读这场 Latent.Space 对谈时，让我停下来的是 Pushmeet Kohli 对 AlphaFold 的一句解释。他说，团队当时想做的，是预测别人通过实验得到、存入 PDB 的结构。至于蛋白质真实的基态，以及它可能采取的整套结构分布，那是更大的问题。
这句话出自参与推动 AlphaFold 的研究者，分量很重。他没有否定成果，而是把成果放回具体的任务里。
节目标题叫《Why AlphaFold Didn’t Solve Protein Folding》。我不愿照着它得出“AlphaFold 被高估了”的结论。读完全文，我关心的是另一件事：一个子问题取得巨大成功之后，我们还能不能记得，当初为什么要解决它。
一份结构答案，装不下蛋白质的一生
Section titled “一份结构答案，装不下蛋白质的一生”PDB 是存放实验测定生物大分子结构的数据库。把蛋白质序列变成可用的结构预测，是非常有价值的工作。AlphaFold 原论文也把自己的任务说得很清楚：蛋白质折叠问题中的“结构预测部分”。
这个限定很容易在传播中丢掉。于是，“能够预测结构”被听成了“我们理解了蛋白质”。
Kohli 在对谈里反对把蛋白质想成静止的积木。它们可能无序，形状可能随环境变化。一个结构能帮助研究者提出问题，却不会自动告诉我们：它会怎样变化，在什么条件下与别的分子相互作用，这些变化又会带来什么功能。
我想到的是地图。地图准确当然值得庆祝，可要判断这趟路怎么走，仍要了解路况和车辆。地图太好用了，我们也容易忘记它没有画出来的东西。
还要澄清一个容易走偏的理解：预测 PDB 中的实验结构，不等于把数据库背下来。AlphaFold 的论文报告了盲测验证。Kohli 谈的是任务的参照物，不能把这段自述改写成“模型没有泛化”。
Biohub 的 Sal Candido 用了另一个比喻：想了解自行车怎么运转，却在给辐条建模。辐条模型可以继续变好，但研究最终得走向轮子和整辆车。局部研究与整体理解之间，需要建立关系。让局部模型更准确、让模型进入更完整的上下文，都是工作，不能只盯着前一种。
数据越容易得到，越要问它为什么值得收集
Section titled “数据越容易得到，越要问它为什么值得收集”对谈从 scaling law 开始。Candido 提醒，规模规律需要找到，不能默认在每个问题上都存在。你得先发现一种组合：投入更多数据和算力，结果确实会改善，然后才有理由持续扩展。
我会追问：“结果”指什么？
如果现有数据只允许评估结构吻合程度，那么增加数据后这个分数提高，并不能单凭这一点说明模型更会预测功能，更不能顺着推到治疗效果。模型在学什么，取决于数据里有什么信息，以及我们怎样检验它。
Candido 也没有把数据质量讲成洁癖。他说，训练蛋白质语言模型时，带噪声、甚至不完整的宏基因组序列，仍能帮助模型设计真实可用的蛋白质。这是他在对谈里报告的经验。我从中得到的提醒是：整洁程度与信息价值，不能画等号。有用的信号可能藏在不漂亮的数据里。
但往反方向推也不成立。不能因为某类带噪数据有帮助，就得出“把所有东西都堆进去总会有效”。
Candido 说，建模型的人倾向于用已有数据，生产数据的人倾向于做容易生产的数据。我觉得这才是协作中难办的地方：双方都在做擅长的事，却可能共同绕开最值得测量的部分。最终要回答的问题，得参与决定收什么数据。
Kohli 想直接面对冷冻电镜的原始微图，就是对信息入口的追问：从原始测量走到整理好的结构，中间有没有丢掉模型需要的信息？他说自己尝试过，但仍需要更多工作。
我觉得这个方向值得关注，同时也得克制。原始微图不是蛋白质运动的录像；看到不同构象，与恢复它们怎样随时间转变，之间还有距离。数据更接近仪器，并不保证更接近问题的答案。
我之前读 ERA 的科研访谈时，关心评分函数有没有问对问题。这次对谈把同一个疑问往前挪了：在评分之前，我们先决定了哪些现象能进入数据。后面的模型再聪明，也得面对这个选择留下的限制。
科学知识与规模，要在具体任务上谈
Section titled “科学知识与规模，要在具体任务上谈”主持人把 AlphaFold 2 的精细设计与更通用、更可扩展的方法放在一起，问资源应该投向哪边。两位嘉宾都没有接受这个简单划分。
Kohli 的理由很朴素：科学家知道氨基酸残基之间会相互影响，为什么不把这些知识用进模型，让它少走些弯路？AlphaFold 原论文也明确说明，模型设计吸收了物理和生物知识。
这种做法通常被称为归纳偏置。可以把它理解成：在模型学习之前，先通过设计给某些关系更多机会，而不是让它从头发现所有规律。
Candido 同意已有知识能帮助小数据下的学习，但加了一个限制：偏置如果不准确，也可能挡住模型在更多数据中发现新关系。扩展本身同样需要算法和工程上的细致工作，不能把“手艺”留给小模型，把“规模”当成按一下按钮。
这段让我对“苦涩的教训”有了更实际的理解。Kohli 讲的是他自己的理解：别让“我是做模型的”或“我是生产数据的”这种身份，提前替问题选好了方案。
换成项目决策，问题就具体多了。眼前卡住的是缺少观测，还是模型没有充分利用已有观测？继续加数据能覆盖新的条件，还是只是在熟悉的地方重复采样？科学先验是在降低学习成本，还是把未经检验的假设藏进了架构？
这些问题不容易回答，却比先选“规模派”或“领域知识派”更接近研究本身。
我不必看懂每个参数，但要知道该信哪一部分
Section titled “我不必看懂每个参数，但要知道该信哪一部分”对谈后半段讨论设计与理解，嘉宾的着重点有所不同。
Candido 希望从模型里拿出知识。他说，他们在蛋白质模型的表征中发现了功能和运动信息。我理解他的兴奋：一个模型产出有用的东西，或许还能给科学家带来新的线索。
不过，从表征里读出某种信息，还不能直接说明模型掌握了完整的因果机制。这是值得继续检验的方向，不能直接当成“生物世界模型”的完成证明。
Kohli 更关心使用者。他区分了“模型内部怎样找到答案”与“模型能做什么、不能做什么”。前者未必能被人类完整解释，后者却关系到我们怎样使用输出。
我赞成这个区分。等到每一步都透明才使用模型，会把理解要求设得过高；只要平均表现好就放心交给它，又把具体决策的风险抹掉了。
pLDDT 是这里一个很好的例子。它衡量的是局部结构预测的可信度。EMBL-EBI 的培训文档特别指出，局部结构可信，并不自动表示不同结构域之间的相对位置或方向也可信。低可信度也有不同原因：可能是天然柔性或无序，也可能是模型缺少足够的信息。
我们得看清可信度分数具体评价什么。一个局部结构分数，不能拿来充当蛋白质功能正确、药物有效或临床成功的概率。
对我来说，审视一个模型时，至少要分开问：我们能不能解释它内部的工作方式；我们是否了解它在某类输入上的表现和失误；这些表现是否足以支持眼前的用途。它们彼此有关，却不是同一道题。
一个黑箱可以有实用价值。承认这一点，并不妨碍继续研究它，也不妨碍给它的用途设限。
临床倒计时之前，先把终点说清楚
Section titled “临床倒计时之前，先把终点说清楚”主持人最后追问：多久才能在临床看到 AI 的成果？Kohli 没给一个年份，而是要求拆开问题：谈的是靶点发现、先导化合物优化，还是临床前研究和毒理？
我读到这里反而松了口气。这个问题听上去具体，实际上把不同环节、不同成果塞进了一个时间点。某个研发步骤更快，并不能直接推出整个药物研发流程更快，更不能替代患者结局的证据。
Candido 提到，与其只问怎样改进 10%，有时不如问怎样做出 10 倍改进。更大的目标能迫使人重新审视问题，看到原先没考虑的路径。他也明确承认，两种改进都有价值。
我愿意保留这个思路。“10 倍”在这里用来拓宽研究者考虑的方案，没有提供临床效果的倍数或实现日期。
读完这场对谈，我再看到“AI 解决了某个科学问题”的新闻，会想先找几个具体东西：模型预测的对象是什么，答案靠什么验证，下一位使用者要拿它做什么，以及支持这个用途的证据有没有出现。
研究当然需要把现实切成能处理的任务。AlphaFold 的成功说明，这样做可以取得多么有价值的进展。成功之后更难的工作，是持续把任务接回现实：遇到新的环境、新的相互作用、新的用途，就检查原来的答案还能承担多少责任。
我希望保留的，是 Kohli 说出任务边界时的那份坦然。庆祝结构预测的突破，也继续追问蛋白质怎样起作用。这两件事可以放在一起做。