🔬 The Bitter Lesson is Coming for Proteins - Alex Rives, BioHub

ESMC 证明了蛋白质语言模型可以通过纯粹缩放数据和模型规模，无需复杂的先验知识或多序列比对，就能涌现出对蛋白质结构、功能和进化的深刻理解，并直接用于设计具有治疗潜力的抗体，这标志着 AI 驱动的生物学研究进入了一个新的范式。

这期内容适合所有关注 AI 在生命科学领域应用的从业者、投资者和研究者，尤其适合那些对“大模型+生物学”交叉方向感兴趣的人。值得花时间看的原因是，嘉宾 Alex Rives（Biohub 科学负责人）是 ESM 系列模型的核心创造者，他不仅分享了 ESMC 模型的最新突破——如何通过加入宏基因组数据打破缩放定律的瓶颈，还首次展示了如何利用这个“世界模型”直接搜索并设计出具有治疗级亲和力的抗体（SCFVs），这在以往是极具挑战的。最值得注意的冲突在于，他坚定地站在“苦涩教训”一边，认为纯粹的数据和算力缩放就能解决复杂的生物学问题，这与 AlphaFold 等依赖大量先验知识（如 MSA）的方法形成了鲜明对比。他的观点是，生物学数据的“上下文”本身就蕴含了所有规律，模型只需要足够大、数据足够多，就能自己“学会”这些规律。

这期播客深入探讨了蛋白质语言模型 ESM 系列的最新进展，特别是第四代模型 ESMC 及其衍生模型 ESM Fold 2。嘉宾 Alex Rives 详细解释了 ESMC 的核心哲学：通过训练一个巨大的语言模型来预测“进化会选择哪个氨基酸”，从而让模型自己学习蛋白质的结构、功能和进化规律。他对比了 ESMC 与之前模型（如 ESM2）的关键区别——加入了海量、嘈杂的宏基因组数据，这打破了之前模型在缩放上的收益递减，展现出清晰的缩放定律。更重要的是，他介绍了如何利用 ESMC 构建的“世界模型”进行蛋白质设计，特别是成功设计出单链抗体（SCFVs），并讨论了这一成果对药物开发的潜在影响。最后，他展望了 Biohub 的愿景：构建一个由 AI、前沿实验技术和数据反馈循环驱动的“虚拟细胞”，以加速对生命本质的理解和疾病防治。

1. 蛋白质语言模型的“苦涩教训”正在被验证：Alex 坚信缩放定律在蛋白质领域同样有效。他认为，只要模型足够大、训练数据足够多（尤其是覆盖更多进化上下文的宏基因组数据），模型就能自动涌现出对蛋白质结构、功能和进化的深刻理解，无需人工设计复杂的先验知识或归纳偏置。ESMC 的成功证明了这一点。
2. 数据质量的关键在于“上下文多样性”而非“纯净度”：传统的生物学数据收集（如 UniRef）追求高质量、注释清晰的序列。但 Alex 认为，对于训练通用蛋白质模型，更重要的是让模型看到氨基酸在尽可能多的、不同的进化环境中出现。宏基因组数据虽然嘈杂、不完整，但提供了前所未有的进化上下文多样性，这正是 ESMC 性能飞跃的关键。
3. 无需 MSA 的结构预测是重大突破：ESM Fold 2 不依赖多序列比对（MSA）就能达到甚至超越 AlphaFold 3 的结构预测精度，尤其是在抗体等难以通过 MSA 获得有效进化信息的蛋白上表现更优。这意味着模型已经内化了进化信息，可以处理“孤儿”蛋白或快速进化的蛋白，极大地扩展了结构预测的适用范围。
4. 蛋白质设计从“工程”走向“搜索”：ESMC 的设计思路不是从头“构建”一个蛋白质，而是在其学习到的“世界模型”中进行搜索，找到满足特定设计标准（如结合特定靶点）的天然或类天然蛋白质序列。这种方法成功设计出了具有治疗级亲和力的单链抗体，证明了其强大的实用潜力。
5. AI 驱动的生物学研究新范式：Alex 描绘了一个由三大支柱构成的未来：① 大规模、高通量的实验数据生成；② 能够预测分子、细胞乃至生理过程的数字孪生模型；③ 一个智能的、可扩展的推理与反馈循环（类似 RLVR），让 AI 模型能自主提出假设、设计实验、分析结果并更新自身知识。Biohub 的目标就是构建实现这一范式的科学机构。

“我们不是在设计蛋白质，我们是在搜索进化已经写好的答案。”

对于 AI 从业者，尤其是做基础模型和 AI for Science 的团队，这期内容有几点非常具体的启发：

1. “数据质量”的重新定义：在 NLP 和 CV 领域，我们追求高质量、干净、标注好的数据。但在蛋白质领域，Alex 的实践告诉我们，对于某些任务，“上下文多样性”可能比“数据纯净度”更重要。这启发我们思考：在构建其他科学领域的通用模型时，是否也应该优先考虑数据的“广度”和“多样性”，而非仅仅追求“精度”？比如，在材料科学中，是否应该更多地纳入各种极端条件下的、甚至是不完整的实验数据？
2. “世界模型”作为设计工具：ESMC 的设计方法（搜索世界模型）与当前流行的“生成式设计”（如扩散模型）思路不同。它更像是一个强大的检索和优化引擎。这提示我们，对于某些高度复杂、约束众多的领域（如药物分子设计、材料配方设计），一个足够强大的、能够模拟真实物理/化学规律的“世界模型”，可能比一个纯粹的生成模型更有效、更可控。我们可以思考如何将这种“搜索+优化”的范式应用到自己的领域。
3. 从“预测”到“发现”的范式迁移：Alex 提到的“虚拟细胞”和“推理反馈循环”，本质上是将 AI 从一个“预测工具”升级为一个“科学发现引擎”。这对 AI 产品经理和研究者来说是一个重要的方向：我们不应该只满足于让 AI 回答“是什么”或“会怎样”，而应该思考如何构建一个系统，让 AI 能主动提出“为什么”和“如果……会怎样”，并自主设计实验来验证。这需要将 AI 模型与实验自动化平台（如 Biohub 正在构建的）深度耦合。