ZPotentials 2026-11-22 02:47:16
推荐语
如果要寻找一位同时理解前沿生命科学、AI 技术与硅谷科研创业生态的研究者,丛乐是一个颇具代表性的样本。如今,他是斯坦福医学院病理学系与遗传学系终身教授,也是生命科学公司 Acelegen 的共同创始人。
2009 年本科毕业后,丛乐赴哈佛攻读博士并在博德研究所(Broad Institute)从事博士后研究。期间,他先后加入 George Church、张锋与 Aviv Regev 三位顶尖科学家的实验室,亲历了 CRISPR 基因编辑与单细胞生物学的发展。从跨学科创业、基因编辑到计算生物学,这段涵盖不同科研范式与产业化的独特履历,确立了他始终不变的核心主线——寻找真正值得回答的基础问题,以及“从 0 到 1”的创新机会。
如今,他又站在了一个新的交叉点上。
随着大模型与 AI for Science 的爆发,Google DeepMind 等机构不断推动 AI 深度介入科学发现。在斯坦福实验室期间,丛乐与团队曾先后发起 CRISPR-GPT、LabOS 等前沿探索,尝试将 AI 引入基因编辑与科研工作流。这些过往学术积累,让他对 AI 与生命科学的结合产生了更本质的思考:科学探索的终点绝非一套软件或自动化工具,真正的突破在于如何利用 AI 重新理解和塑造生命系统本身。
基于这一思考,丛乐将学术界的深刻研判延伸至产业界,参与创办了生命科学公司Acelegen。
丛乐想做的,是让每一轮实验都能改善下一轮设计。Acelegen 正在搭建的药物研发平台 REVO,将 AI 分子设计、活细胞实验和实验室自动化连接起来。团队利用 CRISPR 和分子工程工具,让候选分子在活的人类细胞中接受筛选,再将实验数据反馈给 AI,指导下一轮优化。丛乐把其中借助细胞自身的分子识别和选择机制来检验设计的过程,称为“细胞内计算”(In-cell Compute)。目前,团队主要关注蛋白质、多肽和 RNA 等治疗分子,早期研究集中在免疫和干细胞两个方向。
这项尝试背后,是一个有待验证的问题:生命科学里,是否也存在一条 Scaling Law?在丛乐看来,前提是实验数据能反映真实的生物学功能,结果可以复现,不同实验之间也能相互比较。随着这类数据积累、计算投入和有效实验规模扩大,衡量平台进步的一把尺子,是它面对一个新问题时,能否借助此前学到的规律,用更少的实验找到更好的候选分子。
在与 Z Potentials 的这次对话中,丛乐回顾了自己从电子工程转向生命科学、从基因编辑研究走向创业的几次选择。我们也聊到他对科学 AI 更长远的期待:今天,研究者用 CRISPR 做实验、用 AlphaFold 预测蛋白质结构。未来,AI 有没有可能参与创造下一种这样的工具,让研究者有办法追问那些今天还难以下手的问题?
Z Highlights
我一直相信,真正有价值的机会,往往来自不同领域之间的交叉。
科研做到一定阶段之后,真正重要的不只是发表论文,而是如何把科研成果真正组织起来、推动它产生更大的影响。
我们更希望做的是整个科学研究的 Operating System,而不仅仅是一个新的 AI Agent。
真正限制 AI for Science 发展的,并不是模型,而是整个科研基础设施。
最终科学的验证必须发生在物理世界里。那个 feedback,不管你叫它 reward 还是 signal,才是真正的闭环。
01 从基因编辑到 AI for Science创业,在领域交汇处寻找0到1创新
ZP: 本科的时候,你最开始学的是电子工程,后来转到了生物领域,之后又逐渐把研究重心放到了 AI for Science。为什么会经历这样几次方向的转变?
丛乐: 我本科确实是从电子工程开始的。我从小在中关村长大,很早就能感受到计算机时代已经来了,所以在选择大学专业的时候,无论是计算机、电子还是软件,我其实都非常感兴趣。当然,我并不是那种从小就特别有天赋的人,只是一个比较普通的学生。不过我小时候特别喜欢玩游戏,如果当时没那么沉迷游戏,说不定还能把一些天赋更多地发挥出来(笑)。
真正选择专业的时候,其实我对电子工程具体做什么并没有特别清楚的认识,就是觉得特别Cool特别棒的专业。进入大学以后,才慢慢开始理解这个专业,也接触到了很多非常优秀的同学。电子系本身是一个很好的环境,但后来我还是决定转到生物方向,这背后主要有三个原因。
第一个原因是家庭。我大一的时候,家里的两位长辈先后突然去世。这件事情让我第一次认真去了解疾病,也开始思考医学和生命科学到底还有多少未知。当时我发现,直到今天,我们对很多疾病的理解仍然非常有限。比如阿尔茨海默病,到现在都没有真正有效的治疗方法,甚至很多最基础的问题都没有完全弄清楚。后来大家也知道,哈佛一位非常知名的教授关于阿尔茨海默病的开创性研究还被发现存在造假,影响了整个领域很多年的研究方向。这些事情让我意识到,人类对生命科学还有大量未知,而这些未知意味着还有很多真正值得探索的问题。
第二个原因,是我对研究方式本身的思考。电子工程是一个非常重要我也很喜欢的领域,但当时我接触到的很多工作,感觉是在已有技术上持续优化。比如提高显示器分辨率,这些工作非常有价值但是我当时觉得更多是 incremental innovation。现在看其实这个想法有点井底之蛙了,我当年的本科电子系室友后来都有开创性的工作,不过年轻自以为是就是要付出些代价。当时我感觉生命科学还有大量 0 到 1 问题没有解决。我一直觉得,好奇心是驱动我做研究的最重要因素和最大的动力。如果一个领域有很多本质问题没有被回答,就意味着还有更多探索空间。所以,虽然有些可惜错过了参与电子/计算机领域的开创性工作(比如深度学习),当时的我会觉得做生物医学充满了让人期待的可能性。
第三个原因,和我当时对职业的规划有关。我一开始认真考虑过去协和学医,因为在我看来,医生可能是帮助人的最直接方式。后来我意识到,医生往往需要高度专注于某一个具体领域,比如肺癌、糖尿病或者神经系统疾病,每个人都会有自己的专业方向。相比之下,生物研究能够让我从一个更加整体、更广泛的角度去理解生命科学,而不仅仅局限于某一种疾病。当然,这并没有绝对的对错,每个人都会有不同的选择。只是对我来说,当时做研究似乎更符合兴趣,也更符合我想探索未知的方式,所以最终选择从电子工程转到了生物研究领域。
ZP: 听起来,当时真正吸引你的,其实一直都是问题本身。相比医学,你觉得生物研究能够让你以更广泛的视角去理解这些问题。后来你又是怎样开始接触 AI,并逐渐把 AI 引入到生物和科学研究中的?
丛乐: 如果回头来看,我真正决定转向计算,其实是在博士后开始之前。我的博士阶段一直是非常偏实验的。无论是在 George Church 实验室还是张锋实验室,虽然也会做一些计算工作,但整体还是以湿实验为主。后来我选择去 Aviv Regev 的实验室,一个很重要的原因,就是希望真正进入计算生物学。Aviv 本身就是计算机背景,后来进入计算生物领域,我一直很认同这样的发展路径。
还有一个原因,是我越来越强烈地感受到,生命科学的发展速度真的很慢。以前做电子的时候,我觉得硬件已经够慢了;真正进入生物以后,我发现生物比硬件还慢。很多实验需要几年时间才能完成,而且很多结果本身还有很大的不确定性。做了四五年实验之后,我越来越希望重新回到一个更加数字化、更能快速迭代和Scale的研究方式。
当时我的目标其实还不是 AI,而是计算本身。那个阶段,单细胞基因组学刚刚兴起,我希望把自己之前做 CRISPR 的经验和单细胞技术结合起来,去做 Perturb-seq 相关研究。不过后来发生了一件意外。博士毕业之后,我原本已经准备去 Aviv 的实验室做博士后,但签证被行政审查,一审就是八九个月。
那段时间,我甚至已经开始认真在国内找工作了,也联系了很多学校。当时我给能想到的所有人都写过邮件,麻州参议员众议员,希望能够推动签证审批。最后,签证终于批下来了,但已经错过了实验室最初规划的一些核心项目。等我真正加入实验室时,很多早期工作已经完成了,所以后来我更多转向了免疫方向和一些更偏应用层面的研究,而没有参与到最开始设想的一些底层技术工作。现在回头看,多少还是有一点遗憾,但人生很多事情就是这样,不可能每一步都完全按照自己的计划发展。
不过,这段经历也让我更加坚定了一件事。我一直相信,真正有价值的机会,往往来自不同领域之间的交叉。我本科学过电子,后来又做了多年生物实验。所以博士毕业以后,当有机会把计算和生命科学结合起来时,我几乎没有犹豫。我始终认为,真正令人兴奋的 0 到 1 创新,很多时候都发生在两个领域交汇的地方。如果能够把两个不同领域真正结合起来,往往就会产生新的机会。这一点,我觉得直到今天依然如此。
ZP: 你的博士和博士后阶段,分别在 George Church、张锋和 Aviv Regev 三位导师的实验室工作过。这三位都是各自领域非常有代表性的科学家。在你看来,他们分别是什么样的科研风格?又分别对你的成长产生了哪些影响?
丛乐: 我觉得这三位导师其实代表了三种非常不同的科研风格,也对应着三种不同类型的 PI。能够同时在他们的实验室工作,对我来说是非常难得的一段经历。
先说张锋。张老师最大的特点,就是年轻。当时他的实验室还处于发展的早期阶段,所以有利也有弊。最大的挑战是,实验室很多事情都要自己做。我刚加入的时候,很多基础设施都还没有完全建立起来,从搬实验设备、找测序供应商,到实验室采购各种东西,很多事情都需要自己处理。你并不是一进去就能立刻开始做科研,而是有点像加入一家创业公司的早期阶段,很多事情都需要亲力亲为。
但换一个角度,这也是年轻实验室最大的优势。因为实验室规模比较小,所以导师能够投入到每个人身上的时间更多。你能够近距离看到他每天是怎么思考科研问题的,也能不断和他交流具体的研究细节。很多教授在职业生涯早期,本身就是亲自做实验、亲自推进项目,所以他们会非常深入地参与每一个研究过程。对于学生来说,这种直接交流其实是非常宝贵的。所以我觉得,加入一个年轻 PI 的实验室,最大的收获就是能够获得更多一对一的指导,也能更深入理解一位优秀科研工作者是如何思考问题的。
George Church 则完全是另一种风格。他的实验室规模非常大,而且已经建立起了极高的国际影响力。当时,如果说张锋还是一个快速成长中的年轻科学家,那么 George Church 已经是整个领域最具代表性的科学家之一,两者几乎没有可比性。我印象很深的是,当时其实还有另一位学生和我一样,从 George Church 实验室共同转到张锋实验室。但几个月之后,他决定回去。那天晚上我们聊了很久,他告诉我,他还是更喜欢 George Church 那种成熟实验室的环境。因为在那里,你每天都能接触到很多优秀的人,可以随时找到人讨论问题,也能不断获得新的想法。而在一个刚成立不久的小实验室里,人很少,很多事情都要自己摸索,对于不同的人来说,适应程度也会完全不同。
George Church 实验室最大的优势,就是资源和机会。实验室汇聚了很多优秀的人,也有来自产业界的大量合作机会。我在实验室的时候,经常会有大型企业、创业公司过来讨论合作,这种资源,是很多实验室不具备的。另外,George 本人也是一个非常 visionary 的科学家。他的思维非常开放,不会把自己限制在某一个具体方向。今天可以研究基因测序,明天如果 AI 出现了新的机会,他也会立刻认真思考这个方向是不是值得投入。这种不断拥抱新技术、新方向的能力,对我影响也非常大。
最后是 Aviv Regev。如果让我形容 Aviv,我会觉得她是一个我见过可能最符合“找不到任何短板”的科学家。她的智商、情商都非常高,而且工作极其努力,可以说是“别人家的孩子(老板)”。更重要的是,她既能够关注非常细致的问题,又能够统筹整个团队的发展方向。这一点其实非常难。正因为实验室规模很大,不可能像年轻 PI 一样,在每一个实验细节上都亲自指导每个人。所以更多时候,她提供的是方向、组织能力,以及整个科研体系的设计,她能够共同开创“人类单细胞图谱计划human cell atlas”就是一个例子,而具体项目仍需研究人员自己去推动。
现在回过头来看,我觉得这三位导师分别让我学到了三种完全不同的能力。张锋让我理解了,一个优秀的年轻科学家是怎样亲自推动科研、快速建立一个实验室的;George Church 让我看到,一个世界顶级实验室如何汇聚资源、组织合作,并不断探索新的科研方向;而 Aviv Regev 则让我真正理解了,一个成熟科研领导者如何管理大型团队、建立长期科研体系,并把组织能力和科研能力结合起来。他们没有谁更好,而是代表了三种不同的发展路径。能够同时经历这三种环境,对我后来做科研、带团队,甚至今天创业,都产生了非常深远的影响。
ZP: George Church 和张锋不仅都是顶尖科学家,也都创办了很多成功的公司。你后来自己也开始创业。从你的角度来看,他们的经历对你有哪些影响?你又是在什么时候开始真正萌生创业想法的?
丛乐: 我觉得,对我影响更大的,其实不仅仅是某一位导师,而是整个波士顿、后来又到湾区的创新环境。张锋实验室当时所处的阶段比较特殊。因为 CRISPR 本身是一个非常新的方向,所以实验室天然就会和很多创业公司、投资机构产生联系。我自己也参与过一些早期创业项目,当时甚至认真考虑过加入创业公司,也拿到过一些相关的机会。直到现在,我还是张锋几年前创办的一家基因编辑公司的 Advisory Board Member,所以创业其实一直没有离我的科研特别远。
不过,如果说三位导师里面,谁让我最直接感受到创业和产业结合的重要性,我觉得还是 George Church 和 Aviv Regev 所代表的两种不同路径。George Church 更像是一位 vision 非常强的科学家。他不断提出新的方向、新的想法,也不断推动新的技术诞生。Aviv 则更偏向于组织者。她推动 Human Cell Atlas 这样的大型国际合作项目,本质上就是把全球不同团队组织起来,共同完成一件事情。她非常擅长建立体系、组织资源、协调合作,这也是一种非常重要的能力。他们两个人的风格完全不同,但都让我意识到,科研做到一定阶段之后,真正重要的不只是发表论文,而是如何把科研成果真正组织起来、推动它产生更大的影响。
当然,如果说真正让我开始认真思考创业,我觉得还是后来来到湾区之后。湾区给人的感觉非常特别。这里最大的特点,并不是创业公司多,而是几乎所有人都默认,科研和创业之间是可以不断转换的。在这里,你会发现很多教授本身就在创业,也会看到很多创业者仍然保持着很强的科研能力。大家不会觉得这是两条完全不同的道路,而是认为,好的科研本来就应该有机会真正走向产业。
更重要的是,这里的创业生态非常成熟。你会不断接触到创业者、VC、工业界的人,也会看到很多新的公司不断出现。长期处在这样的环境里,你会自然而然开始思考:是不是也可以尝试自己做一点事情?这种影响其实是潜移默化的。如果一直待在一个更加偏学术的环境,很多时候大家讨论的是论文、实验、项目本身;但在湾区,很多讨论最终都会落到一个问题上——这个技术真正能够创造什么价值?它有没有机会变成一个产品,甚至一家真正的公司?我觉得,这种思维方式,对我后来的影响非常大。
ZP:为什么最终选择创立Acelegen?
丛乐:人总有自己的局限,机器也有自己的局限,从2000年代的互联网到2026年的AI自动驾驶飞行汽车,技术已经爆炸了20多年,技术发展真的让我们更幸福吗?
我们最终是生活在一个有人性和情感的世界,存在很多矛盾和冲突的世界,我们为什么不尝试一下,突破自然进化的极限,突破人的局限,也突破机器的局限呢?让碳基跟上硅基的步伐可能是很有意义的,Acelegen希望走出这一步。
ZP:你参与创办 Acelegen 时,你是怎么判断,一个生命科学问题值得你用创业的方式长期做下去的?
丛乐: 一路走下来,我越来越相信,真正重要的并不是为了创业而创业,而是找到一个真正值得长期投入的问题。如果只是做一个非常具体、非常局部的产品,它当然也可以成为一家不错的公司;但如果能够去解决一个更底层、更长期的问题,那么它未来能够产生的影响会更大。
后来做 AI for Science、CRISPR-GPT、LabOS,也是沿着这样的思路不断发展出来的。AI 在科学中的价值,并不仅仅是帮助某一个具体实验室提高效率,而是应该像操作系统一样,把整个科研过程连接起来,让更多科学家能够更方便地使用 AI。同时,我们也需要类似Apple Music,Apple Health这种super app,发布CRISPR-GPT,创造一个super AI基因编辑工具,平台性的技术可以通过创业去推动。
02 把AI的设计放进活细胞,寻找生命科学的 Scaling Law
ZP:请介绍一下Acelegen 现在主要做什么?
丛乐: Acelegen 正在做的,是把 AI 分子设计、活细胞实验和实验室自动化连接起来,建立一个能够持续学习的药物研发平台。目前,我们主要关注蛋白质、多肽和 RNA 等治疗分子的设计与优化。
今天,AI 已经能够快速提出大量分子设计,但这些分子在真实生物环境里是否有效、是否具有足够的选择性,仍然需要实验验证。我们希望解决的,就是从“提出设计”到“获得可靠验证”之间的瓶颈。
我们的平台核心:REVO。REVO 利用我们开发的 CRISPR 和分子工程工具,让候选治疗分子在活的人类细胞环境中被变化、筛选,和持续优化,同时完整的进化实验数据能够反馈给 AI,指导下一轮设计,实现科学RSI(recursive self-intelligence)。目前,我们的早期研究集中在免疫和干细胞这两个我们认为最有潜力产生重大生物科学和药物发现突破的方向。我们希望不断验证和扩展平台能力,最终可以深入更多的科学、健康和疾病领域。
ZP:你们提到生命科学里的 Scaling Law 和“细胞内计算”,这两个概念该怎么理解?
丛乐: 我们所说的生命科学 Scaling Law,核心是一个需要通过实验回答的问题:当计算投入、有效实验规模和高质量数据持续增加时,科学发现和药物设计的能力能不能随之稳定提升?生命科学有一个特殊之处:数据更多,并不必然意味着模型更好。数据是否反映真实的生物学功能、实验能否重复,以及不同实验之间能否比较,都很关键。因此,我们关注的不只是扩大数据量,更是如何规模化地产生对科学突破有用的功能数据。
“细胞内计算”就是其中的一条技术路径。细胞本身具有复杂的分子识别、信号传导和选择机制。我们希望利用这些机制,让不同的候选分子在活细胞环境中接受检验,再把表现更好的分子识别出来,用于下一轮优化。用一个简单的例子来说:AI 可以提出一组蛋白质设计,但仅凭序列,很难完整判断它们在细胞中的实际表现。我们让这些设计进入相关的细胞环境,观察它们是否实现了预期功能,再把实验结果反馈给模型。这里的“计算”,指的是利用细胞中的分子过程,完成搜索、选择和优化。
我们希望把 AI 的设计能力与细胞的生物学反馈连接起来。不过,生命科学中的 Scaling Law 还需要严格验证:能否更准确地找到关键的生物调控基因和分子,能否用更少的实验找到更好的候选药物,以及这种能力能否迁移到新的任务上。
ZP:这些研究未来怎么用到新药研发上?你们下一步最想验证什么?
丛乐: 最直接的应用,是帮助研发团队更快地找到兼顾药效、选择性和安全性的候选分子。以免疫调节药物为例,我们希望一个分子能够更有效地作用于目标细胞,同时减少对其他细胞的影响。这涉及多个目标之间的平衡,需要在相关的生物学环境中反复验证。我们希望通过 REVO 产生功能数据,再结合 AI 设计,缩短这个优化过程。我们目前已有一些早期信号。例如,REVO 优化的 一个候选药物,已经在临床前人源模型上取得了很好的结果,远超平行实验的临床一期(Phase-I)分子。当然,将我们的设计推进到证明患者获益还有更多验证工作。
下一步,我们最关注两个问题。第一,生物REVO进化+AI大模型迭代的方法能否扩展到其他更加开放的生物学问题,形成一个可以推进生命科学世界模型的“AI原生进化引擎”,形成可重复使用的平台能力。第二,随着数据积累,AI 是否真正学到了可以迁移的规律,让后续项目能够以更少的实验、更短的时间获得更好的结果,从scaling-law到真正的生命科学RSI。最终,我们相信最强的科学AI系统可以解决的问题会突破经典生物医学的局限:从本质上建模和改造生命世界的能力,不但可以推进治病救人的药物,我们应该考虑的是如何创造类似CRISPR,mRNA,AlphaFold这样的新工具,推进那些最难的问题,比如神经和大脑科学。
ZP:为什么Acelegen选择的方向更底层、更通用的平台?
丛乐: 可以从三个层面去理解。第一个层面,是AI for Science 的研究。它既需要 AI,也需要真正理解科学问题。所以我们一直觉得,如果想做真正有影响力的 AI Research Product,最好的切入点还是从自己熟悉的科学问题开始。这也是我们一路做科研形成的方法论。我们会先从真正理解一个科学问题出发,再思考 AI 在其中能够发挥什么作用,而不是为了用 AI 而用 AI。
但后来,我们越来越意识到,仅仅做一个又一个 AI for Science 的模型,其实并不是最终的目标。第二个层面,就是 LabOS。我们一直在思考,AI 在科学研究中的角色到底应该是什么。很多人会讨论 AI Scientist,或者 Co-Scientist。我们的理解是,至少在现阶段,更现实的定位还是 Co-Scientist。进一步来说,我们更希望做的是整个科学研究的 Operating System,而不仅仅是一个新的 AI Agent。
因为真正的科学研究,并不仅仅发生在数字世界里,它最终一定要跨越数字世界和物理世界之间的边界。今天大家都会讨论 World Model、World Simulator,这些方向都非常令人兴奋。但如果客观来看,我并不认为今天已经有人能够说,我们真正拥有了一个完整的 World Simulator。哪怕把范围缩小到 Biology Simulator,我觉得现在也很难说已经实现了。所以,科学研究仍然需要不断回到真实世界,通过实验完成验证和迭代。
正因为如此,我们觉得LabOS+CRISPR-GPT最重要的意义,就是成为连接AI和Science,产生超价值超影响力Product之间的一套基础设施。它不是希望取代科学家,而是希望帮助科学家更自然、更高效地使用 AI,把 AI 真正整合进整个科研流程,而不是停留在某一个模型、某一个工具或者某一个任务上。所以我们一直把它理解成 Scientific Operating System,而不是单纯的 AI Scientist。
另外一点,我们一直特别强调的是生态。LabOS 从来都不是一个实验室自己的研究项目。我们的目标,是希望它能够成为一个真正开放的社区。有点像开源软件的发展方式。很多基础能力应该由整个社区共同建设,而不是由某一家机构独自完成。如果未来越来越多科学家能够围绕这样一个开放的平台一起工作,我觉得它产生的价值,会远远超过一个单独的模型。
03 科学需要更开放的生态,让有独特想法的科学家被 empower
ZP:你认为,现阶段 AI 在科学里的机会,是先成为科研基础设施,而不是立刻替代科学家?
丛乐: 对。大家经常讨论 AI Scientist 能否独立做科研,但现阶段,做好“科学的后勤”本身就很重要。就像自动驾驶和大模型的发展离不开底层基础设施,科学研究也是一样。
今天,AI 已经能帮助科学家阅读论文、提出假设、生成分子、分析数据,但更多是在加速原本耗时耗力的工作,还不能完全替代科学家完成整个科研过程。
有人说,AI 已经能做到人类做不到的事,比如读一百万篇论文。但这就意味着能做出最重要的科学发现吗?我觉得未必。如果读得越多,就越能做出诺贝尔奖级别的研究,科学研究早就变成另一件事了。真正重要的,仍然是提出问题、理解问题,以及找到正确的研究方向。
很多人现在都会讨论实验室世界模型。但现实情况是,大部分科学领域的数据其实远远不够。除了少数像蛋白质结构、部分成像任务这样数据相对丰富的方向之外,绝大多数科学领域的数据规模,都还没有达到能够支撑真正世界模型的程度。另一方面,湿实验的成本又非常高,迭代速度也很慢。
所以现阶段最有价值的事情,就是把科研基础设施做好。把 AI 真正整合进实验流程,帮助科学家更快地完成实验、管理数据、组织知识、连接不同工具。
这些基础设施一旦建好,就像修好了一栋楼的地基一样。楼只需要建一次,之后很多事情都可以在上面不断发展。我觉得,这才是现阶段 AI 在科学领域真正能够发挥巨大价值的地方。
ZP: Google DeepMind 这种大规模集中式的方式,是不是 AI for Science 的正确路径?
丛乐: 我个人觉得,centralized 的方式肯定有它的价值。比如做强 benchmark,招大量 PhD scientist,这些都是有意义的。但我不认为这是唯一的路径,尤其对于科学这件事来说。
科学覆盖的问题太多了。哪怕只看生物这一个领域,疾病就有那么多种。就算有 1 万个人,也很难覆盖所有方向。而且科学本身的特点决定了,不同领域的进展速度不会一致。
相比之下,我觉得我们需要一个更加开放的生态,让全世界有独特想法的科学家都能被 empower,用 AI agent、robotics 这些工具去加速自己的方向。这样才能在整个体系里真正形成更强大的ecosystem,不管是从dataset、tooling,还是 vertical know-how的角度。这不是要替代 DeepMind 式的集中投入,而是一个非常重要的补充。
ZP:你们还在研究中尝试过把 AI 用在干细胞基因编辑上。在这个领域,把不同实验室的数据积累起来,能给模型带来什么?
丛乐: 我们做了一个面向干细胞基因编辑的 AI 智能体系统。干细胞研究有一套相对统一的技术体系,不同实验室用的基础技术比较接近。这个领域研究者多,实验又难,大家有动力借助工具提高效率,也更愿意分享数据。
我们希望随着工具发布,逐步建立一个开放数据库。蛋白质结构数据库 PDB 收集的是结构数据,我们想持续收集干细胞基因编辑的实验数据,让模型能从更多实验结果中学习。这还需要在这个领域先验证。
ZP: 开放社区在生物科学里面临的核心挑战是什么?CS 开源社区的经验可以直接迁移吗?
丛乐: 我觉得这里有个很关键的问题值得想清楚:CS 里为什么能有强大的开源社区?一方面当然是没有 IP 的壁垒,但另一方面,CS 里大家用的是同一套系统和环境,上传代码的成本极低。这是一个更现实的原因。
科学领域会面临两个额外挑战。第一是 conflict of interest。每个 lab 都会想,我的实验 know-how 要不要公开?这个困境是真实存在的。第二是 batch effect 和可复现性。不同实验室、不同操作条件下,数据质量差异极大。就算大家都愿意 share,数据的可用性也是一个问题。
但我也不认为这是死局。关键是找到突破口,找到一个技术足够成熟、社区足够活跃、大家都能从 sharing 中看到 benefit 的细分领域,先跑通。
ZP: 所以在你看来,LabOS 的开放和商业化并不是一件互相冲突的事情?
丛乐: 对,我觉得它们不是完全冲突的。开源这件事情很重要,应该推进,也应该和大家一起做。但同时,在一些具体的应用层、商业层场景里,用商业化的方式去做也非常 make sense。
比如我们也在和药厂合作。有些 solution 并不是来自我们自己,而是来自一堆科学家,或者来自药厂真实的商业需求。这样的东西,就可以变成商业上可以孵化的公司。
所以我觉得,这里面会有不同的路线。一方面,LabOS 本身可以是一个大家一起做的 open community;另一方面,当出现一些非常具体的应用层和商业层需求时,通过 startup 的方式去做,其实是非常合理的。
ZP: 应用层为什么不一定适合完全开源?
丛乐: 因为有些应用本身就来自商业需求。比如药厂的某些 workflow,它可能本来就不适合开源,甚至不能开源。它来自商业场景,就应该用商业的方法去解决。
所以我觉得,真正重要的是区分清楚:哪些部分应该作为 open community 去推进,哪些部分应该在具体应用和商业场景里,通过 startup 或者产品化的方式去做。这两件事情并不是非此即彼。
ZP: 不同领域 AI 加速的速度会一致吗?
丛乐: 肯定不会一致。结构生物学是一个很好的例子,因为 X 光晶体学和冷冻电镜这些仪器极度标准化,全球基本都在用同一家公司或同一类设备,技术非常 consistent,所以大家愿意 share 数据,AlphaFold 才能在这个基础上做出那么大的突破。
但大多数领域还远没有到这种程度。AI 能在一个领域发挥多大作用,取决于两件事:一是这个领域数据的质量和一致性;二是这个领域里做的人有多少、积累的规模有多大。越大的领域,越容易形成正向飞轮。数据质量高,AI 才能学到东西;大家能看到 benefit,才愿意继续 share。
简单说,先找到数据质量相对可靠、社区规模相对成熟的领域,把飞轮转起来,这是我觉得最 viable 的路径。
ZP: 你之前也提到过 LabOS 可能会有 version two。如果往后看,你们希望加强哪些方向?
丛乐: 比如 version two 里面,我们希望加强的部分就包括robotics。因为如果在科学场景里有一个lab world model,它就会enable一个非常powerful 的 application,也就是通过实验室自动化来drive一个更强的、真正令人兴奋的AI Co-Scientist system。
当然,这个方向能看得到,但也没有那么简单。大家也知道,很多 robotics 公司的 demo 很好,但真正的产品其实还在做。所以我觉得这个方向很有意义,但它也确实不是一个已经完全解决的问题。
04 没有物理世界的 feedback,AI 很难做出真正的科学突破
ZP: 你怎么看“可复现性的哲学陷阱”这个问题?
丛乐: 我觉得这个问题很重要。直到我们能够在真实世界中让 AI 开始形成闭环迭代,创造一个真正的environment之前,大部分情况下,现在的 AI 不管是 AI Scientist、agentic AI,还是Co-Scientist,都还很难真正取代人类,或者做出一个让我们觉得极为 impressive 的科学 breakthrough。
原因是,真实世界中的反馈闭环,是物理场景里科学迭代的基础。真实世界本来就不完美。哪怕你有一个相对完美的机器人系统,或者一个比较完美的 AI Scientist 系统,让它去医院里迭代一个医学问题,或者去材料实验室里迭代一个材料问题,它还是会遇到现实世界里的 randomness,以及很多特殊的、不容易被完全建模的东西。
所以,如果认为我们现在已经可以通过一个纯 AI 的系统,一个在数字上很完美的系统,就把真正复杂的科学问题做出来,我确实觉得太难,几乎是一个极小概率的事件。
ZP: 在编程里,AI 写完代码,可以运行测试,根据结果再改一版。到了生命科学领域,AI 能做到这一步吗?要让它从真实实验中获得反馈、持续改进,最难的是哪一环?
丛乐: 还没有进入那个状态。根本原因在于,很多物理世界中的科学过程还没有被 AI 真正 capture、learn 或 distill。数字层面的迭代已经有很多进展,但最终科学的验证必须发生在物理世界里。那个 feedback,不管你叫它 reward 还是 signal,才是真正的闭环。
这个瓶颈上我们现在感觉进展不少,但还没有看到那种 end product 级别的 proof,比如癌症被消灭了,或者常温超导体实现了。
类比自动驾驶,Waymo 和 Tesla 的系统之所以能到今天这个程度,是因为它有 sensor、有 camera,能从海量真实驾驶数据中持续学习。科学也一样,AI 只有真正能理解实验从头到尾的 end-to-end process,物理世界的 feedback 回来,self-evolving 的 loop 才能真正运转起来。
ZP: wet lab 里每次试错都消耗真实样品,这个瓶颈有没有办法在方法上缩短?
丛乐: 核心问题是,数字世界的迭代周期可以很短,但科学验证的 feedback 路径很长。而且 success rate 因为各种原因,本来就天然低:inherent 的科学不确定性、操作因素、物理实验的 variability,都会让它变成一个小概率事件。
就算你把资源堆 100 倍,如果目标是要“赢 100 次”而不是“赢一次”,光靠 centralized 的资源堆砌也不一定能解决问题。
我觉得更有可能有效的路径,是让更多科学家被 empower,用更开放的方式参与进来。不管是通过 AI agent、robotics 还是 spatial intelligence,让整个生态的迭代密度真正提升起来,也更容易形成有规模的 dataset 和 tooling 积累。
ZP:未来“科学家”这个职业的形态会发生什么变化?
丛乐: 我希望能实现两件事。第一,如果你想早点毕业,未来有可能读一两年就毕业,不需要熬五六年。第二,每个学生的工作方式会开始接近现在教授的工作方式。就像现在有one-person startup,未来也可能会有one-person lab。如果你有10个AI Jarvis、10个LabOS助手,作为学生,你本质上已经变成了一个 PI。那教授的角色就会更像真正的mentor:指明方向,提供资源和infrastructure。
这对科学整体是加速。重大科学发现本质上是小概率事件。如果每个学生都能高效推进多个项目,每个实验室都能三倍乃至更多倍地尝试新想法,那些小概率事件就会变得更加 within reach,我们也就有更多机会看到真正 transformative 的发现。
ZP: 所以你觉得,长期的科学训练在今天仍然有价值?
丛乐: 对。我觉得长期的科学 training,在目前这个时代仍然非常有价值。一个真正懂科学的人,他的理解是很有价值的。
因为科学里很多东西还没有被真正数字化。它和 image、video 不太一样。图像和视频领域,我们已经拍了非常多图片和视频,某种程度上 digitalization 已经做得还不错了。比如 YouTube 这样的平台,本身就积累了大量数字资产。
但科学不一样。科学上的 digital asset 一开始就很少。所以我觉得,这件事情还是很有意思,也需要更多科学家真正相信 AI 这件事情。它不太容易一开始就完全由 AI 的人来做,因为很多时候这不是排不排斥 AI 的问题,而是一个判断问题。大家可能会觉得,100 年之后 AI 当然可以,但现在能不能做、值不值得做,这是需要判断的。
ZP: 如果 AI 做得很好,会不会带来更大的技术不平等,甚至科学不平等?
丛乐: 我觉得这是一个很值得讨论的问题。技术本身对社会的改变已经越来越大,所以很多竞争关系并不一定来自于谁有多坏,而是因为这个技术太重要了,大家必须去竞争。
在中国和美国之间,这种技术竞争至少在一段时间内还会很紧张。对于做研究本身来讲,这会带来挑战。但我也觉得,在科学上它可能会稍微慢一点,因为科学里还有一个物理 barrier。
比较有意思的问题是,在这个物理 barrier 上面,到底谁能先突破?是制造业能力更强的地方会有优势,还是拥有最强数字 AI 系统的地方会有优势?这个我觉得现在还不好说。比如中国机器人硬件很强,美国在最前沿的数字 AI 系统和人才上有优势,这里面到底会怎样发展,我觉得还没有定论。
请注意,此次访谈内容已经过精心编辑,并得到了丛乐的认可,仅代表受访人观点。我们也欢迎读者通过留言互动,分享您对本访谈的看法。Acelegen正在招聘更多优秀的人加入,欢迎感兴趣的人联系、投递简历到邮箱hello@acelegen.com。
Z Potentials将继续提供更多关于人工智能、全球化市场、机器人技术等领域的科研探索者访谈。我们诚邀对未来充满憧憬的您加入我们的社群,与我们共同分享、学习、成长。
【版权声明】本文内容来源于ZPotentials,版权归原作者及原媒体所有。本站仅作信息分享,不构成任何商业用途;如涉版权问题,请联系本站删除。
发布时间:2026-11-21 13:23:50
(第1/1页/共26084字/2阅)