创造一个能读懂生命的 AI

特约作者丨姚胤米

一万年后，还活在地球上的智慧生物发现一套古老的代码，写成它的语言失传已久。几十万行，如同天书。他们花了点功夫给它建模，给一个 “输入”，得到一个 “输出”。过程流畅从容。可系统是怎么运转的？他们只能观察、猜测。不能全部读懂。

AI for Science 创业公司 SimpleX 的创始人喜欢讲这个寓言，因为他觉得自己在做的是一样的事：面对一个不是用自己的语言写成的复杂系统，想弄懂它内部如何运转，就像盲人摸象，始终知之甚少。

“人一出生，这套分子系统就在那里了。” 他说，“我们希望对生命这个系统能从单纯的观测，变成可以读懂的代码。”

We code life. （我们把生命变成可以读懂的代码。）他萌生这个想法。

那是 2019 年，语言模型才刚能写出通顺的句子。用 AI 研究分子的多数工作只处理分子本身。SimpleX 的两位创始人想的是另一件事：分子、蛋白质、基因和文字一样，也能写成一串串离散符号，那能不能让同一个模型，既读懂人的语言，也读懂生命的语言？

SimpleX，本源智简。给公司取名字，他们埋了技术专业人士的小巧思。simplex (单纯形) 是被机器学习领域常常用到的数学概念，指的是在有限个离散符号（可以理解为有限个选项）上，在一个空间里，它们之间所有可能的分配概率，合成起来构成一个空间。语言模型每写一个字之前，都要先猜下一个字是什么、可能的概率有多少，每个猜测都是 simplex 里的一个信息点。在 SimpleX 看来，人类语言和生命的语言都用有限的符号写成，都可以放进一个数学空间里去理解。所以，他们既是在技术上探索智能本源，也在探索生命的本源。

此前很长一段时间，人类理解生命的方式笨拙又有耐心。1948 年，因为重感冒躺在床上的美国化学家莱纳斯·鲍林用纸条折出蛋白质的螺旋结构。五年后，詹姆斯·沃森和弗朗西斯·克里克用纸板剪出碱基，用金属片搭出 DNA 双螺旋。观察，猜想，实验，再猜想，再实验……一个发现被正式确认，常常要几代科学家接力，几十年就这么过去。

为了更快发现生命机制的秘密，人类发明出越来越多工具去看懂蛋白质，工具里的科技属性越来越前沿。在实验室里，X 射线晶体学、冷冻电镜在原子尺度上解析它的样子；AI 模型 AlphaFold 只凭一串氨基酸序列就预测得出它可能折叠出的形状，推动它被研发出来的两个科学家还在 2024 年因此获得诺贝尔化学奖，那是第一次有科技公司拿到。但这些工具都没有突破一个边界——它们只是加快 “看到” 蛋白质的速度。至于一个蛋白质为什么长这样、意味着什么，理解和推测还得交给科学家。

如果有一个模型，不只能看见，还能思考、推测、提出猜想，甚至能想象生命的分子结构，发现生命机制的速度就会是另一个量级。

这正是 SimpleX 在做的事。今天，11 月 10 日，它的第一个技术产品 Tetra-1 上线预览版。这是一个把自然语言和蛋白质的结构装进同一个系统的推理模型。用户用自然语言向它提问，它则用自然语言展示每一步宏观推理的依据，以及微观推理所得到的分子结构。

它通过了一些很刁钻的测试。比如，一个曾困扰科学家许多年的糖尿病靶点 PTP1B。1999 年科学家意外发现在小鼠基因里敲除它，细胞对胰岛素就变得更敏感，糖尿病的治疗方案因此多了一个可能性。此后几年，研究人员尝试开发抑制剂，想要堵住 PTP1B 里给胰岛素信号踩刹车的催化位点。他们很快遇到两个难题：这个位点与其他蛋白高度相似，药物容易误伤其他靶点；而能够牢固结合它的分子，又往往难以穿过细胞膜。

直到 2004 年，科学家才在距离催化位点约 2 纳米的位置发现一个隐藏的变构口袋（cryptic allosteric pocket），可以从侧面改变蛋白质的形状，间接实现同样的效果。它真是个令人挠头的靶点。那个口袋多数时候是关着的，只有在少数情况下盖住口袋的 “盖子” 会打开，让药物分子能进入。口袋打开时的样子，AlphaFold 3 和此后的模型都没能准确预测出来。

但既然人类可以靠推理找到这个口袋，模型应该也做得到这一步。为了验证，SimpleX 给 Tetra-1 的条件苛刻，不告诉它要结合药物的分子长什么样，还把所有靶点发现后的资料都藏了起来。让它全凭自己的推理能力去找。

从发现这个靶点有用，到找到它身上的变构口袋，人类曾经用了五年。从接收命题，到推导出正确结论，Tetra-1 消耗的时间是几个小时。

做一个模型，同时理解两种语言——“这是很容易想到的一件事。”SimpleX 的创始人这样说。逻辑顺，但 “有技术约束”。因为两种语言的距离远看很近，近看很远。

蛋白质的氨基酸序列可以写成离散符号串，像文字一样，由一个个完整的单位组成，单位之间没有中间状态。比如，英语有 26 个字母，A 就是 A，B 就是 B，A 和 B 之间没有 A1，A2，B1，B2……（反例是光谱，颜色靠过渡而连续）；蛋白质有 20 种氨基酸，就像它的 20 个字母，也没有中间态。语言模型生来就和离散单位打交道，所以，理论上，能理解和表达人类自然语言，也就能用同一套办法处理蛋白质。这也是为什么很早就有 AI 研究员转去研究蛋白质。

可要是凑近距离，蛋白质站在人类语言的对面。人类语言是凝固的，一个词语的含义有限；而蛋白质是流动的，序列虽然不变，但在三维空间中能折叠成各种稳定的、不稳定的结构，随时变换形态。假如用一个高速相机拍它十张照，张张不同——尽管它们都叫同一个名字。“你永远没办法用语言文本来描述一个蛋白质的全貌。”SimpleX 的研究员说。

“你怎么把一个高度压缩的东西和一个高度冗余的东西混在一块，并且再把它高度压缩？这是个探索未知的事情。”

第二个障碍是维度。蛋白质是三维的，人类语言是线性的，一个字接一个字。语言模型读一句话从破碎工作开始——把句子拆成一个个词，或词的一部分，这些最小单位的 “自然语言” 就是人们常说的 token。模型一个 token 一个 token 地往下写，只能向前，反过来都不行。用这样一种单向的语言去描述三维的蛋白质，是个 “需要去发明的技术”。

所以此前很长一段时间里，用 AI 介入蛋白质世界的主流路线，是做解决单一问题的工具：比如，给一段序列，预测它的结构，代表是 AlphaFold；或者设计蛋白质、设计分子。另一类选择是不动模型，而是让 AI 学会像科研人员一样调用工具，也就是去年底开始兴起的智能体（agent）。

这些产品能在单个环节节省时间。但有同一个局限——工具能输出信息，但并不理解它为什么是这样，接下去能做什么；智能体能调用工具，涉及的流程也比较多，自己却 “没有眼睛”，看不见结构。从信息变成推理和发现，这段路还得由科研人员自己走。

还有一个更本质的问题，也更尴尬些：就算模型能用自然语言描述蛋白质，然后呢？

关键转折发生在更晚些的时候。2024 年 9 月，OpenAI 发布了能推理的大语言模型 o1。此前的大模型一收到问题就开始生成回答，处理复杂难题中途容易出错。o1 经过强化学习，被训练在回答前进行更长的推理，先拆解问题，揣摩提问意图，再一步步解答、试错、验证，检查完了再给回复。

“这个模型的智能我觉得立马上升了 1 到 2 个层次。”SimpleX 的创始人说。

但搬进生命科学，还有一个前提。o1 会推理，用的却是人类语言，还看不懂一个三维的形状。如果每推导一步就调用一个工具去看、再转述回来，每一步都可能漏掉信息、产生偏差，推理走不了太远。只有让蛋白质的结构融入模型的大脑，和语言一起，成为它 “智力” 的共同组成，这样，它才能推一步，自己分析一步，再推一步，再分析一步，一脚一脚走完一条很长的推理链。

难处在于推理这件事偏偏也是单向的。“如果你希望你的模型有很强的推理能力——这也是为什么大家这么喜欢语言模型——它是真的在思考。” 一位语言模型研究员说，“就像我跟你讲话，时间是往前走的，是不能回溯的。所以如果我们希望我们的语言模型也能直接 ‘说出’ 蛋白质，就必须有一个适合 ‘说’ 的方式。而且，要在三维的蛋白质上增加一个推理所需要的时间轴。”

说到这里，他调取电脑上的一份技术文档，对着技术流程图讲了起来，专业术语接二连三地蹦出。这让人想到电影《降临》，外星生物 “七肢桶” 的文字是一个一个圆，一次给出一团信息，但仍然一笔一笔画出来的。

一位研究员这样形容 Tetra 模型推理结构的样子：“它会旁征博引，有必要的话也会搜索文献或借助工具辅助它判断。就像在捏橡皮泥，一下，一下，不停地修改自己的目标。” 正因为能边推边改，模型才能想得越久、答得越好。

这也回应了 2023 年那个 “然后呢”：让模型用自然语言去描述蛋白质，用处有限；有用的是让它用蛋白质和语言一同思考和推理，再转换成自然语言和人交流。

“2024 年下半年，我看到了推理带来的巨大增益，我知道这个事情一定要做。” 他说。2025 年，他们果断转向，目标是做出一个既能读懂蛋白质、又能用自然语言的推理模型。

要融合两种语言，就得有懂两种语言的人。现实世界也没有人同时精通这两种语言。于是 SimpleX 的团队用一种特别的形式搭建，核心成员来自三个领域：做 AI 的研究员，研究生物的科学家，有几年经验的 AI for Science 研究员。面对同一个命题，他们本身就在 “speak different language（说不同的语言）。”

激烈碰撞、各说各话是团队组成前几个月里，办公室时常发生的情节。比如，设计一个功能去理解某个特定的蛋白模式，做语言模型的研究员提出，直接给模型喂多视角蛋白质图片，或者用别的领域模型做多模态表征。

生物学博士出身的研究员说：“肯定不行，你这样会损失很多信息。蛋白质这个问题非常复杂，你知道它有多少细节吗？”

做语言模型的研究员回：“我们这套方法论已经非常非常成熟了，你就应该去平推。”

有 AI for Science 经验的人——我们可以把他们视为这个公司的 “语言中台”——站出来调和，“两边综合一下，还是得磨合。”

分歧的根本，还是 AI 和 Science 的思维方式不同。做 AI 的人信仰数据的力量，“我们思考问题时，更想用一套通用的技术去解决 95% 的问题，可以理解为，拿个锤子，见什么都去敲一下。” 而对 Science 来说，“准确率永远是更重要的，它承担时间跟成本的能力更高，只要一个问题被解决，价值就非常大，所以他们会去解决某一个很具体的问题。”

争论是被鼓励的，求同存异，谁也不求彻底说服谁，双方带着各自的坚持和各自的不确定一起往前推进。整个公司被一种自上而下的和善气质感染（这来自于两位创始人的行为风格），争论再激烈，也从没听过有谁说出 “你不懂” 这样尖刻的话。过程常常是这样的：争论，做决定，再亲手推翻自己的决定，快速变化，但始终是往前走的。

一些时候，分歧不可弥合。那位生物学博士背景的研究员会突然画风一转，“那就是你们不了解蛋白质。“他说，” 我要给你们讲。“他随手拉过来一个白板，又画又写。做模型的同学也拿起笔，也在白板上又画又写，“那我也给你讲讲为什么那些方式都不 work。”

回想那段时日，研究员们想到的共同意象是白板。白板在 SimpleX 办公室随手可及，只要没有办公桌椅的地方就有它，“可以说三步一个”。拉过一张板子，在工位旁立刻就能开启一次授课、一场讨论。起初，听众只有一个人，结束时，“面前站了一群人在听”。白板上的文字和图形，有时会保留一周，他们特别叮嘱保洁员不要擦掉。散场之后，大家各自去做，偶尔再回到白板上核对。

一位做语言模型的研究员给自己定下一个严苛要求：把不懂的生物知识一样样学会，然后，当着公司最懂生物的科学家的面讲出来。“我在他那儿班门弄斧一下，等到有一天，我给他讲东西，他已经不会再觉得讲得不对，或者我只要能说到他哑口无言，那我不就学会了吗？” 他笑着形容自己，“我感觉我就是一个大模型。”

在这样的交流过程里，他们感觉到对方的态度一路在变，从 “你不对”，到 “好像也有道理”，再往后，做语言模型的人能指出生物博士的问题，做生物的人能发现技术上的问题。那段时间，他们面对的是蛋白质结构预测问题，验收标准：模型预测的结构要和参考结构长得一模一样。可就像前面提到的，蛋白质一直在动来动去，“就像那两个一模一样的手一直在动，而你要证明两个看起来动作可能完全不一样的手其实是同一只手。其实是不合理的。” 后来，两个团队一起讨论，决定修改标准：模型给出的结果不必和参考结构完全一样，只要能从别的角度判断出，那是同一只手就可以。

人的冲突磨合了，最难的事还在：让蛋白质成为语言模型的母语之一。这可不像把一句话切成破碎的词块那么轻松，得先把三维的结构解开，再压缩成一串符号。难就难在怎么解，怎么切。这事的难度，SimpleX 的创始人沉默了好几分钟，去搜寻一个最接近的类比：“就像在北京这么大的面积范围内，用肉眼快速找到一个特定的房子。”

切法前后改了许多版本，“大家讲庖丁解牛，得顺着它的骨骼去找到最重要的那个维度，太激进，或太保守都不行。”

一个版本接一个版本过去，一个实验没拿到结果，就要消耗几百万元的算力，表现始终在很低的分数上徘徊。创始人抬起手，画出 Tetra-1 研发的故事曲线：“一开始，一直是这样的”，他把手臂放得很低，在几乎贴近横轴的高度水平地划出一条直线。

“你这个红旗还能扛多久？” 他说那段时间常有研究员问出这样的问题，他知道，那句疑问来自于怎样的心情。

“大家都经过科学训练，你到底是因为坚持才成功，还是因为成功才坚持？” 他回应他们说，“既然做这个事情，本质就是相信这个事情。”

做研究对他来说，就像夜里提一个灯笼在爬山。灯笼只能照到脚边的路。“我隐隐约约觉得山顶在那边，但我提个灯笼，只能看到脚下的路，我在每个位置都需要做出决策……最后你爬到山顶的时候，哦，原来路径这么清晰。”

直到一天，那条代表开发顺利程度的曲线陡然上升了。

零点几、零点几，然后 “哐当涨 10 个点”。做过语言模型的人对漫长的蛰伏并不陌生，何况是一件从来没有人做过的事。徘徊几乎是必然的。可一旦突破某个技术瓶颈，AI 就带来惊喜。“没有想到它后面的斜率还挺陡峭的”，创始人回忆。从机器翻译转行过来的研究员说：“之前觉得可能还要几个月，但可能你真的就莫名其妙地发明了一些更聪明的方法，之前卡了几个月的问题，突然一周就搞定了。”

模型陡然上升的时刻，是个头皮发麻的时刻。消息最初只是几个指标涨了，数字本身说明不了什么。他们花了一个周末，在公司里把数据表现做成一段视频。电脑上，一个三维的蛋白质结构在缓慢变化，转到某个角度时，一个被盖住的 “口袋” 打开，接着又去修补打开之后带来的连锁反应。“就是那一刻，看着它深度思考的过程，我感觉头皮发麻，” 主导项目的一位有过 AI for Science 经验的研究员说，“就有一种你在操控生命物质的感觉。”

“这是最重要的时刻，我们真的证明了用语言模型做推理来做结构预测，会比纯做结构预测更有用。” 他说。

惊喜之后是更冷峻的问题，分数上去了，模型真的学会了推理么？

模型天生会偷懒，会背答案。传统机器学习就是这样：100 个知识点里有 3 个占据了 95% 的分数，它就去学那三个。“但生物领域不行，有一些小概率突变会产生非常严重的后果。” 生物博士研究员说，“有时候只变化了一个氨基酸，整体结构没差别，但细胞可能完全死掉了。” 因此，限制并确保 Tetra 真的会推理非常重要。

只能拿人类已有的科学发现来考它。给它一个人类科学家已经发现的结论，让它在同样的信息条件下，自己推出相同的结果。这就像培养出一个天才运动员，除了给它当教练，还得当考官。

那位生物博士研究员就是考官里最严格的。“大家都说，AI 的终极测试就是回到爱因斯坦发表相对论之前的那一年，让 AI 推导出相对论。” 他说。他给 Tetra-1 设置的也是这样一个环境。这需要大量琐碎的工作。假设一个蛋白质机制的结论出自某年 1 月 1 日见刊的论文，时间点不能只卡在这一天，因为在此之前，科学家们早已从不同角度提出过猜想和阶段性的发现。他们需要确认模型真正在推理，而不是在人没注意到的地方记住了答案。

他们试过白名单机制，只给模型看某些信息；也试过黑名单机制，除了限定的之外能看。两种方案都不行。白名单总是会损失太多本应拿到的信息，黑名单永远会有漏网之鱼。最终，只能回到最原始但也最可靠的方案——由人来 “手工挑选”。开发、数据、基建的同事专门开发一套 agent，来判断某条信息能不能让模型看到。“大家都认同这件事很 heavy，但没有人说，因为太 heavy 了，就不做了。” 生物学博士研究员说。

Smart people do dirty work. 聪明人做脏活。这是 SimpleX 想要打造的文化。

Tetra-1 的推理既有微观，也有宏观。微观是分子层面的推理，宏观是对生命机制的推理。它会解释一个基因、一个蛋白为什么展现出某种功能，分析这个蛋白长什么样、执行功能时是什么模式、这种模式能不能迁移到别的蛋白上。“对于一个学生物的人来说，你直接告诉我这个基因是什么功能，那个基因是什么功能。因为我们会非常要求可解释性。你告诉我中间过程，我就非常信任，并且交互的方式是我能读懂，能看懂的。”

生物学的数据本来就少。做语言模型的研究员打过一个比方：生命是一点一点演化来的，假设生命科学领域的全部知识是一个大圆，人类能看到的只是大圆里的一个小圆。小圆和大圆之间的那一圈，他形容：“空无一物。大家完全不知道那里有什么东西。”

要把小圆撑大，只能花钱做实验，一个机制一个机制去发现、去验证。于是数据成了这个领域最稀缺的东西，有钱、有资源，就有更多数据，模型就训得更好。今年 2 月，从 DeepMind 孵化创办的 AI 制药公司 Isomorphic Labs 发布了药物设计系统 IsoDDE，在最难一组测试题上，它预测药物分子如何嵌入蛋白质的准确率是 AlphaFold 3 的两倍。它的数据获取来源没有公开，但有科学家认为，它能做的更好，很可能靠的是花大笔的钱获得私有数据。

SimpleX 没有这些数据。

9 月，Tetra-1 靠推理超过了 AlphaFold3 和 IsoDDE 的分数。一位同事特意补充：领先最多的，是和已知结构最不相似的那组题。也就是说，模型训练时几乎没见过相似的结构，显示出泛化能力。

“这代表我们没有那部分数据，但靠推理居然能够填补这个空白。”SimpleX 的首席科学家说。

技术更迭带来的效率提升，几乎是这个故事里唯一不必怀疑的部分。

那位生物学博士出身的研究员，对生物研究的 “慢” 感触很深。“传统的研究模式真的让人没办法快速地产出更多东西。” 他说，比如在实验室养一批线虫或斑马鱼，养了两个月，一次空调故障就能得从头再来，“人的智力就被卡在这里”。

一个生物课题组里，做数据分析的研究员每天的工作是查文献、搜集信息，从中找出值得继续研究的问题，提出推测。即使每天都读，一个人能阅读的文章、文献还是有限的，何况还受制于自己的领域。

“难道真的是学生物的同学智力不够吗？肯定不是。” 生物博士研究员此时语速很快，“是这个行业的整个研究模式真的让人没办法快速地、或者在单位时间内产出更多东西，人的智力就被卡在这里。” 他决定加入这家 AI 公司，其实是在帮助做出这个 AI 替代原来做数据分析的他自己。

变化在自己身上发生得很快。他常常想起时间不过倒推四五年，和很多科研者一样，那时他对 AI 的态度也是怀疑多过拥抱。“替代不是为了把我们逼上绝路。” 他说，“而是解放科学家的生产力，让他们去思考更需要人类智力的问题。” 他说得笃定且冷静。

人类在生物学上积累的经验，正一点点融入 Tetra-1，成为它的智慧。一个问题，模型可能有 1000 种解法，其中 990 条走不通，人可以靠已有的知识给它缩小到 10 条，“类似种子的作用。” 公司里的生物科学家们就是埋下那些种子的人。

SimpleX 的首席科学家是个讲到技术和未来时充满激情的人，在许多技术分享的场合里，他把他们做出来的技术产品未来的样子描述为 “超级科学家”。超级科学家 Tetra 将变成人类科学家默契的伙伴。过去，人得靠自己找到新的理论发现，推测提出新猜想，但又没有把握，只能靠做大量实验筛选出值得追下去的问题。之后，Tetra 这样的模型可以先筛出更有希望的选项，实验只负责验证。

“科研速度会被极大地提高，这个提高可能会超出大家的想象。”SimpleX 的创始人说。

人们已经在这几年适应了先进人工智能扑面而来闯入生活。公司创始人讲到发生在自己家庭里的故事，春节假期，做了一辈子数学系教授的亲属不信他说的 “AI 会让数学未来的格局发生巨大变化”，反应很激烈。八个月过去，他们主动说，“哎呀，我们这个学科恐怕真的要变成非遗了。”

对普通人而言，AI 带来的变化会一层一层展开。先是许多药物的研发会加速；然后，罕见病有望被更好地治疗；再往下，药物也许不再是一套标准方案卖给所有人，而是每个人能有一套最适合自己的用药方案，实现所谓 “千人千药”。

但模型仍然会犯错，不能完全离开研究者。数学可以靠纸面上、电脑里的推演完成。生物还需要实验，需要很多和环境的交互，才能最终走进生活。毕竟这是对生命能产生直接作用的事。

“这是一个非常疯狂的未来，我也不确定我们能不能做出来，但这是我心目中的终局。” 一位研究员说。在一家同时研究这两件事的公司，他们在被两种观察世界的方式重新塑造：你会一方面惊叹于人类的伟大，与此同时感喟人类的渺小。

“生命是混沌的边缘。” 一位做语言模型的研究者说。这句话出自他很喜欢的一本书，《复杂》，他看到生命存在的偶然。

另一位从机器翻译转过来的研究员，曾和做过癌症治疗的人聊过，癌细胞在不断适应药物、不断演化，“你会发现你其实在对抗自然本身”。人靠自然的演化来到今天，癌细胞也在用同一套规则活下去。“我对生命本身有一些敬畏，” 他说，“你很难完完全全地理解这样一套复杂的系统。” 对于自己现在这份工作的理解，他说：“我觉得是让人对生命的理解往前进一步。”

而生命的语言，蛋白质，在微观尺度上恒久变化的蛋白质，也向做 AI 的研究员们展示着生命的真理：人们常为看得见的技术变化而感叹，却很少留意生命也在适应这些变化而继续演进。用技术介入现实生活从来没有一次像现在这样，面对的是生命这样一个庞大的、令人越做越心生敬畏的命题。

“人不应该只是帮助 AI 被发明出来的那个物种，之后就被放手了。研究生命科学不影响、也不决定机器的能力是否能变得更好，机器也不在乎人的生命是什么。所以我觉得，我们研究这一切，其实都是为了人。”

每一场谈话的终点，都落到没有技术经验的采访者担忧的询问，这些制造比人类更强大的 AI 的人想把人类带到怎样的未来。

创始人接过问题，严肃但从容，“我没有担忧，” 他说着，好像在试图找到一个最佳方式去展现自己的真诚，“因为我能想象到的问题，我都能同时想到它是如何被规范的。所以你问我有什么担忧，坦白说，我对我想象力以内的事情都没有担忧，我唯一的担忧，就是我的想象力不够。”

题图来源：《降临》

- FIN -