跳转至

Pushmeet Kohli（Google DeepMind）

  • 背景: ⚠️ 期内未播报职务，本库只记机构。 他自述的研究路径是安全研究 → 计算机视觉 → 贝叶斯理论 → 判别式机器学习与深度学习 → AI for coding → 科学，自评 "我的背景相当杂（eclectic）"。
  • 与 AlphaFold 的关系: 他自述 "John Jumper 和我过去常讨论这件事——我们到底在解什么"，并以第一人称复数描述 AlphaFold 2 的设计决策与发布（"当我们发布 AlphaFold 2、把权重放出来"）。⚠️ 本库据此把他当作该项目的内部参与者，但他没有自报具体角色，本库不补。 他另自述参与过细胞基因组学方向的评估工作。
  • 本库收录来源: Latent Space（2026-10-10，⚠️ 会议现场圆桌，非播客访谈）

立场与关注点

来源：Latent Space / Pushmeet Kohli × Sal Candido（2026-10-10）

⚠️⚠️ "蛋白质折叠已解决"是任务意义上的，不是科学意义上的

  • ⚠️ 他先给了一句极少见的自我否定（[00:16:12]）："当人们说蛋白质是构建单元（building blocks）这个叙事时——蛋白质不是积木，它们也不像积木那样行动。我天天都在说'蛋白质是构建单元'，但其实我不信这句话。蛋白质极其复杂、它们是无序的、它们的形状可能随语境改变。"
  • ⚠️⚠️ 然后是那段定义性的拆解（[00:17:12]）："我们并不知道蛋白质真正采取的基态（ground state）是什么，也不知道蛋白质采取的结构的真实分布是什么。我们实际在做的事，基本上是：某个人得到了一个结构、把它存进了 PDB，而我们在试图复现、得到同一个结构。那就是我们做的事。而它恰好有用。但那并不意味着我们已经理解了全部的蛋白质动力学。"
  • ✅ 本库认为这段的分量在于失效点被定位得非常具体：⚠️ 被解决的是"复现 PDB 里的沉积结构"这个可度量任务，而不是"蛋白质在真实语境里取什么构象分布"这个科学问题；而前者之所以被当成后者，是因为它恰好有用。
  • ⚠️ 他对两种受众的表述策略给了一次坦率说明（[00:17:12]）："在最高层上，说'我们取得了进展'更容易沟通；但我们当中的科学家、在这个会场里的人——我们知道（实情）。"
  • ⚠️⚠️ 而落点明确放在资金上（[00:18:13]）："我们取得了进展，有很多值得庆祝的。但请不要停止对蛋白质结构预测和蛋白质动力学的资助，因为我们才刚刚开始。" ✅ 本库按既有口径把后半记为立场——这既是科学澄清，也是一次经费倡议。
  • ⚠️ 他给的方法论前提是（[00:16:12]）："科学运作的方式，基本上是通过隔离出某样东西、然后一步一步取得进展。" ✅ 本库标注：这正是他拆解的依据——把被隔离的那一步的成功读成整个问题的解决，恰恰是忽略了"隔离"这个动作。

⚠️⚠️ bitter lesson 的第三种读法："不要对解法有宗教式的立场"

  • ⚠️ 他的依据是在场听过原讲（[00:05:04]）："我在 DeepMind 时 Rich 和我们在一起、在思考 bitter lesson 这个想法。"（⚠️ 稿中只有名 "Rich"；bitter lesson 一文的作者是 Rich Sutton，所以这几乎确定指他，但本库保留原样）
  • ⚠️⚠️ 他的读法："他在讲某种更概念性的东西：有时候当我们看问题时，我们会以一种非常宗教式的方式去想解法。'我是个建模者'，或者'我是个数据生成的人'。而我认为那才是那个 bitter lesson——如果你带着那种心态去接近问题，你可能不会成功。" ⚠️ 落点是 "问题先行，而你在解法空间上应该保持灵活。两种都该试。"
  • ⚠️ 他对当年机器学习圈的批评很直接（[00:07:05]）："人们说：我们是机器学习研究者。数据集就在那儿，这里是训练数据、这里是测试数据，而我们只优化模型——而那是坏掉的。" ⚠️ 他补的维度是 "进入这个过程的不只是数据或建模，还有专业知识（expertise）"。
  • ⚠️⚠️ 而他给的那两个同一方法、相反结论的案例是本库认为最有操作价值的部分（[00:07:05]–[00:08:07]）：
  • AlphaFold → 全力建模："我们既没有那种核心专业能力、顺便说也没有那种资源去说'让我们把 PDB 扩大一个显著的量级'"；而他对既有数据的评价是 "全世界的组织和科学家为构建那份数据所投入的量是无价的"。
  • ⚠️⚠️ 细胞基因组学 → 结论相反："经过一堆工作之后非常清楚的是，数据还不到位，没法去追'构建虚拟细胞'那个宏大野心。"
  • ✅ 本库的综合（非他原话）：⚠️ 判据是现有数据集相对于目标的覆盖度，而不是领域的热度——同一个流程在一个领域导出"别碰数据"，在另一个导出"先去产数据"。
  • ⚠️ 他给新人的建议是三句（[00:09:08]）："把自己想成一个多学科的人"；"先理解问题——你为什么在做这个问题？"；"理解那些约束，然后停下来、试着快速失败，看看哪些路径在长期上是可行的。"

⚠️⚠️ 为归纳偏置辩护，理由是数据效率；并把数据工作也称为手艺

  • ⚠️ 他否认 AlphaFold 2 的手工特征是偶然（[00:11:10]）："它背后有一个愿景、有来自生物物理与生物化学的科学直觉——那些氨基酸残基不是各干各的，它们在被其它残基影响。那就把它烘进去（bake that in）……用那个信息去鼓励模型、给它那个不公平的优势。"
  • ⚠️⚠️ 机制是："它确实让模型的数据效率高得多，因为它不必把所有东西都重新复现一遍。"
  • ⚠️⚠️ 而他把数据这一侧也从规模改成了手艺（[00:12:10]）："策划好数据本身就是一门手艺。如果你只是把同样量的数据复制一遍，你哪儿也去不了。所以它不只是 big data，它是 good data。而真正理解什么数据的覆盖度对在这个问题上取得进展是必要的——这其实我会说是一个更有意思、也更有挑战性的问题本身。"

⚠️⚠️ "可解释，对谁可解释？"——用行为刻画与校准替代可解释性

  • ⚠️⚠️ 他先用一个反事实说明哪一个才是刚需（[00:24:16]–[00:25:18]）："AlphaFold 2 当时在那个集合上是 90 GDT。但即使它是 95 GDT，而 pLDDT 分数完全没有被校准（uncalibrated），谁会信任它？它就会魔法般地给出好答案，但突然告诉你'这里非常非常有信心'，而你会为它工作一年、然后发现它完全是错的。" ⚠️ 结论："那个不确定度度量的校准是极其重要的。"（⚠️ 他没有说是哪个集合，稿中只有 "on that sort of set"，本库不补）
  • ⚠️⚠️ 他的核心区分是："我们在理解 AlphaFold 2 如何表现（behaves）这件事上取得了很多进展。而那不同于'它是怎么工作、怎么找到那个解的'。" ✅ 即行为刻画与机制可解释性是两件事，而他主张前者是使用模型的前提、后者不是。
  • ⚠️⚠️ 而那句问法是本库认为本期最该被长期引用的一句（[00:26:18]）："可解释性问的是这个问题：对谁可解释（interpretable by whom）？如果你说的是对一个人类理性系统可解释、带着人脑的认知与计算限制，那么不——AlphaFold 2 不可解释。但如果你问的是，AlphaFold 2 对一个大得多、复杂得多的模型是否可解释——也许它是，只是我们不懂。"
  • ⚠️ 他给的可操作形式是一个实验设想（[00:27:18]）："如果你给未来的某些大型前沿模型访问激活层的权限，然后说：你能预测 AlphaFold 会做什么吗？也许它们能，而它们会提出一个关于 AlphaFold 2 实际上是怎么产出这些结果的理论。"
  • ⚠️⚠️ 主持人做了一次概括，而他用一个词确认了（[00:27:18]）："所以你的看法是，严格意义上的可解释性并不是必需的；而确保模型可被信任、从而让人类能做出可执行的决策，才是人们该聚焦的东西。"——"正是（exactly）。"
  • ⚠️ 他随后给的使用纪律是："我们不能在没有那种行为刻画的情况下就使用这些模型，否则它不会帮我们、反而会伤害我们。"
  • ⚠️ 他给了一个"泛化"的正面案例，而有意思的是他把它当作泛化证据而非可解释证据（[00:26:18]）："当我们发布 AlphaFold 2、把权重放出来，人们发现它是一个很好的无序蛋白质预测器——它能搞清楚蛋白质的哪些部分是无序的。" ⚠️ 而他明说 "我们在发布前并没有发现它"。

⚠️ cryo-EM 原始数据：他的"魔杖"答案，以及一次失败的承认

  • ⚠️ 被问"能挥魔杖变出更多的什么来加速功能/动力学/设计"（[00:18:13]–[00:19:14]）："我心里那个计算机视觉研究者对 cryo-EM 显微图超级兴奋。我当时想：这个 PDB 数据是什么？我应该在源头工作——我不要那些结构，它们一定漏掉了所有的数据。"
  • ⚠️ 目标很具体："让模型能在那个层级上、用正确数量的数据扩放，并把那里被捕获的所有动力学与分布信息抽出来——那会是一件了不起的事。"
  • ⚠️⚠️ 而他对自己尝试的交代只有一句："我试过，我做了，但——它需要更多工作。" ⚠️ 预期是 "也许比我更强的人会去试一把"。 ✅ 本库认为这次承认值得记：它把 cryo-EM 原始数据路线定位成"已被认真试过且未成功"，而不是一个没人想到的方向。

⚠️ 临床时间表：他拒绝了这个提法

  • ⚠️⚠️ 被问"多久能在临床看到 AI 结果"（[00:28:18]）："重点是——'AI 的结果进临床'，我认为这是个 ill-posed（提法不当）的问题。AI 今天已经在药物发现过程的每一个部分被使用了。"
  • ⚠️⚠️ 他把问题重写成"在加速什么"："如果你问我的是，我们什么时候会看到那个 10 倍或 100 倍的时间线加速——那么另一个问题就是：我们在加速什么？是 lead optimization？是靶点发现？是临床前、还是毒理那部分工作？"
  • ⚠️ 他给的时间口径只有 "我想在接下来这几年"，条件句是 "我们需要攻克生物学的一些硬挑战，只有那样我们才能拿到那些真正的加速解锁"。⚠️ 他把这条与"今天宣布的这个 effort"直接挂上了，✅ 本库标注为面向会议议程的表态。

呼应与分歧

已收录访谈

日期 视频 主题
2026-10-10 AlphaFold 到底解了什么、"先去找那条 scaling law"、"可解释，对谁可解释？" 折叠"已解决"叙事的拆解、bitter lesson 的第三种读法、归纳偏置的数据效率论证、校准优先于可解释性、cryo-EM 路线、临床时间表的拒答