为什么 AlphaFold 没有“终结”蛋白质折叠问题：Pushmeet Kohli 与 Sal Candido 谈生物 AI 的数据、模型与可信边界

一、嘉宾背景

这期节目来自 Latent Space: The AI Engineer Podcast，由 Alessio Fanelli 和 Shawn swyx Wang 主持。标题直接提出一个容易被误读的问题：为什么 AlphaFold 没有解决蛋白质折叠。节目由 Latent Space 于 2026-10-10 上传，时长 1,961 秒，略超过 32 分钟。它不是一场超长访谈，但信息密度很高，讨论对象也很明确：主持人与两位嘉宾围绕 AlphaFold 的边界、生物 AI 的数据扩展、模型架构、可解释性和药物发现转化展开分析。

嘉宾是 Pushmeet Kohli 和 Sal Candido。证据材料只支持将 Pushmeet 标注为 Google DeepMind 的嘉宾、Sal 标注为 Biohub 的嘉宾；因此本文不额外添加他们的履历、职位头衔或外部成就。可以确定的是，Google DeepMind 在对话中与 AlphaFold 和 AI 建模紧密相关，Biohub 则被描述为以开放方式与社区共同推进生物数据和建模。两人的互补性构成了节目的主线：Pushmeet 更多从 AlphaFold、建模策略和科学问题定义出发，Sal 更多从 Biohub、蛋白语言模型、数据质量和开放协作出发。

这期节目的价值在于，它没有把“AI 改变生物学”讲成单一路线图。两位嘉宾反复把问题拉回可验证的任务边界：AlphaFold 学到的是什么，PDB 这类历史结构数据能够支持什么，宏基因组序列这类并不完美的数据为什么仍可能有价值，什么时候科学先验能提高效率，什么时候先验又可能成为限制。

二、本期主要内容

节目一开始就处理了标题里的张力：大众叙事常把 AlphaFold 讲成蛋白质折叠问题已经解决，但 Pushmeet Kohli 的说法更窄，也更精确。他承认，从概念层面看，这个领域确实取得了重大进展；但他同时强调，科学家并不知道蛋白质真正采取的基态，也不知道结构分布的完整形态。AlphaFold 更像是在复现实验人员已经得到并存入 PDB 的结构。这个任务极其有用，却不能等同于理解全部蛋白质动力学。

随后，主持人把话题转向“数据版苦涩教训”。Sal Candido 的回答并不是简单的数据崇拜。他说，确实需要正确的数据，但 scaling law 并不会天然存在于每一个问题中。许多工作本身就是在寻找这样的情形：当投入更多计算、更多数据和合适架构时，结果是否会稳定改善。一旦找到这种关系，问题才会变成可以持续推进的工程问题；如果数据里根本没有目标问题所需的信息统计，模型就无法凭空长出相应能力。

对话中很关键的一段，是 Sal 用蛋白语言模型解释“脏数据”和“好数据”的差别。他说，训练蛋白语言模型时会用到宏基因组序列。这些序列并不总是最高质量，其中很多甚至未必是完整真实蛋白；但它们仍能提升模型在真实蛋白设计和理解上的表现。这并不意味着越容易获得的数据越值得扩张，而是提醒团队继续追问：为了解决目标问题，究竟缺少哪类信息？Biohub 被他描述为希望通过开放工作连接模型构建者和数据生成者，从而避免只追逐现成数据或易生成数据。

Pushmeet 则把苦涩教训转化为一种研究方法论。他认为，问题应当先于身份，不应先把自己规定成“模型人”或“数据生成者”。如果问题需要建模，就投入建模；需要采集数据，就采集数据；需要领域专家知识，也必须纳入。AlphaFold 在 PDB 上的选择，就是这一原则的例子：既有结构数据来自全球长期投资，DeepMind 无法把 PDB 直接扩张一个数量级，于是合理路径是通过更强建模，从现有数据中提取最大价值。但在细胞基因组学和 virtual cell 方向，同样的团队发现 cell-by-gene 数据还不足以支撑宏大目标，瓶颈就转向了数据。

三、核心观点：推理、例子与边界

这期节目最重要的判断，是把“成功”和“终局”分开。Pushmeet 并不否认 AlphaFold 带来的进步；他承认，从概念层面看，蛋白质折叠研究已经取得重大进展。但他的边界划得很清楚：如果模型主要是在复现某个实验团队获得并存入 PDB 的结构，那么它完成的是一个极有价值、但仍由既有数据定义的任务。蛋白质并不是静态积木。它们可能无序，也可能随上下文改变形状。因此，“预测一个与实验沉积结构一致的构象”和“理解真实基态、完整结构分布、动力学、功能与设计”之间仍有距离。这个限制不是措辞上的谨慎，而是决定后续研究应投向哪里的关键边界。

第二个核心观点，是数据规模必须和信息内容绑定。Sal 对 scaling law 的解释给出了一条因果链：只有当数据、计算和架构共同形成可扩展关系时，更多投入才会稳定转化为更好结果；如果数据本身缺少目标问题所需的信息统计，模型只能抽取并泛化已有信号，不能凭空获得理解。宏基因组序列的例子让这个判断更具体：低质量或不完整数据并非一定无用，因为其中可能包含进化和蛋白相关信号；但如果团队因此只扩张容易得到的数据，就可能偏离真正要解决的问题。节目没有把不同生物问题对应的数据类型整理成操作清单，它给出的是判断原则，而不是完整的数据战略。

第三个观点，是模型派与数据派的对立会误导科学工作。Pushmeet 认为，苦涩教训的重点不是选择阵营，而是避免把自己宗教式地固定为“模型人”或“数据生成者”。问题应当排在身份之前：科学目标需要建模，就投入建模；需要采集数据，就采集数据；需要计算扩展和领域知识，也要纳入。AlphaFold 面对 PDB 时，合理策略是强化模型，因为 DeepMind 不能简单地把 PDB 扩张一个数量级；而在 cell genomics 和 virtual cell 的方向上，围绕 cell-by-gene 数据的工作又显示，数据本身可能还不足以支撑宏大目标。同一个组织、同一种 AI 能力，在不同科学问题上也可能需要完全不同的资源配置。把“多做模型”或“多采数据”当成通用答案，都会遮蔽真正的约束。

第四个观点，是科学先验和规模化并不是对立面。Pushmeet 认为，AlphaFold2 的设计编码了来自生物物理和生物化学的科学直觉，尤其是氨基酸残基之间的相互作用，这让模型更具数据效率。Sal 补充说，在小数据场景下，归纳偏置确实有帮助；但随着数据增多，模型也可能发现人类没有预设过的规律，而错误先验反而会限制模型。节目因此没有得出“手工设计已死”或“通用模型必胜”的简单结论。它指出的是更难的现实：规模化本身也是一项工程，需要算法、基础设施、推理效率、transformer 修改，以及更适合具体任务的架构。

第五个观点围绕可解释性和可信使用展开。Sal 认为，黑箱设计并不是 AI 时代才出现；黑箱结果可以有用，但科学家仍然想知道模型学到了什么。他提到，蛋白语言模型内部不只包含结构信息，也能发现功能和运动信息。Pushmeet 则把可解释性拆成两层：人类能否理解模型内部机制是一回事，用户能否知道模型能做什么、不能做什么、何时可信，是另一回事。他用 AlphaFold2 的 pLDDT 校准说明这一点：即便整体指标很高，如果置信度没有校准，一个自信但错误的答案也可能让研究者浪费一年。节目没有证明未来大模型一定能解释 AlphaFold；Pushmeet 提出的是一种可能性：如果未来更大的模型能读取激活层，也许能形成关于 AlphaFold 行为的理论。

最后，临床转化被重新表述为“哪个环节会产生数量级加速”。Pushmeet 认为，问 AI 何时进入诊所并不精确，因为 AI 已经被用于药物发现流程的多个环节。更有意义的问题是，它何时能在靶点发现、lead optimization、临床前研究或毒理等具体阶段带来 10x 或 100x 的时间线加速。Sal 对“完全由 AI 制造的药物”也保持谨慎，说很难判断具体时间，但工具正在被使用，快速进展值得期待；同时，基础研究和基础理解仍不可替代。这个判断避开了倒计时式预测，把不确定性放回到具体生物模型和基础研究难题中。

四、学习与应用

对 AI 工程师和生物 AI 团队来说，第一条应用是给任务边界命名。使用 AlphaFold 或类似结构模型时，不应把“能预测与实验结构一致的构象”自动扩展为“理解蛋白质的全部动态”。更合适的用法，是把它作为强大的结构假设生成器和实验辅助工具；需要谨慎的地方，是当问题涉及无序区域、上下文依赖构象、功能机制或动态分布时，应明确模型输出只是决策证据的一部分，而不是终局答案。

第二条应用是先写清目标问题，再分配数据、模型、计算和专家资源。Pushmeet 的例子说明，在 PDB 场景下继续强化建模可能是高杠杆选择，因为数据难以数量级扩张；但在 cell genomics 或 virtual cell 场景下，数据不足可能才是瓶颈。团队立项时可以把问题拆成几项检查：目标输出是什么，现有数据是否含有足够信息统计，扩张数据是否带来新的覆盖度，模型架构是否能利用这些信息，失败后多快能发现路径不可行。这比先决定“我们要做大模型”或“我们要建数据工厂”更稳。

第三条应用是重新理解数据质量。宏基因组序列的例子表明，不完美数据可能携带有价值信号；因此不能机械地把“干净”当成唯一标准。但反过来，也不能从“脏数据有用”推导出“所有易得数据都值得无限扩张”。实际边界在于信息增量：新数据是否覆盖了模型当前盲区，是否帮助解决目标问题，是否只是复制已有分布。对产品或平台团队而言，这意味着数据路线图应按问题覆盖和实验反馈排序，而不是只按样本数量排序。

第四条应用是把科学先验当成可审计的设计选择。在小数据或昂贵数据场景中，生物物理、生物化学、结构约束和已知相互作用可能显著提高数据效率；但随着数据规模和任务范围变化，原有归纳偏置也需要被重新测试。工程上可以把先验写入模型假设、评估集和消融实验，而不是把它们变成不可质疑的传统。这样既能利用领域知识，也能在先验开始限制模型时及时发现。

第五条应用是把可信性做成使用条件，而不是事后解释。Pushmeet 对 pLDDT 和不确定性校准的强调尤其实际：科研用户需要知道模型何时可靠、何时不可靠、错误可能在哪里造成最大代价。对于会影响实验资源、候选分子筛选或药物发现决策的系统，输出置信度、适用范围、失败模式和行为测试，比单纯追求平均指标更接近真实价值。边界也很清楚：没有行为刻画的高性能模型可能帮助很大，也可能因为自信错误而造成很大损失。

最后，临床和药物发现团队可以用“10x 问题”迫使自己回到第一性原理。Sal 并没有否定 10% 改进；他说两种路径都有价值。但如果目标是治愈疾病或重塑药物发现时间线，只做局部优化可能看不到新路径。更可操作的做法，是同时维护两张路线图：一张服务近期流程改进，另一张追问哪些生物模型、数据生成、实验闭环或基础理解能带来数量级加速。这里必须保留现实边界：节目没有给出 AI 药物进入临床的确定日期，也没有证明某一环节必然被加速；它提供的是应该追问什么、如何避免被口号带偏。

来源

• 原始节目：Why AlphaFold Didn't Solve Protein Folding — Pushmeet Kohli, Google DeepMind & Sal Candido, Biohub