跳转至

Ian Quigley

Leash Bio 联合创始人兼 CEO。自述背景是 genomics methods development 而非化学；与联创 Andrew Blevins（CTO，⚠️ 姓的拼写在自动字幕里有三种，本库未写定）同出 Recursion。公司规模自述 10 人（2026-10）。

本库对他的材料目前只有一份，但本库认为那一份在 AI for Science 与 评估与基准 上的分量都很重：

来源：Latent Space AI for Science / Ian Quigley（2026-10-14）

⚠️⚠️ 他最该被引用的一条：模型学到的是化学家，不是化学

  • ⚠️⚠️ 他把"公开化学数据集上训出来的模型其实在学社会学"这个担忧做成了一个判决性实验：从 ChEMBL 取发表 30 篇以上论文、600 个以上分子的化学家共 1,815 位，训一个只看分子、预测作者的分类器 → top-5 准确率 60%，他的定性是 "这是一个非常非常容易的问题"（视频页 [00:47:21]–[00:48:22]）。
  • ⚠️⚠️ 而判决性的那一步是第二步：把分子表示成完全不含任何化学结构或化学式的 1,800 维"谁是创作者"概率向量，用它在 ChEMBL 上预测活性——"它的效果和你用化学式一样好"，而且两者合起来"并不会有意义地更好"（视频页 [00:50:22]–[00:51:23]）。
  • ⚠️⚠️ 他的结论与那句最可引用的落点："我们真的认为它在学大量的社会学。它不是在学 ground truth。" —— "但当你在尾气（the exhaust）上训练模型，你可能就有麻烦了。"
  • ⚠️⚠️ 而他给的机制里最少被讨论的一层是"缺席也是指纹"："当你在这些机构里做化学家，下单做一个分子再去测是挺麻烦的。所以你会做出很多很多'不去做'的选择，而你不会把那些写下来。" ✅ 本库认为这条是他全部材料里最该被迁移的：不做某件事的决定从不进数据集，但它决定了什么进了数据集。
  • ⚠️ 他明确不把这当成对化学家的指责："那不是他们想做的事。他们是想用尽可能少的化学系列拿到两个药——他们当然会那样做。"

⚠️ 他的方法论底色：bitter lesson + 对实验作弊模式的职业性警觉

  • ⚠️ 他自报框架："我们这边是极度吃了 bitter lesson 药的（extremely bitter lesson pill）"（视频页 [00:34:15]）。
  • ⚠️⚠️ 而他的能力自述里第二条本库认为比第一条重要：除了基因组学方法开发背景，还有 "在 Recursion 的很多年。我们在高维生物学里犯了老实说很多错误，在黑暗里到处撞，搞清楚有哪些失败模式会让模型在高维成像数据上作弊"，例子是 "你能不能预测这次实验是在哪台仪器上跑的？如果你能，那就非常糟"（视频页 [00:18:06]）。
  • ✅ 本库标注：他全部材料只围绕一个主题——模型会去抓那个比你想让它学的东西更容易抓的信号，而仪器、化学家、蛋白质"外号"、分子量是同一现象的四个化身。⚠️ 这条合并是本库的，不是他的原话。
  • ⚠️⚠️ 而他把这条警觉说成了公司的护城河，而且写得很具体（答"更有钱的实验室为什么不能直接把你们规模化掉"，视频页 [01:42:52]–[01:44:54]）：问题的解不是数据量也不是资本，是把作弊模式一个个追下来——要用元数据追踪批次效应，而关键是组织层面的："我们必须让那些工具没有摩擦，这样真正在做实验的人才真的会去记录它们"；再加上回溯到公司创立的全部数据一致性核对。他的落点是 "它需要一种很独特的文化、耐心、以及愿意去犯这些错误"。
  • ⚠️⚠️ 而他为这条护城河给的那个例子本库认为是他最漂亮的一处工程智慧，因为它把一个药的作用机理变成了数据质控信号（视频页 [01:44:54]–[01:45:54]）：分子伴侣类药物（如治囊性纤维化的 lumacaftor）的职责就是把错折的蛋白质重新折好，而他们化学库里有一批 lumacaftor 类似物；⚠️ 于是"一批 lumacaftor 类 hit"= "这个蛋白质大概没折对" → 不拿它当训练数据、换条件重跑。⚠️ 而这是撞上的："我们是偶然发现的——我们看到这些化学系列在各种不同的蛋白质类型上不停冒出来。"
  • ✅ 本库认为这条与 Clever Hans 那一半构成同一认识论的两面：⚠️ 都是"模型抓到了一个真实但不是你想要的信号"，区别只在于一个毁掉数据集、另一个被征用成了工具。

⚠️ 他的两次公开自我削弱，以及一次明确让步

  • ⚠️⚠️ 一、自己出题、自己公布"没人赢过随机"（视频页 [00:31:14]–[00:38:16]）。那场 Kaggle 竞赛的 eval 按化学结构关系切三档，最难那档换成完全不共享 hub 与 building block 的另一个化学库；2,000 支队伍参赛，⚠️⚠️ 最难那档"没有任何人好于随机"，而 "top 5 里有三个是那个带噪的教程 notebook"。
  • ✅ 而本库认为最该记的是他对"是不是只有菜鸟参赛"这个反弹的处理：把全部数据整体公开（原始 read counts、二值标签、所有 eval，放在 Polaris 上），"如果外面有人觉得自己很厉害，那就请给我们看看，因为我们希望这个问题被解决。"
  • ⚠️ 他同时披露了一条对自己不利的事前概率："我们当时给了大约 5% 的概率，认为 co-folding 方面最近的进展会让我们公司整个失去意义。"
  • ⚠️⚠️ 二、被问到规模够不够时直接说"远远不够"（视频页 [01:40:52]）。主持人指出 650 万个分子相对于组合化学空间（"大家会说 10 的 40 次方"）不算多，他的回答是 "Not remotely"。✅ 本库标注：一个把规模当核心叙事的 CEO 在自己的规模上直接给出否定，按明确自我降温记录。
  • ⚠️⚠️ 三、对 Kosuri 悖论让掉了一半（视频页 [01:36:50]–[01:38:51]）。悖论是"既然你需要大量高质量数据才能训好模型、而你显然采得到，那你要模型干什么"，⚠️⚠️ **他的让步是 "如果你唯一的理由是去为某个特定靶点拿到好的化学材料，那他当然是对的"。
  • ⚠️ 他保留的那一半是跨领域迁移："如果我们在化学推理上变得非常好，那我们就能在很多不同行业和它们的应用上变得非常好，而不必真的跑去在所有那些领域里做筛选"（点名农业、兽医学、材料科学）；⚠️ **终局表述是 "你真的会到一个你能做所有事的点——到那时你就再也不需要去筛任何东西了"。✅ 本库按愿景记录。

⚠️ 他对"当前 SOTA 结构模型在记忆而不是在懂物理"的具体指控

  • ⚠️⚠️ 纯计算的那条检验（视频页 [01:01:28]–[01:02:28]）：拿训练集里有代表的蛋白质，只改氨基酸序列去把口袋填平、移除或变大——"你做这些事里的任何一件……当前最先进的模型会把那个小分子硬塞进口袋原来所在的位置"，他的解释是 "因为它只是记住了它在哪里"。
  • ⚠️ 而他对结构训练集的根因判断是缺负样本："这些结构训练集里没有好的负样本"，而且 "没有人会去为这些东西做一堆晶体结构"。
  • ⚠️⚠️ 他自己模型上抓到的那条作弊模式本库认为是他最可操作的一条发现（视频页 [01:11:32]–[01:14:36]）：看 Hermes 的 cross attention 落点，预期是结合口袋（或退一步是所有残基），实测是两者都不是——它在看既远离功能部位、也远离保守结构域的短片段。
  • ⚠️⚠️ 他给的命名是："我们意识到 Hermes 大概是在给这个蛋白质起一个外号（nickname）……我可以记住这里和别人不一样的那 10 个或 12 个氨基酸，我就背下来。"
  • ⚠️⚠️ 堵口的办法是改数据而不是改损失函数：用定点突变造出"看起来几乎一样、行为差别很大"的蛋白质对，让外号策略失效；重训后 attention "会相当均匀地看所有这些东西"。⚠️ 他对范围的限定："更像是一个一般性的问题——我再也不能有效地用这个外号策略了。"

⚠️ 他给的那个 RL 环境，以及"一个周末 1 万次 SAR 战役"

  • ⚠️ 路线转向："最近我们发现非常有成效的，其实是转向语言模型"——用可读、可解释的英文来表示小分子、蛋白质与它们的行为（视频页 [01:15:38]）。⚠️⚠️ 底座点名 Qwen 与 GLM，这是本库第一条"美国生物科技公司在核心科学 pipeline 上直接用中国开放权重模型"的一手自述（视频页 [01:16:40]，另见 中美 AI 竞争）。
  • ⚠️⚠️ 环境的构造：给模型 10 个 binder + 10 个非 binder（彼此接近），要它说出"为什么结合"；然后 "这里有一个几百万分子的目录——你挑 5 个或 10 个，去检验你的假设"；它去查已经收集完的数据，"立刻拿到答案，就像一个 coding sandbox"，更新假设。⚠️ 主持人归纳为 "reinforcement rollout"，他确认（视频页 [01:17:41]–[01:18:42]）。
  • ⚠️⚠️ 那条量级对照（视频页 [01:21:42]–[01:22:43]）：一个医药化学家一辈子大概见到 "几十次、也许 50 次" SAR 战役；⚠️⚠️ "而就在上周末，我们拉出了 1 万多次。而且我们还没怎么使劲。"
  • ⚠️ 他说"为什么不直接放大 Hermes"的理由只有一句："我们认为它对记忆化问题抵抗力强得多"——因为加参数也会把突变体背下来，而 "用自然语言是这个问题上一个相当好的正则化器"（视频页 [01:19:42]）。
  • ⚠️⚠️ 而他给的那条必要条件本库认为是他全部材料里最该被 评估与基准 保存的（视频页 [01:22:43]）："你还必须把那些人类不会做的选择也包含进来——因为我们是在所有蛋白质上测所有分子。" —— "它必须有反事实。它必须犯错，而且你得确保那些错误存在于数据里，而且存在的方式不会偏向让它去学化学家的社会学指纹。"
  • ⚠️ 他给的那条比较性主张本库按断言记录："我们不知道还有别的什么问题，有一个物理接地（physically grounded）、而且这么可规模化、这么快的强化学习循环。"

⚠️ 本库对他的三条限定

  1. ⚠️⚠️ 他的全部量级都是自述、期内无一独立核验（约 2,000 个蛋白质构件、约 5,000 次筛选、每次 ≥650 万分子、Kaggle 放出约 40 亿条交互、1 万多次 SAR 战役、6 个月到小鼠 PKPD）。✅ 但本库认为他的证据结构好于一般创业者自述，理由是上文那两次自我削弱与一次明确让步，加上 Kaggle 数据与全部 eval 已公开在 Polaris 上。
  2. ⚠️⚠️ "1,800 维创作者向量与化学式一样好"这条是本库认为最该去找原始出处核对的：他说那是一篇"圣诞期间发布"的博客（"Clever Hans post"）、有排行榜和一个在线小游戏，但期内没给链接、论文或具体指标（哪个 metric、哪个子集、相差多少）。⚠️ 本库按原话记录"一样好"，不量化。
  3. ⚠️ 他对 Leash 的叙事全程是"我们融得不多但筛得极多"的资本效率叙事（"我们在 Leash 没有融很多钱，而我们筛了极大的量"），⚠️ 而期内没有任何融资额、人员构成之外的财务数字。⚠️ 商业模式他给的是"合伙分拆新实体"，并说手上有看起来有选择性的起始材料覆盖"大概 700 个靶点"——本库按自述记录。