Pushmeet Kohli 深谈：AlphaFold 为何没解决蛋白质折叠
Latent Space · rss · 2026-10-10
Latent Space 播客邀请 Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 对谈 AI 驱动的生物学。要点：
- 数据版 Bitter Lesson：scaling law 并非无处不在，真正的工作是找到「加数据加算力就能变好」的情境，把它变成工程问题；没有含正确信息的数据就得不到想要的模型。
- 数据质量悖论：用低质量宏基因组序列训练蛋白质语言模型反而能提升设计真实蛋白质的表现，但不能因此只放大容易生成的数据，应追问「解决这个问题到底需要什么数据」。
- AlphaFold 的局限：AlphaFold 用了大量手工设计的架构，静态结构预测无法覆盖蛋白质动态与无序区域，蛋白质折叠远未被「解决」；构建虚拟细胞需要与单个蛋白质截然不同的数据集。
- 可解释性观点：相比完全可解释，可信度与不确定性校准更重要；前沿模型未来可能比人类更擅长解读其他 AI 系统。
- 药物发现：AI 有望带来 10x–100x 加速；治愈所有疾病需要追求 10x 级突破而非 10% 改进。
「研究」频道最新
- COLM 最佳论文:Int-Bench 揭示 LLM 助手过早、过频干预有碍学习 — maxhkw · 2026-10-10
- Demis Hassabis:AI 最重要应用是改进医学与人类健康 — DeryaTR_ · 2026-10-10
- Group-Evolving Agents 获 COLM 2026 奖:SWE-bench 71% 超越人类设计框架 — xwang_lk · 2026-10-10
- 25 个脑区闭环实验：主流大模型脑活动对齐差异被隐藏 — ShahabBakht · 2026-10-10
- 学者自建 ICLR 2027 录用预测市场，用虚拟货币押注论文命运 — prof_kamilov · 2026-10-10
- 用进化式 LLM 程序搜索刷新 25 项正方形堆叠纪录 — tak3sh8 · 2026-10-10