生命科学长期以来被称为“集邮式科学”(Stamp Collecting Science)——它充斥着海量的自然语言叙述、非标准化的显微图像、碎片化的湿实验论文、手工调配的试剂配方以及充满模糊经验的机理猜想。
这种高度“非形式化(Informal)”的本质,正是过去生物科研突破周期长、试错成本极高、且无法像芯片设计或物理学那样实现自动化编译的根本原因。
AI 的核心进化能力之一是,将非形式化问题转化为形式化问题(Formalization)。
因此,AI 对生命科学的加速将不是简单的“找靶点速度加快”,而是一场从底层表征、实验执行到假设验证的全局编译化革命。
生命科学长期作为一门“经验科学”,根本原因确实在很大程度上是“有效数据规模和高保真计算量严重不足”。本质上是被以下三个极度缺乏 Scale 的现实所迫:
1、观察到的数据只是冰山一角(稀疏与长尾)
人类现有的公共生物数据,大部分是“结果快照”而非“动力学过程”。例如全球蛋白质数据库(PDB)几十年来积累的结构仅有 20 多万个,且绝大多数是结晶状态下的单一静态构象。面对大自然数以亿计的动态蛋白互作,样本量少得可怜。
2、严重的观测偏差与批次效应(Batch Effects)
过往生物学论文中的数据,来自全球数万个实验室、不同操作人员、不同批次试剂和不同显微设备。这种数据充满了系统性噪音和“幸存者偏差”(往往只报道阳性结果,海量阴性失败数据从未被记录)。用充满噪音的异构数据训练模型,很容易遭遇“垃圾进,垃圾出”。
3、维度的诅咒(Curse of Dimensionality)
一个文本 token 的嵌入维度是几千维;但一个活细胞不仅有 30 亿对碱基的 DNA,还有表观遗传修饰、数万种转录本的时空丰度、数万种蛋白质的翻译后修饰以及微环境动力学——这是一个横跨皮秒(分子运动)到数十年(衰老、疾病)的时空连续多尺度系统。在数据规模没有覆盖这个高维流形前,人类科学家只能退守到经验法则、动物实验和手工对照。
而对比大模型(LLM)的涌现依赖于 Transformer 架构 + 互联网级文本 + 自动回归自监督任务。生命科学要实现同等级别的泛化突破,其底层要素必须对齐:
1. 规模化生成“无批次效应”的原生数据(Biofoundry 工业化)
纯靠人工在高校实验室里移液,永远不可能凑齐大模型所需的自监督 Tokens。生命科学的 GPT-3 时刻,前提必须是数据生产的工业化——利用全自动化的生物铸造厂(Biofoundry)、硅基高通量芯片合成和标准化液体处理机器人,在完全一致的物理环境下,规模化、连续性地生成数十亿级的单细胞扰动、突变体结合与高内涵表型图谱。没有自动化的物理数据工厂,生命科学就没有训练集。
2. 自监督预训练任务的重构:从“掩码预测”到“物理能量与因果扰动”
在文本中,“预测下一个词”极其有效。但在生物学中,单纯的掩码语言模型(Masked Language Modeling)有其天花板。未来的基础模型需要将几何等变性、非平衡态统计物理和热力学约束直接编入注意力先验中。正如人类大脑理解物理世界不是靠背诵文字,而是靠视觉和触觉的连续交互,生命大模型需要直接在连续的时空流形中学习因果演化。
3. 闭环主动学习(Active Learning Loop)
生命系统太庞大,随机或暴力采集全部数据在物理上不可行(分子组合空间超过 10的60次方。大模型必须扮演“科学假设生成器”,自动计算出认知不确定性最高的领域,自动指挥物理机器人去合成、测试并回传数据。这种“模型假设 -》自动化实验-〉权重更新”的循环加速,是催生 Scaling 质变的关键催化剂。
当然,生命科学的发展终局,可能也不会彻底变成纯粹的数学推演,而会演化为一种“极高置信度推演 + 物理不可约验证”的新范式:
大模型确实能把目前人类难以理解的万级基因互作网络,压缩为高度精准的潜空间向量变换,人类不用再手工去画繁琐的通路图。从这个角度看,传统的“经验直觉”会被强大的高维统计几何彻底取代。
正如物理世界的计算不可约性时规律所告诉我们的,哪怕大模型在数字空间里给出了 99.9% 确定性的抗癌药设计方案,药物在真实复杂活体(包含免疫系统、肠道微生物、全身循环系统)中的毒副作用与代谢,仍受微观随机多体动力学统治。它依然需要活体或器官芯片运行自身的物理时钟来进行终极校验。
从科学发展史来看,化学在门捷列夫之前也是纯粹的“炼金经验科学”,直到元素周期律和量子力学奠定了物理底座;生命科学当前正处在类似的拐点——它过往的“经验属性”,在很大程度上确实是因为我们只能用肉眼和试管观察局部。当数据通量和算力 Scale 越过特定相变阈值时,生命科学将从一门靠经验归纳的描述性学科,质变为一门具备高预测精度的形式化工程科学。
显示更多
生命科学ai的scaling 刚刚开始:
8月11日,UCLA/CNSI报道了UCLA生物工程教授Jason Zhang的重大突破:利用生成式AI从零设计自然界从未出现过的蛋白质序列,专门瞄准传统“不可成药”的无序蛋白(IDPs/IDRs)。
报道中称团队一次实验可测试约2万个AI生成的候选蛋白,用全新折叠的binder“强制”无序蛋白进入有序状态,从而打开治疗窗口。
这次突破意义重大:人类蛋白质组约30%–50%含有无序区域,传统药物几乎只覆盖有稳定口袋的结构化蛋白,仅覆盖人类蛋白质组的一小部分。
攻克无序靶点相当于打开另一半可成药空间,能阻断疼痛信号、溶解淀粉样纤维、干扰癌症通路,既可作为治疗候选,也可作为诊断与研究工具。
这标志着药物发现从“结构化少数”迈向“动态多数”的范式转变,有望为阿尔茨海默、帕金森、多种癌症等长期缺乏有效疗法的疾病带来新希望。
这是一次将药物发现从“结构化少数”扩展到“动态多数”的范式转变,显著拓宽了药物发现的疆域。
而生成式AI正是这样的转变的底层驱动。
显示更多
北京大学生命科学学院教授潘文石研究大熊猫很出名,饶毅当北大生命科学学院院长的时候没把他赶去四川大学?因为饶毅说了,“在北京研究野生动物,就是一种生活方式,而不是真热爱动物科学的表现。”潘教授建的北京大学大熊猫和野生动物保护研究中心还在,饶毅应该先设法把它搞掉,再来搞掉中科院动物所。
显示更多
今天研究了生命科学,医学,长生不老,deSeci+ai,又是收获满满的一天。
ai4bio的最本质的挑战是,生命科学中大量的核心问题属于计算不可约(Computational Irreducibility)问题。几乎不存在通用的“数学解析解”或“快捷算法”,必须一步步完整模拟其微观物理过程。
但生命科学近年来呈现出一个奇特的范式分野:底层机制是计算不可约的,但宏观功能却往往是“经验可归纳(Statistically Reducible)”的。
斯蒂芬·沃尔夫勒姆(Stephen Wolfram)提出的计算不可约性,本质是指:一个系统的演化过程本身就是获取其未来状态所需的最小计算量,无法通过某种简化的数学公式跳步求解。
生命系统的底层恰恰全盘满足这一特性的物理前提:
跨尺度的非线性与组合爆炸蛋白质动态与全原子折叠动力学---虽然 AlphaFold 系列在预测“基态静态结构”上取得了突破,但蛋白质在真实生理环境下的构象转换、别构调节、非折叠蛋白(IDPs)聚集及相分离,完全依赖于皮秒级别的范德华力、静电相互作用与溶剂熵增。只要离开统计学能覆盖的结构模体,精确求解就必须回退到底层的分子动力学(MD)模拟——每推进一个飞秒都需要全局重新计算一次能量场。
基因调控与代谢网络---单个基因的突变并非简单线性映射,它受表观遗传修饰、转录因子结合亲和力、RNA 降解速率、空间染色质构象(3D 基因组)乃至代谢物反馈的联合调控。这种由成千上万个节点组成的非线性动力系统,其相空间极其庞大,状态往往敏感依赖于微小的初始涨落(蝴蝶效应)。自指性与历史偶发性(Frozen Accidents)
生命是一个自我指涉的开放机器---DNA 编码蛋白质,而蛋白质负责复制、校对与修饰 DNA。生物演化不是在全局最优解上做梯度下降,而是由大量偶发的历史事件(例如内共生事件形成线粒体、古病毒基因整合)经过数十亿年修补(Tinkering)而成的“遗产系统(Legacy Code)”。
其缺少优雅的底层物理对称性,导致任何不包含其演化历史信息的捷径模型极易失效。细胞命运决定的分岔行为从受精卵到复杂有机体的分化、肿瘤微环境下的耐药突变产生,微观分子的布朗运动和基因表达的固有随机性(Intrinsic Noise),会驱动细胞在瓦丁顿表观遗传景观(Waddington landscape)的不同引力盆之间跳跃。
预测一个干细胞系在几百代后的确切异质性分布,本质上无法跳过真实的生长时间。
但是,现代 AI 为何能“绕开”计算不可约的壁垒?如果生命系统是严格计算不可约的,为什么近几年的 AlphaFold、ESM 等基础模型能够实现前所未有的预测精度?
答案在于有效理论(Effective Theory)与粗粒化(Coarse-Graining)的胜利:自然选择压缩了搜索空间:在理论上,一条几百个氨基酸的多肽链可能折叠出的构象空间是无限的天文数字(Levinthal 悖论)。但真实生物圈并不是纯粹的随机漫步——演化只保留了具有热力学稳定性、功能特异性的极小构象流形。
从因果机理推演转向高维几何插值:深度学习模型并没有在物理底层上“解密”微观运动的解析方程,而是利用 MSA(多序列比对)和跨物种同源数据,隐式重构了演化历史在低维嵌入流形上的投影。
换言之,AI 并没有把不可约的方程解析掉,而是通过记忆与插值演化留下的指纹,绕过了动力学微观步进。
生命科学之所以在转化应用(尤其是新药研发和临床靶点验证)中依旧面临极高的失败率,根本原因正是工程落地往往发生在“计算不可约”的深水区:
比方说,脱靶毒性与系统副作用---你在高维表征空间里为靶点设计了一个完美的分子,但该分子在体内与数万种其他蛋白、脂质甚至肠道菌群产物的多体动力学互作,无法被任何简化模型提前全盘预知。最终仍必须依赖耗时的体内实验(In vivo)——即让活体生物作为“物理模拟器”运行自身的时间。
又比如,虚拟细胞(Virtual Cell)的瓶颈---当前计算生物学界正在攻关的“全细胞数字孪生”,每提升一个数量级的微观保真度,所需的运算步长就成指数级压缩。即使算力提升数个数量级,若底层的离散与随机多体性质导致不可约性,单纯堆叠 GPU/TPU 也只能推进微秒级的模拟。
本质上,生命系统是在宏观层面维持自组织耗散结构的、由微观计算不可约动力学驱动的实体。
目前的研究程度表明,只要问题关乎稳态模式识别,我们就能找到统计学上的捷径;但只要问题深入到跨尺度的因果动力学与时间演化,大自然依旧没有给人类留下跳过计算过程的后门。
显示更多
Waters(NYSE: WAT)上周宣布加入 Anthropic 的材料与生命科学(MHS)研究计划,并发布 Waters AI Link 中间件,核心在于将 Claude 直接接入物理实验室的色谱/质谱分析仪器,实现从“干实验假说生成”到“湿实验物理验证”的闭环自动化(Lab-in-the-loop)。
Waters核心资产对anthropic来说不在硬件,而在其通过了各种认证的软件。全球主流药企 QC 放行体系深度绑定 Waters 的 Empower CDS,其数十年的合规验证资产与 FDA 21 CFR Part 11 审计追踪构成了极高替换成本。
而Empower连接的LC-MS(色谱-质谱)数据是检验分子是否成功合成、纯度与杂质含量的最终金标准,是闭环自主实验室不可或缺的物理感知器官。
在ai对软件普遍替代的时候,Empower因其数据完整性、审计溯源与药监合规信任无法被纯ai生成的软件轻易颠覆。
但其中长期增值空间(面临空心化),包括:复杂交互界面与传统高端独立分析软件的溢价被 AI 对话式入口和多模态推理能力压缩,传统工业软件面临被降级为底层“执行数据库与哑管道”的风险。
因此,Waters 选择主动自研 Waters AI Link 并原生适配开放标准(MHS + MCP),旨在从防御转向进攻,将自身确立为 AI 控制物理仪器时不可逾越的“合规把关人
同时,Anthropic 亟需能深入药企核心生产环境的物理设备与数据背书
这次合作对行业将造成连锁反应:赛默飞(Thermo Fisher)、安捷伦(Agilent)、布鲁克(Bruker)以及自动化液体处理商(Tecan、Hamilton)必然跟进推出自有的 AI 中间件或加入类似协议联盟,以防被标准边缘化。
显示更多
2025年圣地亚哥地区高校教师年收入中位数:生命科学$166,850,计算机科学$166,550,物理$152,190,社会学$141,950,经济学$140,700,化学$138,300,数学$135,860,历史$135,420,传播学$134,110,英语$132,500,教育学$129,100,心理学$126,690,工程学$126,680,商学$126,140,文化研究$118,970,健康职业$107,650,外语$106,050,政治科学$105,090,地球科学$105,080,人类学$104,160,哲学$103,140,艺术$101,010。其他教师年收入中位数:中学$102,810,初中$78,460,小学$97,000,幼儿园$71,690,学前$44,940
显示更多
比谁都懂科学的饶毅说,数学如果要造假,成本很低,但是由于中国数学家个个品德高尚,守住了不造假底线,所以中国数学远优于中国生命科学。我不知道数学研究除了饶毅最最崇拜的田刚被指控过的剽窃,还能怎么造假?伪造定理还是证明过程?生命科学研究的造假成本才叫低,所以“图片误用”泛滥。
显示更多
我不信 ,你们能从中转站数据中 精准清洗出 生命科学 、 CAD 、 PCB 的高经济价值题来 ...
大部分人用中转站写的代码都是垃圾 .。。
荣耀神的生命:纪念冯秉诚牧师
/赵晓
“那美好的仗我已经打过了,当跑的路我已经跑尽了,所信的道我已经守住了。”
——提后4:7
昨日得知冯秉诚牧师安息主怀,我心中十分沉重。2008年,我曾在旧金山与冯牧师相聚,他温和谦逊的音容笑貌,仿佛仍在眼前。
消息传开后,许多曾听过他讲道、读过《游子吟》的人纷纷表达怀念。有人因他的论证重新思考信仰,有人因他的见证归向基督。如今,讲道者的声音止息了,但他所传扬的福音仍在,因为传道人会过去,主的话却永远长存。
一、从认识受造界,到敬拜创造主
冯秉诚牧师曾就读于北京大学生物系、中国科学院,并于1987年获得美国密歇根州立大学生物学博士学位,长期从事生命科学研究。他不是先学神学再谈科学,而是在完整的现代科学训练中,最终归向基督。
科学能够帮助人认识受造界,却不能取代创造主。宇宙的秩序、生命的奥秘、人的理性与道德意识,都不断促使人追问世界与生命的意义。但人真正的问题,不只是知识有限,更是心灵远离上帝。
冯牧师的一生提醒我们:科学能够研究世界,却不能救赎灵魂;理性能够分析证据,却不能赦免人的罪。人最终需要的,不只是一套解释世界的理论,而是救主耶稣基督。
二、《游子吟》:写给漂泊者的福音呼唤
冯牧师最广为人知的著作,是《游子吟——永恒在召唤》。
“游子”不仅是远离故乡的人,更是所有离开上帝、在人生中寻找归宿的人。人可以在学业、事业和财富上不断进步,却仍不知道自己从哪里来、为何而活、将往哪里去。
《游子吟》之所以影响深远,不只是因为它回应了科学与信仰的疑问,更因为它触及人内心深处的漂泊。冯牧师指出,基督信仰建立在上帝真实的启示、基督道成肉身、十字架代赎和复活的历史事实上。
福音不是帮助人稍微改善自己,而是呼召罪人与上帝和好,在基督里成为新造的人。
2002年,我在北美思考人生时,《游子吟》正是促使我“回家”的重要著作。一本书本身不能使人重生,但神常借着忠心的文字拆毁偏见,引人来到福音面前。冯牧师的文字,正是这样被主使用的器皿。
三、《圣经的权威》:从相信上帝,到顺服圣经
在我看来,比《游子吟》更能代表冯牧师成熟神学思想的,是《圣经的权威》。
《游子吟》回答“为什么可以相信上帝”;《圣经的权威》则回答“为什么可以相信圣经”。书中论述圣经的启示、默示、无误与权威,并回应现代自然主义、高等批判和后现代相对主义的挑战。
冯牧师强调,基督徒信仰最终不是建立在人的理性、教会传统、个人经验或某位传道人的见证上,而是建立在上帝永不改变的话语上。
《游子吟》帮助我认识上帝,《圣经的权威》则帮助我更加确信神的话。这两部著作共同构成了一条完整的护教道路:前者引人进入信仰,后者帮助人在真道上站立得稳;前者使人走近福音,后者使人扎根圣经。
四、他不仅留下文字,更留下生命
纪念冯牧师,不能只记得他的著作,也要记得他的生命。
首先,他放下了世人羡慕的科研道路,回应神的呼召。他曾坦率承认,自己一度希望先在科学研究上取得更大成就,再出来全职事奉,因为害怕别人误解他是在科研道路受挫后才去传道。
后来他认识到,这样的想法表面上是荣耀神,实际上却掺杂着荣耀自己的动机。于是,他放下自己的规划,顺服神的带领。1997年,他正式开始全职传道,后来接受神学装备并被按立为牧师。
这段经历令人动容,因为他不仅讲谦卑,也亲自经历谦卑;不仅劝人顺服神,也首先让自己顺服神。
其次,他让科学成为福音的桥梁,而不是福音的替代品。他常常从科学谈起,却从不停留在科学。他知道,自然可以显明上帝的大能,却不能拯救人的灵魂;科学可以研究世界如何运行,却不能回答人为何存在。
因此,《游子吟》的中心不是科学,而是十字架;不是证明人多么聪明,而是引导人认识基督。
第三,他以温柔谦卑的生命见证真理。许多人对他的共同印象是温和、理性、谦逊、平易近人。他不是靠激烈争辩赢得人,而是以温柔坚定的见证,把人带到基督面前。
最重要的是,他一生真正高举的不是自己,而是耶稣基督。他最大的成就,不是成为著名作者或护教学者,而是借着文字和生命,把许多人带到圣经、十字架和基督面前。
五、荣耀神,而不是荣耀自己
纪念一位传道人,最大的危险,是把人的成就放在福音之前。
冯秉诚牧师最值得纪念的,不只是他的聪明,也不只是《游子吟》的影响,而是上帝使用这位蒙恩的罪人,把许多漂泊者带到基督面前。
荣耀神,不等于一生没有软弱,也不等于每项事工都轰轰烈烈。荣耀神,是承认恩赐、机会和果效都从神而来;是在真理上忠心,在服事中谦卑,在有限的年日里完成主所托付的工作。
真正忠心的传道人,不是建立自己的名声,而是把人指向耶稣基督。
显示更多