AlphaFold 为什么没解决蛋白质折叠
来自 Latent Space · 期号 2026-10-10
摘要
AI 的「苦涩教训」在生物学上不一定成立：光堆算力和数据解决不了问题。 Google DeepMind 的 Pushmeet Kohli 和 Biohub 的 Sal Candido 在一场对谈中重新审视了 AlphaFold 的突破与局限。Kohli 指出，AlphaFold 的手工架构是科学直觉的产物，但静态结构预测无法描述蛋白质的动态与无序区域——蛋白质折叠远未被解决。 Candido 认为，蛋白质语言模型里已经藏着尚未解锁的科学知识，问题在于我们不知道怎么把它提取出来。两人都同意，构建虚拟细胞需要完全不同的数据集，而治愈所有疾病需要的是 10 倍的突破，不是 10% 的改进。 "AlphaFold 能预测结构，但它不理解蛋白质。" 这场对谈还讨论了为什么找到正确的 scaling law 比盲目增大模型更重要、为什么可信度与不确定性校准比完全可解释性更紧迫，以及为什么我们还没有进入后 Transformer 时代。
深读
导读 原文信息有限，以下基于节目简介。这场对谈由 Google DeepMind 的 Pushmeet Kohli 和 Biohub 的 Sal Candido 参与，重新审视了 AlphaFold 的突破与局限，并探讨了 AI 驱动生物学研究的下一阶段。核心观点是：AI 的「苦涩教训」—— 光靠堆算力和数据就能赢，在生物学上不一定成立；蛋白质折叠远未被解决，而构建虚拟细胞和治愈所有疾病需要的是 10 倍的突破，而非 10% 的改进。 关键信息 - Pushmeet Kohli 指出，AlphaFold 的手工架构是科学直觉的产物，但静态结构预测无法描述蛋白质的动态与无序区域。 - Sal Candido 认为，蛋白质语言模型里已经藏着尚未解锁的科学知识，问题在于我们不知道怎么把它提取出来。 - 两人都同意，构建虚拟细胞需要完全不同的数据集，而治愈所有疾病需要的是 10 倍的突破，不是 10% 的改进。 - 对谈还讨论了为什么找到正确的 scaling law 比盲目增大模型更重要、为什么可信度与不确定性校准比完全可解释性更紧迫。 逐节讲解 苦涩教训在生物学上的局限 对谈以「苦涩教训」在生物学数据上是否成立开场。Sal Candido 认为，scaling law 并非普遍存在，找到正确的 scaling law 本身才是关键工作，需要找到「投入更多算力和数据就能得到更好结果」的场景。一旦找到，问题就变成工程问题。但前提是数据必须具备正确的信息和统计特性，否则模型无法获得所需的能力。 AlphaFold 的成就与未解问题 Pushmeet Kohli 反思了 AlphaFold 的经验：手工架构和科学直觉在突破中起了关键作用，但蛋白质折叠远未被解决。静态结构预测无法描述蛋白质的动态行为和无序区域。对谈还提到，低温电子显微镜（cryo-EM）的显微图像可能蕴含更丰富的生物表征信息，但尚未被充分利用。 从单个蛋白质到完整生物系统 两人一致认为，生物学建模必须超越单个蛋白质，走向完整生物系统。构建虚拟细胞需要与现有数据集根本不同的数据。Biohub 的使命是治愈所有疾病，这要求思考 10 倍的突破而非渐进式改进。对谈还讨论了为什么可信度与不确定性校准比完全可解释性更紧迫，以及前沿 AI 模型是否可能比人类更好地理解其他 AI 系统。 值得注意 由于原文仅提供节目简介，以上内容基于简介中列出的讨论话题和摘要信息。对话的具体论证、数据、引语和细节均不可见。例如，关于「为什么低质量宏基因组数据能改进蛋白质语言模型」「cryo-EM 如何解锁更丰富的表征」等话题，简介只给出了标题，没有展开。