播客笔记｜YC 专题讨论：AI 现在已经强大到足以攻克癌症了吗？
整理 & 编译：深潮 TechFlow
深潮导读：在 2026 年 11 月 8 日举办的第 10 期《YC Paper Club》「AI for Biology」专场活动中，即将从 Y Combinator 离职开启新创业的访问合伙人 Francois Chaubard 率先抛出「图灵测试是否已真正通过」的现场扫码盲测实验，并随后串起四位一线 AI 生物与计算肿瘤学研究者的前沿报告与现场问答，全方位拆解为何眼下正是 AI 重塑癌症治疗与生命科学的关键拐点。
整场近 82 分钟的对谈围绕三条主线层层递进：首先由 Omanta 联合创始人兼 CEO Alfredo Gonzalez 揭示基因测序成本雪崩后，如何把癌症从「群体平均数」变成「单一患者数据问题」；接着由前 Arc Institute 机器学习负责人、Intology AI 科学负责人 Yusuf Roohani 剖析 5 亿单细胞数据库暴露的数据偏倚陷阱，以及如何借鉴大模型自主后训练构建物理实验闭环。
最后，Stanford 博士生 Garyk Brixi 与 Divya Nori 同台展示基因组大模型 Evo 2、双向协同进化模型 Minerva 与少样本上下文学习（ICL），拆解模型如何在无需微调的前提下直接从海量 DNA 序列中预测致病突变、设计基因编辑器，并在小鼠大脑湿实验中完成实证点亮。
嘉宾： Alfredo Gonzalez（Omanta 联合创始人兼 CEO、UCLA 癌症生物信息学博士）、Yusuf Roohani（Intology AI 科学负责人、前 Arc Institute 机器学习团队负责人）、Garyk Brixi（Stanford 博士生、Evo 2 团队负责人、Minerva 项目作者）、Divya Nori（Stanford 计算机博士生、Brian Hie 实验室研究员）
主持人： Francois Chaubard（Y Combinator 访问合伙人、YC Paper Club 发起人）
播客源： Y Combinator / YouTube（https://youtu.be/-XL2gClQ2gg）
原标题： Is AI Now Good Enough To Cure Cancer? | YC Paper Club
播出日期： 2026 年 11 月 8 日
要点总结
现场图灵测试盲测： Francois Chaubard 耗费 12 小时用 Claude Code 搭建测试网页对现场观众做盲测。在注入 32 岁男性与现场上下文人设后，GPT-6 Astra 骗过人类比例最高仅 36.4%（Claude Fable 5.1 为 30.0%、GLM 5.3 FlashX 为 26.1%、Gemini 3.8 Flash 为 23.8%、Grok 4.6 为 23.1%、Kimi K3 为 19.0%），远低于图表 70% 过关红线；而人类被误判为 AI 也达 33.3%。
AI Bio 迎来奇点的核心推力： 测序成本断崖式下跌且 Evo 2 训练集已扩展至 9 万亿碱基对，AlphaFold 已在每一款走向市场的新药研发阶段中得到运用，AI 蛋白质结合剂在 BindCraft 基准上的成功率达到 10% 至 100%，Radical Numerics 设计的噬菌体已开始进入患者临床应用，整个行业正把类似可验证奖励强化学习（RLVR）的闭环迁移至生物实验验证。
把癌症视为「单人数据问题」： Omanta 基于每个患者自身高达 2 万个基因、RNA 表达及克隆演化多维数据，利用多智能体流水线取代动辄 30 至 40 人的传统生信实验室，能在极短时间内为罕见肿瘤或前线化疗反复失效的患者寻找跨瘤种通路新方案。
「细胞界 Common Crawl」的数据偏差陷阱与闭环实验： Yusuf Roohani 团队曾让智能体在 NIH 原始转录组库连续运行一个月，把细胞数据规模从 3500 万推高到 5 亿多细胞，却发现其中免疫细胞与 T 细胞存在量级级的过度采样；解决之道在于将「大模型自主后训练（如 Intology AI 的 Locus 系统在 PostTrainBench 上的探索）」迁移为 AI 引导的闭环湿实验数据生成，而非盲目堆数据。
从纯 DNA 下一碱基预测中长出生物学理解： Garyk Brixi 团队将全生命域基因组去重筛选后在 9 万亿碱基对上训练出 70 亿与 400 亿参数模型 Evo 2（支持 100 万碱基对上下文）。模型在只看过 1 套人类参考基因组的前提下，预测 BRCA1 编码区与非编码区致病突变的表现就媲美乃至超越专有人类有监督模型；配合新发布的双向模型 Minerva，还能精准识别协同进化接触面及全新的非编码 RNA 与类 CRISPR 逆转录酶系统。
基因组大模型的少样本上下文学习（ICL）与小鼠脑实证： Divya Nori 等人发现仅凭 4 至 64 条自然序列示例作为上下文提示词（无需任何参数微调），Evo 2 就能自主重组基序并设计出稀土结合蛋白 lanmodulin、特定靶点抗体、含全套元件的 CRISPR-Cas9 系统乃至完整噬菌体基因组；结合 AlphaGenome 充当奖励模型并利用 GRPO 强化学习后训练后，所设计的细胞类型特异性增强子在真实小鼠大脑实验中成功实现特定区域荧光激活。
精彩观点
「在医学临床里如果只依赖历史人群的平均数，其实对单个正在面对生死的患者往往毫无意义；当每个肿瘤本身就携带两万个基因维度的信息时，每个患者自己就是一个独立待挖掘的大数据集。」
「过去只有 Broad Institute 或 Sanger Institute 这类机构才能养得起三四十人的顶尖算法、建库、生信与临床医学团队。现在我们把这整套实验室基础设施智能体化，实时围绕单一患者运转。」
「即便你派智能体把公开的 NIH 原始细胞数据全部扫一遍、把数据集扩充到 5 亿多个细胞，结果依然发现绝大多数样本是免疫细胞和 T 细胞，盲目堆数据并不能买到真正的生物学多样性。」
「细胞生物学顶尖教科书开篇第一句话就写道：从许多层面来看，人类对宇宙结构的理解甚至超过了对活细胞运转机制的认知；我们测出了许多物种的完整基因组，却依然无法预测敲除一个未研究基因后细胞会怎么表现。」
「人类可以阅读自然语言、读懂代码和数学公式，却无法直接看懂 DNA 序列。基因组大模型本质上就是把经过亿万年自然选择写就的密码本，翻译成人与 AI 科学家都可以追问的工具。」
「训练前我们仅仅把随机抽取全基因组序列的比例换成偏向基因及保守元件，同样是预测下一个碱基，模型在临床突变评估基准上的表现就能直接从全组垫底跃升到业界领先（Spearman 相关性高出 0.16）。」
「谁都没有专门针对上下文学习训练过 Evo 2，但仅凭单核苷酸级别的下一碱基预测，模型就自然涌现出了『少样本设计能力』，哪怕只给 4 个 CRISPR-Cas 位点示例，它也能直接生成整套系统。」
正文
开场实测图灵测试：GPT-6 Astra 骗过率 36.4%，人类也有三分之一被当成 AI
Francois Chaubard： 大家晚上好！欢迎来到今晚的《YC Paper Club》AI for Biology 专场。今天我们请到了多位我在实验室里共事、在 YC 合作过的一流学者与创始人，阵容非常精彩。不过在切入生命科学之前，我临时突发奇想，想请现场所有人掏出手机扫一下大屏幕上的二维码。
前阵子我和 ArcAGI 的 Greg 一起吃晚饭，他非常笃定地认为「图灵测试已经被攻克了」。我当场反驳他：Alan Turing 在 1950 年那篇经典论文里说过，大约 50 年后（也就是公元 2000 年），我们能写出一种程序，让平均水平的审问官在连续追问 5 分钟后，正确分辨机器与人类的概率不超过 70%（即至少 30% 情况识破不了；而现场对比图表更是以 70% 标出过关红线）。可现实是每次我和航空公司的客服机器人聊天时，不出几句就能一眼看穿那是 AI。
于是我在过去 12 小时里用 Claude Code 临时「Vibe Coding」了一个盲测网站。规则很简单：现场一半观众随机配对到真人群聊对象，另一半则配对到一个伪装成 32 岁男性、且完全知晓「此刻正坐在 YC 现场房间里」上下文人设的前沿大模型。大家有两分钟时间互相试探并作出投票判断。
好，两分钟测试结果实时出炉了！大家可以看到大屏幕柱状图统计的多款主流模型表现：表现最高的是 GPT-6 Astra，有 36.4% 的测试轮次让人误以为它是真人；紧随其后的是 Claude Fable 5.1（30.0%）、GLM 5.3 FlashX（26.1%）、Gemini 3.8 Flash（23.8%）、Grok 4.6（23.1%） 以及 Kimi K3（19.0%）。
非常有意思的一个对比基准线在图表最下方：真实人类被在场观众误认为 AI 的比例，居然高达 33.3%！ 看样子只要大家平时说话简短冷静一点，三分之一的人都会被当成机器人。总体来说，即便我刻意给模型灌满了现场人设并反复调教提示词去「偏袒」AI 一方，整体过关率还是停留在 30% 左右，距离无争议通关还有一段距离。顺便再次向 Boris 和 Claude Code 团队致敬，让我能在 12 小时内把这套实时系统搭出来。
告别舞台的告别感言：为什么现在是 AI Bio 最好的时代？
Francois Chaubard： 接下来进入今晚真正的主题：为什么我们要关注「AI for Biology」？在实验室平时开组会时，我就坐在 Yasa 旁边，他每次都要不停向我安利生物 AI。他最狠的一句劝说词是：「等有朝一日你真正查出癌症时，你会无比后悔当年没有多花点时间研究 AI 治病。」虽然这套话术大家听完未必立刻转行，但久而久之我确实被彻底说服，现在自己也开始投身相关研究了。
在幻灯片上，我列出了此刻引爆 AI Bio 时代的几大核心信号：
前所未有的海量分子与基因数据： 仅 Evo 2 就已经在 9 万亿碱基对上完成了训练，而下一代模型正在更大尺度上加速推进；基因测序成本持续暴跌，换来指数级涌现的生物数据。
基础工具全面进入临床药物管线： Demis 几个月前在 YC 演讲时曾透露，如今每一款真正走向市场的新药，在其研发的某个环节都使用了 AlphaFold。当时我一度以为这是夸张修辞，后来私下问了十来位来自 Genentech 的研发专家和顶尖博士，所有人给我的答案都是「确实差不多就是这样」。
蛋白设计与真实人体疗法落地加速： AI 蛋白质结合剂在 BindCraft 基准上的成功率已经做到 10% 至 100%；由我出自同一实验室背景、Eric Nguyen 领衔创立的 Radical Numerics，其 AI 生成的噬菌体疗法也已经真正进入人类患者测试；待会儿 Divya 也会展示只需 4 至 64 个上下文学习示例（ICL）就能精准引导生物序列设计。
高质量基准与可验证强化学习（RLVR）闭环成型： 无论是结构预测的 CASP 还是细胞建模的 Virtual Cell Challenge，评估基准越来越清晰；从资本面上看，从 Lila、Chai 到 Isomorphic，巨额资本正在涌入这个领域。更重要的是，整个人工智能界已经摸透了一套针对「可验证任务」做递归自我改进（RSI / RLVR）的方法论：无论是计算机模拟验证（如同代码库的单元测试，速度极快）还是昂贵耗时的湿实验物理验证，核心飞轮都已成型，即用基础模型采样候选药物、挑出 Top N 测试效力，再回收真实数据微调模型并不断循环。
另外这里也要跟大家道一声有些伤感的告别：这期其实是我主持的最后一期，也是第 10 期《YC Paper Club》。过去半年能和大家共同搭建起这个硬核学术社区是我莫大的荣幸，此前 9 期内容累计收获了超过 100 万次观看。本周五我将正式从 YC 离职，开启我的下一段创业旅程。接下来，有请今晚第一位重量级嘉宾 Alfredo Gonzalez。
Alfredo Gonzalez：当肿瘤测序便宜过一顿晚饭，把癌症变成「单人数据问题」
Alfredo Gonzalez（Omanta 联合创始人兼 CEO）： 谢谢 Francois 半年来对这个社区的倾力付出！过去几期节目里碰撞出的思维火花实在令人震撼。我叫 Alfredo，是 Omanta 的联合创始人之一，我们在做的事情，就是为每一位癌症患者量身搭建一整座以他个人特定肿瘤为核心的「专属研发实验室」，帮助患者战胜癌症。
简要交代一下我的学术经历：我本科后先在 Harvard 研究早期发育转录因子，随后进入 Broad Institute 参与了癌细胞系中最早一批商业化与学术化 CRISPR 基因筛选的验证工作，并在那里结识了主导药物重定位项目、后来成为我联合创始人兼妻子的 Ranad Humeidi。之后我在 UCLA 攻读癌症生物信息学博士，负责搭建大规模肿瘤与正常组织基因组自动化分析流水线，参与构建了全球规模最大的罕见肉瘤肿瘤数据集之一，博士核心方向就是攻克「样本量为 1（N-of-1）」的罕见疑难肿瘤病例。
今天我们在 YC 喊出「用 AI 攻克癌症」绝不是虚张声势，而是人类历史上第一次真正站在这个临界点上。我想围绕三点展开分享：
第一，癌症为什么如今成了一个纯粹的「数据挖掘问题」？ 正如 Francois 刚才展示的测序成本曲线，现在做一次完整的基因组测序，费用甚至比在旧金山湾区下馆子吃顿晚饭还要便宜；更关键的是，对于绝大多数晚期及复发肿瘤患者，肿瘤测序已经纳入包括 Medicare 和 Medicaid 在内的美国医保报销体系。
回到十年前，人类取得过一座伟大里程碑：《癌症基因组图谱（TCGA）》。但在当时的技术条件下，每种离散的肿瘤类型能测完几百个患者已是极限。因为单患者样本和数据维度有限，医生和学者只能从大队列里硬找「群体平均数」和排名前几的高频突变，可这些群体统计平均数落在具体单个患者身上往往毫无指导价值。
如今不同了：仅仅一位患者自身的完整基因组、拷贝数变异、RNA 表达、可变剪接及细胞状态展开后，就天然构成一个覆盖约 2 万个基因维度的庞大个人独立数据集。过去学术界动用的可能只有不到 0.1% 的表面数据；如今有了全量数据，真正缺的是能实时把这 2 万维矿藏彻底挖透的基础设施。
第二，如何用多智能体构建「单人专属实验室」？ 回顾十年前做出 Broad Institute 或 Sanger Institute 级别里程碑研究需要多少人？你必须同时配齐算法专家、基础设施工程师、集群运维、变异检测专家、遗传学家、数据可视化工程师，再配上一位懂临床的医学博士来解读结果，动辄是 30 至 40 人的豪华重装团队。
如今软件行业人人都在谈论「软件工厂」，而在生物医学领域，同样的智能体架构意味着「AI 版专属实验室工厂」：过去需要三四十位顶尖生信专家耗时数月做的清洗、聚类与路径推导，现在全部可以拆分成专注不同角色的 AI 智能体集群（一个专攻临床试验匹配、一个专核安全与毒理学证据、一个专读生物学背景与最新文献），只要周二上午最新论文发布了可迁移的新机制，系统当天下午就能拉取并用于改善正在救治的病人方案，把动辄按年计算的转化周期压缩至实时。
分享两个我们在 Omanta 实战帮助患者进入缓解期的真实案例：
罕见脑瘤患者的跨瘤种破局： 传统医学按解剖部位把肿瘤分成僵硬的离散标签，遇到罕见癌肿，医生手中文献几乎一片空白。但细胞底层生物通路根本不管人类贴的分类标签，神经母细胞瘤和肺腺癌完全可能由同一条通路驱动。曾有一位非常罕见的脑瘤患者无药可循，我们在其多维数据集空间重新聚类时发现，他的肿瘤在分子特征上其实极其接近间充质来源肿瘤（Mesenchymal tumors）；顺着真正激活的细胞表面标志物与驱动通路，我们成功帮他找到了过去文献完全不会提及、但切中核心机制的新疗法组合。
改写多线化疗失败的纠偏救治： 另一位患者此前接连经历了三轮细胞毒药物化疗却全部宣告失效、生活质量剧降。我们对其早期原始标本进行了克隆演化（Clonal evolution）回溯挖掘，结果数据清晰证明：基于他肿瘤内部的高度异质性，此前医院沿用常规标准摸石头选中的那三轮化疗方案，从底层生物学机制上本来就不适合他。如果这套自动化研究基建从第一天就位，患者原本完全不必白白承受前三轮剧毒化疗的折磨。
第三，谈谈我对未来的展望：在已有获批药物重定位之外，未来我们将按具体患者个体实时定制全新蛋白药物与递送肽链。就像 David Baker 团队的 Bennett 等人论文已经展示的那样，AI 从头设计蛋白能将传统研发筛选周期缩短十年；再结合去年 Google DeepMind 在山景城推动的 AI 科学家协同系统（Co-scientist），虽然模型未必每项都碾压顶尖人类教授，但只要表现足够接近，就能在全人类尺度上规模化节省数以千万小时计的实验室试错时间。
现场提问： 你在 PPT 里提到把「类器官（Organoids）」作为未来重要数据源，类器官方案在为单个患者建立专属实验室时真的具备规模化可行性吗？
Alfredo Gonzalez： 非常好的问题，我博士期间也参与过不少类器官项目。客观讲，过去七八年间出现过两波类器官创业潮，从纯科学可行性角度来看它绝佳：类器官能扩增出罕见肿瘤极度稀缺的活体组织，并且可以像转移灶标本一样直接用于高通量药物扰动测试。它真正卡壳的原因不在科学而在医院系统性流程：目前绝大多数医院拿到手术切片后的第一反应就是直接倒进福尔马林固定液（Formalin fixation），这一步直接把活细胞彻底杀死，断绝了后续培育类器官的可能。未来需要打通的恰恰是医院前端的样本保全基建。
现场提问： 就算你们在实验室里成功定位到了罕见肿瘤的真正致病通路甚至找对了药，现实中怎么打通「最后一步」，让临床主治医生看懂你们的报告并真正同意开处方，或者甚至为单患者开展 N-of-1 临床试验？
Alfredo Gonzalez： 临床医生永远拥有最终医疗决策权与责任边界。但我们在实际协作中发现一个非常正面的现实：当下的肿瘤内科医生工作强度极大、极其辛苦，他们根本没有时间自己去搭计算集群、跑全基因组差异分析。尤其当患者一线、二线标准治疗相继失败、医生不得不靠经验盲猜下一线方案时，如果能拿到的是一份逻辑链条严密、证据包扎实可核验的多维生物数据报告，绝大多数临床医生都非常乐意以此为依据为患者争取新方案；至于从零发起全新分子 N-of-1 试验，则是另一套合规审批流。
现场提问： 你如何看待近年来备受关注的「恶性肿瘤逆转（Reversal of malignancy）」方向？比如某家韩国机构号称利用类器官信号模型能把癌细胞逆转回正常细胞状态？
Alfredo Gonzalez： 我对他们具体声称的实验细节了解不够深，不便妄加评判。但我认为讨论任何「逆转恶性」都要看两点核心硬指标：第一，你究竟在分子或表型上如何严格定义所谓的「逆转」（不同亚型肿瘤甚至不同患者的演进阶段完全不同）；第二，必须看到长期跟踪的患者真实临床预后数据作为支撑。
现场提问： 在单患者 AI 专属实验室探索激进方案时，如何保障绝对安全，避免算法失误对患者造成致命伤害？
Alfredo Gonzalez： 安全永远是第一位的，甚至恰恰相反：这套基础设施实际上是大幅提高了治疗安全性。就像我刚刚提到的那位白挨了三轮无效化疗的患者，精准过滤掉无效有毒方案本身就是最大程度减伤避险。如果我们优先从已获批或已完成一期临床安全性验证的药物库中进行通路匹配，药物安全谱本来就极其清晰；而哪怕走向未来「从零全新设计（De novo）」的个人药物分子，也完全可以遵循现代临床试验成熟的剂量爬坡（Dose escalation）安全控制路径。
Yusuf Roohani：5 亿单细胞数据库暴露的偏差陷阱，以及用「自主后训练闭环」加速虚拟细胞
Yusuf Roohani（Intology AI 科学负责人、前 Arc Institute 机器学习负责人）： 感谢主办方邀请！今天本来分配给我讲「虚拟细胞（Virtual Cells）」，不过我打算加一点不一样的视角，结合我过去几个月深度投入的大模型自主后训练（Autonomous Post-Training）工作，来聊一聊它和构建真正好用的虚拟细胞之间有什么深刻相通。
到底什么才是「科学发现」与「虚拟细胞」？科学探索本质上是一道巨大的「搜索难题」：面对庞大到几乎无穷的假设空间，研究者希望通过最少的实验找到最有效的信息、揭开某种表型或疾病的因果律。AlphaFold 或 ESM 等分子模型的第一重价值就是大幅加速搜索：无需把所有蛋白质全拿去湿实验结晶，先用模型从序列直推三维空间结构，就可以极高性价比地排定实验优先级。
而虚拟细胞研究的核心雄心，在于将这种计算能力从单纯的「分子序列层面」，拔高到更贴近真实疾病症状与生理规律的细胞、组织乃至整个生物体层级。现实中临床试验折戟的最主要原因往往不是分子结合不上去（我们早已非常擅长针对已知靶点设计高亲和力分子），而是「临床药效不成立」：当初选靶点的时候我们就没搞懂调控活细胞究竟该去动哪个开关。人类之所以对活体高度不可预测，正因为细胞不是静态分子，而是一袋始终处于剧烈流动和混沌交互中的复杂分子混合体。
要建模细胞状态，我们此前开发并在今年初登上了《Nature》的「通用细胞表征模型（Universal Cell Embedding）」采用了一套非常直觉的路线：把成千上万个单细胞的基因表达量拼成「细胞 × 基因」转录本计数矩阵，随机遮盖掉部分基因表达再去自监督预测重建。事实上早在 100 年前，发育生物学家就提出过著名的「Waddington 表观遗传景观（Waddington Landscape）」：由于转录与表观遗传约束，活细胞并不可能随意处于任意混乱状态，而是被限制在一个类似大模型特征空间里的「低维流形（Low-dimensional manifold）」之上。
当我们把 3500 万个单细胞放进无监督自编码矩阵后，哪怕没有任何人工标签，模型输出的 UMAP 流形空间已经自发精准聚出了与百年生物学文献完全吻合的细胞大类与细分亚群！
但接下来的追问是：自然语言处理依靠抓取互联网上的 Common Crawl 完成了 Scaling Law 奇迹，我们在细胞生物学里能不能如法炮制，把全人类攒下的公共细胞库全扫一遍？
我们在今年早些时候发表于《Cell》的另一项研究里做了这个大胆尝试（早在 2025 年 Claude Code 尚未普及之时，我们是全行业最早一批派自主智能体进去挖掘数据的团队）：我们让智能体持续跑了整整一个月，自动清洗并重处理 NIH 公共原始转录组数据库里的所有单细胞记录，硬生生把数据体量推高了一个数量级，从 3500 万个飙升到 5 亿多个细胞。
可当我们激动地拆开这张跨越全部组织与细胞类型的热度分布图时，一个令人清醒的结果泼了一盆冷水：全网 5 亿多细胞数据的绝大部分竟然高度扎堆在「免疫细胞」上，而免疫细胞里又有一多半（整整高出一个数量级）全是 T 细胞！ 也就是说，就算你把人类现存所有开源细胞库翻个底朝天，靠线性堆积公开数据根本买不来真正的生物学广度与多样性。
所以真正的出路不在于盲目线性堆数据，而在于切换成「AI 引导的闭环实验（Scaling AI-guided experimentation）」：利用已经从海量生物文本里掌握全局图景的 Claude 或 GPT 类前沿模型，去精准决策下一轮该花钱去湿实验采集哪类罕见稀缺细胞数据。
一旦把研发看作「提出假设 → 实验验证 → 反馈更新」的循环结构，我惊讶地发现，它和当下人工智能前沿实验室如火如荼研究的自主大模型后训练（Autonomous LLM Post-Training）与递归自我改进（RSI），面对的竟然是高度一致的工程难题！不管是跑湿实验还是自动训练模型，核心都要直面三大瓶颈：单次评估成本极高、实验/评测反馈充满噪声、假设搜索空间过于浩瀚。
为了验证这套发现闭环能否跨界互通，六个月前我加入了专注通用自动化 AI 研发系统的初创公司 Intology AI。前几个月我们的自主研发系统 Locus 在考察大模型能否自主完成 Qwen 等基座模型后训练的权威榜单 PostTrainBench 上跑出了领先成绩，力压众多常见编程智能体。核心原因其实并不玄学：市面上的通用编程智能体（Coding Agents）压根不是针对「科学研究检索与假说试错」优化的！
就在昨天出炉的最新评测中，我们直接把这套在纯机器学习后训练场景下调优出来的 Locus 系统，几乎原封不动地迁移到「AI 分子设计与特性预测」任务上（让智能体基于基础模型潜在空间做高效率采样检索并控制噪声验证集过拟合）。
结果显示，在严格锁死同一 GPU 算力沙盒预算的前提下，随着计算预算（H100 GPU 小时）不断拉高，专攻科研发现的 Locus 显著拉开了与 Anthropic、OpenAI 通用编程智能体的差距，在特定采样效率测试中甚至远超 BoltzGen 与 Codex 等现成工具（当然这些目前仍属于计算机模拟结果，下一步必定需要回归湿实验验证）。
最后我想用经典细胞生物学教科书开篇第一句作为结语：「从许多方面来看，人类对宇宙结构的理解甚至胜过对活细胞内部运转机制的认知；我们虽已测完众多物种的全基因组，却依然无法预测哪怕只敲除一个尚未研究过的基因，细胞究竟会走向何方。」
现场提问： 你们在后训练过程中用的是什么具体技术（是强化学习 RL 吗）？你们如何评价仿真模拟（Virtual cell）与真实物理世界之间的差距？
Yusuf Roohani： 先回答后半句：每次我们哪怕在实验室完全相同的条件下测量同一个细胞，生物波动与检测仪器噪声本身就极大，所以「如何尽可能在噪声评价器中精准复现物理世界」本来就是最高难度的挑战，所有模拟评测最终都必须接受湿实验逼真度的考校。至于前半句，你点到了最关键的地方：传统的编程智能体根本没针对科学试错设计，没有专门负责长周期盯紧假设推进、控制单次实验算力或实验经费成本、以及对候选假说策略性排序的评判智能体（Judge agents）。恰恰是围绕研发流重构这套多智能体协作机制，才让自动化机器学习的成果丝滑迁移到了科学发现领域。
现场提问： 你最后一页图表横轴写的是「H100 算力时间」，你们对比时是如何做到对 Anthropic 与 OpenAI 公平比较的？另外你们是用 Token 消耗量还是训练步数来衡量成本？
Yusuf Roohani： 我们做的是完全受控同台对比：把我们自己的 Locus 系统以及来自 Anthropic、OpenAI 的现成自主代理系统放进完全相同的沙盒与完全相同的 H100 GPU 配额里运行。由于这个任务涉及调用大模型驱动科学模型的训练与微调，真正的瓶颈和账单大头落在 GPU 训练计算小时数（Compute hours）上，而不是纯推理对话 Token。
现场提问： 能不能稍微揭秘一点 Locus 的底层架构？比如它是怎么搭出来的？
Yusuf Roohani： 具体专有架构不便透底，但核心是以大语言模型为引擎底座，在外部围绕「实验思路提出、防验证集噪声过拟合、长期记忆检索」打磨了一系列科研专用工程策略。顺带一提，底层写代码确实还是用 Python（笑，真把秘密说漏嘴了）。
Francois Chaubard（追问）： 在药物试验等每次取样成本极其高昂的现实世界里，样本效率至关重要，最近大模型界很多惊人提升其实源自不改模型权重的「持续性外挂框架（Continual harness）」与上下文记忆更新，你们觉得应该偏向重参数微调，还是框架与上下文工程？
Yusuf Roohani： 非常同意你的判断。尤其在生物自主研发与探索期，先优化外部 Harness（工具脚手架与上下文更新机制）绝对是性价比最高、见效最快的低垂果实；参数微调与后训练更适合当你确实要把高频能力固结下来做快速推理检索的时候。但为了保证通用发现能力不在单个榜单上盲目过拟合（Bench maxing），我们在早期探索阶段明显更克制改动权重，优先深耕 Harness 与推理框架设计。
Garyk Brixi：把 9 万亿碱基对当语言读懂生命密码，从 Evo 2 到发现全新 RNA 的 Minerva
Garyk Brixi（Stanford 博士生、Evo 2 团队负责人）： 这两年大家每天都在用基于「下一个词预测（Next token prediction）」训练出来的语言大模型，人类能看懂英文、看懂代码、看懂数学公式，唯独盯着 DNA 碱基序列看时一头雾水。但某种意义上，DNA 就是经过亿万年自然选择写就的一部通用语言：DNA 编码 RNA 与蛋白质，蛋白质通过极度复杂的机理决定生物体是否健康、长多高；而自然选择再反过来筛选哪些 DNA 能存活并被测序记录。
过去三年里，光是 NCBI 公共数据库里的基因组数据量就已经翻了一倍。但对 DNA 建模极度棘手，因为它的词汇表只有区区 4 种碱基对，里面又塞满了在基因组内部到处疯狂自我复制的寄生序列与「冗余垃圾」，且尺幅跨越惊人：单单一个基因就可能长达数十万碱基对，却往往因为其中仅仅 1 个单碱基突变就会致命。
于是我们决定采用最简单粗暴也最纯粹的办法：打造一款全生命域通吃的 DNA 生成式预训练大模型 Evo 2（70 亿参数与 400 亿参数两档稠密模型，基于注意力与卷积混合架构）。训练过程中有一项核心秘诀往往被忽略：我们把公开抓来的绝大多数垃圾数据狠心扔掉了！
不仅每个物种严格只留 1 条高质量代表基因组、剔除高度相似冗余，把总规模浓缩成 9 万亿碱基对；在预训练主体阶段，我们还刻意围绕存在基因、RNA 及进化保守元件的功能区做数据重采样扩增，等于主动抛弃了数万亿无效噪声 Token，并先在短上下文学精基础语义、再拉长至 100 万碱基对超长窗口学习跨距组合规律。
把损失函数拉下来之后，怎么去跟一个「只会输出 A/T/C/G 的模型」对话呢？主要有两种路数：
当作极其敏锐的「生命因果判别器（Decision model）」： 模型读过全生命域真正存活下来的自然界 DNA，因此深谙什么样的序列「合乎自然规律」。只要输入一段带有基因突变的序列，如果模型给出极低概率（它认为这段代码很反常），就往往高度预示着功能丧失或致病风险。在癌症高危基因 BRCA1 突变临床评估测试里，Evo 2 仅仅见识过 1 套人类参考基因组，却在编码区与非编码区突变判断上打平乃至反超了人类专有有监督模型！而且消融实验证明，若偷懒留入 50% 随机全基因组序列，Spearman 相关性会骤降 0.16 并跌到榜尾，可见数据混合配比极其致命。
用稀疏自编码器（Sparse Autoencoder）做可解释性解剖，解锁全新基因生成： 打开 Evo 2 内部神经元特征后，我们发现仅仅靠「预测下一个碱基」，模型内部竟然自己长出了识别大肠杆菌前噬菌体（Prophages）、细菌防御 CRISPR 阵列以及被细菌征用的噬菌体单基因的特征神经元；这些片段在碱基序列上完全不同，模型却全靠无监督自学习打通了它们的生物功能关联。配合功能分类器微调后，团队从零生成了新型 PhiX 类噬菌体，该方向现已进入人体临床测试阶段。
而针对 Evo 2 过去在预测「远离位置之间协同进化（Co-evolution）与三维接触相互作用」上的短板，我们最近发布了全新双向模型 Minerva。它能直接通过模型内部的远距注意力权重，精准扫描并勾勒出拟杆菌等基因组里原本被传统生物统计漏掉的数以百计全新非编码 RNA 结构。就在最近的一次湿实验验证中，我们实锤发现了一类名为 UG27 逆转录酶（UG27 RT） 的全新系统：它自带类似 CRISPR 的可编程非编码 RNA 阵列，能把 DNA 转成 RNA 再逆转录成带发夹结构的 DNA。虽然目前还没完全搞清它在自然界全部用途，但这证明了纯 DNA 语言模型已经具备直接充当人类新生物学发现引擎的硬实力。
现场提问： 你为什么最终选择在单核苷酸（Nucleotide）最小颗粒度上做词元切分（Tokenization），有没有试过类似 BPE 的多碱基词表？
Garyk Brixi： 就目前中小规模对照实验结果来看，在单核苷酸最细粒度上做切分，对精准识别单点致病突变（Mutation prediction）效果明显更好。当然，长远我也一直期待探索字节级端到端建模如何兼顾分辨率与计算长度。
现场提问： 有没有想过像具身物理 AI 那样做「双塔架构（Two-tower）」模型，一边塔读 DNA 序列，另一边塔直接用自然语言给生物学家吐出人话解读？
Garyk Brixi： 确实有很多团队正在朝几个互相竞争的路线冲刺：有的前沿大模型公司在文字预训练里直接混掺 DNA 序列训练，有的研究者把 DNA 模型嵌入向量对齐映射到大语言模型里。至于哪一种架构会最终胜出，目前还没有定论。
现场提问： 既然数据筛选与配比能让表现提升如此巨大，你们是怎么科学找出最优「预训练数据配比混合物」的？
Garyk Brixi： 坦白讲，在 2024 年底训练 Evo 2 属于「边写书边摸索」的第一批先驱，当时几乎没有前人预印本参数可直接抄作业。我们核心做法是在处理数据的同时同步构建了一整套紧密贴合生物学意义的评估集（Evals）和缩放定律分析（Scaling analysis），现在随着评测集越来越成熟，已经能比当年更加定向地按评测短板反向优化数据配比了。
现场提问： 你们既然已经在模型内部找出了这么多有生物意义的神经元特征，有没有试过用这些内部特征去定向干预引导（Steering）Evo 2，比如设计专门靶向结合癌细胞的 DNA 序列？
Garyk Brixi： 就在上周我们刚发了专门探讨「如何引导 Evo 2 生物设计」的几篇最新预印本。实话实说，现阶段单纯靠「机械可解释性神经元干预」去做定向生物设计的效果，还不如接下来下一位讲者 Divya 要展示的「上下文少样本提示（Prompting）」方案来得惊艳。
现场提问： 你刚才提到训练时每个物种基本只筛选保留一套基因组，那岂不是丢掉了人类群体内部的大量个体基因差异？可你们居然还能这么准地预测人类癌症致病突变，这背后是什么逻辑？
Garyk Brixi： 原因其实和经典的进化比较统计学完全相通：就算不跑深度学习，只要把上百种灵长类动物的基因组摆在一起对齐比对，凡是在漫长进化尺度下几乎纹丝不动、高度保守的碱基位点，通常都是核心命门，一旦发生突变大概率出大事。
相比之下，如果我们拿在座所有现场观众的个人基因组全投进去训练，海量 Token 算力都会浪费在人类之间高度重复的序列冗余上，根本学不出核心致病特征。在算力 Token 预算有限的前提下，优先喂给跨越整个生命树的多样性保守信号性价比极高；当然，要捕捉人类特有的复杂病症与调控，下一步就必须把群体多组学数据和前一位嘉宾提到的单细胞表达数据融进来。
Divya Nori：无需微调！4 条示例直接提示 DNA 大模型，小鼠大脑实验当场点亮
Divya Nori（Stanford 计算机博士生、Brian Hie 实验室研究员）： 大家好！刚刚 Garyk 留下的悬念由我来揭晓：如何不改动任何权重、不用跑动辄成千上万条数据微调，仅仅通过「给基因组大模型写几条 Prompt（提示词）」，就能高效设计出全新生物元件？这项工作主要由 Alex Hao 博士后领衔，Garyk 和实验室 Brian Hie 教授等多位同事共同完成。
过去几年「少样本提示（Few-shot prompting）」彻底重塑了人们使用文本大语言模型的方式：哪怕不更新模型参数，只要在上下文塞入几封邮件范本，大模型靠预训练涌现出的「上下文学习（ICL）」就能瞬间领会指令格式与隐含规则。
但在生物序列设计领域，传统思路长期被卡在另一套极度依赖数据的范式里：例如早期论文为了生成有活性的 CRISPR-Cas9 系统，必须先拿几万个 CRISPR 位点去对 Evo 1 做全量微调；想生成完整微小噬菌体基因组，也得拿几千个微病毒科基因组对 Evo 2 做重度微调。可现实生物学里，大量全新靶点和稀有蛋白家族根本攒不出几千个带标注的训练样本。
令人惊喜的是，我们近期在 Evo 2 身上发现了一项此前几乎只在人类自然语言模型中出现过的神奇涌现属性：仅仅经过大规模单核苷酸下一字符预测的预训练，没有任何人教过它上下文学习，Evo 2 竟然天然自带了极强的少样本上下文学习能力！ 这意味着你只需要在输入提示里给它看 4 个到十几个具备共同功能的 DNA 序列示例，模型就能自己在推理时推演出重组、突变算法，直接补全生成出一条兼具同样功能的新序列。
我们一口气在从 100 个核苷酸到 10 万个核苷酸的四大生物尺度上验证了这条新范式：
稀有天然蛋白（Lanmodulins）： 这是一种革命性用于稀土金属采矿回收的高亲和力稀土结合蛋白，其中有个特定子家族在自然界里人类已知样本统共只有区区 14 条！我们直接把这 14 条序列塞进上下文提示词，零微调就成功提示 Evo 2 生成了全新的功能性目标蛋白候选序列。
抗体靶向结合设计： 直接借用基于三维结构生成模型产出的少量命中序列作为文本示例喂给 Evo 2，在完全不输入任何三维蛋白结构条件的情况下，成功针对我们测试的全部抗体靶点生成了高活性新命中序列。
复杂基因编辑系统重现（CRISPR-Cas9）： 以前需要几万个数据做全量微调；现在仅仅把 4 条 CRISPR-Cas 位点示例放进上下文，Evo 2 就能一次性端到端连同 CRISPR 阵列、tracrRNA 和 Cas9 蛋白整套体系一起补全设计出来。
整套完整噬菌体基因组设计： 在仅付出全量微调方案零头算力的成本下，直接提示模型生成具备预期完整基因组架构的新型噬菌体。
但我们不止步于软件仿真预测，还把这套范式真正推进到了动物湿实验，着手设计细胞类型特异性增强子（Cell-type specific enhancers）（这是决定基因疗法药物能否只在特定脑区或特定病灶精确表达而不误伤健康器官的关键核心开关）。
在把增强子提示能力做到极致时，我们也回应了前一场大家关注的「如何后训练 Evo 2」的问题：我们用序列到功能预测模型（类似 AlphaGenome，能直接预测某段调控元件究竟会在哪类细胞里激活）作为奖励函数（Reward model），并引入了防止投机作弊、控制 DNA 序列熵与 GC 含量的约束，通过 GRPO 强化学习循环对 Evo 2 进行后训练微调，专门放大模型利用上下文范本提示的能力！
随后 Alex 在湿实验室里把这套经强化学习加持的模型少样本设计出的新型增强子打进了真实小鼠大脑里。现场幻灯片右侧清晰的脑片荧光显微镜照片证明：特定目标脑区成功发出了清晰且高度特异的荧光亮斑！
展望未来，这种「数据高效率上下文条件控制（Data-efficient conditioning）」将把生物设计彻底带入「实验室闭环（Lab in the loop）」时代：科学家手握一小池自然序列范例，让 Evo 2 用 ICL 批量发散出多种新方案，经计算机快速筛选（In silico filters）后挑出最优设计送进湿实验测试，随后直接把测试命中的真实验证序列再插回到下一轮 Prompt 示例池中持续滚雪球。
而且人类语言模型积累下来的推理时增强与脚手架技巧，都可以无缝照搬进生物设计世界。今天分享的所有内容都已收录于我们上周刚公布的两篇预印本论文中。
现场提问： 能不能具体展开讲讲你们针对增强子所做的强化学习后训练机制、奖励函数和防刷分机制？
Divya Nori： 整体环境设计比较标准高效：我们先给出在特定目标细胞类型中已知活跃的天然增强子示例提示 Evo 2，让它批量采样生成一批新候选序列；随后送进类似 AlphaGenome 的「序列到功能」预言机模型预测每条新序列在各个细胞类型里的特异性激活得分，作为 GRPO 算法更新 Evo 2 权重的奖励信号；同时为了防止模型在优化过程中走捷径「作弊（Reward hacking）」，我们在奖励里专门加了保证 DNA 序列熵正常、GC 碱基含量合理的正则约束项。
现场提问： 你认为 Evo 2 为什么会涌现上下文学习能力？对于基因簇之类的相邻结构我还能理解，可为什么连抗体序列设计都能出现这种提示即用的泛化效果？
Divya Nori： 说实话一开始我们自己也非常惊讶，因为模型根本没接受过专门的 ICL 训练。学术界对自然语言大模型出现 ICL 有几个主流解释，放在基因组数据里竟然奇迹般严丝合缝：第一，自然序列同样服从典型的长尾幂律分布与突发性（Burstiness），某些罕见 k-mer 片段只在特定局部上下文成簇扎堆出现；第二，基因组天然充满大量语义相关与平行对称结构。
而从我们在预印本里做的内部机制剖析来看，Evo 2 的注意力层里竟然真的长出了与自然语言模型几乎一模一样的「诱导头（Induction head）」机制来执行模式识别与上下文类比。
现场提问： 在「上下文提示 + 强化学习设计增强子」的任务里，这种效果究竟多大程度归功于预训练权重里早已背下来的经典表达模式，又有多少是真的临场靠 Prompt 里的新模式在发挥组合创造力？
Divya Nori： 这正是「权重内化先验」和「上下文现学组合」之间的精彩权衡。具体就增强子而言，它们在 Evo 2 浩瀚的全生命域预训练语料里本身占比就极度稀疏；所以我认为虽然模型肯定用到了底层序列物理先验，但更大一部分突破性的特异性表达调控，确实是靠 Evo 2 实时读懂 Prompt 里这几条新范本的核心基序（Motifs），并将它们直接精准重组设计出来的。
Francois Chaubard： 非常精彩！再次感谢 Divya，也感谢今晚到场的所有嘉宾和朋友们！