使用数千个 AI 代理在生物数据中挖掘新的候选线索

药物发现的瓶颈 vs “新的候选线索”

• 多位评论者认为，真正的瓶颈并不是生成候选线索；真正困难的是通过临床试验在人体中验证疗效、毒性和副作用。
• 有人表示，AI 可能更能帮助研究设计、监管流程导航，以及提高模型保真度（体外模拟、动物模型），从而减少虚假的候选线索。
• 也有人反驳说，对于许多疾病，我们仍然缺乏好的因果假设和可操作靶点，因此改进发现能力本身就可能很有价值，而不仅仅是优化。

生物学洞见的质量与新颖性

• 几位评论者认为展示的 DCTN1–神经退行性病变线索并不令人惊艳：DCTN1 早已与相关表型有关，而提出的胆固醇机制看起来只是一个常规的、博士层级的假设。
• 现有资源（例如基因功能数据库）已经把 DCTN1 与类似帕金森病的状况联系起来；评论者质疑这到底新在哪里。
• 有人指出，在生物学中，假设既便宜又充足；稀缺的是把它们转化为经过验证的疗法。

代理、方法论与科学价值

• 核心技术思路——启动数千个代理来分析 perturb-seq 数据——被认为只是显而易见的并行化：比单个代理更快、更全面，但在概念上并不深奥。
• 有评论称这就像“20 世纪 90 年代的组合化学，只不过更愚蠢，而且砸了更多风投的钱。”
• 也有人认为，只要应用到真实问题上，这个工具可能会有用，但同时批评论文/图表难以解读，而且过于强调展示能力。

炒作、估值与 AI 在生物学中的局限

• 许多人认为，这一公告更多是为大型估值/IPO 预热的炒作式公关，尤其是与近期 AI 在数学和计算机科学中的结果相比，后者有更明确的可验证性。
• 生物学被反复描述为比数学更难被 AI 攻克：反馈稀疏、噪声大、成本高；高质量训练标签很少；还要与混乱的现实世界系统交互。
• 评论者怀疑“前沿 AI 将迅速‘治愈所有疾病’”的说法，认为这需要完全自动化实验室和更长的时间跨度。

更广泛的 AI 讨论（工作、快乐与颠覆）

• 侧面争论包括：AI 主要是“编码工具”，还是会成为通用的替代劳动力；有人报告生产力大幅提升，也有人表示净节省时间有限。
• 一方强调无论人类付出什么代价都应更快推进科学进步，另一方则担心科学“乐趣”的丧失、职业机会减少以及社会冲击。
• 提出的社会应对方式包括 UBI 或对 AI/机器人产出征税；也有人接受人类劳动迅速过时，即便这会带来动荡。