生物学家有个说法，如果你能解开蛋白质怎么折叠，你就能理解生命。

这个问题卡了半个世纪。

然后AlphaFold来了，AI几年之内把它基本解决了。我第一次看到这个消息时，反应是，等等，真的假的？五十年诶，就这样过去了？

这就是哈萨比斯上周在红杉峰会说的那段话让我停下来反复想的原因。他说了一个很有意思的类比，机器学习之于生物学，就像数学之于物理学。

数学是物理学的语言，这个大家都懂，没有微积分就没有牛顿，没有微分方程就没有麦克斯韦方程组。物理学能成为硬科学，说到底是因为它找到了足够精确的描述工具。

那生物学呢？经济学呢？这些所谓的「软科学」为什么一直是软的？

哈萨比斯给了一个相当清楚的解释，这类系统是涌现系统，复杂到几乎无法做干净的对照实验。你想研究利率上调0.5%的效果，只能在现实世界里真的做，做了就不能回头，还没办法重复跑一万次。生物学也一样，一个细胞里同时在发生多少事，海量的微弱信号，海量的相关性，人脑根本处理不过来。

所以这些领域一直很软，不是科学家不够努力，是工具不行。

然后机器学习来了。

它恰好是为了处理这种系统而生的，或者更准确的说，它恰好最擅长这件事，大量数据、微弱信号、复杂的涌现关系，全是它的强项。哈萨比斯的原话是，「我一直觉得机器学习是描述这类系统的完美工具，因为直到今天，数学还无法做到这一点。」

这话不是在炫技，是在说一件很朴实的事，终于来了一个能用的语言。

然后他讲了一个更进一步的设想，虚拟细胞。

就是把一个细胞完整地模拟出来，动态的，涌现的，极其精确的。然后你想做什么实验，在虚拟细胞里跑，想跑多少次跑多少次。他说，如果能用计算机模拟完成99%的探索工作，最后只用真实实验做最终验证，那药物研发就不再需要十年了。

几个月，甚至几周。

十年到几周，这不是渐进式的改进，这是结构性的变化。现在一款药物之所以要花十年，不是因为科学家懒，是因为大部分时间都在试错，在等结果，在猜。如果可以先在虚拟环境里把99%的试错做完，再进实验室，那整个逻辑就变了。

DeepMind从Isomorphic Labs那块做的就是这件事，已经在推进中，不是纸上谈兵。

顺着上面的再聊聊，这个逻辑不只是在制药里成立。天气预测是同一套路数，DeepMind已经做出了叫Weather Next的模拟器，是目前全球最精确的天气预测系统，比气象学家传统用的工具快很多。再往后延伸，经济系统的模拟，城市规划，凡是今天做对照实验很难的领域，都可能用这套逻辑重做一遍。

哈萨比斯说得很直接，他认为这会让社会科学和生物学变得像物理学一样，从软科学变成硬科学。

我觉得这话说得其实挺重的。

他还聊到了一个更大的哲学框架，信息可能比物质和能量更基础，是宇宙最底层的构建块。如果这个判断是对的，那AI作为信息处理工具，在整个宇宙里的位置就不只是「有用的技术」这么简单了。坦率的讲，这个部分我理解的还不算透，但能感受到他说这话时候的那种笃定，跟他说「2030年实现AGI」时是同一种笃定。

回到对普通人那层，我觉得最实在的一个想象是个性化医疗。

现在所有药物靠「平均人」来定剂量，因为做不到更精细，成本太高。如果将来可以给每个人建一个「虚拟你」，把你的基因组合、代谢特征全都放进去，先在虚拟环境里测试这个药对你这种情况的反应，那现在这套平均逻辑就没有理由继续存在了。

哈萨比斯在访谈里直接说了，他认为接下来几年整个医疗和药物研发领域都将发生革命性变化。

我之所以觉得这个值得认真聊，是因为他这个人说话有个特点，不爱画只停在空中的大饼，说的东西往往是他手头已经有具体进展的事。AlphaFold是，Isomorphic是，Weather Next也是，不是想象，是已经做出来的东西。

五十年的蛋白质折叠问题已经在他手里解掉了。

接下来那些，我觉得可以当真听。