访谈

Sarah Teichmann · Human Cell Atlas · KFF's The Business of Health with Chip Kahn

人类细胞图谱联合发起人 Sarah Teichmann：单细胞参考图谱的初稿快完成了，药物研发里先用在靶点和安全性上

Teichmann 说，人类细胞图谱用悬浮单细胞数据做的第一版人体参考图谱已接近完成。她认为它在药物研发里最先起作用的地方，是看清靶点在哪些细胞里表达、哪里可能出安全问题；从 AI 预测到实验，她说是在多种实验模型之间来回迭代，不是一次预测、一次验证。

“Before we had kind of a Google at the level of cities and towns and villages, now we have a Google Street Maps at the level of individual houses.” — Sarah Teichmann

7 条说法 公司自述 4 · 受访者判断 2 · 尚未闭环 1

发布于 2026.10.27 · 41:11

Alex Kontorovich · Ankur Moitra · Steven Brunton · Rutgers, MIT, University of Washington · Lex Fridman Podcast #503

三位数学家读 OpenAI 的 722 篇手稿：准黎曼证明是已知工具的新串法，流体工程什么都没变

三位研究领域被这批结果直接碰到的数学家，各自读了自己领域那一项：Kontorovich 说准黎曼猜想的 Lean 命题早就在 Mathlib 里，所以他对证明正确有十足把握，用的都是解析数论已有的手法；Moitra 说 Unique Games 的证明“不太好读”，看不出新想法在哪；Brunton 说 Navier-Stokes 的结果在一个不符合物理的区间里成立，工程上的流体计算一点没变。

“The Lean statement was already in the library, was already in Mathlib, so the fact that they have a sorry-free proof gives me 100% confidence that the proof is right.” — Alex Kontorovich

9 条说法 受访者判断 6 · 行业背景 3

访谈之后 2 项后续证据

发布于 2026.10.26 · 3:34:27

Jonathan Frankle · Databricks · The Frontier with Brendan Foody (Mercor)

Frankle：企业用 AI 卡在“怎么测”，不在模型够不够聪明

Frankle 说，自 Claude Sonnet 3.5 起，模型对很多复杂的企业任务已经够聪明；卡住的是把任务说清楚，并知道做得对不对。他的结论是，评测的成本要降几个数量级，企业才能放心用。

“empiricism is principled.” — Jonathan Frankle

12 条说法 公司自述 6 · 受访者判断 3 · 行业背景 1 · 目标 1 · 尚未闭环 1

发布于 2026.10.20 · ~49:00

Alex Rives · Biohub · The Cognitive Revolution

Biohub 的 Alex Rives：虚拟细胞先缺的是测量，然后才是模型

Rives 说，今天叫“虚拟细胞”的模型还算不上能模拟细胞的模型。要做成，模型、规模化数据和新的测量工具三样都得进步，其中测量最根本；他认为大约五年内能做到的，是一个从细胞状态和干预预测下一步状态分布的模型。

“The models that are being called virtual cells today, I just don't think they meet that definition of a model that could actually simulate the cell in a meaningful way.” — Alex Rives

13 条说法 受访者判断 6 · 尚未闭环 2 · 公司自述 2 · 目标 2 · 当前系统 1

发布于 2026.10.20 · 1:05:14

王晟 · University of Washington · Silicon Valley 101

王晟：大模型能写生物医学的代码，设计实验只做到三成

一位做生物医学 AI 的华盛顿大学教授说：前沿模型的进步主要来自写代码和跑长任务，生物医学知识没见长；它们越来越常拒答生物医学任务，他的组因此大量改用 Kimi K3 和 Muse Spark；而设计一个能真正去做的实验，模型只做到大约三成。

“我觉得完成度是可能只有30%吧，很多时候是需要人类的专家去来给它修改。” — 王晟

11 条说法 受访者判断 5 · 行业背景 3 · 当前系统 2 · 尚未闭环 1

访谈之后 1 项后续证据

发布于 2026.10.19 · 1:19:40

Greg Brockman · OpenAI · No Priors (Sarah Guo and Elad Gil)

OpenAI 的 Greg Brockman：数学做成是因为数据够多，生物学有没有数据还没有答案，药物发现排第一

Brockman 说，AI 在数学上做成，关键不在证明能不能检查，而在数学有大量数据；生物学“有没有数据、能不能拿到数据”，他说“还没有答案”。如果只挑一门科学去彻底改变，他说 OpenAI 选药物发现。

“And there's always been this question of is AI actually able to come with new knowledge? And at this point, it's just impossible to deny, right?” — Greg Brockman

13 条说法 受访者判断 6 · 公司自述 4 · 尚未闭环 2 · 行业背景 1

访谈之后 1 项后续证据

发布于 2026.10.15 · 39:22

Ian Quigley · Leash Bio · Latent Space (AI for Science podcast)

Leash Bio 的 CEO：怎样让模型学到化学，而不是记住“谁做了这个分子”

Quigley 说，药物化学的数据上，模型看起来会预测，却可能只是学会了“谁做的分子”和蛋白的“外号”。Leash 用大规模 DNA 编码库（DEL）筛选、口袋突变和对照去堵这些捷径，再把测好的结果做成让语言模型智能体反复练习构效关系（SAR）的环境。

“If the models can identify the chemist by looking at the molecule alone, then maybe the models can infer chemist intent.” — Ian Quigley

18 条说法 公司自述 12 · 受访者判断 3 · 行业背景 1 · 尚未闭环 1 · 目标 1

访谈之后 2 项后续证据

发布于 2026.10.14 · 1:49:56

David Silver · Lasse Espeholt · Ineffable Intelligence · Training Data (Sequoia Capital)

Ineffable 的两位创始人：不用人类数据、不做预训练，先在模拟世界里造一个会自己学的智能体

Silver 说，Ineffable 押的是不用人类数据、不做预训练：让智能体在模拟世界里靠自己的经验学，起点是什么都不知道，目标是发现超出人类已知的东西。他承认这会先牺牲一部分性能，换取更高的上限。

“a system that can just keep learning and discovering knowledge forever.” — David Silver

12 条说法 目标 4 · 公司自述 4 · 受访者判断 2 · 行业背景 1 · 尚未闭环 1

发布于 2026.10.13 · 1:08:02

Liam Fedus · Ekin Dogus Cubuk · Periodic Labs · Latent Space

Periodic Labs 先把工具带进芯片厂，超导体还卡在合成和测量

Fedus 说，Periodic 眼下的重点是半导体行业：派工程师和研究员驻场，在合作方的安全环境里部署并用对方数据训练模型。Cubuk 说找超导体难的不是想法，而是合成；判断是否超导的测量还没有高通量方法，一次约一小时。

“Full autonomy is a non-goal.” — Liam Fedus

12 条说法 公司自述 6 · 尚未闭环 2 · 受访者判断 2 · 目标 1 · 当前自动化 1

发布于 2026.10.08 · 1:24:00

Alex Aliper · Insilico Medicine · MedTech World Asia 2026 (MedTech World)

Insilico 总裁：从零到临床前候选分子平均 12 到 18 个月，最靠前的药已进三期

Aliper 说，Insilico 靠自己的平台把“从零到临床前候选分子”平均压到 12 到 18 个月，成本低几个数量级；已提名 33 个候选分子，13 个项目进入或获准进入人体试验，最靠前的肺纤维化药物 rentosertib 已进三期，他称这是第一个进三期的 AI 发现的药。

“Claims that say that we can cure all diseases in like 5 years, unless we change the regulatory path, it's just not realistic.” — Alex Aliper

9 条说法 公司自述 6 · 受访者判断 2 · 目标 1

发布于 2026.10.06 · 13:15

Jonathan Gorard · Lanyon AI · Theories of Everything (Curt Jaimungal)

Lanyon AI 的 CEO：AI 在代码和数学上起飞是因为有验证器，物理没有，所以先造一门给 AI 用的科学推理语言

Gorard 说，AI 在代码和数学上起飞，是因为这两处有机器能核对对错的验证器（编译器、Lean）；物理、化学、生物没有对应的验证流水线。他的公司 Lanyon AI 要做的是一门给 AI 用的科学推理语言，让物理像代码一样“可执行”。

“We want to make physics executable in the same way that software is executable and that now increasingly mathematics is executable.” — Jonathan Gorard

11 条说法 公司自述 5 · 目标 2 · 受访者判断 2 · 行业背景 1 · 尚未闭环 1

发布于 2026.10.05 · 2:10:00

Brian Alexander · Valo Health · Beyond Biotech (Labiotech.eu), episode 217

Valo 的 CEO：AI 的效率被临床开发吃掉了，所以从人的数据出发选靶点，到临床就交给药企

Alexander 说，AI 带来的效率被临床开发抵消了：对照组越来越强、终点越来越硬，试验越来越大越来越长。Valo 的办法是从数千万份病历和遗传数据里找出病人亚群和靶点，把临床前的部分做好，到临床就交给药企。

“AI is having productivity benefits, but it's getting washed out by the other kind of trends in clinical development.” — Brian Alexander

9 条说法 公司自述 5 · 受访者判断 1 · 行业背景 1 · 目标 1 · 尚未闭环 1

发布于 2026.10.02 · 36:16

Pushmeet Kohli · Jeremy Ratcliff · Google DeepMind · Google DeepMind: The Podcast

给 AI 设计的蛋白加水印：能证明来源，不能证明安全

DeepMind 说，AI 设计的蛋白可以带着不可见的水印，在实验室里仍然起作用；它要给 DNA 合成公司用来区分 AI 设计的序列和天然序列。

“you can make something that in sequence space is very different than something that's present in that pathogen database but might fold into the thing that is of concern.” — Jeremy Ratcliff

7 条说法 公司自述 3 · 尚未闭环 2 · 行业背景 1 · 目标 1

发布于 2026.10.01 · 38:10

Liam Fedus · Periodic Labs · The Frontier with Brendan Foody (Mercor)

在 Periodic 的规模上，实验室要靠 AI 读懂自己产生的数据

Fedus 说，按机器学习的规模做科学离不开 AI：Periodic 第一个小实验室产生的数据，很快就多到科学家读不过来，那时更大的实验室还没上线。他也说清了今天实验室的范围：像样的合金和高分子研究，还要建新的实验室。

“One thing that was really surprising to us in the construction of our small lab to begin was just how quickly we became intelligence bottlenecked.” — Liam Fedus

9 条说法 公司自述 2 · 目标 2 · 受访者判断 2 · 当前系统 1 · 当前自动化 1 · 尚未闭环 1

发布于 2026.10.01 · 50:08

Alex Higginbottom · Zenithon · Scaling Europe

Zenithon 的创始人：先把仿真快一百万倍，再用实验数据补上与现实的差距

Higginbottom 说，Zenithon 要做极端物理的世界模型：第一价值是速度，原来要跑 10 小时到几天的聚变仿真，他们的模型在毫秒里给出同样的结果；第二步是用实验数据训练，补上仿真与现实的差距。

“Zenithon is a frontier AI lab building world models for physics.” — Alex Higginbottom

8 条说法 公司自述 4 · 目标 1 · 尚未闭环 1 · 受访者判断 1 · 行业背景 1

访谈之后 1 项后续证据 · 1 条到期未兑现

发布于 2026.09.30 · 19:25

Tom Masterson · Deep Genomics · Between Two COO's

Deep Genomics 的 COO：PCSK9 上的结果是回溯测试，优势在于为训练而设计的数据

Masterson 说，Deep Genomics 的 siRNA 模型在一个从没见过的靶点 PCSK9 上，从约 3500 个候选里挑出 9 个，其中一个是已上市的药；但他自己称之为回溯研究，还承认这个问题多筛十倍分子也能硬解。

“we wanna design test molecules that are intentionally toxic so that the model learns what toxic looks like.” — Tom Masterson

9 条说法 公司自述 5 · 目标 1 · 尚未闭环 1 · 受访者判断 1 · 行业背景 1

发布于 2026.09.30 · 46:57

Chris Fussell · Lila Sciences · Accelerate Science Now, episode 6

Lila 的运营总裁：科学产出将来可以像工厂一样按面积量，材料会是公众最先看到的变化

Fussell 说，Lila 在建数万平方英尺、由 AI 模型控制的实验室，因为“宇宙才是最终的验证器”；将来可以像量工厂产量那样，按实验室的面积、配置和模型能力估出能产出多少新科学知识。他是前海豹突击队军官，说自己不是科学家。

“We believe that the world, the universe, is the ultimate verifier.” — Chris Fussell

7 条说法 受访者判断 4 · 目标 3

发布于 2026.09.30 · 27:39

Liam Fedus · Ekin Dogus Cubuk · Periodic Labs · The Generalist

Periodic Labs：训练 AI 科学家的，不只是论文，而是完整实验轨迹

Periodic 的创始人说，他们训练的是实验的完整过程（假设、预测、执行、结果），而不是已发表的论文，并且不再依赖更好的前沿模型。

“Rather than knowing the state of science, it knows how to do science.” — Liam Fedus

10 条说法 公司自述 3 · 尚未闭环 2 · 目标 2 · 当前系统 1 · 当前自动化 1 · 行业背景 1

发布于 2026.09.29 · 59:49

Leonardo de Moura · Lean FRO · Machine Learning Street Talk

AI 写证明之后，Lean 的检查本身成了被攻击的对象

de Moura 说，一个号称推翻 Collatz 猜想的假证明同时骗过了 Lean 的官方内核和外部内核 nanoda，各钻一个不同的漏洞，他们相信是 AI 造的。他的结论是：检查器要多个、要公开、要逐步被证明正确，而证明只担保人写下的那条命题。

“We strongly believe it was built by AI.” — Leonardo de Moura

8 条说法 公司自述 3 · 行业背景 2 · 当前系统 1 · 受访者判断 1 · 尚未闭环 1

访谈之后 3 项后续证据

发布于 2026.09.29 · 1:14:19

Andrew Beam · Lila Sciences · Ray Summit 2026 (Anyscale)

Lila 的 CTO：科学里便宜能验证的只占约 5%，所以要建一个大验证器

Lila 的 CTO 说，强化学习要接着长大，缺的是能验证的领域；科学是最大的一块，但便宜能验证的只占约 5%，所以 Lila 在建一个把真实实验当验证器的“AI 科学工厂”。

“how do we start to tackle domains when verification is hard?” — Andrew Beam

10 条说法 公司自述 5 · 受访者判断 2 · 当前自动化 1 · 目标 1 · 尚未闭环 1

访谈之后 1 项后续证据

发布于 2026.09.17 · 17:08

Tyler Titsworth · Priunsh Syen · Lila Sciences · Ray Summit 2026 (Anyscale)

Lila 的 AI 平台：把受支持的那条路修得让人不想走别的

Lila 的平台团队说，科学家上 GPU 的最大阻力是摩擦而不是算力，所以他们只修一条“受支持的路”：提交、安全、配额、观测都由平台包办，研究员只改自己关心的那部分。

8 条说法 当前系统 4 · 当前自动化 1 · 公司自述 1 · 目标 1 · 受访者判断 1

发布于 2026.09.17 · 33:18

曹原 · Unreasonable Labs · 硅谷101

概念抽象可能是 AGI 的最后一关

一位前 DeepMind 科学家、Unreasonable Labs 的联合创始人认为：AI4S 眼下被物理验证限速，长远被“概念形成”卡住；他把概念抽象称为 AGI 的最后一关。

“概念抽象的过程，我认为可能是 AGI 的最后的 last mile（最后一英里）。” — 曹原

10 条说法 受访者判断 5 · 行业背景 3 · 公司自述 1 · 尚未闭环 1

访谈之后 3 项后续证据

发布于 2026.08.15 · 1:49:21

Andrew Beam · Rafael Gómez-Bombarelli · Lila Sciences · Latent Space

Lila：把实验室变成强化学习的验证器

Lila 说，它训练的是一个通用的科学推理模型，让真实实验当强化学习的验证器；CTO 同时强调，Lila 不是一家自动化公司，也不是一家生物科技公司。

“science, running the scientific method and using nature and experiments as verifier is like the ultimate version of that.” — Andy Beam

11 条说法 公司自述 6 · 当前系统 1 · 当前自动化 1 · 目标 1 · 行业背景 1 · 尚未闭环 1

访谈之后 2 项后续证据

发布于 2026.07.16 · 1:41:04

Joseph Krause · Radical AI · Latent Space

真正的材料发现，要穿过制造与认证

Radical 说它的闭环已经能从提出合金配方一路做到早期性能测试；没有接进来的是制造、认证和真实部署。

“We're not compute constrained in the materials industry. We're experiment constrained.” — Joseph Krause

8 条说法 当前系统 2 · 公司自述 2 · 当前自动化 1 · 目标 1 · 行业背景 1 · 尚未闭环 1

访谈之后 2 项后续证据 · 2 条到期未兑现

发布于 2026.06.17 · 1:16:49

Logan Kilpatrick · Google DeepMind · Training Data (Sequoia Capital)

Kilpatrick：下一个“窄超级智能”会出在能验证的领域，科学是候选之一

Kilpatrick 说编程已经像“窄范围的超级智能”，下一批会出在结果容易验证的领域：数学、金融，也可能是科学；他又说 Omni 是一个单一模型，被称为“世界模型”是因为它对世界的理解，不是因为它是旧意义上的世界模型。

“things that have better verifiability obviously are the ones where you'll see the gains happen more quickly.” — Logan Kilpatrick

6 条说法 受访者判断 4 · 公司自述 1 · 当前系统 1

访谈之后 2 项后续证据

发布于 2026.06.11 · 50:36

Joy Jiao · Yunyun Wang · OpenAI · The OpenAI Podcast, episode 16

OpenAI 的生命科学路线：专用模型、科学工作流与可信访问

OpenAI 生命科学团队说，他们在做一个专门的生化模型系列，从早期发现入手，并把更多能力只开放给确认身份的专业用户。

“we made a non zero amount of protein, that was actually quite surprising.” — Joy Jiao

7 条说法 公司自述 3 · 当前系统 1 · 目标 1 · 行业背景 1 · 尚未闭环 1

访谈之后 3 项后续证据

发布于 2026.04.16 · 44:25

Aron Walsh · CuspAI · AI for Science conference, The Alan Turing Institute (Royal Society, London)

Aron Walsh：从“解方程”到“让智能体搜索”，材料设计的路是怎么换的

Walsh 说，材料设计正从“海量计算再漏斗筛选”转向“智能体边调用工具边搜索”；他自己做的几步是：用机器学习替代解量子力学方程，用生成模型从目标性质倒推晶体，再加强化学习，并提醒模型会钻空子。

“once you start to do machine learning it's very difficult to go back to quantum mechanics to be honest.” — Aron Walsh

12 条说法 当前系统 3 · 行业背景 2 · 受访者判断 2 · 公司自述 2 · 目标 1 · 当前自动化 1 · 尚未闭环 1

访谈之后 3 项后续证据

发布于 2026.03.31 · ~36:00

Jonah Cool · Eric Kauderer-Abrams · Anthropic · Anthropic (YouTube)

Anthropic 的生命科学路线：先接工具，再进实验室

Anthropic 的两位负责人说，Claude 在生命科学里要做贯穿全流程的研究助手：先接上科学家每天用的工具，再进入实验执行，最后从实验室的数据里学习。

“At some point we're going to saturate learning from human experts. The answer is to get the data from the lab.” — Eric Kauderer-Abrams

7 条说法 公司自述 3 · 目标 2 · 行业背景 1 · 尚未闭环 1

访谈之后 3 项后续证据

发布于 2025.10.20 · 35:07

Artem Mishchenko · University of Manchester · MACSMIN 2024 (Mathematics and Computer Science for Materials Innovation), University of Liverpool

Mishchenko：平带材料不能靠阈值挑，他用神经网络加聚类给它们分家族

平带材料是电子能量几乎不随晶体里的“动量”变化的材料，很多高温超导体都有它。他的组用卷积神经网络从数据库的能带图里挑出平带材料，再按结构或能带图的相似度聚类，把几万种材料整理成人能逐簇检查的家族。

“you want to have this flat band and then on top of that flat band the interactions will happen and that will drive some new physics.” — Artem Mishchenko

12 条说法 行业背景 3 · 受访者判断 3 · 当前系统 3 · 尚未闭环 3

访谈之后 1 项后续证据

发布于 2024.09.13 · ~42:00