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：《诺奖背后，AI医疗的谎言与真相》
 
## 🎯 核心观点摘要
 
- **AI医疗被过度神话**：诺贝尔化学奖颁给 DeepMind 并不“光鲜”，甚至被 Valencia 称为“形象工程”。
- **AI 并非万能**：AlphaFold 是唯一经得起检验的 AI 科学成就，但“预测不等于干预”，AI 离“治愈所有疾病”还差十万八千里。
- **技术落地极难**：99% 准确率的 AI 诊断系统因审批和成本问题被医院拒之门外。
- **未来方向是“数字孪生”**：用超级计算机给人体建虚拟副本，先算后治，但完整人体数字孪生短期内无法实现。
- **AI 最大的价值可能是“平权”**：让没机会的人第一次获得医疗/知识资源。
- **人类可能追不上 AI**：最终需要在“交出控制权”和“画一条线”之间做选择。
 
---
 
## 📌 关键脉络与论据
 
### 1. 诺贝尔奖的另一面：形象工程？
 
- Valencia 身份：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、国际计算生物学会前主席。
- 他对诺贝尔化学奖评价：“这个奖没有想象中那么光鲜”，用了“形象工程”四个字。
- 三个事实支撑：
  1. AlphaFold 靠人类结晶学家几十年的公共数据训练，但获奖感言几乎没有感谢数据来源。
  2. AlphaFold 是在国际竞赛（CASP）中成名，但一开始连提都不提，让社区感到“非常冒犯”。
  3. AlphaFold 第二版论文最初不公开代码，审稿人强烈反对后才不情愿放出。
- 他的原话：**“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。”**
- 他认为诺奖向大众传递“这家公司一定靠谱”的信号，影响用户选择，是“精心策划的形象工程”。
 
### 2. 99% 准确率的 AI 为什么进不了医院？
 
- 案例：澳大利亚查尔斯达尔文大学开发 AI，拍一张活检照片诊断癌症，准确率 99%；同一批题人类医生准确率 79%。
- 结果：这个 AI 至今没有普及。
- 原因：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。
- 讽刺点：**“不是不行，是人类的系统接不住。”**
 
### 3. AlphaFold 是唯一能证实的 AI 成就
 
- 蛋白质结构预测：边界清楚、答案明确、可复现，95% 就是 95%。
- 其他 AI 应用（如 AI 生成图片、看病诊断）无法验证对错，换个场景可能就失效。
- 引出核心概念：**可解释性**。
 
### 4. 可解释性的困境：阿司匹林悖论
 
- 阿司匹林用了 100 多年，人类很长时间不知道它怎么起效，但不影响它救命。
- 今天的 AI 能给出便宜有效的方案，但无法解释“为什么这么做”。
- 灵魂拷问：**要一个不知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 观点：拒绝便宜的解决方案，面对等死的人，道德上说不出口。
- 但他补充：**预测不等于干预**。预测你五年后会得病，但不知道病怎么来的，就只能干瞪眼。
- 解法：将 AI 的“野性”与物理/化学/生物规律的“缰绳”结合，让 AI 被真实世界规则锁住。
 
### 5. 基因组版 AlphaFold 大概率会让人失望
 
- DeepMind 想用同样方法解基因组，预测疾病/突变致癌。
- Valencia 认为：蛋白质是“完美训练场”，基因组是“地狱级训练场”。
- 原因：
  - 蛋白质结构有明确答案、高质量样本、可验证。
  - 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后果。
  - 预测“未来会不会得病”是模糊命题，连定义都说不清。
  - 疾病很大程度不是基因决定的，比如肺病取决于小时候肺的发育，这些过程不在基因里。
- 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。
- 结论：未来三年不会有“一篇论文宣布搞定”这种事，缺的不是更聪明的 AI，是数据本身。
 
### 6. 数字孪生：用电脑造一个“你”
 
- 类比西门子给汽车工厂建虚拟工厂，先模拟再动真工厂。
- 目标：给人体建虚拟复制品——你的肺、你的心脏、你的肿瘤，在超算里跑一个“你”。
- 例子：肺部感染，在虚拟肺里模拟病毒扩散；肿瘤模型里免疫细胞、血管、癌细胞互相作用，预测给药后的反应。
- 现状：已经开始有正面结果，但完整人体数字孪生“今年看不到，未来几年也看不到”。
- 难点：分子级、器官级、细胞级需要分层解决，目前无法整合；算力、数据、理论都不够用。
- 野心：让电脑先替人类挨一遍所有的病，试一遍所有的药。
 
### 7. 个性化医疗的真相：乌托邦 vs 现实
 
- 未来方向：把疾病越分越细，人群越分越细，给“这一小群人”配专属药。
- 但 Valencia 说：**每个病人一种药是乌托邦，现实的终点是每个小组一种药。**
- 原因：太贵了。药企喜欢阿司匹林模式——一个配方卖给全世界。
- 例子：一种叫 RAS 的蛋白质，癌症最关键靶点之一，全世界盯了几十年，最近才有药显出效果。这只是“一组人”，离“一个人”还隔着多远。
 
### 8. 用假数据发现真规律
 
- 他们研究一种儿童癌症，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一批和真实病分布一模一样的“假病人”，拿去做分析。
- 结果：看到了真数据里看不出来的生物学结构，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。
 
### 9. AI 最大的价值可能是“平权”
 
- 非洲偏远地区没有医生，AI 装进手机，通过一张照片、一段对话，帮从没见过医生的人做初步诊断。
- 柬埔寨农村孩子用一部破手机、三格信号，就能用上 ChatGPT 级别的知识库。
- 原话：**“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。”**
- 未来会有新医生、新科学家，从过去根本不可能出现的地方冒出来。
 
### 10. 人类可能真的追不上 AI
 
- 关于“十年科学进步超过过去 100 年”，Valencia 很冷静：具体问题（如疾病预测）几个月会有突破；但深层科学问题（生命起源、受精卵发育成人）十年解决不了。
- 扎心事实：人类认知能力进化极慢，几千年只聪明了一点点；AI 是指数级上升。
- 怎么办？
  - 有些场景不需要懂，验证一万次都对就信——坐飞机不需要懂空气动力学，打疫苗不需要懂免疫学。
  - 但生命健康场景需要解释，因为“它给的不是一个答案，是一条命”。
  - 只要问题能用文字写清楚，AI 就可能全包；一旦超出文字维度（如三维空间、无数变量），现在的 AI 抓瞎。
- 未来实验室画面：人类博士生、工程师、博士后和 AI 系统像同事一样讨论问题，AI 给方案，人类把关。
- 终极选择：**“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——我不让你过去了，因为我开始看不懂你了。”**
 
---
 
## 💡 核心洞察
 
- **AI 很强大，但不是黑魔法，是工具，不是神。它值得被相信，但更值得被追问。**
- **科学界最稀缺的品质是诚实**：一个顶级科学家愿意在聚光灯下说“我不确定，我们可能错了”，这比任何惊悚爆料都更奢侈。
- **对 AI 的期待和质疑都是真诚的，两样东西放在一起，才叫清醒。**
- **防骗提醒（针对“AI 治愈癌症”“AI 神药问世”“AI 算出寿命”等标题）**：
  1. **预测不等于干预**——算出你会生病，不等于治得了病。
  2. **实验室准不等于能落地**——99% 对 79%，照样进不了医院，审批和钱是两堵墙。
  3. **看数据来源**——别看公司通稿，诺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。”**

🔵 百炼 Qwen 3.8 Max 总结

《诺奖背后，AI医疗的谎言与真相》深度提炼

🎯 核心观点摘要

  • 原文并不是全盘否定 AI 医疗，而是借欧洲计算生物学大佬 Valencia 的 88 分钟访谈，拆解“AI 治愈所有病”的过度狂欢。
    文中认为：AI 很强大，但它不是神，也不是黑魔法；它值得被相信，但更值得被追问。

  • Valencia 不是反 AI 的保守派，而是 AI 医疗/计算生物学领域内部的顶级专家。
    原文强调，他是“全世界用 AI 研究癌症最厉害的人之一”，所以他的批评不是外行泼冷水，而是“自己人才最知道哪里在吹牛”。

  • 文中将“阿法 / ala fol”蛋白质结构预测视为 AI 科学成就中最可验证的一项，但同时指出其背后存在科学共同体贡献被忽视、数据来源未被感谢、代码公开争议等问题。
    Valencia 甚至批评，诺奖给 DeepMind 带来的好处比 DeepMind 给诺奖带来的好处更多，称其像一场“精心策划的形象工程”。

  • 高准确率不等于医疗落地。
    原文举例：一个 AI 诊断癌症准确率达到 99%，人类医生只有 79%，但它仍然没有普及到医院。原因是医疗器械审批“贵到离谱，慢到离谱”，软件过审要走类似心脏支架的流程。结论是：不是 AI 不行，而是人类系统接不住。

  • “预测”不等于“干预”。
    AI 可能预测你五年后得什么病，但不等于它知道病怎么来的，也不等于它能治疗。原文认为，真正治病需要的是从预测走向机制解释和干预路径。

  • 未来方向不是放任黑盒 AI，而是给 AI 加上科学约束。
    文中主张把 AI 的规律学习能力，与基于物理、化学、生物规律的机制模型结合起来，让 AI 被真实世界规则锁住，并能解释自己。

  • 基因组预测、数字孪生、个性化医疗都不能被神话。
    原文认为：基因组预测疾病难度远高于蛋白质结构预测；完整人体数字孪生短期看不到；“每个病人一种药”是乌托邦，现实更可能是“每个小组一种药”。

  • AI 最大的价值之一，可能不是让顶级医院更强，而是医疗平权。
    原文提到非洲、柬埔寨等缺医少药地区，AI 可能通过手机让以前没有医生、没有老师的人第一次获得初步诊断和知识入口。

  • 最后，原文提出一个更深的问题：人类可能真的追不上 AI。
    但关键不是简单拒绝 AI，而是要决定：哪些场景可以接受黑盒，哪些场景必须要求解释；什么时候可以交出部分控制权，什么时候必须画一条线。

📌 关键脉络与论据

1. 人物身份：为什么 Valencia 有资格批评 AI 医疗？

原文给出的身份包括：

  • 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；
  • 发表论文 400 多篇；
  • 所在机构拥有全欧洲顶级超算中心之一，超级计算机“马雷诺斯特姆”常年排进全球超算前十；
  • 研究领域是计算生物学：用超级计算机和 AI 解决生命难题，包括癌症、罕见病、基因组等。

原文明确强调：
他不是键盘侠，也不是反 AI 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。

因此，整篇内容的基础不是外行否定 AI，而是内部专家揭示 AI 医疗的真实边界。

2. 对“AI 十年治愈所有疾病”的回应

原文提到，当主持人问 Valencia：哈萨比斯说“十年内治愈所有疾病”怎么看？

Valencia 没有直接说“不可能”，而是说：

  • AI 已经能预测一个人五年后可能得什么病；
  • 但要说治愈所有疾病，“很难想象”。

原文借此表达：
AI 确实厉害，但距离“治愈所有疾病”还非常远，和满屏的“医疗革命”宣传拉开了距离。

3. AI 救人案例：好消息为什么也可能是假象？

原文提到一个案例：

  • 美国一家医院使用“帕林特尔”这个 AI 平台，过去几年救了 800 多条命。

但 Valencia 马上提醒：
对科学的影响和对医学的影响完全是两回事。

也就是说：

  • 科研层面，AI 确实做到了三四年前不敢想的事；
  • 医院层面，很多新东西被开发出来，但真正能被用起来的极少。

原文随后举了一个更扎心的例子：

  • 澳大利亚查尔斯达尔文大学开发了一个 AI；
  • 它通过拍一张活检照片诊断癌症；
  • AI 准确率为 99%；
  • 同一批题，人类医生只做到 79%。

但结果是：
这个 AI 到现在都没有普及到全世界医院。

原文解释原因：

  • 医疗器械审批非常贵；
  • 审批非常慢；
  • 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，最后可能死在审批和钱上。

原文总结为：
不是 AI 不行，是人类的系统接不住。

4. 诺奖背后：蛋白质结构预测的成就与争议

原文先解释了“阿法 / ala fol”到底做了什么。

（1）蛋白质为什么重要？

原文说：

  • 人体约有 2 万个基因，生产约 2 万种蛋白质；
  • 蛋白质是细胞里干活的“微型机器人”；
  • 蛋白质要干活，就必须折叠成正确的三维结构；
  • 搞清楚蛋白质结构非常难。

过去的方法包括：

  • X 射线；
  • 冷冻电镜；
  • 一间实验室、一台设备几百万；
  • 科学家死磕几十年。

原文说，全世界几十年攒下来的蛋白质结构只有 20 多万个，而面对几亿种蛋白质只是杯水车薪。

（2）“阿法 / ala fol”的突破

原文称：

  • 2022 年，“阿法 / ala fol”直接封神；
  • 给一段蛋白质序列，它能预测三维结构；
  • 准确率达到 95%；
  • 文中引用哈萨比斯在达沃斯的说法：如果让人类科学家测这些结构，可能要干 10 亿年；
  • 而 AI 只用几年，把已知蛋白质结构几乎全部预测完；
  • 并且全部免费公开。

因此，原文说全世界普遍认为诺奖给 DeepMind 是“实至名归”。

但 Valencia 提醒：
故事没这么简单。

（3）游戏灵感来源

原文还提到一个小故事：

  • 有一个把折叠蛋白质做成闯关游戏的游戏；
  • 全世界普通人都能玩；
  • 一些完全不懂物理的家庭主妇、学生、退休大爷，靠直觉折出了非常接近真实的蛋白质结构；
  • 哈萨比斯因此想到：人靠直觉都能干，为什么 AI 不能？

原文还提到：
有一部关于“阿法 / ala fol”的纪录片，只有 45 分钟，免费放网上，几天内播放量冲到几亿。

5. Valencia 指出的三个诺奖争议点

原文明确列出三个事实。

第一，训练数据来自人类科学家的长期积累

原文说：

  • “阿法 / ala fol”学会预测蛋白质结构，靠的是人类结晶学家几十年辛辛苦苦测出来、存进公共数据库的蛋白质结构；
  • 没有这些数据，AI 连训练都训练不了；
  • 但获奖感言里几乎没有一句对这些数据贡献者的感谢。

第二，方法成名于国际竞赛，但社区贡献被忽视

原文说：

  • 这套方法的土壤是一个国际竞赛；
  • 这个竞赛是全世界生物信息学界几十年搭起来的擂台；
  • 评委就是 Valencia 这些人；
  • “阿法 / ala fol”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，原文用词是“非常冒犯”。

第三，代码公开争议

原文说：

  • “阿法 / ala fol”第二版发论文时，代码不公开；
  • Nature 审稿人质疑：不给代码怎么验证？
  • 闹了很大一出后，他们才不情不愿地把代码放出来。

基于这些，Valencia 说出原文中最狠的一句判断：
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：
诺奖给大众传递了一个信号——这家公司一定靠谱；当用户选择 AI 产品时，这个信号会偷偷影响选择。

所以 Valencia 认为：
这不是科学，这是精心策划的形象工程。

原文也补充：这话有没有情绪？有。Valencia 自己也承认这是社区的理解；诺贝尔委员会怎么想没人知道。但“不公开代码”“不感谢数据来源”这两件事，是原文中有据可查的事实。

6. 为什么“阿法 / ala fol”是唯一能证实的 AI 成就？

原文中，Valencia 说了一句很多人不爱听的话：

在 AI 所有的科学成就里，“阿法 / ala fol”是唯一一个能证实的。

原因如下：

  • 蛋白质结构预测边界清楚；
  • 答案明确；
  • 测出来什么样就是什么样；
  • 做不了假；
  • 95% 就是 95%；
  • 全世界可以复现。

但其他 AI 应用不同：

  • AI 生成图片好看，但很难说它对还是错；
  • 医疗 AI 准确率高，但换一家医院、换一批病人，是否还有效，没人敢打包票；
  • 很多场景不知道能否推广。

原文由此引出核心词：
可解释性。

7. 可解释性困境：阿司匹林的历史类比

原文用阿司匹林举例：

  • 阿司匹林每年卖出几十亿片；
  • 但人类用了它一百多年，很长时间里并不知道它怎么起效；
  • 可它仍然被批准上市，也仍然救命。

Valencia 据此指出：
历史早就证明，人类可以在不知道原理的情况下批准一种药。

于是 AI 时代出现一个困境：

  • AI 给你一个治疗方案；
  • 效果好；
  • 便宜；
  • 马上能用；
  • 但它没法告诉你为什么这么做。

传统科学的铁律是：
不理解就不能建模，不能建模就不能控制。

但 AI 把这条铁律砸碎了：
它不理解，但它能干活。

原文提出灵魂拷问：
你是要一个不知原理但便宜有效的救命方案，还是要一个解释得清清楚楚但慢两倍的方案？

Valencia 的原话意思：
面对一个等死的人，拒绝一个便宜有效的方案，道德上说不出口，现实里也做不到。

但他紧接着补了一刀：
预测不等于干预。

原文解释：

  • AI 告诉你，按你的病史，五年后可能得某个病；
  • 然后呢？
  • 你可能只能干瞪眼；
  • 因为它没告诉你病是怎么来的；
  • 不知道从哪儿来，就不知道从哪儿干预；
  • 真正治病需要的是中间那一大段“为什么”。

8. 解决方案：给 AI 套上物理世界的缰绳

原文给出的方向是：

  • 一边是 AI，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 被真实世界规则锁住；
  • 让 AI 用机制解释自己。

原文打比方：

  • 现在的大模型像天赋异禀但不懂规矩的野孩子；
  • 什么都能打，但可能一本正经地胡说八道；
  • Valencia 想要的是给这个野孩子套上物理世界的缰绳；
  • 每个答案都要先通过真实生物学规律检验；
  • 就像给赛车装上限速器和护栏：速度还在，但翻不了车。

原文认为：
既要 AI 的野性，又要科学的规矩，这才是下一个真正的大飞跃。

9. 基因组版“阿法”为什么可能让人失望？

原文提到，DeepMind 拿了诺奖后，又想做一个基因组版的“阿法”。

它的逻辑是：

  • 既然 AI 能解蛋白质；
  • 那是不是也能用类似方法解基因组；
  • 进而预测一个人会得什么病、什么突变致癌？

但 Valencia 直接说：
这个大概率会让大家失望。

原因是：蛋白质是完美训练场，而基因组是“地域级训练场”。

（1）蛋白质为什么适合 AI？

原文说：

  • 蛋白质结构预测答案明确；
  • 测出来什么样就是什么样；
  • AI 有百万级高质量样本可以学；
  • 学完还能逐段给出置信度；
  • 训练集虽小，但质量极高；
  • 一个结构周围可以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。

所以原文说：
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？

原文指出：

  • 基因组中一个字母变了，可能没事，也可能得癌症；
  • 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，AI 学什么？
  • 它要预测的不是形状结构这种看得见摸得着的东西；
  • 而是“你未来会不会得病”这种模糊、没边的命题；
  • 问题定义都说不清楚，预测能有多准也存疑。

更关键的是：
原文认为，人的病很大程度不是基因决定的。

例如：

  • 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。

（3）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；
  • 但病一个都没被治好。

Valencia 因此认为：
知道基因组，离治病还差十万八千里。

对于基因组版“阿法”，原文判断：
未来三年内不会出现“明天就有论文宣布搞定”的突破。缺的不是更聪明的 AI，而是数据本身。

原文总结：
技术再牛，也突破不了数据的物理天花板。AI 不是神，它只是一个超级聪明但被蒙住一只眼的侦探；线索少，再聪明也破不了案。

10. 数字孪生：用电脑造一个你的分身

原文中，有人问 Valencia：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。

原文类比：

  • 西门子可以给汽车工厂建虚拟工厂；
  • 每台机器、每条流水线在电脑里都有复制品；
  • 先在虚拟工厂里改参数、模拟运行；
  • 没问题后再动真工厂；
  • 省时、省钱、减少事故。

Valencia 说，他们要做的是同一件事：
给人体建虚拟复制品。

但不是建一个标准人的模型，而是：

  • 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”。

原文举例：

  • 一个人肺部感染；
  • 医生想判断病毒怎么扩散、要不要提前干预；
  • 以前靠经验猜；
  • 未来可以把你的肺建模进电脑；
  • 看病毒在你的肺里怎么走；
  • 注意是“你的肺”，不是一般人的肺。

再往下：

  • 模拟你的肿瘤；
  • 肿瘤里不只有癌细胞；
  • 还有免疫细胞、正常细胞、血管；
  • 它们互相打架；
  • AI 可以尝试预测某种药进去后内部如何反应；
  • 原文说他们正在做，并且已经开始有正面结果：先预测，再拿真实验验证，对得上。

原文还描述了一个愿景：

  • 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；
  • 这就是“先算后治”的终极形态。

但原文也强调限制：

  • 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。

这些层次包括：

  1. 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；
  2. 器官级：医生手术前先在虚拟器官上练手；
  3. 细胞级：模拟肿瘤里成千上万个细胞，谁在分裂、谁在抵抗、免疫系统如何反应，然后给药看反应。

原文认为最难的不是某一层，而是把几层打通。
分子算得清，器官算得清，但分子、器官一起算时，人类现在的算力、数据、理论全都不够用。

11. 个性化医疗：不是每个病人一种药，而是每个小组一种药

原文说，现在感冒、过敏，很多人吃的药和全世界几十亿人吃的一样。
但也许这个药对别人管用，对你却不是最优解。

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 Valencia 泼冷水：

  • “每个病人一种药”是乌托邦；
  • 现实终点是“每个小组一种药”；
  • 原因只有一个：太贵了。

原文说：

  • 药企最喜欢阿司匹林模式；
  • 一个配方卖给全世界；
  • 成本摊到最薄；
  • 如果为每个人单独造药，成本直接爆炸。

原文还举例：

  • 一种叫 rest 的蛋白质，是癌症里最关键的目标之一；
  • 全世界盯着打了几十年；
  • 直到最近才终于有药开始显出效果；
  • 几十年才磨一个靶点；
  • 这还只是一组人，离一个人还隔着很远。

12. 用假数据发现真规律

原文提到一个很有冲击力的案例。

Valencia 实验室研究一种儿童癌症时遇到问题：

  • 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；
  • 分不清就没法对症下药。

他们的方法：

  • 用生成合成数据造一批“假病人”；
  • 这些假病人的数据分布和真实病人一模一样；
  • 再拿这些假数据做分析。

结果：

  • 他们看到了之前真数据里根本看不出来的生物学结构；
  • 解开了“是一组还是两组”的问题。

原文强调：
用编出来的数据发现了真实的生命规律。

Valencia 自己也说：
这在五年前就是纯粹的科幻小说。

13. AI 的真正价值：平权

原文认为，AI 最大的价值可能不在硅谷，而在平权。

例子包括：

  • 非洲偏远地区没有医生；
  • AI 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。

还有：

  • 柬埔寨农村的孩子；
  • 用一部破手机；
  • 一个“三季信号 / 3G 信号”；
  • 就能用上“拆 GPT 级别”的知识库。

原文说：

  • 柬埔寨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、一个信号、一个 AI，对他来说就是天翻地覆。

Valencia 的原话：
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。

原文进一步说：
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。

原文将此联系到中国语境：

  • 中国有 14 亿人；
  • 医疗资源不均衡；
  • 大城市专家号一票难求；
  • 小县城看病要跑几十公里；
  • AI 真正的机会不是帮大城市三甲医院更快开药；
  • 而是让偏远地区的人第一次摸到专家资源。

14. 人类可能真的追不上 AI

原文最后 20 分钟提到一个更沉重的话题。

主持人问：
哈萨比斯说未来十年科学进步会超过过去 100 年，信吗？

Valencia 的回答：

  • 解决具体问题，比如疾病预测，未来几个月可能会有突破；
  • 但真正深层的科学问题，比如：
    • 生命怎么起源？
    • 第一批蛋白质怎么冒出来？
    • 一个受精卵怎么发育成一个人？
  • 我们低估了它们的难度；
  • 这些东西十年解决不了。

他随后提出：

  • 人类认知能力进化极慢；
  • 几千年来比祖先聪明了一点，但只有一点；
  • AI 是指数级往上窜；
  • 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。

那怎么办？

原文给出两种场景。

场景一：某些黑盒可以信任

Valencia 说：

  • 有些场景，你验证它一万次都对；
  • 你就信了；
  • 不需要懂原理；
  • 只要不超出边界条件，就可以相信它。

原文举例：

  • 坐飞机的人未必懂空气动力学；
  • 打疫苗的人未必懂免疫学；
  • 但人类照样信任。

也就是说，黑盒人类从来都在用。

场景二：生命健康场景必须要求解释

原文说：

  • 关乎生命健康的场景不同；
  • 你会要求 AI 解释；
  • 因为它给的不是一个答案，而是一条命；
  • 如果它是黑盒，你连怎么跟它讨论病情都做不到。

原文还指出：

  • 只要问题能用文字写清楚，AI 就可能全包；
  • 但一旦问题超出文字维度；
  • 比如必须同时处理三维空间、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。

原文比喻：
你让一个嘴皮子再溜的人去修发动机，他连扳手都认不全。

15. 未来实验室图景：人机同事

原文描述十年二十年后的实验室：

  • 人类博士生、工程师、博士后；
  • 和一堆 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。

原文认为：
到那时，科学家的定义可能都会变。

最后主持人问：
我们能不能一直跟上 AI？

Valencia 沉默了一下，说：
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。

16. 原文给出的三条防骗提醒

原文最后提醒：
以后再看到“AI 治愈癌症”“AI 神药问世”“AI 算出你的寿命”这类标题，可以用三条去检验。

  1. 预测不等于干预
    算出你会生病，不等于治得了病。

  2. 实验室准确率不等于落地
    99% 对 79% 也可能进不了医院；审批和钱是两堵墙。

  3. 看数据来源
    别看公司通稿；诺奖都可能是形象工程，何况一个广告。

原文总结：
这年头最贵的不是算力，是辨别力。

💡 核心洞察

  • AI 医疗不是神话，而是强工具。
    原文反复强调：AI 很强大，但它不是黑魔法；它是工具，不是神。

  • 准确率不是医疗 AI 的唯一门槛。
    即使 AI 在诊断上达到 99%，也不代表它能进入医院。审批、成本、流程、系统承接能力，都是现实壁垒。

  • 真正可信的科学成就，需要可验证、可复现。
    原文之所以特别强调“阿法 / ala fol”蛋白质结构预测，是因为它边界清楚、答案明确、可以复现。其他 AI 能力如果不能验证，就不能轻易被神化。

  • AI 能发现规律，但医疗需要干预机制。
    预测疾病风险只是第一步。真正治疗需要知道疾病为什么发生、从哪里干预、如何验证安全性与有效性。

  • 数据是 AI 的物理天花板。
    原文多次强调，不是 AI 不够聪明，而是很多领域缺少高质量数据、明确答案和可定义问题。尤其在基因组、罕见病、复杂疾病中，数据本身就是瓶颈。

  • 科学成就可能被包装成形象工程。
    原文通过诺奖争议提醒：技术突破是真的，但围绕技术突破的叙事、荣誉、传播和商业信号，也可能被精心包装。

  • AI 的社会价值不只是效率提升，更是资源平权。
    原文最肯定的方向之一，是让偏远地区、缺医少药的人群第一次获得基础医疗知识和初步诊断机会。

  • 黑盒可以被使用，但不能在所有场景无条件接受。
    坐飞机、打疫苗可以不懂原理；但医疗场景关乎生命，必须保留解释权、讨论权和人类把关。

  • 未来不是人类被 AI 完全替代，而是人机协作与边界选择。
    原文设想的未来实验室是人类和 AI 像同事一样讨论问题。但人类最终必须面对一个问题：哪些控制权可以交出，哪些线不能越过。

  • 最稀缺的不是预言，而是诚实。
    原文最后强调，这场访谈中最奢侈的东西，不是惊悚爆料，而是一个顶级科学家愿意说“我不确定”“我们可能错了”。在人人争当预言家的时代，这种诚实反而是清醒。

🎙️ 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