"我们最大的想法其实花在了指标的构造上"：一位学术侧的虚拟细胞负责人谈归纳偏置的代价、器官类器官扰动、以及把"下一个实验做什么"变成一个逆向生成模型（Latent Space AI for Science × Fabian Theis，2026-11-06）¶

嘉宾: Fabian Theis — Helmholtz Munich 计算健康中心（Computational Health Center）负责人，慕尼黑工业大学教授；Scanpy / AnnData / scverse 开源生态的源头实验室；多家本地创业公司的董事或参与方
主持: RJ Honicky（Mirror Omics / Miro Omics CTO 兼联创，做空间转录组）与 Brandon Anderson（Atomic AI，做 RNA 疗法）——⚠️⚠️ 这是 Latent Space 的 "AI for Science" 子系列，两位主持本身是 AI-bio 创业者而不是媒体人，人物页见 Latent Space 主播
来源: YouTube · 51 分钟
转录稿: sources/latent-space/20261106-3nAV2s4GYbs（⚠️ 自动字幕 en-orig，无说话人标签；转录稿用 >> 标换人，而本期有两位主持，归属为编辑判断。⚠️ 本页把无法区分的两位主持统称"主持"，只在转录稿明确点名时才分开）

✅ 立场判定：本页判这是本库 AI for Science 线上厂商色彩最轻的一期之一，依据是四处： - ✅ 他在第一个实质问题上主动做了能力披露：被问"制药业会不会重新对虚拟细胞感兴趣"，他先说自己的视角"相当学术"——"每当我跟那些真的天天坐在创业公司里的朋友和同事聊，我对不同研究实验室在做什么有的那种概览和直觉，他们对创业公司有同样的东西。我在那个尺度上并没有真的具备这个。"（[00:02:00]–[00:03:00]） - ✅ 他反复点名自己实验室的论文时同时说出它们的局限（见第二、三节），⚠️ 而这与本库此前几期由公司方讲虚拟细胞的材料形成对照。 - ✅ 他对自己的处方（lab in the loop、RL）给了降温："这有点远，但我觉得我们在慢慢接近。目前更多算是 active learning。" - ⚠️ 但本页仍标注两处利益相关：他是 scverse / Scanpy 生态与 Helmholtz 计算健康中心的建设者，关于"工具价值"与"学术机构优势"的陈述带自我定位；他提到的几乎所有模型都出自自己实验室（scGen、scTab、NicheFormer、CellFlow、LabCompass 与那个对比学习模型），本库不把它们的效果当作已核实事实。

✅ 本页认为这一期值得长期保存的是六处，其中三处是本库此前完全没有的： ① ⚠️⚠️ 一条对归纳偏置给出代价方向的表述，而它来自一个本来最该偏向先验的位置（学术、数据受限）："文献已经相当清楚地显示……如果我们把先验的归纳偏置建得太强，我们可能会损失预测能力"，而他用 AlphaFold 的旋转不变性做例子——早期版本把它硬编进学习过程，后来的版本靠更多数据自己找到了旋转对称性，而且更灵活。 ② ⚠️⚠️ 本库第一条"最大的智力投入落在指标的构造上"的方法论表述："也许剩下给我们最大的想法去的地方，其实就是这个指标的构造。" ✅ 而这条是在他承认 AutoML / agent 会穷举算法组合之后说的。 ③ ⚠️⚠️ 把"下一个实验做什么"写成一个逆向生成模型（LabCompass），并给出三到四轮真实 lab-in-the-loop 的实现描述；✅ 而他明确说最难的部分不是模型，而是让实验方愿意押上他们的时间。 ④ ⚠️ 一条此前本库没有的表征缺口：解离细胞有"细胞类型"这个人造范畴可用，而空间上的局部 niche 没有对应的隐喻——"我不认为我们对细胞的局部 niche 有一个类似的隐喻。"** ⑤ ⚠️ 器官类器官（organoid）作为扰动对象的具体状态与具体局限，包括会计算的迷你脑与会跳动的心脏类器官，以及免疫系统缺失这类限制。 ⑥ ⚠️ 一条对平台型生意的结构性观察："我见过太多这样的平台公司，在某个时点转向'我们做一款药'。"

⚠️ 自动字幕的专名问题，本页统一还原并标出依据： - ✅ 可高置信还原的模型/工具名（依据是它们都是他实验室的公开产物）："SEGAN" / "SC Gen" → scGen（他说约 2019 年）、"SC tab" → scTab、"niche former" → NicheFormer、"self flow" / "cell flow" → CellFlow、"Gene Former" → Geneformer、"cell type is" → CellTypist、"lab compass" → LabCompass、Scanpy / AnnData / scverse。 - ⚠️ "Zera" / "Zara" → Xaira（依据：与 Noetik 并列作为虚拟细胞方向的反例，🔗 本库已有 Xaira 团队）；⚠️ "No it is" → Noetik；⚠️ "the Arkin's" / "arc competition" → Arc Institute 的 Virtual Cell Challenge；⚠️ "Suda pack" → pseudobulk（中等置信，依据是"用经典线性模型做扰动分析"的语境）。 - ⚠️ "Atomwise AI" → agentic AI（中等置信）：出现在主持的提问里（"现在 Atomwise AI 让任何科学家都能成为自己的计算（生物学家）"），⚠️ 本页按 agentic AI 理解并标为编辑判断——Atomwise 是一家真实公司，但该句的句法位置是一类技术而不是一家公司。 - ⚠️⚠️ 不可确证因此照录不采信的：他说"10 million transcriptomes 单次实验"时归给的厂商（字幕作 "Pac Bio"）与那个项目名（字幕作 "giga lab"）——本页只保留"单次实验测到千万级转录组"这个量级，不采信厂商归属；他那个对比学习模型的名字（字幕作 "SE concept"）；他担心会被大玩家吃掉时点的对象（字幕作 "Astra 2.0"）；[00:47:23] 的 "two person one" 一句。 - ✅ 可确证为真实存在因此照录的：CZ Biohub 的 18 亿美元合作（他列的参与方是 DOE、NIH、Meta、Google）、Human Cell Atlas、Yamanaka 因子、FinnGen、European Health Data Space、Munich School for Data Science、NeurIPS 单细胞竞赛与 open problems 联盟。 ⚠️ 其中那 18 亿美元是他在复述主持的提问，本页不作为独立信源。

一、本页判这一期最有价值的一条：归纳偏置是有代价的，而这话出自一个数据受限的位置¶

（[00:15:05]–[00:19:08]）✅ 本页判这一段的分量来自说话人的位置：⚠️⚠️ 他主持的是一个数据相对稀缺的学术方向，按常理最该主张"所以要注入先验"——而他的回答是先把代价说清楚。

主持先把问题搭成一个对立：bitter lesson 要求去掉归纳偏置，而数据稀缺时又必须注入归纳偏置才有统计效力；⚠️ 而主持还补了第二层，并点名了本库已有的材料：John Platt 在不久前那期提过的 predictive vs descriptive 模型之分——科学家真正想要的是能简化成描述性结论的东西。

他的回答分三层：

⚠️ 第一层是把这件事定性为领域内的分裂："这把这个领域分成了大概两组给出不同答案的人。"
⚠️⚠️ 第二层是本页要记的那条，且他说得很明确：

⚠️⚠️ "文献已经相当清楚地显示——我想现在至少横跨数十年、非常多的数据集——如果我们把先验的归纳偏置建得太强，我们可能会损失预测能力。所以它是有代价的。"

⚠️ 他随即把"该要哪种模型"交给了使用场景而不是方法论：如果你是医生、或者你是一个可能有癌症的病人，"对于预测，至少我觉得你想要最好的那个"；⚠️ 而"也许在被治疗的时候，你想要一个也许稍微差一点、但你更理解它的模型"。 ✅ 本页标注这条分法很克制：它没有宣布哪一派对，而是把判据换成"这个输出要被谁用来做什么决定"。
⚠️⚠️ 第三层是他给自己领域的现状定位，而这决定了他的实际立场：

⚠️ "在我们这个领域，扰动空间的尺度——我们对细胞做的那些事——还没有那么大，我不认为我们已经处在超级数据丰富的那个 regime。所以我觉得在我们这个情况下，混合模型可能仍然是该走的路。"

⚠️⚠️ 但他紧接着给了一个方向性的让步，并用了一个本库认为很有说服力的例子：

⚠️⚠️ "从大规模机器学习里得到的诚实的教训是：在某个时点，数据会打败人造的、额外加进模型里的概念。"

⚠️⚠️ "我常举的一个简单例子是 AlphaFold——第一版做了非常大的努力去让分子具有旋转不变性，他们把它建进了学习过程里。而只有在后来的版本里，旋转对称性是模型自己靠更多数据找到的，而且更灵活一些，因为你放进去的物理约束并不总是那么刚性，于是你让模型自己从中学习反而有所得。"

✅ 本页标注这个例子的作用：⚠️⚠️ 它把"数据打败先验"从一句口号变成了一个可以查证的版本差异，而且是在一个物理约束看起来最该硬编的问题上。 🔗 ✅ 而本库记下它与 Pushmeet Kohli × Sal Candido 那期对 AlphaFold 叙事的拆解指向不同的侧面：那一期拆的是"它解的到底是哪个任务"，这一条用的是它的架构史。两条互不冲突。

⚠️ 他对未来形态的预测："我觉得将来至少在更常被使用的那些模型里，更大的一部分会是那些更灵活、非常数据驱动的，然后你把解释事后放在上面。"（⚠️ 无时间尺度，本页记为立场陈述）

🔗 ⚠️⚠️ 而本页必须把这条与本库 2026-07 的 Xaira X-Cell 那期并读，因为两者在同一个问题上给出的不是对立而是错位： - ⚠️ Xaira 的主命题是"描述性数据学不出因果，所以要花钱造因果数据"，✅ 而 Xaira 的消融排序是数据 > 架构 > 先验； - ⚠️ 这一期同意"数据最终会赢"，但判断当前还没到那个 regime，所以仍主张混合模型； - ✅ 本页判两者其实是同一张图上的两个点——分歧不在原理而在"现在到哪了"，⚠️⚠️ 而这恰好让它可检验：若扰动空间的数据量继续按他描述的速度增长，混合模型的优势应该收窄。本页记为可回看核对的一条。

二、"我们最大的想法花在了指标的构造上"¶

（[00:25:10]–[00:30:15]）✅ 本页判这是本期第二条真增量，而且它是本库第一条把"指标构造"摆在模型之上的方法论表述。

⚠️ 先是一段他自己领域的"冷水史"¶

⚠️ 他对"线性基线打赢花哨模型"这件事的定性很直接："做好你的基线，这听起来是个如此显然的教训。但在一个朝着虚拟细胞这个金罐子猛冲的领域里，人们有时候对基线就没那么小心。" ⚠️ 他点出另一半原因是"关于 holdout 的一堆微妙之处并不总是被完全遵守"。
⚠️ 具体例子他给了两级：细胞类型预测这种简单分类上，"到今天我想一些接近 state-of-the-art 的模型其实就是逻辑回归"（⚠️ 他点名 CellTypist，并提到自己实验室五六年前一篇标题就叫"细胞类型预测不需要深度学习"的论文）；⚠️ 但"如果你跨器官，突然就微妙一些"，因为细胞类型会在不同器官里重现、免疫细胞随组织而有细微变化——而 scTab 显示非线性在这里确实带来了基线之上的增益。
⚠️ 他给学生的规矩："我知道你们想做最花哨的深度学习那套，但请你们一定要有基线。" ⚠️⚠️ 而他举的最低基线本页认为最值得记：对药物来说，"一个简单到就是预测均值的基线——比均值更好，在数据里噪声这么多的时候，有时候并不是那么容易做到。而这些东西超级噪声。"
⚠️ 他对 Arc Institute 的 Virtual Cell Challenge 给了两条评价："它不只把这件事叫扰动预测挑战，而是叫虚拟细胞挑战，听起来酷一点"，而"指标有一些甚至不是那么单细胞特异的，它们就可以被利用（exploited）"；✅ 他说最终被加冕的获胜模型"本质上是一个 flow matching 的东西"，⚠️ 而他的结论是"如果你把那些利用去掉，真正的赢家其实是带了一些非线性的东西"。
⚠️ 他们自己在 open problems 联盟里的对策是把指标开放给提交方："我们在这个联盟里的方案其实是，人们需要提交他们自己的指标和补充，以便真的捕捉到那些你此前可能没想到的微妙之处。"

⚠️⚠️ 然后主持点名了本库已有材料的后续，而这正好接上¶

⚠️⚠️ 主持补了一条："Bo Wang 和他的一些合作者刚刚有一篇 Nature 论文，讲的是在那些线性基线打赢一些模型的情况里，其实是指标本身才是问题。" ✅ 本页标注这条对本库有直接意义：🔗 本库 2026-07 的 Xaira X-Cell 那期里，正是 Bo 一侧论证了"MAE 是个坏指标"（所有细胞的平均谱是 MAE 的极好局部最优，其 MAE 有时比技术重复还低）并主推 Pearson Delta。 ✅ 也就是说本库四个月前记下的那条方法论批评，在本期被报为已经成文发表——本库记为该条的后续证据链，而不是一条新观点。

⚠️ 主持还加了一句本页认为值得留的概括："所以显然不只是指标被 hack，也是问错了问题会导致错的答案。"

⚠️⚠️ 而他的回应是本页要记的那一句，且它的前提很关键：

⚠️ "在某个时点我们会有 agent 去把你能想出来的各种算法组合都试一遍。事实上我们确实和一些 AutoML 那类的实验室有合作在试这个。"

⚠️⚠️ "所以也许剩下的——这听起来有点太狠了——但也许我们最大的想法去的地方，其实就是这个指标的构造。"

✅ 本页标注三点： 1. ✅ 它不是"指标很重要"这种泛论，而是一条关于剩余智力劳动落在哪里的判断：⚠️⚠️ 前提是算法搜索被自动化，于是人的比较优势移到定义"什么算好"上。 2. 🔗 本库评估与 Benchmark 页上此前的材料几乎都在讲基准怎么失效、怎么被 hack、谁该当裁判，⚠️⚠️ 没有一条把"构造指标"作为研究工作本身的主要去向。 ✅ 本页记为新的一条。 3. ⚠️ 而本页标注它与本库 AI for AI 与自动化研究上那条"科研中哪部分先被自动化"的线相关：✅ 这是一条来自湿实验科学侧的、自下而上得出的同向答案——被自动化的是方法搜索，留下的是问题与判据的定义。

⚠️ 他对 scaling law 的要求也落在这条线上¶

（[00:22:09]–[00:23:09]）⚠️ 他说自我监督阶段"我们肯定还没找到表示和学习方式的最优解"，⚠️ 并指出"有很多在抄 NLP 那类 LLM 的做法"（masked autoencoder 是常见选择，⚠️ 他点到 JEPA 类与对比学习都在被试）。✅ 而他对评审标准给了一条明确主张：

✅ "现在的审稿人——而且我自己也倡导了很久——确实更仔细地看你有没有真的正经展示 scaling law。这正是早期那些基础模型论文里缺的东西：人们没有真的展示出你需要这个复杂度才能真正 scale 起来。"

⚠️ 他给的自家数据（自述、无第三方核对）：⚠️ 那个对比学习模型（字幕作 "SE concept"，不可确证）在论文里对比 Geneformer 做到约 3000 万细胞，⚠️ 而 Hugging Face 上现有一个 3.5 亿细胞、参数量约到 1 亿的版本，跨 16 个物种，⚠️ "我们确实已经开始看到不错的 scaling 行为开始浮现"。

三、虚拟细胞 = 世界模型，而他明确把表征学习和扰动预测分开¶

（[00:23:09]–[00:25:10]）✅ 本页判这一段的价值在于它给了一个很干净的形式区分，而本库此前关于虚拟细胞的材料都没有把它写成这个形式。

⚠️ 他先给"虚拟细胞"这个词做了降权：人们现在常把虚拟细胞等同于扰动预测，⚠️ "我觉得这有点太简化了"，✅ 但他也承认这个等同"在创业公司这边起得很快"。
⚠️⚠️ 而他拒绝把表征学习当成答案："对这件事，我不会主张纯表征学习是该走的路。"
⚠️⚠️ 形式区分：典型做法是用基础模型学到状态空间，而"它们在一个动作、一个扰动下如何表现，这是你需要更像世界模型那类方法的地方"——

✅ "一个扰动预测模型、一个虚拟细胞，在转录组或者别的组学空间里其实就是一种世界模型。它不只是一个 f(x)，而是 f(x, a)——状态 x 加上动作 a，然后预测下一个状态 x′。"

⚠️ 他们的实际组合（自述）：用那个对比学习模型学表征，再在动作方向上放一个生成模型做 push-forward，用的是 flow matching 一类的方法；⚠️ 他说 CellFlow 这篇"刚被 Nature Methods 接受"，并称其"在生成扰动效果上好得多"，⚠️⚠️ 但他主动加了一条依赖条件："但它们非常依赖一个好的隐空间。"
⚠️ 他对"world model"这个词本身的态度带一点距离："世界模型是个很时髦的词，我确定你们播客里某个时点已经聊过了。" ⚠️ "过去一年所有机器学习会议上都是它。"

⚠️ NicheFormer 那个新任务本页认为值得单独记¶

（[00:21:09]–[00:22:09]）⚠️ 他用它来说明"任务难度决定你需不需要更强的模型"：

⚠️ 容易的一端："如果你想预测一个细胞类型之类的，大多数情况下逻辑回归就够了。"
⚠️⚠️ 而他们在 NicheFormer（空间组学的基础模型）里引入的新任务是：给定一个单细胞的基因表达、它在隐空间里的状态，能不能预测它邻居细胞的基因表达状态？ ⚠️ 理由是细胞之间一直在通信，"因为它们互相交谈，你会在这一个细胞里看到那个细胞状态的残迹"**。
⚠️ 结论："这件事实际上更难做，而如果你有这些更难的任务，你就需要更强的那些东西，而且你特别需要去找更细微的数据。"

✅ 本页标注这个任务设计本身是可迁移的：⚠️⚠️ 它把"空间上下文"变成了一个有监督信号的预测目标，而不需要额外标注——邻居就是标签。 ✅ 本库记为一条任务构造方法，而它正好是上一节"指标/任务构造是剩余智力劳动"那条主张的一个自家例子。

四、一条本库此前没有的表征缺口：局部 niche 没有"细胞类型"那样的隐喻¶

（[00:14:05]–[00:16:06]）被问类器官怎么建模，⚠️ 他先说"这我觉得是研究前沿，我不认为大家对最优建模方式已经有共识，特别也因为数据没有人们想要的那么多"，然后给了本页判为本期第四条增量的那个诊断：

⚠️ 解离细胞那边有一个好用的人造范畴："我们人类叫做'细胞类型'的东西有一个漂亮的隐喻——自然并不在乎它，这只是我们在东西上面套范畴。但它帮我们理解这个复杂度。"
⚠️⚠️ 而空间那边没有：

⚠️⚠️ "我不认为我们对细胞的局部 niche 有一个类似的隐喻。也许有一点点，但在 H&E 上也是——每当我去看病理学家做什么，那常常非常定性，可能还没到那个层次。"

⚠️ 他对需要什么给了一个带犹疑的答案："我觉得我们需要为我们自己发展出一点分类的语言。也许在计算上我们不那么需要这个，但在计算上我们也需要想一想怎么处理它。"
⚠️ 当前的处理方式与他认为的方向："目前我们本质上把这个当作细胞的分布来处理。这是现在的解法，但我觉得它可以更微妙得多，比如图之类的东西。"

✅ 本页标注这条的价值在它指认的是一个本体论缺口而不是模型缺口：⚠️⚠️ "细胞类型"这个范畴是先于模型存在的、被人类发明出来压缩复杂度的中间层，而空间 niche 这一层没有这个中间层，于是建模只能直接面对分布。 🔗 ✅ 本库判这与 Lassie 那条"本体论是护城河" 以及 Legora 的 legal engineer 作为领域 taste 携带者是同一类问题在科学侧的版本：缺的不是算力也不是数据，而是一套还没有被发明出来的中间范畴。 ⚠️ 本页记为本库的归纳，本期没有这样说。

五、类器官作为扰动对象：他给了具体状态，也给了具体局限¶

（[00:12:05]–[00:14:05]）✅ 本页判这一节的可保存价值在于它同时给了能力和边界，而且边界给得很具体。

⚠️ 他自述对这件事的了解路径带着距离："我是一个过度训练过的生物学家，我通常是读点东西或者跟同事朋友聊的时候才学到这些。"
⚠️ 能力侧他举了三例：迷你脑——"人们可以拿一些细胞放进培养皿，然后长出小小的迷你脑，本质上是一组神经元真的开始连接、互相交谈"，⚠️⚠️ 而他说"人们已经展示过他们能让培养皿里的那些迷你脑做计算"（⚠️ 无出处，本页不采信为已核实事实）；⚠️ 心脏类器官——"我们有一堆本地合作，那些东西真的开始跳动。培养皿里有在跳动的小心脏细胞团"；⚠️ 以及"像结肠这样更简单的系统，这件事在那里做得很好"，还有一大批癌症系统。
✅ 他给的用途论证落在材料可得性上，本页认为这条最实用：如果你想研究某类神经退行性疾病的遗传学，"通常很难拿到组织"——⚠️ 于是"你从皮肤拿细胞，分化、把它们变成这些迷你小脑，然后你就可能在那里研究一些东西"。
⚠️⚠️ 而局限他自己列了出来："显然有各种各样的限制。常常免疫系统是缺的。没有……也许给它们供养之类的。所以有各种各样的问题。"（⚠️ 转录稿在"没有"之后断了，本页不补）
✅ 他给的净判断："但它比一个细胞系——那只是一种细胞类型——要多得多得多。"
⚠️ 而他对为什么必须往这个方向走给了一条理由："我相当确信我们需要走到多细胞系统，才能真的有有意思的读出。"（[00:07:04]–[00:08:04]）

⚠️ 他把"扰动"的定义扩得比 CRISPR 敲除宽得多¶

（[00:10:04]–[00:12:05]）✅ 本页判这条定义值得记，因为它决定了虚拟细胞这个问题的边界。

⚠️ 他先给 CRISPR 全敲除定位："这是硬核那一类的扰动……在演化里偶尔会发生，但大多数这些事情要微妙一点。"
⚠️⚠️ 他自己的定义："对我来说，扰动空间其实就是发生在一个细胞身上的事情的输入空间——也许只是因为它就挨着另一个细胞，于是有一些信号传递，或者某个梯度、某些激素进来。"
⚠️ 他点出一个常被忽略的维度：体外做药物筛选时的培养基条件（media conditions）"也有那么大的影响"，⚠️ 而他对这件事的定性是"对我来说这还有点像是由生物学驱动的、甚至有点像炼金术——人们想出什么样的鸡尾酒"**（⚠️ 他举的例子是把皮肤细胞变成类胚胎状态细胞，以及 Yamanaka 因子）。
⚠️ 他对虚拟细胞的要求因此很高："一个虚拟细胞模型应该把这些全都接住，当然还有它们的组合。也许还有疾病的发生、时间，等等。"
⚠️ 而他预测扰动空间还会继续往上扩："在某个时点，我们可能甚至会走到把人类遗传学当作一种扰动。"（⚠️ 无时间尺度）

⚠️ 数据量级（他的自述，本页只保留量级）¶

（[00:06:04]–[00:08:04]）

⚠️ 他说转折点是单次实验测到千万级转录组（⚠️⚠️ 厂商与项目名不可确证，见前文字幕说明）："我觉得那是下一个层级的东西。"
⚠️⚠️ 而他对瓶颈换位的描述本页认为是这一节最有用的部分：此前细胞维度的采样一直远多于扰动维度（"通常就是对照 vs 疾病之类"），⚠️ 而现在"你有，我不知道，100 种不同的细胞系，你在上面做完整的 CRISPR 扰动，或者你加上成千种药物的组合，突然这个空间就真的变丰富了"**。
⚠️ 他对速度的定性："它正在发生的规模很疯狂。"（⚠️ 无口径，不采信为事实）
⚠️ 他们自己在做的是超出细胞系、做类器官扰动。

六、把"下一个实验做什么"写成逆向生成模型，而他说最难的不是模型¶

（[00:46:23]–[00:49:23]）✅ 本页判这一节是本期的收束，也是整期开头那段 cold open 的出处。

⚠️ 他给的三阶段叙事¶

✅ "在此之前我们建了这些人类细胞图谱，我们有的是这个映射的层面。然后我们谈了世界模型的预测问题——从映射我们走到了预测。但现在我们可以走到真的去操纵下一个实验。"

⚠️⚠️ 而他对现状的批评对象包括自己这一行："这一直就是科学方法……但老实说，很多时候论文就结束在某个模型上，也许是某种概念图，也许有一点点验证。然后你就开始下一个项目了。当然你学到一点，但那不像是一种持续学习的东西。"
⚠️ 他指出这件事在分子/材料设计那边已经在做（"lab in the loop 正在被做出来"），⚠️⚠️ 而对大药厂给了一条很克制的否定："即便有些大药厂把这个当成一个总体的大主题放出来，真的有人做了多轮这种整合——实验、计算模型、再回去——的例子并不多。"

⚠️⚠️ LabCompass：一个逆向生成模型¶

⚠️⚠️ "我们刚放出来——我想今天或者明天会在 bioRxiv 上——一个新东西，我们叫它 LabCompass。它是一个逆向的生成模型，让你在有了一个前向世界模型之后，能被告知为了达到某个特定状态你需要做什么。"

⚠️ 实现描述（自述，论文当日或次日才上预印本，本页不采信为已核实结果）：⚠️ 合作方是剑桥大学一位做血细胞生成（hematopoiesis）的同事，⚠️ "另外还有一个快速循环的系统，我们实际上搭了三到四轮 lab in the loop，在里面迭代地改进一个模型"。

✅ 而本页判这一节真正值得长期引用的是他指认的两个难点，因为都不在模型上：

⚠️⚠️ "决定什么是最优的下一个问题并不平凡"——"一旦你有了一个模型，实际上决定什么是最优的下一个问题，这并不平凡。" ✅ 本页标注这是 LabCompass 要解的那个问题本身，也就是说这条是他对自己工作的动机陈述。
⚠️⚠️ 而第二个难点是组织与激励，本页判这条是本期对本库最有增量的一句：

⚠️⚠️ "你怎么建立一种文化——一旦你的计算人员或者模型预测了某个东西，你要怎么说服实验的人把他们的生命时间押上去？因为这些实验往往要花不少时间。"

⚠️ "有时候如果是分子，这件事会好办一点，因为赌注没那么高。但如果比如说你现在要做这个新的细胞，你得加上这些非常奇怪的东西——你真的想做这个吗？我们是不是不该多用一点我们的直觉？然后这些折中的解决方案就出现了。"

⚠️ 他对机器人化给了明确降温："很多人这时候就开始把机器人之类的扔出来，但我觉得这还太早了一点，因为我们这些实验的循环时间还是偏长。"
⚠️ 而终极愿景他自己标了距离："显然，终极的愿景是我们想把一切都 RL 化，我们也想在这个循环里做 RL。这有点远，但我觉得我们在慢慢接近。目前更多算是 active learning。"

🔗 ✅ 主持当场接到了本库已有的材料上："这很像我们和 Lila 聊的那期——他们的核心论点基本上就是：实验室是 RL 环境的一部分。" ✅ 本页标注这条对照成立且有增量： - ⚠️ Lila Sciences 那期的提法是"RL with verifiable rewards，但 verifier 是一整间实验室"； - ⚠️ Periodic Labs 那期给的是自治实验室的内部工程，并明确说"完全自治是 non-goal"； - ⚠️⚠️ 而这一期来自学术侧，给的是同一愿景下最保守的一个版本：承认循环时间太长、机器人太早、目前只是 active learning，而真正的卡点是说服人。 ✅ 本库判这三条构成一个从公司到学术的递减置信度序列，而本页认为这个序列本身比其中任何一条都有用。

七、学术机构、资金结构与创业生态（本页判这部分可保存价值中等，但有两处具体材料）¶

⚠️ Helmholtz 的结构（自述）¶

（[00:30:15]–[00:33:17]）

⚠️ Helmholtz 的定位："不只是德国，我会说也许是欧洲最大的所谓研究组织（research organization），从资金规模上说"，⚠️ 拿联邦经费投进深层研究问题，健康是其中一大块，另有材料、信息科学、物理等。
⚠️ 他建的计算健康中心规模（自述）："现在大概有 45 位组长和教授，也许 500 到 600 人"，⚠️ 他称其为"欧洲最大的健康 AI 类研究的学术场所"（⚠️ 无口径、无第三方来源，不采信）。
✅ 而结构上的关键差异他说得很清楚：虽然都有大学兼职（主要是慕尼黑工业大学与慕尼黑大学），但"我们没有本科教学。我们本质上只有博士生和博士后"，⚠️ 同时与大学特别是临床高度互动以保有转化。
⚠️ 他自己给的类比："这也许有点像美国的 NIH 那类模式，但是分布在全国各地，而不只是在一个地方。"
⚠️ 而他提到政策方向的变化：政府"越来越意识到需要有强得多的转移（transfer）成分"，不只是转化到大学，也包括学术之外的价值创造。

⚠️ 德国/欧洲创业生态：他把问题定位在 scaling 而不是创建¶

（[00:33:17]–[00:37:18]）✅ 本页判这一节有一条结构清楚的诊断，但几乎所有数字都没有来源。

⚠️ 他承认起点："传统上欧洲、我会说德国肯定是相当官僚的，而且流程远没有你期望的那么数字化。" ✅ 他主动补了一句不把美国当标杆："倒不是说美国是完全数字化流程的最佳例子，但事情肯定更快。"
⚠️⚠️ 而他的核心诊断是分段的：创建环节"我觉得德国对比欧洲是超过及格的……而且我觉得如今如果你看欧盟，被创建的创业公司数量和美国一样多"（⚠️⚠️ 无来源、无口径，本页不采信这个比较）；

⚠️⚠️ "欧洲、特别也是德国掉下去的地方是 scaling 这一段。早期 VC、以及那些非稀释型的钱，这些是有的。但当你走到 scaling，那些会承担更大风险的大 VC，我觉得远没有那么到场。"

⚠️ 可观察的后果："如果你想真的走到更大的票——series A、series B 这种——人们会开始更多地为了这个去美国。" ✅ 而他自己给这条加了限定："也许我在这里过度简化了，但这至少是我目前的学习。"
⚠️ 监管他给了两面：正面举的是欧盟统一漫游与 USB-C 强制；⚠️ 负面是 AI Act 一类"让事情稍微复杂一点"，✅ 但他明确说"幸运的是研究还没有"受影响，⚠️ 真正的痛点在跨医院的数据访问。
✅ 而他指出欧洲内部有做得好的样板：芬兰的 FinnGen、丹麦等——"对人群在采样上的非常详细的描述、医疗记录连接得好得多"；⚠️⚠️ 他对美国的评价是与德国同病："美国在让所有系统互相对话这件事上也差不多是一团乱，跟德国类似。病人去美国不同的州，和在德国去不同地方是类似的。要建病人目录非常难。"
⚠️ 政策抓手他点名 European Health Data Space："大概未来两年里这些东西需要跨越边界"，✅ 他的总评是"所以我确实觉得这些愿景正在开始发生，但规模推进没那么快"。

⚠️⚠️ 一条他自己设的 KPI，本页判为本节最具体的材料¶

（[00:37:18]）⚠️ 他说创业最大的瓶颈始终是团队，然后给了自己部门的做法：

⚠️⚠️ "比如对我协调的那个部门，我说：各位，每一位 PI、每一位组长，我期望你至少在接下来三年里有一个 spin-off。然后看看效果如何。"

✅ 而他对这件事的实际驱动力给了一个与自己指令相反的归因，本页认为这处很诚实："但我觉得如今这件事无论如何很大程度上是自下而上在发生的，是学生在推动。"

⚠️ 平台 vs 卖药：一条关于商业化路径的结构性观察¶

（[00:38:18]–[00:41:19]）✅ 本页判这一节是本期在 AI 商业模式与价值捕获上的主要落点。

⚠️⚠️ 他对"生物基础模型"类融资故事的描述带批评："有几家创业公司拿到了真的相当强的投资，也说我们要建一个生物学的基础模型、我们要解码生物学，而实际上没有说你要拿它做什么。" ⚠️ 他拿 OpenAI 做类比，并且连类比本身都带保留："他们当时并不真的知道怎么赚钱，而有些人可能会说他们到今天也不知道。"
⚠️ 他承认平台这件事的吸引力在哪："这些平台型的点子超级有吸引力，它们契合我们已知的东西"（⚠️ 他点了自己做的 Scanpy、scverse 作为工具/平台的例子），✅ 但"真把这个变成一个赚钱的东西并不那么显然"。
⚠️⚠️ 而本页要记的是那条路径观察：

⚠️⚠️ "投资人通常理解的——而这在欧洲那个更保守的 VC 生态里也许更是如此——是在某个时点你做出一款药，然后你就有了这个清楚的东西。"

⚠️⚠️ "所以我见过太多这样的平台公司在某个时点转向'我们做一款药'。"

⚠️ 而主持给了一条反向观察，本页记为同期的对立材料："这其实一直是我的一个论点：直到最近，每一家建模型又建点什么的公司最后都变成在做药，因为那是随时间推移的变现路径。但我们今年实际上看到了相反的情况。"（⚠️ 主持点名了结构生物学一侧的几家与 Ty、以及几家在做 RL 环境生意的公司，⚠️ 名称多处讹写，本页不还原）
✅ 而他给的"甜点"判据本页认为可用，且它不依赖药物：

✅ "如果你把它和数据生成耦合起来，而不只是建模这一部分，我觉得这才是甜点打中的地方，然后药厂才真的会买进来。"

⚠️ 他给的自家例子（自述）：与一批药厂合作建一个他称为 cancer organoid perturbation atlas 的联盟，⚠️⚠️ 而药厂买进来的动机被他说得很直接："药厂真的会买进来，因为他们想对这些扰动类数据集拿到早期访问权。" ✅ 他的概括是"我看到的更多公司是把护城河建在一个虚拟细胞模型加上某种独特的、特定的数据的组合上，而不只是模型"**。

🔗 ✅ 本页标注这条与本库既有材料高度一致，因此可以当作一次独立复现：⚠️ 本库 Xaira 的整条主张就是"把钱花在造因果数据上"，而 Leash Bio 给的是公开数据集学到的是社会学这条判决性实验。 ✅ 本库判这一条是第三个独立样本，而且它来自学术侧、并且附带了一个药厂实际付费的机制（买早期访问权）——这是本库此前缺的那一环。

八、"Y 模型"：两位导师、八年，以及他给出的下游结果¶

（[00:41:19]–[00:46:23]）✅ 本页判这一节值得记，因为它是本库 AI for Science 线上第一份关于"怎么培养跨域人"的、带时间跨度和下游结果的材料。

⚠️ 机制：Munich School for Data Science（⚠️ 他说范围远超生物），要求两位 PI 共同提一个课题——一位方法侧、一位领域侧，⚠️ 于是形状像 Y（⚠️ "有时候我们在 Y 模型下有两个学生，所以 Y 加 Y 等于 H。你懂的吧？"）。
⚠️ 他自己承认这个想法"甚至在今天看来有点平凡"，✅ 但他给了把它做硬的理由：学生理想上要去两个组会——一个让他们"真的学习并理解一些更深的生物学问题，理解比如一个医学场景的语言"，另一个推方法面；⚠️⚠️ 而他对这件事的机制描述本页认为是本节最有用的一句：

✅ "于是他们吸收了一大堆在那个生物实验室里并没有被精确地那样表述出来的问题。他们没法直接把那个塞进一个函数里，但因为他们是方法型的、是定量的，他们实际上能把这个放进一个指标或者别的什么东西里，然后那变成一个模型、再变成一篇论文。"

✅ 本页标注这正好是本期第二节那条"最大的想法花在指标构造上"的组织版本：⚠️⚠️ 培养机制要产出的能力，恰好就是他认为剩余智力劳动所在的那个能力——把一个没被形式化的领域问题翻译成一个指标。 ✅ 本库记为本期内部两条材料的一次咬合，而本期没有把它们连起来。

⚠️ 时间跨度与他自述的收获："我们这个学校做了大概八年"，⚠️ "真有一堆论文出来，里面我学到了此前完全不知道的系统"；⚠️ 他描述的流程是别人带着数据来找他、他判断"哦，好数据，我觉得我们的模型类型可能合适，我们围绕它建个项目"，✅ 然后"那些学生就和一个伙伴一起，成了我实验室里那个细节生物学问题的专家"。
⚠️ 他说这套现在也横跨数据类型：早期多围绕 RNA，而后来扩到单细胞蛋白质组学（他提到去年 Science 上一篇）与空间观测。
⚠️ 招生侧他给了一条很具体的吸引力解释：✅ 欧洲（他说德国或一般而言）学生通常先读完硕士再读博，"于是他们稍微知道科学是什么，但并不确切知道什么让自己感兴趣"——⚠️ 而这个研究院的形式让他们"能在领域上采样一点，也能在方法面上玩一玩"**。
⚠️ 下游去向（自述）："一些人去了生物医学领域、进了药厂，一些显然留在研究，一些更多去了某种创业方向，一些去了非常纯的 AI 类工作。" ⚠️ 他举的具体例子："NVIDIA 几个月前在一个月里雇了我两个人"（⚠️ 单例自述）。
⚠️⚠️ 而他给候选人的面试论证本页认为值得单独记，因为它是对"NeurIPS 涨 2% 那类工作"的一次贬值：

⚠️⚠️ "当你在外面被面试的时候，能说'我不只做了那个也许在一篇 NeurIPS 论文里改进了 2% 的花哨模型，而且我还有那个真实的、更复杂更深的应用'，这是个好主意。"

🔗 ✅ 本页标注这与本库 AI 与就业上"领域 taste 携带者是瓶颈"那条线同向，但它是供给侧的：⚠️⚠️ 本库此前关于这条的材料（Legora 的 legal engineer、Joseph Kim 新设的岗位）都在说"这种人很难招"，而这一条给的是一个声称运行了八年的培养机制。 ✅ 本库记为该条线上第一份供给侧材料。 ⚠️ 但标注全部产出描述为自述、无第三方核对。

⚠️ 本页记录的未收口处¶

⚠️⚠️ 文化这个问题被明确推掉了一次（[00:46:23]）：被问"你怎么设置文化去用好这些新技术"，⚠️ 他直接说"让我把文化那部分先放在外面，因为我觉得它很难回答，但是个很好的问题"，✅ 而他在第六节末尾部分地回来了（说服实验方押上时间），⚠️ 但没有回答怎么设置文化。
⚠️ "agentic AI 让每个科学家都变成自己的计算生物学家之后，这套共同指导策略怎么演化"这个问题没有被回答（[00:45:21]–[00:46:23]）：⚠️ 他选择回答了同一问题里关于深度整合的那一半（也就是第六节），而共同指导机制的未来没有被碰。
⚠️ "虚拟细胞邻域最有希望的商业化方向是什么"被问到后，回答主要是在批评平台叙事并给出"要耦合数据生成"这条判据，⚠️ 没有点出任何具体方向。
⚠️ 自我监督阶段"最好的表示与损失是什么"他明确说还在争论，并列出了若干在试的方向，⚠️ 没有给出任何倾向性判断。 ✅ 本页判这是诚实的开放，不作为缺口。