性能、是否引入偏差，转写没有提供消融实验。
💬 Evan 将药物发现类比为为锁寻找钥匙：锁通常是蛋白质，有时是核酸；钥匙则可能是小分子、肽、抗体或其他模态。找到能够与受体良好结合的分子是必要条件，但远非充分条件；药物还不能随意结合其他蛋白质，否则可能产生毒性。节目提到 ADME 与毒性通常涉及约 30 项性质，还要考虑药物是否能够抵达正确组织。完整链条从确定导致疾病的靶点开始，然后设计兼具效力、选择性、组织分布和安全性的分子，再进入 GLP 毒理、IND、临床一期、二期、三期及监管审批。Genesis 的主张是，人工智能最高杠杆的切入点位于药物发现和药物设计，而不是试图用一个模型覆盖靶点发现、监管文件和患者分层等全部任务。公司聚焦小分子和中等大小分子；Evan 称小分子占 FDA 批准药物的 65%。
💡 这一定位避免了把“预测结构”等同于“药物已经完成”。它也明确说明 Pearl 的价值必须通过选择性、效力、分布、安全性以及实验验证等后续环节传导，才可能最终影响患者。
⚡ “药物设计是 AI 在医疗中的最高杠杆应用”是 Genesis 的战略判断，其他环节的公司可能有不同结论。65% 的比例在节目中没有给出统计口径或时间范围。
💬 Evan 认为，很多患者已经能获得明确诊断，医生也可能知道某个基因或蛋白质导致了疾病，但仍然没有对应的选择性疗法。Genesis 希望增加这样的时刻：患者不但被告知患有某种具体疾病，还能获得专门针对该病因的治疗。难点包括传统方法难以处理的“不可成药”靶点，以及缺少足够选择性、效力或药代动力学表现的候选分子。Evan 反对简单引用“临床成功率只有 10%”来概括全部项目；他认为，若靶点与疾病存在紧密遗传联系、生物学机制较清楚、动物模型可转化，并且分子具有较好药代与安全性，则从一期到三期结束的成功率会显著高于平均值。他还指出，生物学是否明确与靶点是否容易被药物化是两个正交概念，有时甚至看起来呈反相关。部分较容易的靶点可能已经被开发，但不能因此把所有项目粗略分成“容易”和“困难”。
💡 这解释了为何结构预测仍可能产生巨大价值：不是所有失败都来自疾病机制未知，很多失败来自无法设计出合适分子。如果 AI 能改善真正困难靶点上的设计质量，它解决的是候选药物供给瓶颈，而不是只优化既有流程。
⚡ “10% 是低估”以及特定条件下候选物“很可能获批”的说法，没有配套队列、统计范围或成功率数字。已知生物学与可成药性是否反相关，也只是嘉宾的观察性表述。
💬 主持人提到 Genesis 早期被称为 PotentialNet 的工作，并追问技术如何演化到 Pearl。Evan 强调，结合效力只是药物发现的一根支柱，不是决定项目走向的唯一因素；例如某些性质若处于错误范围，分子就只能成为研究工具而不是药物。团队通过实际项目观察失败模式，区分哪些预测有效、哪些无效，而不是只在公开数据集上训练。Genesis 还与大型制药公司合作，节目点名 Gilead，并提到与 Incyte 扩大合作。Evan 表示合作靶点既可能是完全没有已知化学物质的 first-in-class 问题，也可能属于已有分子但仍需改善的项目。由于合作和内部数据不能公开，节目没有披露具体靶点与项目结果。
💡 公共基准通常只覆盖药物发现问题的一小部分，真实项目则要求模型同时面对新靶点、非标准结构、可合成性和多参数优化。公司自己做分子，也被嘉宾视为让模型接受“实战检验”的方式。
⚡ 本段所在范围有大量转写缺失，不能复原完整技术演进与合作细节。合作伙伴的存在可以说明产业采用，但不能单独证明模型带来了多大因果增益。
💬 Evan 再次回顾，团队曾等待适合蛋白质—配体体系的生成原语，最终发现扩散模型更合适。节目讨论模型如何通过多次预测和物理方法建立对输出有效性的信心，并进一步走向“lab in the loop”设置。扩散本身是迭代过程，因此并不天然追求单步即时输出，而是逐渐细化三维坐标。嘉宾还谈到湿实验的重要性：AI 系统必须确认实际制造出来的东西是否真的是预期分子，也要关注实验中的真阳性率。Evan 表示自己也曾在湿实验室花费相当多时间，强调模型、化学制备与测量之间不能脱节。节目把这一闭环描述为从预测姿势、检查结构到实验反馈的连续系统。
💡 药物设计不是纯软件任务，模型输出最终必须通过合成和实验测量接受现实检验。实验闭环既可以发现数据标签与制备问题，也能把失败模式反馈给下一轮设计。
⚡ 由于该时段正文转写被省略，节目没有留下闭环周期、吞吐量、成本或真阳性率的完整数字。不能根据“lab in the loop”推断系统已经实现全自动实验室。
💬 节目谈到公司从 Genesis Therapeutics 更名，Evan 解释这主要是为了反映公司从“day negative one”开始就存在的真实身份：一家 AI 公司。他回忆早期使用 PyTorch 0.17 构建并扩展图神经网络，而 Sergey 当时则在扩展 Transformer。与此同时，Genesis 又强调自己不是只出售抽象模型，而是具备实际制造分子的全栈能力。公司的使命被表述为创造尽可能多的、原本不会被创造出来的药物。Evan 认为实现这一目标不能只依靠内部项目，还要把技术交给大型制药公司、中型制药公司和生物科技公司的药物开发者。合作伙伴通常喜欢 Genesis 自己做分子，因为这说明团队也必须在实践中使用和检验自己的工具，而不是只展示软件界面。
💡 更名揭示了公司的双重定位：既不是单纯 SaaS 工具商，也不只是等待单一管线成功的传统药企。自研项目与外部平台合作可以互相提供数据、可信度和产品反馈。
⚡ “全栈”会同时带来资本、组织和执行复杂度，节目没有讨论如何在平台业务与内部管线之间分配资源。更名能够表达战略，但并不能自身证明商业模式已经成熟。
💬 主持人观察到 Genesis 过去强调为科学家打造工具，现在又开始引入自动作出部分决策的智能体。Sergey 的回答是，药物化学家或 CAD 科学家不可能熟练掌握无限多复杂工具，而很多工具包含大量必须正确设置的参数。Genesis 所说的智能体采用 AI 领域较严格的定义：由 LLM 负责调用和编排公司多年构建的专业工具，而不是把任何自动化流程都称作 agent。智能体可以查看预测的晶体结构、调用附加工具理解结构，并据此推进迭代；未来，晶体结构本身也可以像图像一样成为 LLM 的一种模态。Sergey 用 Cursor 的演进作类比：早期主要是自动补全，后来可以执行更完整的任务；药物发现智能体目前仍需要持续反馈与引导，但预计会逐渐提高独立性。他明确表示不相信完全自动化或彻底替代人类，而是让人类提供战略方向、让智能体代为执行。
💡 这里区分了通用 LLM 与科学基础模型的角色：LLM 负责规划和工具使用，Pearl 等模型负责专业结构预测。人机分工也从“科学家操作每个参数”转向“科学家定义目标并监督系统”。
⚡ 智能体可能调整错误参数、错误解释结构或把上游误差放大，因此仍需要专家反馈。节目没有给出智能体相较人工工作流的定量效率、准确率或失败率。
💬 主持人提出 Open Bind 的一个新蛋白酶靶点，并称它对 co-folding 方法很困难。Sergey 表示，许多开源模型在常见公共基准上的表现彼此接近，但在这个新评测上出现了明显差异，因为模型此前没有见过或专门优化过该靶点。Genesis 将 Pearl 直接运行在该目标上，并称结果明显高于其他已发表、公开可用模型。该目标包含一个柔性环：配体进入正确位置时，蛋白质环需要移动，而许多方法无法处理这一变化。Sergey 表示 Pearl 对每个 pose 都较好地预测出了这种移动，并将其归因于模型联合预测蛋白质结构和配体的训练方式。Evan 补充，训练集中存在 induced fit，物理模拟也有所帮助；Pearl 此前还在 Runs and Poses 与 PoseBusters 基准上取得其所称的最佳表现。
💡 与反复优化过的公共基准相比，未见新靶点更接近真实药物项目，也更能检验模型是否只是在记忆训练分布。柔性环和诱导契合尤其关键，因为配体结合后的蛋白质不一定保持孤立状态下的构象。
⚡ 转写没有给出 Open Bind 的具体分数、评价指标、对照模型版本或统计不确定性，“高很多”和“每个 pose 都正确”仍需原始结果验证。单一靶点也不足以单独证明广泛的目标外泛化能力。
💬 当主持人问如果能用行政命令消除一个行业瓶颈会选择什么时，Sergey 和 Evan 都回答 GPU。Sergey 表示 GPU 价格持续上涨，LLM 公司正在吸收大量算力，而药物发现对个人、亲友乃至整个人类都很重要，因此应解除生命科学领域的算力瓶颈。Evan 希望拥有一个巨大的 H100 集群。Nvidia 曾两次投资 Genesis，双方会共同优化 kernel；Pearl 由 Genesis 与 Nvidia 共同署名，Nvidia 也协助传播 Open Bind 结果。Evan 认为，传统聊天机器人与编码 LLM 的投资回报空间可能逐渐受到质疑，而药物需求始终存在，因此芯片制造商会更重视生命科学。最后，Sergey 发出招聘号召，并称 LLM 架构从 2017 年 Transformer 论文以来仍保留高度相似的构件，而分子领域的架构更加多样、也更适合希望研究模型架构的人。
💡 数据、算法与实验之外，算力供给直接限制科学基础模型能否扩展。Genesis 与 Nvidia 的合作说明，性能竞争不仅发生在模型层，也发生在 kernel、硬件利用率和集群规模层。
⚡ 对传统 LLM 领域“剩余 alpha”减少以及架构“相对无聊”的判断明显带有招募和竞争语境。Genesis 同时是 Nvidia 的被投企业与合作伙伴，相关评价存在利益关联，需要结合独立资料理解。
Evan Feinberg
Genesis Molecular AI 创始人兼 CEO。
物理与计算机科学背景。
曾在 Stanford 的 Vijay Pande 实验室攻读博士。
研究过图机器学习、分子图、蛋白质模拟和药物设计。
Sergey Edunov
Genesis Molecular AI CTO。
早期学习物理，后来进入软件工程与机器学习。
曾在 Facebook AI Research 团队工作。
曾领导 Llama 2、Llama 3 预训练。
加入 Genesis 后将大模型扩展经验转向分子和三维结构。
RJ Hanicki
节目主持人。
Miromics CTO。
Brandon Anderson
联合主持人。
长期关注机器学习、分子与生物领域。
Genesis Molecular AI
原转写提到其曾使用 Genesis Therapeutics 名称。
聚焦小分子和中等大小分子的 AI 药物发现。
同时进行内部药物项目、制药合作、模型开发和智能体工具建设。
Pearl
Genesis 的蛋白质—配体三维结构预测系统。
接收蛋白质序列与配体表示，联合预测复合结构。
使用扩散式结构生成、物理引导和合成数据。
Stanford / Vijay Pande 实验室
Evan 早期从事分子机器学习和模拟研究的机构与实验室。
Meta / Facebook AI Research
Sergey 从事 AI 研究并领导 Llama 工作的机构背景。
Nvidia
两次投资 Genesis。
与 Genesis 共同优化 kernel。
Pearl 技术工作及 Open Bind 结果传播的合作方。
Gilead、Incyte
节目中点名的制药合作方；未披露具体靶点和项目结果。
RCSB Protein Data Bank / PDB
历史晶体结构、cryo-EM 等实验结构的重要公开数据库。
嘉宾称其规模约为数十万、具体约 20 万结构。
Open Bind
提供节目所讨论的新靶点评测。
被 Genesis 用来检验 Pearl 在未见目标上的表现。
Runs and Poses、PoseBusters
嘉宾提到的结构预测评测基准。
“真正有趣的是，对核心基础 AI 研究感兴趣的人会发现，如今一些最具创新性的扩散研究正在我们的领域、正在三维结构预测中发生。” “What's kind of cool is right now for people that are interested in really core fundamental AI research, actually some of the most innovative diffusion research is happening in our field, is happening in 3D structure prediction right now.”
“我们必须等待正确的基础原语被创造出来，而它最终是扩散模型。” “We sort of had to wait for the right primitive to get created. And that turned out to be diffusion.”
“宇宙中有 (10^{60}) 个药物样小分子。祝你好运去搜索这个空间。” “We're at 10 to the 60 drug-like small molecules in the universe. So good luck searching for the space.”
“它不是用语言 token 思考，而是用晶体结构来思考。” “It's not thinking in language tokens, it's thinking in terms of crystal structures.”
“AI 从根本上说是表征学习。” “AI fundamentally is representation learning.”
“已知生物学与靶点是否容易被药物化，是两个正交概念。” “Known biology is orthogonal to the ease with which one can drug that target.”
“公司的目标不是把基准刷到最高；公司的目标是为生物科技和制药公司创造价值。” “The objective of our company is not maxing benchmarks. The objective of the company is creating value for biotechs and pharma companies.”
“晶体结构可以像图像一样，也成为 LLM 的一种模态。” “Crystal structure can be a modality for LLM as well.”
“我不相信完全自动化、替代人类；我相信人类会借助这些工具，在工作中变得高效得多。” “I don't believe in the full automation, like replacing humans. I believe humans are going to become way more efficient in the job that they're doing using these tools.”
“如果我能挥动魔杖，我会想要一个巨大的 H100 集群。” “If I could wave a magic wand, I'd love to have just an enormous H100 cluster.”
扩散模型在这里不是“生成漂亮分子图片”。 Pearl 迭代生成的是蛋白质—配体复合物的三维结构，输出必须具有坐标意义，并能继续交给力场、对接和药物设计工具使用。
科学领域的推理时扩展不需要复制语言链式思考。 LLM 通过额外 token 延长推理；Pearl 则通过多步扩散、内部结构表示和物理引导投入更多推理计算。两者的共同点是“先计算更久再输出”，而不是内部表示相同。
物理先验的目标是减少模型重复学习已知规律。 Evan 认为，在输入、架构和输出层面加入恰当物理结构，可以降低过拟合风险；但也需要避免把人类错误认知固化为强偏置。
合成数据的可行性取决于系统规模。 小分子相对适合物理建模，因此可用于扩充训练集；蛋白质—蛋白质体系更大、更复杂，虽然并非绝对不能模拟，但成本很高。
“结构正确”与“药物可用”之间仍有长链条。 结合 pose、亲和力、选择性、ADME、毒性、组织分布、GLP 毒理、IND 和临床阶段都可能成为后续瓶颈。Pearl 解决的是其中高杠杆但并非充分的一部分。
智能体是专业模型的控制层。 Genesis 没有把通用 LLM 描绘为独立完成分子物理预测的万能模型，而是让它负责调用 Pearl、分析结构、设置工具参数和执行工作流。
真实项目被视为防止“基准过拟合”的机制。 Genesis 同时做内部药物项目和制药合作，使模型暴露于公共数据库之外的困难靶点，也让团队持续看到失败模式。
Open Bind 的关键不只在总体得分，而在诱导契合。 节目强调某个柔性环必须随配体进入而移动；Pearl 联合预测蛋白质与配体，因此理论上更适合表示结合前后构象差异。
算力竞争会影响研究方向之间的资源分配。 Sergey 认为传统 LLM 公司吸收了大量 GPU 容量，导致生命科学模型面临价格和供给压力；两位嘉宾都将其视为最直接的产业瓶颈。
本笔记不引入转写外的技术事实。 由于用户要求只能使用转写中出现的事实与数字，以上延伸仅对嘉宾已有论述作结构化解释，不补充外部市场数据、论文结果或药物项目状态。
Pearl 在 Open Bind 上的具体优势。 嘉宾称其结果“远高于”其他公开模型，并对每个 pose 都很好地预测了柔性环移动，但转写没有列出指标、分数、样本量或对照模型。
Open Bind 是否足以代表广泛外推。 Sergey 自己也承认它只是单一靶点。单个未见目标可以作为案例，但不足以证明对所有困难靶点都能稳定泛化。
训练集污染与数据切分。 嘉宾称模型训练和开发时没有见过该靶点，但节目没有展示序列相似性、结构相似性、配体相似性排查或正式审计。
PDB“约 20 万结构”的统计口径。 需要确认它指独立条目、特定时间的条目数，还是某类可用于训练的结构数量。
小分子占 FDA 批准药物 65%。 节目没有说明统计区间、是否按活性成分或批准事件计算，也没有提供引用来源。
临床成功率“10% 是低估”。 Evan 的论点依赖对靶点遗传证据、生物学清晰度、动物模型、药代和安全性的筛选，但没有给出筛选后成功率及统计方法。
物理引导的独立贡献。 需要查看无物理引导、不同合成数据规模、不同推理步数及不同扩散架构之间的消融实验。
Pearl 的可解释性。 Sergey 明确承认难以说明内部表征具体学到了什么，且团队当前没有开展节目提到的机械可解释性方向。
智能体的可靠性与错误传播。 节目没有量化智能体错误配置超参数、错误解释结构或错误推进药物项目的风险，也未说明关键决策的人工审批机制。
与 Nvidia 的利益关联。 Nvidia 两次投资 Genesis，并共同署名、优化 kernel、宣传结果；评价硬件合作和公开结果时应披露并考虑这种关联。
LLM 领域“剩余 alpha”减少。 这是 Evan 的产业判断，没有给出投资回报、市场规模或模型能力增量数据。
中段转写缺失。 用户提供的文本明确标注“中段省略”，因此 PotentialNet 演进、物理验证、内部项目与商业合作等部分无法做到逐句还原。任何超出已展示文本的细节都不应视作本期节目已经证实。
