北京
AI让智能变得充裕，但科学让真相依然昂贵。这句话不是唱衰，是提醒——模型越强，现实世界的高质量反馈可能越值钱。
有人把AI驱动生物学的问题拆成了三块：scaling（规模化）、target biology（靶点生物学）约束，以及竞争壁垒的转移。三块拼在一起，指向同一个结论：AlphaFold的成功，不代表整个生物学都能被AlphaFold一遍。
第一块：规模化没那么容易
生物数据高度依赖上下文，而且生成成本极高。这意味着想靠堆数据、堆算力把AI在生物学上"scale up"，比在语言任务上难得多。语言数据网上到处都是，生物数据得靠实验一个一个做出来，还未必能复用。
所以这里有个容易被忽略的落差：一个模型在结构预测上封神，不等于它能解决生物学里所有问题。上下文一变，结论可能就变了。
第二块：分子做得再漂亮，药还是可能失败
分子生成在进步，结构预测在进步，但真实药物经常倒在别的地方——靶点生物学的细微差别、毒性、人体有效性限制。这些不是模型能力问题，是生物学本身的问题。
换句话说，AI能把"造分子"这一步做得越来越快，但决定一款药能不能成的，往往是造分子之外的那些环节。进步是真的，但进步覆盖不到全部。
第三块：壁垒正在换地方
当AI模型越来越商品化，稀缺的东西就变了。不再是模型本身，而是这几样：
- proprietary data（私有数据）
- negative data（负结果）
- wet lab automation（湿实验自动化）
- clinical feedback（临床反馈）
负结果尤其值得说一句。失败的实验通常没人愿意公开，但它恰恰是训练模型最需要的东西之一——知道哪条路走不通，和知道哪条路走得通一样值钱。
真正的解法：闭环
要让AI在生物学上真正往前走，需要的是一个闭环：模型 → 假设 → 实验 → 真实结果 → 模型更新，然后再转一圈。
这个循环里，模型只是其中一环。实验、真实结果、更新，每一环都不能省。少了任何一环，模型就只是在自我循环，离真相越来越远。
正方会说：模型能力还在涨，早晚能覆盖这些约束。反方会说：靶点生物学、毒性、人体有效性这些约束，不是靠模型变大就能消掉的，它们属于现实世界。我的判断偏后者——模型越商品化，现实世界的高质量反馈越稀缺，也越贵。谁手里攥着私有数据、负结果、湿实验自动化和临床反馈，谁就攥着下一轮的入场券。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
