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。

最新的论文《AI4AI-Bench: Benchmarking LLM Agents in Algorithmic Design for Recursive Self-Improvement》制定了目前少见的、专门隔离 RSI 所需算法设计能力而非简单调参能力的测试基准 基准包含10个冻结的真实研究代码库，覆盖监督微调、agentic RL、蒸馏、偏好优化、扩散RL、模型剪枝等10类算法。 论文中的Agent 获得4小时和一张B300修改训练算法，随后其代码在干净环境中重新运行最长12小时，并由隐藏评估器评分。 29种配置的平均归一化分数为0.166，最佳系统0.250；真正触及学习过程的修改平均0.226，其他修改仅0.126。

ME Group 媒体支持｜Nobel Heroes & AI4SCI Summit Singapore 2026 @499_Group 5 位诺奖得主、约 40 位科学家与全球顶尖研究者、30+ 投资机构代表，10 月齐聚新加坡。 10 月 5–11 日，Nobel Heroes & AI4SCI Summit Singapore 2026 将连接科学、AI、科技产业与资本，围绕 AI for Science、科学发现、未来智能与人类未来 展开一周系列活动。 ✨ 5 位诺贝尔奖得主确认出席 🧠 NTU × SMU 两日核心论坛 🌏 约 40 位科学家与顶尖研究者、30+ 投资机构代表参与 🎨 35 幅诺奖得主肖像亮相 Gardens by the Bay 从科学突破到下一代智能，让全球顶尖科学力量在新加坡相遇。 🗓 10 月 5–11 日｜Singapore 👉

昨天在德邻乌托邦亲眼见证 00 后 AI4S 制药哥现场领走 200 万。 现场清北复交大厂密度拉满，我终于知道一级市场投资人天天在围着哪些天才抢份额了。 端侧芯片，具身大脑，AI 穿戴，AI 社交，团队履历炸裂得像看科幻片。全程震惊瘫坐大气不敢喘。 如果你是草根，和我一样，那就停止幻想，拿起武器，直接战斗，直到取得完全胜利。

- In vivo（体内编辑）的长期需求增长潜力可能大于Ex vivo（体外编辑）。 尤其在AI4Bio推动基因编辑、LNP递送和细胞靶向技术进步的情况下。 - Ex vivo的核心优势是可控性，In vivo的核心优势是可扩展性。 前者适合复杂细胞工程，后者有望实现标准化、大规模、低成本治疗。 - AI4Bio使干实验科研能力提高100倍，不意味着实际生物研发速度提高100倍。 湿实验、递送、细胞培养、质量控制及临床验证仍然制约科研成果转化。 - In vivo可能从AI进步中获得更大的非线性收益。 当靶向递送跨过有效性和安全性门槛，就可能从无法治疗某类疾病跃迁为可以治疗，直接打开新市场。 - LNP及其他靶向递送技术可能成为未来In vivo的关键瓶颈和产业价值集中点。 编辑器设计能力提升后，如何将编辑工具精准送达特定细胞，可能比设计编辑器本身更难。 - Ex vivo不会必然被淘汰。 AI增强复杂细胞设计、多基因编辑、细胞筛选等能力后，Ex vivo可能向高复杂度、高附加值领域发展。 - AI越强，两条路线越可能出现分工，而不是简单的单一路线取代另一条。

很多时候，小模型缺的可能就是一套能把能力稳定调出来的 Harness。 这篇《AI4AI at Test-Time》研究了一个很有意思的问题： 能不能让更强的模型，直接给弱模型设计一套更好的工作方式？ 作者让 GPT-5.5、Claude Opus、Gemini 等强模型自动修改 Harness，包括 Prompt、任务路由、验证规则和确定性代码。整个过程不更新目标模型的权重。 结果 GPT-5.4-mini 原始平均准确率只有 48.8%，加入自动设计的 Harness 后最高达到 91.2%，甚至超过了裸跑的 GPT-5.4。 而且效果好的 Harness 往往会把一些容易出错的推理交给代码和规则处理，让模型只负责它真正擅长的部分。 所以强模型学到的能力是可以被外化成 Prompt、代码、工具和工作流，再交给更便宜的小模型长期复用。 以后就可以让大模型帮其他模型设计更好的「工作环境」。 📎 arxiv:

【专家谈AI失控:有无法控制的风险、监管有利中国】三位AI界代表性人物在美国“Ai4”大会上激烈争论。被称为“AI教父”的杰弗里·辛顿指出，当AI追求的目标变成“自保”时，“有持续变得无法控制的危险”。 被称为“AI教母”的斯坦福大学教授李飞飞指出……