AI已精通语言，如今正在学习生命的语言 —— 精华简报
来源：The Generalist | 嘉宾：Eric Nguyen（Radical Numerics 联合创始人兼CEO）
📌 TL;DR（一段话核心主旨）
Radical Numerics 是一家已融资 5000万美元 的AI研究实验室，其核心愿景是：将DNA视为一种”语言”，用大语言模型的方法直接在未标记的生物数据上训练模型，从而获得”创造和操控生命”的能力。 该团队此前开发的Evo和Evo 2基因组语言模型已能生成具有活力的噬菌体基因组；其新一代模型 Omnii 更是在数天内匹配了阿尔茨海默病湿实验室两年的研究成果，展示出”直接学习生物数据”相对于”阅读科学论文”的颠覆性优势。公司同时布局生物设计与生物防御，直面这一技术带来的安全责任——因为赋予AI生成生命的能力，意味着这些工具也可能被用来制造危险病原体。
🔬 核心观点与深度洞察
1. 生命的语言：DNA即文本，基因组即语料库
Eric的核心洞察在于：DNA本质上就是一种语言——它拥有序列、语法、上下文和语义。
- 正如LLM从海量文本中学习人类语言的规律，基因组语言模型可以从未标记的DNA序列中学习”生命的语法与语义”。
- Evo/Evo 2 即基于这一思路构建：它们是在跨生命所有领域的DNA序列上训练的大规模基因组模型，不依赖人工标注。
- 关键突破在于生成能力：研究人员已用Evo成功生成了有活力的噬菌体基因组——这不再是”预测”蛋白质结构，而是”设计”生命实体。
2. 范式跃迁：直接学习生物数据 ≠ 阅读科学论文
这是本期对话中最具哲学冲击力的一点。Eric明确区分了两种知识获取方式：
| 传统范式 | 新范式 |
|---|---|
| 从文献/论文中间接获取知识 | 直接从原始生物数据中学习 |
| 知识经过人类解释与过滤 | 发现人类尚未识别的模式 |
| 受限于现有理论框架 | 突破人类认知边界 |
- Omnii的案例极具说服力：研究人员用Omnii分析数据，两天内复现了阿尔茨海默病湿实验室两年的关键发现——这不仅是速度的碾压，更意味着AI可以从数据中独立”重新发现”科学规律。
- 生物学数据中蕴藏着大量人类尚不知道如何利用的信息，这是模型学习的富矿。
3. 多模态连接：打破生物学”各自为政”的孤岛
当前生物学研究最大的结构性缺陷是割裂：DNA、RNA、蛋白质、表观遗传学往往被当作独立问题分开研究。Radical Numerics的独特战略是构建一个统一模型，连接这些不同层次的信息。
- 生命是一个从DNA → RNA → 蛋白质 → 表观遗传调控 → 细胞功能的连续信息流，而不是离散的模块。
- 只有多模态模型才能真正理解”基因突变如何通过RNA表达影响蛋白质功能，最终导致疾病”这样的完整因果链条。
- 这也是其新一代模型Omnii名称的含义——全知/全连接。
4. 生物学是”数据富矿”：比自然语言更大的数据红利
Eric指出：生物学可能拥有比研究人员已知如何利用的更多有用数据。
- 自然语言数据是有限的，但基因组数据是海量的——每个物种、每个个体都携带完整的信息。
- 这意味着”生物学语言模型”的训练数据规模潜力巨大，且未经人类标注的原始数据本身就携带丰富信号。
- 数据红利 + 生成能力 = 一个尚未被充分开采的巨大金矿。
5. 验证瓶颈：AI设计快，实验室验证慢
尽管AI生成生物学产物的速度惊人，Eric坦承：在实验室中测试AI生成的生物学产物仍然缓慢且困难。
- 这是当前限制迭代速度的最大瓶颈——AI可以在一小时内设计出上千个候选序列，但实验室验证每个候选需要数周甚至数月。
- 这个瓶颈也意味着：自动化湿实验室、高通量验证基础设施将成为该领域的重要商业机会。
6. 安全与双刃剑：生物设计与生物防御的一体化
Eric对风险的认知极为清醒：“赋予AI生成和创造生命的能力，意味着承担一定程度的责任。”
- 这些工具可能让制造危险病原体变得更加容易——这是真实存在的双重用途（dual-use）风险。
- Radical Numerics的战略性应对是：同时做生物设计和生物防御。设计生物系统的模型，本质上也可以用于检测危险或被操纵的病原体——同一个模型的两面。
- 核心安全哲学：在不消除强大模型价值所在的能力的前提下，使其更加安全。能力与安全的平衡，而非取舍。
7. 早期商业机会图谱
Radical Numerics看到的早期应用场景集中在四个领域：
- 药物发现——从疾病机制理解到靶点识别和候选药物生成
- 诊断——更精准地解读基因组变异与疾病的关系
- 合成生物学——设计具有特定功能的生物系统（如噬菌体）
- 生物防御——检测和识别被人工操纵或改造的病原体
8. 创始人特质：自由放养的好奇心
Eric的成长路径解释了这家公司的”野心”来源：非同寻常的自由放养式童年塑造了他追随好奇心的方式。他后来在斯坦福的博士研究、参与Evo和Evo 2开发、结识联合创始人——每一步都是沿着好奇心驱动的路径自然演化，而非按部就班的规划。
💡 行业启发与影响
1. 生物学AI进入”生成式”新纪元
继AlphaFold解决蛋白质结构预测后，下一波突破来自生成与设计——AI不再只是”看懂”生命，而是”写出”生命。Evo生成有活力噬菌体、Omnii快速复现阿尔茨海默病研究成果，均标志着这一转变已从概念走向实证。
2. “直接学习数据”的范式将重塑科学发现流程
当AI可以从原始数据中独立发现规律，人类知识框架就不再是科学发现的唯一入口。AI驱动的科学发现将越来越多地绕过文献，直接从数据中生成假设——这将对科研方法论、学术出版和知识传播方式产生深远影响。
3. 多模态是生物学AI的终局
单模态模型（仅蛋白质、仅DNA）只是过渡。真正的平台级生物学AI需要连接DNA、RNA、蛋白质、表观遗传学等全链条信息，类似于从”单语言模型”进化到”多模态大模型”。谁先建立跨层次连接，谁就占据制高点。
4. 生物安全成为AI公司的核心议题
当AI具备创造生命的能力，“双刃剑”从隐喻变为现实。Radical Numerics开创的**“设计+防御”一体化开发模式**，很可能成为该领域所有公司的标配。资本市场和政策制定者将越来越关注AI生物技术的安全治理框架。
5. 验证基础设施存在巨大市场缺口
AI设计速度与实验室验证速度之间的数量级鸿沟，是当前制约行业落地的核心瓶颈。自动化湿实验室、高通量筛选、AI与实验闭环迭代系统——这些”验证基础设施”将成为下一个投资热点。
6. 资本市场信号明确
5000万美元融资表明，资本已认可”生成式生物学”作为独立赛道的价值。Radical Numerics的定位——比”AI+药物发现”更底层、比”蛋白质设计”更全面——代表了一种新的叙事：生物学本身就是一个可以被学习和生成的语言系统。
一句话总结：当AI学会了生命的语言，它不再只是解读生命的工具，而是参与创造生命的合著者——而Radical Numerics正在定义这场变革的边界、速度与安全底线。