AI for Science 爆发：AI 能解锁伟大的科学发现吗？ | S10E29

概览

本期围绕 AI for Science 的兴起展开，讨论 AI 如何加速科研流程、哪些环节已经能被自动化，以及真正创造性科学发现目前仍面临的瓶颈。节目嘉宾宋乐从计算机科学、机器学习、图神经网络、AI 制药到虚拟细胞的经历出发，解释了 AI 与生命科学结合的技术路径。

节目强调，AI for Science 大致有两条路线：一类是大模型公司擅长的科研 Agent，通过读文献、调用工具、写代码、生成报告来提高科研效率；另一类是深入具体科学领域，用领域数据训练专门模型，例如蛋白质结构预测、细胞建模、材料与化学模型等。

在生命科学部分，讨论重点转向虚拟细胞和世界模型。宋乐认为，虚拟细胞需要整合 DNA、RNA、蛋白质、细胞状态等多尺度多模态信息，并能模拟扰动后的状态变化，最终服务于药物筛选、毒理预测、细胞疗法、疾病靶点发现等场景。

节目也提出一个边界判断：AI 已经可以处理大量有规则、可公式化、可重复的科研工作，但像孟德尔提出遗传因子、香农将物理概念迁移到信息论这样的跨领域抽象与创造性跳跃，目前仍是 AI 最难突破的部分。

分段落总结

[00:59] AI for Science 成为热门赛道

[事实] 主持人提到，2026 年 AI 驱动的科学发现成为 AI 领域讨论最多、竞争最激烈的赛道之一。

[事实] 转录稿中提到，今年上半年全球 AI for Science 领域融资超过 44.3 亿美元，OpenAI、Anthropic 等公司都发布了面向科研的 AI 平台或模型。

[事实] 本期嘉宾宋乐是 GenBio AI 的联合创始人兼 CTO，曾任 Georgia Tech 终身教授，也参与过生命科学大模型相关研发。

[推测] 节目把 AI for Science 放在大模型公司、创业公司和生命科学交叉的背景下讨论，重点不是泛泛介绍概念，而是拆解它为什么在此时变得可行。

[02:34] 宋乐进入计算生物学的起点

[事实] 宋乐介绍，他在博士后期用机器学习方法分析基因表达数据，寻找致病基因。

[事实] 当时使用的数据还是 Microarray，样本量较少，和后来单细胞测序的大规模数据不同。

[事实] 他在 CMU 博士后阶段继续使用机器学习研究基因表达、基因调控网络等生物数据。

[事实] 他提到父母都是医生，自己从小接触医学和解剖图谱，对用计算方式理解人体、生物和神经系统有兴趣。

[04:14] 学术界与工业界的资源差异

[事实] 宋乐曾拿到 Google Research 的 offer，也曾在 Google 待了约半年，之后去 Georgia Tech 任教。

[事实] 他认为，现在做最前沿 AI 研究需要大量计算资源，学校尤其是欧美学校很难获得足够算力来训练大模型。

[事实] 他提到，在学校做大模型研究基本很难，只能去工业界或与工业界合作。

[事实] 他还提到，工业界与学术界的薪资差距从过去约两倍扩大到现在可能十倍甚至更多。

[05:41] 学术界仍适合做 AI for Science

[事实] 宋乐认为，学术界仍适合研究可信 AI、不确定性量化、推理、因果，以及 AI 与材料、化学、生物等领域的结合。

[事实] 他强调，AI for Science 需要跨学科合作，而大学里聚集了不同学科的人才。

[推测] 他的观点不是说学术界失去价值，而是认为学术界应更多做跨学科、基础机制和前沿问题，而非单纯拼大模型算力。

[06:58] 从概率图模型到图神经网络

[事实] 宋乐回顾，2001 到 2010 年左右，机器学习主流包括概率图模型、优化或核方法，以及尚未大热的深度学习。

[事实] 他提到 2011、2012 年左右，ImageNet 和 AlexNet 带动深度学习爆发。

[事实] 他在 Georgia Tech 做了很多图学习与深度学习结合的研究，即图神经网络。

[事实] 他指出，社交网络、生物信号通路、化学分子中的原子连接都可以用图表示。

[08:28] 图神经网络在生命科学中的延续价值

[事实] 宋乐提到，他曾用图神经网络研究小分子药物合成路径预测、蛋白质相互作用和信号通路预测。

[事实] 他认为图神经网络至今仍在小分子表征、知识图谱表征、虚拟细胞中的扰动预测等任务中使用。

[推测] 图神经网络并没有被大模型完全替代，而是成为生命科学建模中处理结构关系的重要基础方法。

[09:39] 从学术界进入产业界

[事实] 宋乐在 2017 年终身教授学术休假期间去了蚂蚁金服和阿里体系，将图神经网络用于金融支付网络等图数据。

[事实] 他提到，2017 年中国互联网发展迅速，对科研人员和研发人员有很强吸引力。

[事实] 2020 年百图生科成立时，他关注到这家公司，后来加入并参与用 AI 分析蛋白质、做药物研发。

[推测] 他的职业路径体现了图神经网络技术从学术问题迁移到金融网络，再迁移到生命科学和 AI 制药的过程。

[11:24] 百图生科与 AI 制药的早期探索

[事实] 宋乐认为，2020 年新冠疫情、百度的人工智能和云计算基因，以及蛋白质预训练模型和 AlphaFold 相关进展，共同构成了百图生科成立的背景。

[事实] 他在百图主要负责 AI 团队建设和模型训练。

[事实] 他提到团队训练过千亿参数级别的蛋白质语言模型，并将结构预测与蛋白质语言模型结合。

[事实] 他称该模型比 AlphaFold 更高效，可用于抗体生成设计等任务。

[13:07] 蛋白质语言模型与生成能力

[事实] 宋乐介绍，团队使用过一种“混合语言模型”，既能做完形填空，也能做前向生成。

[事实] 这种模型一方面可用于结构预测特征，另一方面可作为条件生成工具来设计蛋白质。

[事实] 百图的重点聚焦在药物设计，尤其是蛋白质和抗体方向，同时也做过单细胞预训练模型。

[事实] 他提到一个单细胞模型后来发表在 Nature Methods。

[14:39] AI Native 制药在早期并非共识

[事实] 宋乐认为，百图探索大模型与生命科学结合令人兴奋，但若没有百度的计算资源和云计算支持，很难在当时完成。

[事实] 他提到，当时国内其他公司较少具备训练生物领域大模型的能力，竞争更多来自传统 biotech 和抗体设计公司。

[事实] 他认为，百图更像是从计算视角、以 AI 原生方式进入生命科学领域，而不是在已有实验能力上叠加 AI。

[推测] ChatGPT 发布前，AI 制药仍处于“非共识”阶段，行业对 AI 是否能真正加速药物研发还没有形成稳定判断。

[15:42] Scaling Law 在蛋白质模型中的验证

[事实] 宋乐说，在训练千亿级蛋白质语言模型时，ChatGPT 尚未发布；训练过程中 ChatGPT 出现并引爆全球关注。

[事实] 他认为，更多数据和更大模型能让蛋白质语言模型变得更好，这在蛋白质数据上验证了 Scaling Law。

[事实] 他把这一思想与通用大语言模型中用更多语料和更大模型提升智能的路线相联系。

[推测] 这段讨论把蛋白质语言模型视为大语言模型思想在生命科学序列数据上的迁移。

[16:52] 创办 GenBio AI 与跨尺度生命建模

[事实] 宋乐离开百图后创办 GenBio AI，是因为希望超越蛋白质，建模细胞、组织乃至更复杂的生命系统。

[事实] 他认为，药物研发最终需要跨越靶点、蛋白或小分子、细胞、组织、动物和人体等多个尺度。

[事实] 这些尺度上的测试越往后越慢、越昂贵、风险越高，因此他希望将更多环节搬到计算模拟中。

[事实] 他把生物系统比作复杂宇宙，认为理解生命系统的兴奋程度不亚于探索宇宙。

[20:28] AI for Science 的两条技术路线

[事实] 宋乐认为，现在 AI for Science 主要有两条技术路径。

[事实] 第一条是大模型厂商擅长的科研 Agent 路线，用 coding agent、工具调用、文献抓取、信息整合来形成假设或报告。

[事实] 第二条是深入具体领域，用领域数据训练专门模型，例如蛋白质结构预测、DNA 序列、细胞调控网络、材料和化学模型。

[事实] 他认为，这两条路线未来会在某个点汇聚。

[推测] 节目中的核心判断是，通用 Agent 能提高科研流程效率，但领域模型决定了许多科学任务的结果上限。

[22:46] 生命科学、医疗、材料和化学是重点方向

[事实] 宋乐提到，医疗和生命科学是 AI for Science 的重要方向。

[事实] 他也认为材料和化学领域有很多 AI for Science 工作，因为这些领域有文献知识，也能产生大规模数据。

[事实] 这些领域模型可以与 Agent 驱动的引擎结合。

[推测] AI for Science 不是单一赛道，而是一组以数据、工具、模型和自动化科研流程为核心的领域化应用。

[23:23] 为什么大公司开始押注 AI for Science

[事实] 宋乐认为，智能最大的价值之一是不断发现新东西、开创新领域。

[事实] 他举了火、铜铁、蒸汽机等例子，说明重大科学和技术发现会带来社会形态变化。

[事实] 他认为，如果通用人工智能能不断发现带来社会变革的新东西，其价值可能超过传统线性或指数增长的商业想象。

[事实] 他认为，AI for Science 变得更有前景，也变得更可能，因此 AGI 公司开始朝这个方向前进。

[24:34] 科研 Agent 的技术拐点

[事实] 宋乐提到，去年末到今年，AI 在代码生成、AI Agent 和工程化结合方面有明显突破。

[事实] 他认为，AI Agent 已能在更长时间里自主工作，完成读文献、推理、把想法变成代码等科研环节。

[事实] 他判断，这些能力已经接近初级博士生做部分科研辅助工作的水平。

[事实] 他认为，AI 可以自动化科研前期准备和打下手工作，让人和 AI 一起探索更高层次的发现。

[26:26] 博士训练方式需要变化

[事实] 宋乐认为，低年级博士生首先需要学会使用 AI，让 AI 辅助自己的科研工作。

[事实] 他同意主持人关于“试错训练”价值的观点，认为试错能帮助研究者探索知识边界，并形成推进问题的思路。

[事实] 他指出，博士生早期做很多失败尝试，是为了理解哪些想法不可行，以及如何更精准地设计实验和假设。

[推测] AI 会改变博士生训练方式，但不等于取消科研训练中对问题感、边界感和判断力的培养。

[28:34] 生命科学中的 Harness Engineering

[事实] 宋乐解释，生命科学中的 Harness Engineering 包括把领域知识、一致性约束和自然规律纳入模型。

[事实] 他以细胞建模为例，提到 DNA、RNA、蛋白质之间的关系、中心法则和细胞调控网络。

[事实] 他认为，生命系统和物理世界一样有状态一致性，模型要能抓住这些规律，才能用于模拟和预测。

[事实] 他总结，AI for Science 模型需要学到领域知识和一致性条件，才可能像合格的科学家一样工作。

[30:22] AI 能自动化哪些科研环节

[事实] 宋乐认为，凡是能形成公式、有迹可循、可重复的科研环节，AI 都可以做。

[事实] 他举例包括逻辑推理、根据已有定理推演、根据数学公式推导、基于知识图谱或信号通路推理、用代码分析数据。

[事实] 他认为，带有创造性、跨领域思考、验证和抽象的任务，是 AI 目前比较难做的。

[推测] AI 的优势在于大规模枚举、搜索和执行规则，但科研中真正困难的部分常常是定义问题和提出新解释框架。

[32:30] AI 的搜索能力与科学证明

[事实] 宋乐提到，AI 可以根据规则不断推演，枚举大量可能性，探索人脑难以穷尽的搜索空间。

[事实] 他提到，早期用计算机辅助数学证明时，就是用计算机枚举可能性，以得到证伪或证实结果。

[事实] 他认为，AI 让这件事变得更高效、更灵活，并且具备一定“快思维”能力，有时会产生跳跃和有趣结果。

[推测] AI 在有规则空间内的探索可能扩大科学家的候选假设范围，但仍需要判断哪些结果真正有科学意义。

[33:35] 孟德尔式创造性发现为何困难

[事实] 主持人用孟德尔豌豆杂交实验举例，询问 AI 是否能从比例关系推导出遗传因子概念。

[事实] 宋乐认为这对 AI 仍然很难，因为孟德尔当时没有清晰目标，而是从现象中创造出“基因”这样的解释概念。

[事实] 他指出，虽然统计规则很简单，但用一个新概念解释不可见的现象，是人类智慧中非常高的部分。

[事实] 他认为，这类开创性思维是 AI 当前要做真正有创意科学发现时需要突破的关键技术。

[36:19] 科学发现需要跳跃与补全

[事实] 宋乐认为，AI 擅长目标明确的问题，但科学发现常需要先跳跃，再用逻辑一步步补全两个原本不相关的事物之间的联系。

[事实] 他举香农信息论为例，说明把物理学中的熵概念用于描述信息量，是一种跨领域跳跃。

[事实] 他认为，大量科学发现都包含先看到别人看不到的联系，再通过逻辑和数学推演达到自洽的过程。

[推测] AI 若要接近人类科学创造力，可能不仅要会推理，还要会生成并验证新的元推理框架。

[37:40] 元素周期表与元推理框架

[事实] 主持人用门捷列夫元素周期表举例，询问 AI 是否能从已知元素规律预测未知元素。

[事实] 宋乐认为，这类发现背后有归纳推演过程，如果元学习、元思考机制能被程序化，AI 也可以做一些创造性任务。

[事实] 他认为，发现元推理框架并在多个问题中验证其有效性，可能逐步变成目标明确、可程序化的过程。

[事实] 他补充，简单把模型做大和沿用现有训练方式，未必能解决这类问题，可能需要大语言模型或 coding agent 之上的新系统框架。

[40:15] AI 会不会替代人类科学家

[事实] 宋乐认为，AI 永远是帮助人完成部分事情的工具，人会继续探索更深、更互补的方向。

[事实] 他认为，人类目前仍擅长把没有联系的东西联系起来，并产生新的规则。

[事实] 他也认为，AI 发展不是一天到位，人类有时间学习如何与 AI 共处并共同工作。

[推测] 节目倾向于认为科学家的角色会迁移，而不是简单消失；人的价值会更多体现在定义问题、判断方向和跨域创造上。

[41:41] GenBio AI 聚焦虚拟细胞

[事实] 宋乐介绍，GenBio AI 希望对生命和生物进行建模，学习基础模型，在计算机中模拟疾病相关实验和药物测试。

[事实] 公司当前主要聚焦虚拟细胞，希望构建细胞体系的世界模型。

[事实] 这个模型需要抓住中心法则、调控机制等细胞中的关键规律。

[事实] 他认为，虚拟细胞可用于药物筛选、新靶点发现和疾病治疗方向探索。

[43:41] 虚拟细胞为什么是世界模型

[事实] 宋乐解释，细胞世界模型首先要抓住多尺度信息，例如 DNA、RNA、蛋白质和细胞整体响应。

[事实] DNA 和蛋白质大约是纳米尺度，而细胞表现是微米尺度，中间有约千倍跨度。

[事实] 虚拟细胞还需要是一个带状态的模拟器，能接受一系列扰动，并把细胞状态向前推进。

[事实] 他用具身智能中的厨房场景类比，说明世界模型需要记住状态、推演未来，并反过来支持计划。

[46:39] 单模态模型到多模态整合

[事实] 宋乐说，团队构建了许多不同模态或不同分子的基础模型，这是必须经过的过程。

[事实] 他把生物世界模型和通用人工智能中的多模态发展类比：先有文本模型，再训练图像模型，再通过成对数据整合跨模态能力。

[事实] 在生物中，也需要先理解 DNA、RNA、蛋白质等单个模态，再通过细胞层面的成对数据整合到同一个模型中。

[推测] 虚拟细胞的发展路径可能会借鉴通用 AI 多模态训练的工程经验，但数据形态和约束条件更复杂。

[48:39] 虚拟细胞仍处在早期

[事实] 宋乐认为，虚拟细胞目前还在比较早期，类似 AlphaFold 重大突破前夜的阶段。

[事实] 他估计，未来四五年可能达到类似 AlphaFold 3 的阶段，即许多虚拟细胞模型达到工业界可用水平。

[事实] 他将工业界可用定义为：模型预测结果与重复实验之间的相关性接近，例如达到类似实验重复的一定水平。

[推测] 他对虚拟细胞的进展判断偏乐观，但也承认其成熟度目前仍有限。

[50:44] 为什么现有深度模型有时不如线性模型

[事实] 主持人提到，有研究测试现有深度学习模型预测基因敲除结果，结论是效果不如已有线性模型。

[事实] 宋乐解释，生命科学公开数据常以发现为驱动产生，存在噪声和批次效应，对 AI 模型帮助有限。

[事实] 他认为，很多公开单细胞数据虽然细胞数量大，但可能重复测量同一种细胞，真正信息量并不高。

[事实] 他相信 Scaling Law 在细胞数据上也存在，但前提是数据质量提高、信息量增加。

[52:47] 数据量不等于信息量

[事实] 宋乐认为，当前关键不只是细胞数量，而是细胞种类和数据的信息量。

[事实] 他希望看到心脏细胞、肝脏细胞、神经元、皮肤细胞、疾病状态细胞，以及人与人之间基因差异导致药物响应差异的数据。

[事实] 他提到公开单细胞数据已超过 1 亿，可能很快到 10 亿，但数量不直接等于信息量。

[事实] 他认为，AI 可以帮助规划实验，选择最能降低模型不确定性、扩展知识边界的数据点。

[54:04] AI 主动学习与实验规划

[事实] 宋乐认为，AI for Science 闭环中，AI 不只是被动学习数据，还可以产生假设和数据需求规划。

[事实] AI 可以判断自己在哪些点上不确定，并请求能最大程度降低不确定性的数据。

[事实] 他认为，这种主动学习过程能让数据产生更高效，不一定需要最大的数据量，而是需要更有针对性的信息。

[推测] 虚拟细胞的突破可能依赖模型与实验之间的主动闭环，而不是单纯收集更多公开数据。

[55:22] 算法架构仍需创新

[事实] 主持人提出，DNA、RNA、蛋白质是序列，但蛋白到细胞的复杂网络未必适合单纯 Transformer 架构。

[事实] 宋乐同意需要深度学习架构创新。

[事实] 他指出，蛋白质结构带有三维坐标，不是自然语言那样的线性序列，因此图神经网络或几何深度学习更重要。

[事实] 他认为，算法科学家需要不断设计新架构和训练算法，使模型在同样数据下更准确、更高效。

[57:14] 弱标签、弱监督与新数据类型

[事实] 宋乐认为，算法创新也会和发现新数据类型结合。

[事实] 他举蛋白质结构预测为例，除了三维结构数据，氨基酸残基是否接触这样的弱标签也能带来信息量。

[事实] 他认为，弱标签、弱监督数据可能对模型和算法带来提升。

[推测] 未来生命科学模型的进步，不只取决于模型规模，也取决于如何把不同质量、不同粒度的数据有效纳入训练。

[58:14] 测量技术与 AI 模型相互推动

[事实] 宋乐认为，AI for Science 是交叉科学领域，除了模型和算法，还需要考虑生物工程和新测量手段的发展。

[事实] 他提到，高通量、更精准、更便宜的实验技术会产生更多数据。

[事实] 他认为，创新团队也会越来越思考如何采集适合 AI 模型的数据。

[事实] 单细胞测序和 CRISPR 基因敲除等技术，是推动虚拟细胞和生命科学 AI 发展的重要因素。

[59:50] 实验闭环仍是金标准

[事实] 宋乐认为，模型一定要和实验形成闭环。

[事实] 他指出，现阶段实验仍是 AI for Science 和生命科学中的金标准，AI 预测最终要通过实验检验。

[事实] 他也指出，实验速度比不上计算筛选候选分子的速度，因此应尽量用更多计算减少实验次数。

[事实] 他认为，只要计算能带来新信息量，就有价值；计算和实验的节奏匹配后，整体研发过程会更高效。

[61:26] AI 提高药物研发成功率

[事实] 宋乐用药物研发举例，过去可能需要筛选一百个分子，现在如果计算更准确，也许只需筛选十个。

[事实] 他指出，药物研发中一个管线可能尝试多个分子，若只有一个成功，失败分子的时间和成本都会摊到成功分子上。

[事实] 如果计算能在进入临床前筛出更高成功率的分子，就能显著提高效率、降低成本。

[推测] AI 的商业价值不一定来自完全替代实验，而是来自提高候选分子命中率，减少昂贵失败。

[62:23] 虚拟细胞的落地场景

[事实] 宋乐认为，虚拟细胞可在药物研发多个节点落地。

[事实] 他提到细胞疗法中，可用于人工诱导肝细胞分化、免疫疗法和 T 细胞疗法中的免疫细胞建模与激活。

[事实] 虚拟肝脏细胞可用于药物毒理分析和预测。

[事实] 虚拟细胞还可用于疾病理解、靶点发现，以及在虚拟环境中测试小分子和大分子是否能获得期望的细胞响应。

[64:07] 从局部模型走向通用虚拟细胞

[事实] 宋乐承认，已有一些针对特定细胞类型或疾病的预测模型。

[事实] 他认为，GenBio AI 的长远目标是学习人类细胞中的更深层规律，让模型能泛化到数据较少的新细胞类型、新疾病类型和新扰动场景。

[事实] 他认为，实现虚拟细胞世界模型仍需要大量算法创新和更多数据。

[推测] 当前落地更可能先发生在局部、明确、数据较充分的场景，而完整的人类细胞世界模型仍是长期目标。

[65:23] 商业化不必等待完美模型

[事实] 宋乐用 AlphaFold 类比，指出 AlphaFold 并未完全解决蛋白质折叠问题，但已在许多场景可用。

[事实] 他提到，AlphaFold 在部分蛋白上可达到实验精度，但在抗体和抗原结合等长尾问题上能力仍有限。

[事实] 他认为，虚拟细胞也会类似：不必完全解决所有细胞模拟问题，先在部分细胞类型和场景达到可用水平，就能商业落地。

[事实] 主持人总结，可能到 70 分就可用，但从 70 分到 90 分还需要很长时间；宋乐表示认同。

[67:07] AI for Science 需要理解 AI 与 Science 的齿轮

[事实] 宋乐最后总结，AI for Science 领域还在不断演化，投资人和商业落地的关注说明这个领域正在繁荣。

[事实] 主持人表示，经过讨论后，AI for Science 从一个大概念变得更具体、更可感。

[事实] 宋乐认为，需要更深理解 AI 技术本身能做什么、不能做什么，也要理解 Science 本身包含什么，才能把两者在合适位置结合起来。

[推测] 这也是本期的主线结论：AI for Science 的关键不是简单把 AI 放进科研，而是找到 AI 能力与科学问题之间真正啮合的位置。

播客点评/总结

本期的价值在于，它没有停留在“AI 会加速科学发现”的宏大叙事，而是把科研流程拆成读文献、写代码、工具调用、数据分析、假设生成、实验验证、理论抽象等环节，逐一说明 AI 能做什么、难在哪里。这让 AI for Science 这个容易变成口号的概念变得更清楚。

嘉宾的经历也让讨论有连续性：从早期机器学习分析基因表达，到图神经网络、AI 制药、蛋白质语言模型，再到虚拟细胞和世界模型，形成了一条技术演进线。尤其是对“数据量不等于信息量”“实验仍是金标准”“商业化不必等待完美模型”的判断，比较适合帮助听众理解生命科学 AI 的现实边界。

本期的局限是讨论主要来自 AI 与生命科学创业者视角，对实验生物学、临床转化、监管、失败案例和商业模式风险展开不多。[推测] 如果听众期待更具体的药物研发案例、实验数据或公司竞争格局，可能会觉得案例密度还不够。

整体上，这期适合关注 AI for Science、AI 制药、生命科学大模型、虚拟细胞和科研自动化的人收听。对非专业听众来说，节目用孟德尔、元素周期表、信息论和 AlphaFold 等例子降低了理解门槛；对技术听众来说，关于世界模型、多尺度多模态、主动学习和实验闭环的讨论更有参考价值。