Woodman's Second Brain | 第二大脑

[多模型] 诺奖背后，AI医疗的谎言与真相。 欧洲计算生物学大佬Valencia

Properties2
tagsinbox/capture, source/toutiao_video
aliases诺奖背后，AI医疗的谎言与真相。 欧洲计算生物学大佬Valencia, [多模型] 诺奖背后，AI医疗的谎言与真相。 欧洲计算生物学大佬Valencia

81分钟阅读

[多模型] 诺奖背后，AI医疗的谎言与真相。 欧洲计算生物学大佬Valencia

捕获元数据

📊 多模型综合分析报告

🐳 火山引擎 DeepSeek-V4 总结

深度提炼

🎯 核心观点摘要

  • 诺贝尔化学奖颁给 DeepMind 的 AlphaFold 并非“封神时刻”，在计算生物学顶级专家 Valencia 看来，这更像一场“形象工程”。
  • AI 在科学上的成就中，AlphaFold 是唯一一个能证实的，因为蛋白质结构预测边界清楚、答案明确；其他 AI 应用（如医疗诊断）往往无法验证、难以推广。
  • 预测不等于干预：AI 能预测你五年后可能得什么病，但无法告诉你病因和干预路径，真正治病需要中间那一大段“为什么”。
  • 人类可能真的追不上 AI：认知能力进化极慢，而 AI 是指数级增长；未来人类要么交出控制权换取好处，要么画线阻止 AI 继续前进。
  • AI 最大的价值可能不在硅谷，而在“平权”——让非洲、柬埔寨等没有医生和老师的地区，通过手机和 AI 第一次进入全球对话。

📌 关键脉络与论据

  1. Valencia 的身份与立场

    • 欧洲计算生物学顶级大佬，巴塞罗那超算中心生命科学部主任、西班牙国家生物信息学研究所所长、国际计算生物学会前主席，发表论文 400 多篇。
    • 他本人就是用 AI 研究癌症的顶级玩家，并非反对 AI 的保守派，而是最知道哪里在吹牛的人。

  2. 诺贝尔奖的“黑幕”

    • AlphaFold 靠的是人类结晶学家几十年存进公共数据库的蛋白质结构，但获奖感言几乎没有感谢数据来源。
    • AlphaFold 在国际竞赛中成名，竞赛评委就是 Valencia 这帮人，但一开始连提都不提，让社区非常受伤。
    • AlphaFold 第二版论文代码不公开，Nature 审稿人强烈反对后才不情愿放出。
    • Valencia 原话：诺贝尔奖给 DeepMind 带来的好处比 DeepMind 给诺贝尔奖带来的好处多得多。诺奖给大众传递“这家公司一定靠谱”的信号，这是精心策划的形象工程。

  3. 99% 准确率的 AI 为什么进不了医院

    • 澳大利亚查尔斯达尔文大学搞了个 AI，拍一张活检照片诊断癌症准确率 99%，人类医生只有 79%。
    • 但这个 AI 至今没普及，因为医疗器械审批贵到离谱、慢到离谱，一个软件要走和心脏支架一样的流程。
    • 结论：不是 AI 不行，是人类的系统接不住。

  4. 数字孪生：用电脑造一个“你的分身”

    • 巴塞罗那超算中心在做“数字孪生”：给人体建虚拟复制品，比如你的肺、心脏、肿瘤在超级计算机里跑一个“你”。
    • 例子：肺部感染，可先在电脑里模拟病毒在你肺里怎么扩散；肿瘤可以模拟免疫细胞、血管互相作用，预测给药后的反应。
    • 愿景：真实世界的小女孩车祸后，数据同步给副本，系统给出最优干预方案，医生再动手。
    • 但 Valencia 承认：完整的人体数字孪生今年看不到，未来几年也看不到；现在只能一个层次一个层次啃，分子级、器官级、细胞级，最难的是把几层打通。

  5. 基因组版 AlphaFold 大概率让人失望

    • DeepMind 想用同样的方法解基因组，预测疾病和突变致癌。
    • Valencia 戳穿：蛋白质是完美训练场，基因组是 AI 的地狱级训练场。
    • 原因：蛋白质结构有明确答案、有百万级高质量样本；而基因组 31 亿个字母，一个字母变了可能没事可能得癌症，人类至今不知道绝大多数变异会带来什么后果，连标准答案都没有。
    • 历史教训：人类基因组计划花了 30 亿美元，基因解出来了，病一个都没治好。

  6. 可解释性：黑盒与白盒的抉择

    • 阿司匹林用了一百多年，人类很长时间不知道它怎么起效，照样批准上市救命。
    • 今天的困境：AI 给一个治疗方案，效果好、便宜、马上能用，但没法告诉你为什么这么做。
    • Valencia 原话：拒绝一个便宜的解决方案，仅仅因为你想知道他怎么运作，面对一个等死的人，这话根本说不出口。
    • 但他同时强调：预测不等于干预，真正治病需要知道“为什么”。未来方向是让 AI 与机制模型结合，用真实世界的物理化学规律锁住 AI，让它既保持野性又不翻车。

  7. 用假数据发现真规律

    • 实验室研究一种儿童癌症，病例太少，分不清是一种病还是两种病。
    • 他们用生成合成数据造了一批和真实病分布一模一样的假病人，结果看到了真数据里看不出的生物学结构，解开了“一组还是两组”的问题。
    • Valencia 自己都摇头：这在五年前就是纯粹的科幻小说。

  8. 个性化医疗的乌托邦

    • 未来方向是把疾病和人群越分越细，给每一小群人配专属的药。
    • 但现实终点是“每个小组一种药”，不是“每个病人一种药”，因为太贵了。
    • 例子：一种叫 REST 的蛋白质，全世界盯着打了几十年，最近才有药显出效果。

  9. AI 的平权价值

    • 非洲偏远地区没有医生，AI 装进手机就能通过照片、对话做初步诊断。
    • 柬埔寨农村的孩子用破手机、三季信号就能用上 ChatGPT 级别的知识库。
    • Valencia 原话：AI 就算什么都没做成，至少让一部分以前被排除在对话之外的人类进入了对话。

  10. 人类可能真的追不上 AI

    • 主持人问：未来十年科学进步会超过过去 100 年吗？Valencia 说解决具体问题可能，但深层科学问题（生命起源、受精卵发育成人）十年解决不了。
    • 人类的认知能力进化极慢，AI 是指数级增长，一个匀速爬坡的人和一个坐火箭的迟早拉开距离。
    • 未来实验室里，人类博士生、工程师和 A 系统像同事一样讨论问题；科学家定义可能改变。
    • 关于“能不能一直跟上”，Valencia 沉默后说：总有一天要么交出控制权换取更大的好处，要么画一条线不让 AI 过去，这中间没有标准答案。

💡 核心洞察

  • 科学界真正受伤的不是“AI 抢了功劳”，而是“不感谢数据来源、不公开代码”这些有据可查的事实。 诺奖给 AI 带来的光环，可能让大众误以为这家公司一定靠谱，从而影响实际选择。
  • 实验室里的“准确率 99%”和医院里的“可用”之间，隔着的不是技术，而是审批和钱。 人类现有的医疗监管系统，接不住 AI 的速度。
  • AI 不是神，只是超级聪明但被蒙住一只眼的侦探。 数据不够、答案不明，它再聪明也破不了案。
  • 数字孪生是全场最浪漫的方向：让电脑先替人类挨一遍所有的病、试一遍所有的药。 哪怕十年后才能成真，这个方向本身就足够震撼。
  • AI 最伟大的样子不是让聪明人更聪明，而是让没机会的人第一次有机会。 这是硅谷故事之外、被忽视的平权价值。
  • 可解释性不是非黑即白。 人类从来都在用“黑盒”（坐飞机不懂空气动力学、打疫苗不懂免疫学），但在关乎生命健康的场景里，你会要求 AI 解释，因为它给的不是一个答案，是一条命。
  • 这个时代最贵的不是算力，是辨别力。 面对“AI 治愈癌症”“AI 算出寿命”的标题，要用三条去验：预测不等于干预；实验室准不等于能落地；看数据来源，别信公司通稿。
  • 顶级科学家的诚实，比任何惊悚爆料都奢侈。 在人人抢着当预言家的时代，敢于说“我不确定，我们可能错了”，这才是清醒。

🔵 百炼 Qwen 3.8 Max 总结

《诺奖背后，AI医疗的谎言与真相。欧洲计算生物学大佬Valencia》深度提炼

以下内容严格基于你提供的原文内容进行整理，不额外补充原文未提及的事实。

🎯 核心观点摘要

原文的核心判断是：AI 在医疗与生命科学中确实非常强大，但它不是神，也不是可以直接兑现为“治愈所有疾病”的黑魔法。

围绕这一判断，原文主要提出了几个层面的观点：

  1. AI 的科研突破与真实医疗落地之间，存在巨大鸿沟。
    AI 可以在科研层面做到惊人的准确率，比如癌症活检诊断准确率达到 99%，但由于医疗器械审批、成本、临床流程等问题，它仍然可能无法进入医院。

  2. 2024 年诺贝尔化学奖相关的 AlphaFold 成就并非没有争议。
    原文中的欧洲计算生物学大佬 Valencia 认为，AlphaFold 的成就确实重要，但围绕它的叙事过于光鲜。其成功依赖公共数据库、计算生物学社区长期积累的竞赛土壤，而 DeepMind 在致谢、代码公开等方面让学术界感到“受伤”甚至“被冒犯”。

  3. AlphaFold 是 AI 科学成就中少数“可验证”的案例。
    原文强调，蛋白质结构预测边界清楚、答案明确、可以复现；但许多其他 AI 医疗应用并没有这么清晰的可验证性。

  4. AI 医疗最大的问题之一不是“准不准”，而是“能不能解释”。
    如果 AI 给出治疗方案但无法解释原因，就会带来科学、伦理和临床上的矛盾。Valencia 主张将 AI 的数据规律与基于物理、化学、生物规律的机制模型结合起来。

  5. 基因组预测疾病远比蛋白质结构预测困难。
    原文认为，蛋白质结构是 AI 的“完美训练场”，而基因组问题缺少明确标准答案，且疾病并不完全由基因决定。因此，对“基因组版 AlphaFold”不应过度乐观。

  6. 人体数字孪生是重要方向，但离完整实现还很远。
    Valencia 的团队正在用超级计算机模拟分子、器官、细胞、肿瘤等层次，但完整数字化一个人类目前不可能，难点在于多层级整合、算力和数据不足。

  7. AI 的真正价值不只是服务顶尖医院，而是医疗平权。
    原文特别强调，AI 可能帮助非洲、柬埔寨等缺医少药地区的人第一次获得基础医疗知识或诊断支持，这是 AI 最有温度的价值之一。

  8. 人类可能越来越难追上 AI，但必须保留边界与控制权。
    原文最后提出，AI 指数级发展，而人类认知进化缓慢。未来可能要么交出部分控制权换取收益，要么给 AI 划出不可逾越的边界。

📌 关键脉络与论据

一、Valencia 的身份：不是反 AI 者，而是 AI 生命科学的顶级内部人士

原文首先强调，Valencia 并非“键盘侠”或保守派，而是计算生物学领域极具分量的人物。

原文给出的身份与背景包括：

  • 巴塞罗那超算中心生命科学部主任；
  • 西班牙国家生物信息学研究所所长；
  • 国际计算生物学会前主席；
  • 全球最大的计算生物学家组织相关人物；
  • 发表论文 400 多篇；
  • 所在机构拥有超级计算机 MareNostrum，原文称其常年排进全球超算前十；
  • 研究方向是计算生物学：用超级计算机和 AI 解决癌症、罕见病、基因组等生命难题。

这个身份用于支撑一个核心论点：
真正了解 AI 医疗边界的人，恰恰是深度使用 AI 的科学家，而不是外围炒作者。

二、对“AI 十年治愈所有疾病”的回应：很强，但离“神仙药”很远

原文提到，访谈一开始就问 Valencia：Hassabis 说十年内治愈所有疾病，你怎么看？

Valencia 的回答没有直接说“不可能”，而是说：

  • AI 已经可以预测一个人五年后可能得什么病；
  • 但如果说“治愈所有疾病”，很难想象。

原文将这句话解读为：
AI 确实厉害，但距离真正治愈所有疾病还差得很远。

这为整篇内容定下基调：
不是否认 AI 的能力，而是反对把 AI 神化。

三、AI 救人的真实案例，不等于医疗系统已经接住 AI

原文提到一个案例：

  • Valencia 收到消息，美国一家医院使用某个 AI 平台，过去几年救了 800 多条命；
  • 这听起来像是 AI 实打实救人的证据。

但 Valencia 紧接着强调：

对科学的影响和对医学的影响完全是两回事。

原文进一步解释：

  • 在科研层面，AI 确实完成了过去几年难以想象的事；
  • 但在医院层面，很多新东西被开发出来，真正能被用起来的极少。

为了说明这一点，原文举了一个更尖锐的例子：

  • 澳大利亚查尔斯达尔文大学开发了一个 AI 系统；
  • 它可以通过一张活检照片诊断癌症；
  • AI 准确率为 99%；
  • 同一批题目中，人类医生准确率为 79%。

按照常理，这样的 AI 似乎应该迅速普及。但原文说，它至今没有普及到全世界医院。

原因不是 AI 不行，而是：

  • 医疗器械审批非常贵；
  • 审批非常慢；
  • 一个 AI 软件要过审，可能走的是类似心脏支架的流程；
  • 99% 准确率的产品，也可能死在审批和钱上。

原文由此提出一个关键判断：

不是 AI 不行，是人类系统接不住。

四、诺贝尔奖背后的另一面：AlphaFold 的成就与“形象工程”争议

原文用了较大篇幅讨论 AlphaFold 与诺贝尔奖。

1. AlphaFold 解决了什么问题？

原文用通俗方式解释：

  • 人体约有 2 万个基因，产生约 2 万种蛋白质；
  • 蛋白质是细胞里干活的“微型机器人”；
  • 蛋白质必须折叠成特定三维结构才能工作；
  • 过去搞清楚一个蛋白质结构非常困难，需要 X 射线、冷冻电镜等设备，耗费大量时间和资金；
  • 全世界几十年积累下来的蛋白质结构大约 20 多万个；
  • 相比几亿种蛋白质，仍然非常有限。

而 AlphaFold 的突破在于：

  • 给一段蛋白质序列，它能预测三维结构；
  • 原文提到准确率达到 95%；
  • 它几乎把已知蛋白质结构预测完；
  • 并且免费公开。

因此，2024 年诺贝尔化学奖颁给相关 DeepMind 科学家后，外界普遍认为是“AI 的封神时刻”。

但 Valencia 提出：故事没这么简单。

2. AlphaFold 的灵感来源：Foldit 游戏与人类直觉

原文提到一个细节：

  • AlphaFold 的灵感来自一个把蛋白质折叠做成闯关游戏的平台；
  • 普通人，包括家庭主妇、学生、退休人士，也可以玩；
  • 一些不懂物理的人靠直觉折出了接近真实的蛋白质结构；
  • Hassabis 因此想到：人靠直觉都能做，AI 为什么不能？

这个细节用于说明：
改变世界的技术奇点，有时来自非常意外的启发。

3. Valencia 提出的三个争议点

原文中，Valencia 对 DeepMind 和 AlphaFold 提出三点批评或质疑。

第一，AlphaFold 的训练依赖人类科学家长期积累的公共数据

原文指出：

  • AlphaFold 学会预测蛋白质结构，靠的是人类晶体学家几十年辛苦测出的蛋白质结构；
  • 这些数据存在公共数据库里；
  • 没有这些数据，AlphaFold 无法训练；
  • 但获奖感言中几乎没有对这些数据贡献者的感谢。
第二，AlphaFold 的成名土壤是国际竞赛社区，但最初没有充分承认

原文提到：

  • AlphaFold 的方法是在一个国际竞赛中打出名堂的；
  • 这个竞赛社区由全球生物信息学界长期建设；
  • 评委就是 Valencia 这类科学家；
  • 但 DeepMind 一开始连提都不提；
  • 原文称这让整个社区感到“非常受伤”“非常冒犯”。
第三，AlphaFold 第二版论文发表时曾不公开代码

原文称：

  • AlphaFold 第二版发论文时代码不公开；
  • Nature 审稿人质疑：没有代码如何验证；
  • 后来他们才不情不愿地把代码公开。

基于这些争议，Valencia 说出一句很重的话：

诺贝尔奖给 DeepMind 带来的好处，比 DeepMind 给诺贝尔奖带来的好处多得多。

原文进一步解释他的意思：

  • 诺奖向大众传递一个信号：这家公司一定靠谱；
  • 这个信号会影响人们在 AI 产品之间的选择；
  • 因此这不只是科学，也可能是“精心策划的形象工程”。

不过原文也补充：
Valencia 自己承认，这里面可能有社区情绪；诺贝尔委员会怎么想没人知道；但“不公开代码”和“不感谢数据来源”这两件事，是原文认为有据可查的事实。

五、AlphaFold 为什么特殊？因为它是少数可验证的 AI 成就

原文提出一个关键判断：

在 AI 所有的科学成就里，AlphaFold 是唯一一个能证实的。

原因不是因为它最神奇，而是因为它的任务边界非常清楚：

  • 蛋白质结构预测有明确答案；
  • 测出来什么样就是什么样；
  • 准确率可以量化；
  • 95% 就是 95%；
  • 全世界可以复现。

但其他 AI 应用不一定如此。

原文举例：

  • AI 生成图片很好看，但很难判断它对还是错；
  • AI 诊断疾病在一个医院准确率高，换一家医院、换一批病人是否仍然有效，没人敢打包票；
  • 很多能力是否能推广到其他场景，并不知道。

由此引出全文最核心的问题之一：

可解释性。

六、AI 医疗的真正难题：有效但不可解释，能不能用？

原文用阿司匹林作比喻：

  • 阿司匹林是全球最伟大的药物之一；
  • 每年卖出几十亿片；
  • 但人类使用它一百多年，很长时间并不完全知道它如何起效；
  • 它仍然被批准上市并救人。

因此，Valencia 指出一个现实困境：

  • AI 可以给你一个治疗方案；
  • 效果好、便宜、马上能用；
  • 但它不能解释为什么；
  • 传统科学要求“不理解就不能建模，不能建模就不能控制”；
  • 但 AI 打破了这个规则：它不理解，但它能干活。

于是出现灵魂拷问：

你是要一个不知道原理但便宜有效的救命方案，还是要一个解释清楚但慢两倍的方案？

Valencia 的原话意思是：
面对一个等死的病人，仅仅因为想知道原理而拒绝便宜有效的方案，道德上说不出口，现实里也做不到。

但他又补充了关键一刀：

预测不等于干预。

也就是说：

  • AI 可以预测你五年后可能得什么病；
  • 但它没有告诉你病是怎么来的；
  • 如果不知道病因机制，你就不知道从哪里干预；
  • 真正治病需要的不是预测结果，而是中间那段机制解释。

因此，Valencia 提出的方向是：

  • 一边用 AI 从海量数据中找规律；
  • 一边用基于物理、化学、生物规律的机制模型约束 AI；
  • 让 AI 被真实世界规则锁住；
  • 让 AI 用可解释的方式说明自己。

原文将其比喻为：

给天赋异禀但不懂规矩的野孩子套上物理世界的缰绳。

也就是说，AI 的速度要保留，但不能翻车。

七、基因组版 AlphaFold：原文认为大概率会令人失望

原文提到，DeepMind 在 AlphaFold 之后，似乎想做一个基因组版 AlphaFold。

Valencia 的判断是：

这一次大概率会让大家失望。

原因是：蛋白质结构预测和基因组疾病预测完全不是一个难度。

1. 蛋白质结构为什么适合 AI？

原文给出的理由包括：

  • 答案明确；
  • 有高质量样本；
  • 可以学习大量同源序列；
  • 可以给出置信度；
  • 训练集虽然小，但质量极高；
  • 一个蛋白质结构周围可以配套几千几万个同源序列；
  • AI 学的不只是一个点，而是一整片空间。

因此，原文称蛋白质是“全宇宙最适合喂给 AI 的数据之一”。

2. 基因组为什么难？

原文提出几个问题：

  • 基因组有 31 亿个字母；
  • 一个字母变了，可能没事，也可能导致癌症；
  • 人类至今不知道绝大多数变异会带来什么后果；
  • 也就是说，AI 缺少明确标准答案；
  • 它要预测的不是清晰的结构，而是未来是否得病这种模糊命题；
  • 问题定义本身都不清楚。

3. 疾病并不完全由基因决定

原文强调：

  • 很多疾病不是基因单独决定的；
  • 例如肺病可能与小时候肺如何发育有关；
  • 这些过程并不完全写在基因里；
  • 基因只是拼图的一小块。

4. 人类基因组计划的历史教训

原文提到：

  • 1990 年人类基因组计划启动；
  • 当时口号是解读生命天书、治愈所有疾病；
  • 花了 30 亿美元；
  • 基因解出来了，但病一个都没被它治好。

Valencia 据此提醒：
从基因组到治病还差得很远。

原文总结为：

技术再牛，也突破不了数据的物理天花板。
AI 不是神，它只是超级聪明但被蒙住一只眼的侦探。

八、数字孪生：用电脑造一个“你的分身”，提前替你生病、替你试药

原文中，Valencia 介绍了巴塞罗那超算中心正在做的方向：人体数字孪生。

他用类似工业数字孪生的逻辑解释：

  • 西门子可以为汽车工厂建立虚拟工厂；
  • 在虚拟工厂中先模拟机器和流水线；
  • 没问题后再应用到真实工厂；
  • 人体也可以类似处理：给人体建立虚拟复制品。

重点不是建立一个“标准人”模型，而是建立“你”的模型：

  • 你的肺；
  • 你的心脏；
  • 你的肿瘤；
  • 你的细胞状态；
  • 你的解剖结构。

原文举了几个应用场景：

1. 肺部感染模拟

  • 医生想判断病毒会如何在肺里扩散；
  • 是否要提前干预；
  • 未来可以把你的肺建模进电脑；
  • 看病毒在你的肺里怎么走。

2. 肿瘤模拟

  • 肿瘤不只是一堆癌细胞；
  • 还包括免疫细胞、正常细胞、血管；
  • 它们之间互相作用；
  • AI 和计算模型可以尝试预测某种药进入肿瘤后内部如何反应。

原文称：

  • 他们正在做这件事；
  • 已经开始有正面结果；
  • 可以先预测，再用真实实验验证；
  • 并且能够对得上。

3. 终极愿景：数字副本同步真实病人

原文描述了一个愿景：

  • 一个真实世界的小女孩；
  • 电脑里有她的数据副本；
  • 小女孩出车祸后，新数据瞬间同步给副本；
  • 系统立刻给出最优干预方案；
  • 医生再动手治疗。

这就是“先算后治”的终极形态。

九、但 Valencia 也明确泼冷水：完整人体数字孪生还远得很

原文特别强调，Valencia 并没有夸大。

他说：

数字化一个人类是不可能的。

原因包括：

  • 人类连人体到底有多少种细胞类型都还没数清楚；
  • 完整的人体数字孪生，今年看不到；
  • 未来几年也看不到；
  • 现在只能一个层次一个层次地啃。

目前可以分层推进：

层级原文提到的内容
分子级蛋白质如何动，药物分子如何结合，用分子动力学模拟，现在就能做
器官级医生手术前可以在虚拟器官上先练习
细胞级模拟肿瘤内成千上万个细胞，谁在分裂、谁在抵抗、免疫系统如何反应
多层整合最难，目前算力、数据、理论都不够用

原文的核心判断是：
单个层级可以算，但把分子、细胞、器官一起整合计算，目前还远远做不到。

十、个性化医疗：不是“每个病人一种药”，而是“每个小组一种药”

原文讨论了个性化医疗。

Valencia 指出：

  • 现在很多人感冒、过敏，吃的药和全世界几十亿人一样；
  • 但同一种药对别人有效，对你未必是最优解；
  • 未来方向是把疾病越分越细，把人群越分越细；
  • 最后给一小群人配专属药。

但他马上泼冷水：

每个病人一种药，是乌托邦。

现实终点更可能是：

每个小组一种药。

原因是：

  • 太贵；
  • 药企最喜欢阿司匹林模式；
  • 一个配方卖给全世界，成本可以摊到最薄；
  • 如果为每个人单独造药，成本会爆炸。

原文还举了一个靶点例子：

  • 有一种叫 REST 的蛋白质，是癌症关键目标之一；
  • 全世界研究了几十年；
  • 最近才有药开始显出效果；
  • 而这还只是一组人的问题，离“一个人一种药”还很远。

十一、用假数据发现真规律：AI 科研中的科幻感突破

原文还提到 Valencia 实验室的一项研究：

他们研究一种儿童癌症时遇到困难：

  • 病例太少；
  • 有些孩子的情况，科学家分不清是一种病还是两种病；
  • 分不清就无法对症下药。

于是他们使用生成式合成数据：

  • 造出一批和真实病人分布一样的“假病人”；
  • 用这些假数据进行分析；
  • 结果看到了真实数据里原本看不出来的生物学结构；
  • 帮助判断到底是一组病还是两组病。

原文对此的评价是：

用编出来的数据发现了真实的生命规律。

Valencia 自己也感慨：

  • 这在五年前还是纯粹的科幻小说。

十二、AI 最大的价值可能不是硅谷神话，而是医疗平权

原文中，Valencia 提出一个非常有温度的观点：

AI 最大的价值可能根本不在硅谷。

而是在哪里？

原文给出的答案是：平权。

他举例：

  • 非洲偏远地区没有医生；
  • AI 可以装进手机；
  • 通过一张照片、一段对话；
  • 帮助从没见过医生的人做初步诊断；
  • 柬埔寨农村的孩子，用破手机和三季信号，也可能用上高级知识库；
  • 即使 AI 教书不够好，但有些孩子连老师都没有。

Valencia 的原话被原文记录为：

AI 就算什么都没做成，至少做了一件事：让一部分以前被排除在对话之外的人类进入了对话。

原文进一步引申：

  • 未来可能会有新的医生、新的科学家；
  • 从过去根本不可能出现的地方冒出来。

这部分表达的核心是：

科技最伟大的样子，不是让聪明人更聪明，而是让没机会的人第一次有机会。

十三、人类还能追上 AI 吗？原文给出的答案很冷静

访谈最后，主持人问：

  • 如果未来十年科学进步超过过去 100 年，Valencia 信吗？

Valencia 的回答比较冷静：

  • 解决具体问题，比如疾病预测，未来几个月可能会有突破；
  • 但真正深层的问题，例如：
    • 生命怎么起源？
    • 第一批蛋白质怎么出现？
    • 一个受精卵怎么发育成一个人？
  • 这些问题被人类严重低估；
  • 十年解决不了。

随后原文提出一个更扎心的判断：

  • 人类认知能力进化很慢；
  • 几千年来只比祖先聪明了一点；
  • 但 AI 是指数级增长；
  • 一个匀速爬坡的人和一个坐火箭的，迟早拉开距离。

那人类怎么办？

Valencia 认为不是完全没有办法，而是分场景：

1. 某些场景可以接受黑盒

  • 如果验证一万次都对；
  • 你可以相信它；
  • 不需要完全懂；
  • 就像坐飞机不一定懂空气动力学；
  • 打疫苗不一定懂免疫学。

2. 某些场景必须要求解释

尤其是生命健康场景：

  • AI 给的不是一个普通答案，而是一条命；
  • 如果它是黑盒，你连讨论病情都做不到；
  • 因此必须要求解释。

3. 文本能写清的问题，AI 可能全包；但生命过程不止文本维度

原文提到：

  • 只要问题能用文字写清楚，AI 就可能全包；
  • 但如果问题超出文字维度；
  • 比如必须同时处理三维空间、实时无数变量的生命过程；
  • 现在的 AI 就不够；
  • 需要另一套完全不同的技术。

4. 未来实验室可能是人机协作

原文描述未来图景：

  • 人类博士生、工程师、博士后和 AI 系统坐在一起；
  • 像同事一样讨论问题；
  • AI 给方案；
  • 人类把关；
  • 一起做决定。

最终主持人问：我们能不能一直跟上 AI？

Valencia 的回答是：

总有一天，人类要么交出控制权换取更大的好处，要么画一条线：到这里，我不让你过去了，因为我开始看不懂你了。

原文认为，这中间没有标准答案，但一定是人类未来几十年最重要的选择题。

💡 核心洞察

1. AI 医疗最大的误区：把“科研突破”误认为“临床治愈”

原文反复强调，AI 在实验室里表现惊人，并不等于它已经进入医疗体系并稳定救人。

关键断层在于：

  • 审批制度；
  • 成本；
  • 临床流程；
  • 可推广性；
  • 医生系统；
  • 医疗资源分配。

所以，原文最尖锐的判断是：

不是 AI 不行，是人类系统接不住。

这意味着，AI 医疗的真正瓶颈不只是算法，还包括制度、资金、监管和现实落地能力。

2. AlphaFold 的真正意义，不在于“封神”，而在于它证明了 AI 可以做可验证科学

原文并没有否认 AlphaFold 的价值。

相反，它认为 AlphaFold 是少数经得起检验的 AI 成就，因为：

  • 问题边界清楚；
  • 答案明确；
  • 可以复现；
  • 准确率可量化。

这也是为什么 AlphaFold 比其他许多 AI 应用更值得被严肃讨论。

但同时，原文也提醒：
不能因为 AlphaFold 成功，就认为 AI 可以自动解决所有生命科学问题。

3. AI 医疗的深层矛盾：有效性和可解释性之间的冲突

原文通过阿司匹林例子说明：
人类历史上曾经长期使用一种有效但机制不明的药。

但现代医学和科学又要求：

  • 可解释；
  • 可建模；
  • 可控制；
  • 可追责。

AI 打破了这个平衡：
它可以有效，但不一定解释自己。

因此，Valencia 的核心主张不是抛弃 AI，而是：

用真实世界的生物、物理、化学规则约束 AI。

这可以概括为：

既要 AI 的野性，也要科学的规矩。

4. “预测你会得病”不等于“能治好你的病”

这是原文反复强调的关键点。

AI 可以预测：

  • 你五年后可能得什么病；
  • 某种变异可能致癌；
  • 某个肿瘤可能对药物有什么反应。

但预测只是第一步。

真正治疗需要知道：

  • 病从哪里来；
  • 机制如何发生；
  • 从哪个环节干预；
  • 干预后会不会有副作用；
  • 是否适用于具体个体。

因此，原文提出：

预测不等于干预。

这句话是理解 AI 医疗边界的关键。

5. 数据决定 AI 的上限，尤其是在生命科学中

原文多次强调数据瓶颈：

  • AlphaFold 成功，是因为蛋白质结构数据高质量、边界清晰；
  • 基因组预测困难，是因为缺少标准答案；
  • 儿童癌症研究困难，是因为病例太少；
  • 人体数字孪生困难，是因为人体数据层次复杂、整合不足；
  • 个性化医疗困难，是因为成本和数据都跟不上。

所以原文的核心洞察之一是：

技术再牛，也突破不了数据的物理天花板。

AI 不是无限神通，它依赖输入的数据、问题的定义和现实世界的可测量性。

6. AI 真正值得期待的方向，不是制造神话，而是扩大机会

原文最动人的部分，不是诺奖争议，也不是超算模拟，而是 AI 平权。

它提出：

  • 在缺医少药地区，AI 可能第一次让普通人接触到基础医疗知识；
  • 在没有老师的地方，AI 可能成为学习入口；
  • AI 的最大价值可能不是让顶级机构更强，而是让被排除在外的人进入对话。

这提供了一个重要视角：

AI 医疗的价值不应只盯着大城市三甲医院，也应关注偏远地区、基层医疗和资源不足人群。

7. 对普通人的防骗提醒：看到“AI 治病”标题，要问三个问题

原文最后明确给出三条判断标准：

  1. 预测不等于干预。
    算出你会生病，不等于能治好你的病。

  2. 实验室准确率不等于临床落地。
    即使 99% 准确率，也可能因为审批和成本进不了医院。

  3. 要看数据来源和验证过程。
    不要只看公司通稿，连诺奖相关成果都可能被科学家批评为“形象工程”，何况广告。

这三条可以概括为普通人的 AI 医疗防骗清单。

8. 最稀缺的不是算力，而是清醒和诚实

原文最后的情绪落点不是恐惧，而是对科学态度的肯定。

它认为，Valencia 最珍贵的地方在于：

  • 他不反 AI；
  • 他自己就是 AI 研究的顶级参与者；
  • 但他愿意说“我不确定”；
  • 也愿意说“我们可能错了”；
  • 他既相信 AI 的潜力，也质疑 AI 的神话。

因此，原文最终的核心总结可以概括为：

AI 很强大，但它不是黑魔法。
它是工具，不是神。
它值得被相信，但更值得被追问。

🎙️ 语音转写原文

全世界都在告诉你AI要治好所有病了，但有一个人，欧洲计算生物学最顶级的大佬，刚刚用88分钟把这场狂欢从里到外扒了个干净。先说一件你可能不知道的事，2000 024年诺贝尔化学奖颁给了dimind的两位科学家，全世界都在鼓掌说这是AI的封神时刻，但就在这段访谈里，这位圈内大佬说了句大实话，这个奖没有想象中那么光鲜，他甚至用了四个字，形象工程，他是谁？凭什么敢这么说话？更重要的是，他说的是真的吗？今天这期，我用这段88分钟访谈里近9万字的原话给你把AI拯救人类这出大戏从头到尾拆一遍，看到最后你会对AI神要算命管家这些词有一个完全不一样的理解。先说结论，这个人既不是键盘侠，也不是反的保守派，他自己就是全世界用AI研究癌症最厉害的人之一，恰恰是自己人才最知道哪里在吹牛。接下来你会看到四样东西，第一，诺贝尔奖背后一场没人感谢的科学分账。第二，一个准确率99%的AI为什么全世界医院都拒之门外。第三，科学家怎么用电脑造一个你的分身，提前替你生病，替你吃药。第四，也是我最想让你记住的，为什么说人类可能真的追不上A了？别走开，每一段都比上一段炸。伦西亚这个名字你可能没听过，但他在这个领域的地位相当于生物信息学界的教诲。巴塞罗那超算中心生命科学部主任、西班牙国家生物信息学研究所所长，国际计算生物学会前主席，全球最大的计算生物学家组织。他是老大，发表论文四百多篇。400篇是什么概念？很多教授一辈子发100篇都算高产。他所在的巴塞罗那超算中心是全欧洲最顶级的超算中心之一，里面的超级计算机叫马雷诺斯特姆，西班牙语里我们的海的意思，常年排进全球超算前十。他研究的领域叫计算生物学，用超级计算机和AI去解生命难题。癌症、罕见病、基因组全是他天天打交道的东西。所以当这种级别的人坐下来聊了88分钟，第一句话就被问到哈萨比斯说十年内治愈所有疾病你怎么看的时候，你注意听他怎么答，他没有直接说不可能，他说的是已经研究能预测你五年后得什么病了。但要说治愈所有疾病，很难想象这句话信息量很大，翻译成人话就是确实厉害，但人类离神仙药还差了十万八千里。就这一句话已经和满屏的医疗革命拉开了距离。而后面他要说的话一句比一句更改。接下来这段是他讲的一个真实故事，美国一家医院用埃平台救了几百条命，听着像好消息对吧？但她接下来马上告诉你为什么这种好消息可能是最大的假象。访谈当天，维伦西亚说，她自己刚收到一条消息，美国一家医院用帕林特尔这个埃平台，过去几年救了八百多条命。八百多条命，这是A实打实救人的铁证嘛，可维伦西亚马上补了一句，你得分清楚。对科学的影响和对医学的影响完全是两回事。科研层面确实干出了三四年前连想都不敢想的事，但医院层面呢？他说我每天都在医院周围看到一堆新东西开发出来，但真正能被用起来的极少。他举了个特别扎心的例子，澳大利亚查尔斯达尔文大学搞了个AI拍一张活检照片，诊断癌症的准确率是99%。同一批题人类医生只做到了79%、99%。对，79%，这不是碾压，是什么结果呢？这个A到现在都没普及到全世界的医院，为什么？因为医疗器械审批贵到离谱，慢到离谱。一个软件要过审，走的是和心脏支架一样的流程，99%这种级别的好东西最后都死在审批和钱上。你听懂这里的讽刺了吗？不是不行，是人类的系统接不住这句话。划重点，后面还会出现。接下来是全场最炸的部分，诺贝尔讲的另一面，这一趴他几乎是在指着低mind的鼻子说话。要听懂这段，你得先知道al到底干了件什么事。我用大白话讲，你身体里有大约2万个基因，生产出约2万种蛋白质。蛋白质是什么？细胞里干活的微型机器人，有的搬东西，有的传递信号，但机器人要干活得先组装出正确的形状，蛋白质得折叠成特定的三维结构。问题是搞清楚一个蛋白质长怎么样。过去要科学家好几年用X射线冷冻电竞，一间实验室，一台设备几百万，死磕几十年攒下来，全世界也就攒出二十多万个结构，放在几亿种蛋白质面前杯水车薪。这时候dimind来了，2022年al直接封神给一段蛋白质序列，他啪的把三维结构预测出来，准确率95%，卡萨比斯在达沃斯说过一句话，这些蛋白质结构如果让人类科学家来测，得干10亿年，而这个只用了几年，把已知蛋白质的结构几乎全部预测完，还全部免费公开。所以，2000 024年诺贝尔化学奖颁给deep，全世界都觉得实至名归。但廉斯亚说，等等，故事没这么简单。讲黑幕前，先讲个更神奇的小故事。维廉西亚说，埃的灵感其实来自一个游戏，他把折叠蛋白质做成闯关游戏。全世界任何普通人都能玩。结果呢一群完全不懂物理的家庭主妇、学生、退休大爷，靠直觉居然折出了非常接近真实的蛋白质结构。哈瑟贝斯当时就想，人靠直觉都能干，凭什么不行？于是杀进了蛋白质领域。你看改变世界的技术奇点，有时候就是这么离谱。还有个小细节。拍过一部关于al法的纪录片，只有45分钟免费放网上，几天之内播放量冲到了好几亿。维兰西亚说，我建议所有人都去看。当然，她后面还补了一句意味深长的话，我们先按下不表。好，故事讲完，现在说黑幕，他讲了三个事实，你们自己品。第一，阿法是怎么学会的？靠的是人类结晶学家几十年辛辛苦苦测出来存进公共数据库里的那些蛋白质结构。没有这些数据，他连训练都训不了，可从头到尾，获奖感言里几乎没有一句对这学员的感谢。第二，他这套方法的土壤是一个叫的国际竞赛，全世界生物信息学界几十年搭起来的擂台，评委就是廉亚这帮人al是在这个擂台上打出名堂的。但一开始连提都不提，这让整个社区非常受伤，原话是非常冒犯。第三，也是最有意思的，al第二版发论文的时候代码不公开，nature的申稿人直接炸了，你不给我代码我怎么验证你？闹了好大一出，他们才不情不愿的把代码放出来。然后西亚说出了全场最狠的一句，判断诺贝尔奖给mind带来的好处比DeepMind给诺贝尔奖带来的好处多得多。什么意思？他说诺奖给大众传递了一个信号，这家公司一定靠谱。然后你在选切T还是Jamin的时候，这个信号就会偷偷影响你。这不是科学，这是精心策划的形象工程。平心而论，这话有没有情绪？有。他自己也承认，这是社区的理解。诺贝尔委员会怎么想的，没人知道。但不公开代码，不感谢数据来源这两件事是有据可查的事实。科学界炒了几十年A 1，是抢功劳还是真贡献？这一趴就是最真实的缩影。但你可能要问了，就算al法有争议，他必定真的解决了问题啊。好问题。接下来，西亚告诉你al是唯一一个经得起检验的成就。为什么？因为其他的你根本没法验证。这句话才是全场最细思极恐的。维en西亚说了一句很多人不爱听的话，在AI所有的科学成就里，ala fol是唯一一个能证实的。为什么？因为蛋白质结构预测这个事儿，边界清楚，答案明确，测出来什么样就是什么样，做不了价，95%就是95%，全世界可以复现，但其他的呢？AI生成图片好看，但你没法说它对还是错。看病准确率再高，换个医院换批病人还行不行，没人敢打包票。他说这些事儿我们都不知道能不能推广到别的场景。这就引出整个访谈最核心的一个词，可解释性。我给你讲个一百多年前的故事，阿司匹林，全世界最伟大的药之一，每年卖出几十亿片，但人类用了它一百多年，很长一段时间里根本不知道它是怎么起效的。怎么着不照样批准上市，不照样救命。维廉西亚说，你看我们完全可以在不知道原理的情况下批准一种药，历史早就干过。所以今天的困境是什么？一给你一个治疗方案，效果好，便宜，马上能用，但他没法告诉你我为什么这么做。传统科学家的铁律是不理解就不能建模，不能建模就不能控制，可AI把这条铁律砸碎了，他不理解，但他能干活。于是问题变成灵魂拷问，你是要一个不知原理但便宜有效的救命方案，还是要一个解释的清清楚楚但要慢两倍的方案？维伦西亚的原话是，拒绝一个便宜的解决方案，仅仅因为你想知道他怎么运作。面对一个等死的人，这话你根本说不出口。道德上说不出口，现实里更做不到。但是他紧接着补了一刀。预测不等于干预，告诉你按你的病史轨计，五年后你会得这个病，然后呢你能做什么，你只能干瞪眼。他没告诉你病是怎么来的，你就不知道从哪儿来预测管用，但真正治病需要的是中间那一大段，为什么？所以给了他的答案，把两种东西合起来，一边是负责从海量数据里找规律，一边是机制模型，基于物理、化学、生物规律的因果模型，让AI被真实世界的规则锁住，用机智的语言解释自己。打个比方你就懂了，现在的大模型像个天赋异禀但不懂规矩的野孩子，什么都能打，但可能一本正经的胡说八道。维兰西亚想要的是给这个野孩子套上一根物理世界的缰绳，他的每一个答案都得先通过真实生物学规律的检验。就像给赛车装上线阻器和护栏，速度还在，但翻不了车。既要AI的野性，又要科学的规矩。他说，这才是下一个真正的大飞跃。好，到这里你可能觉得已经够刺激了，但接下来这段更狠。低慢的拿了诺奖不过瘾，又想搞一个基因组版alval西亚直接说这个大概率会让大家失望，为什么？因为这一次碰上的是他啃不动的硬骨头。DeepMind的逻辑很简单，al靠解的蛋白质。那好，我再用同样的方法解基因组，是不是就能预测你会得什么病，什么突变致癌了？听着热血沸腾对吧？西亚一句话戳穿蛋白质。是的，完美训练场，基因组是AI的地域级训练场。为什么我展开讲蛋白质结构这题答案明确测出来什么样就是什么样。AI有百万级高质量样本可以学，学完还能逐断给你报知信度。更妙的是，这个训练集小，但质量极高。韦蕾斯想说，你在一个结构周围能配上几千几万个同源序列，AI学的不只是一个点，而是一整片空间，所以蛋白质成了全宇宙最适合喂给AI的数据之一，20年前你跟我说大公司会抢着研究蛋白质，打死我都不信。那基因组呢？你的基因组31个字母，一个字母变了，可能没事，可能得癌症，而人类至今不知道绝大多数变异会带来什么后果。你连标准答案都没让学什么，而且他想预测的不是什么形状结构这种看得见摸得着的答案，而是你未来会不会得病这种模糊的没编的命题。瓦兰西亚原话，这个问题的定义都说不清楚，预测出来又能有多准？更要命的是这个事实，你的病很大程度不是基因决定的，你得了肺病很大程度取决于小时候肺是怎么发育的，这些过程根本不在基因里，基因只是拼图的一小块，所以解码了基因组就能预言所有基病。人类基因组计划当年已经给全世界演示过一次什么叫。1990年，人类基因组计划启动，全世界的口号是解读生命天书，治愈所有疾病。结果呢花了30亿美元，基因是解出来了，病一个都没被他治好。维兰西亚说，知道基因组离治病还差着十万八千里，现在埃尔法杰诺想再来一次，他直言，未来三年内不会有明天就有一篇论文宣布搞定这种事儿。缺的不是更聪明的AI是数据本身。这段话值得所有迷信AI算命的人反复听三遍。技术再牛也突破不了数据的物理天花板。AI不是神，他只是个超级聪明但被蒙住一只眼的侦探。你给的线索少，他再聪明也破不了案。听到这儿你可能觉得这大佬怎么全程泼冷水啊？别急，接下来他要讲的事是我个人觉得全场最浪漫的，他要用电脑给你造一个数字分身。有人问维伦西亚巴塞罗那超算中心到底在干什么？他一句话总结做数字孪生啥意思？我给你打个比方，西门子造工业软件的巨头，能给汽车工厂建一个虚拟工厂，每台机器、每条流水线在电脑里都有一个一模一样的复制品。你在虚拟工厂里改参数，先模拟跑一遍，没问题了再动真工厂，省时省钱省事故。韦伦西亚说，我们要干的是同一件事儿，给人体建虚拟复制品，不是建一个标准人的模型，是建你的模型。你的肺、你的心脏、你的肿瘤在超级计算机里跑一个你。他举了个例子，一个人肺部感染，医生想判断病毒会怎么扩散，要不要提前干预。以前靠经验猜，以后呢把你的肺建膜进电脑，看他在你的肺里怎么走。注意是你的肺，不是一般人的肺，因为你肺的解剖结构、细胞状态跟别人就是不一样。再往下走，还有更深的模拟你的肿瘤。一个肿瘤里不只是一堆癌细胞，有免疫细胞、有正常细胞、有血管，他们互相打架，能不能预测给这个肿瘤上某种药它内部会怎么反应？他说我们正在做这件事，而且已经开始有正面结果了，先预测再拿真实验验证，对得上。他还讲了一个愿景图，一个真实世界的小女孩，电脑里有一个她的数据副本，小女孩出了车祸，新数据瞬间同步给副本，系统立刻给出最优干预方案，然后医生再动手，这就是先算后治的终极形态。但是注意这个但是维廉西亚特别诚实的说了一句话，数字化一个人类是不可能的，我们连人体到底有多少种细胞类型都还没数清楚，完整的人体数字孪生。她亲口说今年看不到，未来几年也看不到，我们现在只能一个层次一个层次的啃。最底层分子级蛋白质怎么动？药物分子怎么结合，用分子动力学模拟，这是现在就能做的。往上一层，器官级，医生做手术前先在虚拟器官上练一遍手，再往上一层细胞级，模拟一个肿瘤里成千上万个细胞，谁在分裂，谁在抵抗，免疫系统怎么扑过来，然后给药看反应。法兰西亚说，现在最难的不是某一层，是把这几层打通。我们目前只能一层一层的解决，还远远没法整合起来。分子算得清，器官算得清，可一旦要分子器官器官一起算，人类现在的算力、数据理论全都不够用。但你品品这件事的野心，让电脑先替人类挨一遍，所有的病，试一遍所有的药，哪怕他十年后才能成真。光是这个方向就已经足够震撼了。顺着这个话题，他讲了个性化医疗的真实看法，这个话题跟你我每个人都有关。他说你现在感冒了，过敏了，吃的药跟全世界几十亿人吃的一样。但凭什么我过敏吃的是跟所有人一样的过敏药？可也许这个药对别人管用，对我就不是最优解。未来的方向是把疾病越分越细，人群越分越细，最后给你这一小群人配专属的药。听着很美对吧？但他马上泼了一盆更冷的冷水。每个病人一种药，那是乌托邦。现实的终点是每个小组一种药。为什么？三个字，太贵了。药企最喜欢的就是阿司匹林模式，一个配方卖给全世界，成本摊到最薄。你让他们为每个人单独造药，成本直接爆炸。他举了个例子，有一种叫rest的蛋白质，是癌症里最关键的目标之一，全世界盯着他打了几十年，直到最近才终于有药开始显出效果，几十年就磨一个靶点，你想想这还只是一组人，离一个人还隔着多远。然后他讲了整场访谈最让我震撼的一段，用假数据发现真规律。他们实验室研究一种儿童癌症遇到一个头疼的问题，病例太少。而且有些孩子的情况，科学家根本分不清他们得的到底是一种病还是两种病，分不清就没法对症下药。这时候他们干了一件像科幻小说的事，用生成合成数据造一批和真实病分布一模一样的假病人。然后拿这些假数据去做分析，结果呢他们看到了之前真数据里根本看不出来的生物学结构，把一组还是两组的问题解开了。你听懂这里的震撼了吗？用编出来的数据发现了真实的生命规律。他说这句话的时候自己都摇头，这在五年前就是纯粹的科幻小说。但先别急着震撼，因为接下来这段是整场访谈最扎心也最有温度的部分。他说A最大的价值可能根本不在硅谷一说。A最大的价值可能在一个你想不到的地方。平权，非洲的偏远地区没有医生，你让装进手机，通过一张照片、一段对话，帮一个从没见过医生的人做初步诊断，这在以前是不可能的。柬埔寨农村的孩子用一部破手机，一个三季信号，就能用上拆GPT级别的知识库。他讲了一个更绝的例子，柬埔寨的乡下可能根本没有老师，你觉得AI教书不够好，但那个孩子连老师都没有。有一部手机，一个三季信号，一个AI对他来说就是天翻地覆。他的原话我记下来了，AI就算什么都没做成，至少做了一件事，让一部分以前被排除在对话之外的人类进入了对话。未来会有新的医生，新的科学家，从那些过去根本不可能出现的地方冒出来。听到这儿我不知道你怎么想，科技最伟大的样子不是让聪明人更聪明，而是让没机会的人第一次有机会。但是别急着感动，因为访谈最后20分钟，维林西亚聊了一个让所有人沉默的话题，人类可能真的追不上了。访谈最后，主持人问了一个尖锐的问题，平说过未来十年科学进步会超过过去100年，你信吗？维伦西亚的回答很冷静，他说解决具体问题，比如疾病预测，未来几个月就会有突破。但那些真正深层的科学问题，生命怎么起源呢？第一批蛋白质怎么冒出？一个受精卵怎么发育成一个人？我们低估了他们的难度，这些东西十年解决不了。然后他抛出了全场扎心的一段话，他说人类有一件事儿特别尴尬，我们的认知能力进化的极慢。几千年来我们确实比祖先聪明了一点，但就一点。而AI呢是指数级往上窜的，一个匀速爬坡的人和一个坐火箭的，迟早会拉开到看不见彼此的距离。那到那一天我们怎么办？维兰西亚说，答案不是唯一的人。会有一些场景，你验证他一万次都对你就信了，不需要懂。只要你不超出这些边界条件，我就相信你。他说，这其实一点也不新鲜。我们坐飞机有几个真正懂空气动力学？我们打疫苗有几个真懂免疫学，不照样信吗？黑盒人类从来都在用，但也一定会有另一些场景，尤其是关乎你生命健康的场景，你会要求他解释，因为它给的不是一个答案，是一条命。如果他是个黑盒子，你连怎么跟他讨论病情都做不到。而且文恩西亚还点破了一个关键，只要问题能用文字写清楚，AI就可能全包。一旦问题超出了文字的维度，比如必须同时处理三维空间，实现无数变量的生命过程，现在的AI就抓瞎了，需要另一套完全不同的技术。这就像你让一个嘴皮子再溜的人去修发动机，他连扳手都认不全。所以他说十年二十年后，一个实验室里会是这样一幅画面。人类博士生、工程师、博士后和一堆A系统坐在一起，像同事一样讨论问题，一给方案人类把关，一起做决定。到那时候科学家的定义可能都变了。最后主持人替所有人问了一个天真的问题，我们能不能一直跟上他？伯兰西亚沉默了一下，说，总有一天我们要么交出控制权换取更大的好处，要么画一条线到这里，我不让你过去了，因为我开始看不懂你了。这中间没有标准答案，但他一定是人类未来几十年最重要的选择题。现在回到开头那个问题哦，风锁维兰西亚到底是谁？他就是那个在满世界的AI封神狂欢里感说等等故事没那么简单的人。他不反AI他自己就是AI致癌的顶级玩家。他反的是神话，是精心策划的形象工程，是99%准确率却进不了医院的荒诞。最后我想再说几句掏心窝的话。这场访谈是西班牙语的，可他讲的事儿跟每个中国人都有关系。中国有14亿人，医疗资源从来就不均衡，大城市的专家号一票难求，小县城看个病要跑几十公里。瓦兰西亚讲的非洲没有医生，AI装进手机就能救命放在中国的语境里，就是你老家卫生所的故事。一真正的机会不再帮大城市的三甲医院更快开药，而在让偏远地区的人第一次摸到专家的手。这是这场访谈里我最认同的一句话。但反过来，我也要给你一个防骗提醒，以后再看到a治愈癌症AI神药问世，AI算出你的寿命这种标题，你就用今天这三条去演。第一，预测不等于干预，算出你会生病不等于治的老病。第二，实验室准准能落地99%，对，79%照样进不了医院，审批和前是两堵墙。第三，看数据来源。别看公司通稿末奖都可能是形象工程，何况一个广告。这年头最贵的不是算力，是辨别力。还有一句我自己的感受送给你这场访谈里最奢侈的东西不是那些惊悚的爆料，而是一个顶级科学家愿意在聚光灯下说出我不确定，我们可能错了。在这个人人都抢着当预言家的时代，诚实反而成了最稀缺的品质。而维伦西亚让我看到的正是这种诚实，对AI的期待是真诚的，对AI的质疑也是真诚的，这两样东西放在一起才叫清醒。好了，该说的都说完了，封锁维伦西亚用88分钟告诉我们，AI很强大，但它不是黑魔法，它是工具，不是神。它值得被相信，但更值得被追问。点个关注，我们下期见。

关系图谱