跳转至

Zuckerberg、Priscilla Chan、Alex Reeves：用 AI 建生物学世界模型（No Priors，2026-06-10）

CZI（Chan Zuckerberg Initiative）把 Biohub 定为主要慈善事业、投入 5 亿美元做"虚拟生物学"：用 AI 自底向上（蛋白质→细胞→系统）建生物学世界模型，全部开源。标题梗："本世纪内治愈所有疾病"——十年前诺奖得主当面嘲笑，如今 Zuckerberg 觉得"这个时间表太保守了"。

说话人映射（据补做分离的 speakers.md；转录稿本身无标签，此处认人属 wiki 层编辑判断）： 三位嘉宾 + 两位主持，嘉宾之间靠互相以第三人称提及排除：

标签 占比 认定 依据
SPEAKER_03 33.8% Mark Zuckerberg 以 CZI 内部口吻谈"prior to Alex leading the effort"（[00:52:48] 块，100%）、"Priscilla was talking about this"（[00:38:37] 块）——是内部人，又不是 Alex、Priscilla
SPEAKER_01 26.4% Priscilla Chan "our work… that Alex is driving now"（[00:06:08] 块）、"strategy we're driving now and Alex at the helm"（[00:54:49] 块，均 100%）；高纯度块是疾病机制、受体靶点与药物设计（[00:22:25]、[00:33:33]），与其医生背景一致；00:07:39–00:08:26 讲 cellxgene 的来历
SPEAKER_04 21.7% Alex Rives 00:08:27 主持问"Alex, you… started at Meta FAIR… What was the pitch from Mark and Priscilla?"（[00:08:11] 块），00:08:43–00:09:45 由此标签作答；"as Priscilla and Mark were saying"（[00:13:13] 块，100%）；高纯度块是蛋白设计与结构预测 SOTA（[00:29:30]）
SPEAKER_02 8.2% 主持之一 开场"Today on No Priors, we're joined by Mark Zuckerberg, Priscilla Chan, and Alex Reeves"（[00:01:05]，100%）
SPEAKER_00 9.9% 主持之一 上述向 Alex 发问的一轮

两位主持中谁是 Sarah、谁是 Elad，节目内无法区分。

概要

CZI 十年演化史（从资助单细胞测序方法 → Human Cell Atlas → cellxgene → 虚拟生物学）；frontier AI × frontier biology 双前沿必须耦合的方法论；一周前发布的 ESM Fold（11 亿蛋白质折叠、涌现出蛋白质设计能力、mech interp 打开黑箱）；为什么做开源非营利而非创业公司；个体化医疗愿景与临床研究范式变革。

核心观点

双前沿：AI 数据稀缺是核心约束

  • 与语言模型不同，生物学数据不在互联网上：需要发明全新科学方法去"看见/记录/测量"前所未见的东西（成像、细胞工程、Chicago Biohub 的炎症测量设备），才能造出喂给模型的数据。所以 AI 前沿必须与 wet lab 前沿绑成单一团队（Alex 加入的关键原因）（[00:04:07]–[00:05:07]、[00:17:16]–[00:18:18]）。
  • 生物模型比语言模型小，正因数据少；数据（而非算力）是更硬的约束（[00:17:16]–[00:18:18]）。
  • 层级化建模：蛋白质→细胞→系统，每层质变、不能跳级；CZI 独特之处是能策略性采集"跨层连接组织"的数据（透明斑马鱼看脑发育、空间转录组看细胞内定位）（[00:10:12]–[00:13:13]）。

ESM Fold：涌现出的蛋白质设计

  • 语言模型式训练（数十亿蛋白质序列），生物结构/功能是涌现的——"我们没有为抗体设计模型、没有为绑定特定靶点设计模型，只是设计了一个能理解蛋白质的模型，蛋白质设计作为涌现属性出现"（[00:29:30]–[00:32:32]）。
  • 已折叠 11 亿蛋白质、原子分辨率、speed-accuracy 帕累托前沿；可当世界模型搜索空间设计新蛋白/单链抗体：数字端从数十万条轨迹筛出 96 孔板实测，找到 nanomolar binders（治疗活性级别）（[00:28:29]–[00:30:32]）。
  • Mechanistic interpretability 用于生物学：把 LLM 的 mech interp 工具箱迁移到蛋白质语言模型——打开黑箱理解模型如何做预测，在已知与未知蛋白之间"连点"，可能揭示新机制/新疗法作用机理（[00:14:14]–[00:16:15]、[00:28:29]–[00:29:30]）。

为什么开源非营利

  • "不是不能做成生意，而是开源能更快让更多科学家用上、影响更大"；理论不是"我们来治病"，而是"加速整个科学界的进步速度"，让科学界集体治愈疾病（[00:17:16]–[00:19:20]）。
  • 中立非营利属性能吸纳更多人才、不排斥任何人；疾病有极长尾（罕见病常被孤儿化），去中心化把工具放到"我恰好深切关心脊髓性肌萎缩"的人手里，反而能推进——而罕见/边缘案例往往教会你更多关于系统的知识（[00:19:20]–[00:22:25]、[00:36:36]–[00:37:37]）。
  • 需要 10–15 年时间跨度 + 巨额资本 + 不必操心怎么赚钱的战略简化（[00:18:18]–[00:19:20]）。

个体化医疗与临床范式

  • Zuckerberg 拒绝"哪个病先被治好"的框架：目标是理解生物学如何运作——理解某个体的基因、疾病风险、gene variant→蛋白→疾病的机制链条，然后为其定制蛋白/药物。把医学从发现型科学变成工程型科学（[00:07:10]–[00:08:11]、[00:21:22]–[00:23:26]）。
  • 用 transcriptomic 模型预测 off-target 效应/毒性（提前发现"你的肾细胞也表达这个受体"），可在人体试验前排除肾毒性——攻击的正是新药开发中占 14.5 亿美元/十余年成本的临床失败环节（[00:32:32]–[00:34:34]）。
  • 临床研究范式需变：患者自组织登记/自然史/生物库/自办试验（罕见病组把基因疗法从数十年压到 3–5 年）；opt-in 参与前沿试验（[00:36:36]–[00:38:37]、[00:49:44]–[00:50:46]）。

去中心化的技术哲学（与 Meta 一脉相承）

  • "我们不相信高度中心化的未来——不会有某个中央超级智能解决所有科学"：人在未来更重要，给人更多工具去尝试"主流之外"的想法，才是进步的历史规律；这与"做社交媒体给人发声"、"个人 AI 开源"是同一 ethos（[00:38:37]–[00:40:37]、[00:50:46]–[00:51:47]）。开源仍需权衡生物安全（[00:40:37]）。
  • 小团队论："做 AI 研究不需要几百上千研究员，一二十个很强的人就能推进"；稳定、彼此熟悉、能长期共事的团队的复利效应被严重低估（[00:43:40]–[00:45:41]、[00:51:47]–[00:53:49]）。
  • 领导层从"懂技术的生物学家"翻转为"懂生物学的 AI 研究员"（Alex）——是对未来价值来源的判断（[00:51:47]–[00:53:49]）。

指数曲线的心理学

  • "指数增长的情绪体验是：它长得太快，感觉不可能持续——但指数曲线的本质是不只持续、还在加速"；产业基本面"仍在曲线上"，这验证了大投入的合理性（[00:53:49]–[00:54:49]）。
  • Elad Gil 的收尾定性：code/research 是闭环系统（迭代快），生物学是开环系统——CZI 真正关键的贡献是"把与真实生物学的回路闭上"（[00:54:49]）。

相关主题

  • AI 与科学发现（生物学世界模型、蛋白质设计、mech interp 迁移、闭环 vs 开环）
  • AI 与就业（去中心化/小团队论、"个人赋能"哲学）