诺奖得主用AI缩短新材料与蛋白质研发周期

硅谷101

AI正从辅助分析工具转变为科学发现的主体，但数据即将耗尽与硬件物理极限正成为其进一步突破的核心瓶颈。

AI-assisted summary of 诺奖得主们的AI用法跟咱们有什么不一样？｜AIAS 2025峰会｜沙漠取水、基因编辑、设计蛋白质 — original source. Check the original for full context.

Source published: 2025-11-06

Detailed notes

## Background 本内容由 Bilibili 频道的“硅谷101”于 2025 年 11 月 6 日发布。视频主要介绍了 2025 年旧金山 AIAS 峰会的前沿动态，阐述了 Omar Yaghi、David Baker 及 Jennifer Doudna 三位诺奖得主如何利用 AI 技术跨界加速新材料合成、全新蛋白质设计以及基因编辑训练集的构建。

## TL;DR 视频展示了 AI 如何从单纯的辅助分析工具转变为“科学发现的主体”。新晋诺奖得主 Omar Yaghi 通过 7 个 ChatGPT Agent 组成的虚拟实验室，将 COF 等极难材料的合成周期从数年缩短至几周；2024 年诺奖得主 David Baker 借用 AI 去噪原理从零按需设计新型蛋白质；基因编辑先驱 Jennifer Doudna 则反向利用 CRISPR 技术为 AI 生成高质量的“生命训练集”。此外，图灵奖得主 John Hennessy 等顶尖学者也指出了 AI 驱动科学变革背后所面临的数据耗尽与硬件物理极限等严峻挑战。

## Atmosphere & style 全片充满了前沿科技的硬核感与探索未来的史诗感，叙述风格专业且节奏紧凑。通过将复杂的生物分子设计比作“打乐高”、AI 绘画等形象生动的手法，带给观众一种见证科学范式剧烈重塑的震撼体验。沉稳自信的学者分享与对行业客观瓶颈（如算力与数据危机）的深刻剖析相互交织，整体氛围既充满激情与希望，又不失冷静客观的理性思考。

## Key takeaways - [00:00](https://www.bilibili.com/video/BV1fc2FByE4t?t=0s) AIAS 2025 峰会展现了 AI 已从辅助工具转变为驱动材料、分子到基因科学发现的主体。 - [00:00](https://www.bilibili.com/video/BV1fc2FByE4t?t=0s) 2025 年诺贝尔化学奖得主 Omar Yaghi 团队通过 ChatGPT 驱动的 7 个 AI Agent 协同，将原本需 2 至 3 年的新材料合成周期大幅缩短至两三周。 - [00:00](https://www.bilibili.com/video/BV1fc2FByE4t?t=0s) MOF（金属有机框架材料）具备超大比表面积，非电动版日产水 850 升，电动版日产水 2000 升，可为干旱地区与数据中心提供“水自由”。 - [00:00](https://www.bilibili.com/video/BV1fc2FByE4t?t=0s) Yaghi 孵化的 AirMatrix 公司计划利用 COF 材料在 3.5 年内捕获并清除全球大气中多余的 CO₂，且 AI 模型可将生产成本削减至 30%。 - [05:00](https://www.bilibili.com/video/BV1fc2FByE4t?t=300s) 2024 年诺贝尔化学奖得主 David Baker 实现从“预测结构”到“按需设计功能”的跨越，像 DALL-E 去噪绘图一样凭空创造自然界不存在的新蛋白质。 - [05:00](https://www.bilibili.com/video/BV1fc2FByE4t?t=300s) 蛋白质设计可实现精准靶向，例如创造仅在肿瘤微环境中激活、在正常组织保持休眠的药物，极大降低毒副作用。 - [05:00](https://www.bilibili.com/video/BV1fc2FByE4t?t=300s) David Baker 团队发布的 RF3 (RoseTTAFold 3) 整合巨基因组数据提升预测性能，但也指出高质量数据匮乏是当前模型泛化能力的最大瓶颈。 - [08:30](https://www.bilibili.com/video/BV1fc2FByE4t?t=510s) 首款 CRISPR 基因疗法已获 FDA 批准用于治疗镰刀型细胞贫血症且首位患者已康复，但昂贵且复杂的疗法过程仍难以普及给庞大患者群。 - [08:30](https://www.bilibili.com/video/BV1fc2FByE4t?t=510s) Jennifer Doudna 提出“逆向思维”，利用 CRISPR 结合自动化高通量筛选，为缺乏数据的生物学 AI 生成高质量的“生命训练集”。 - [11:15](https://www.bilibili.com/video/BV1fc2FByE4t?t=675s) 从无机材料到有机分子再到基因编辑，AI 正在推动“科学发现的第五范式”落地与演进。 - [11:15](https://www.bilibili.com/video/BV1fc2FByE4t?t=675s) 图灵奖得主 John Hennessy 指出生成式 AI 普及速度远超历次技术革命，但正面临全球训练数据将在 4-5 年内耗尽的“数据危机”。 - [11:15](https://www.bilibili.com/video/BV1fc2FByE4t?t=675s) 硬件层面面临物理极限，摩尔定律与 Dennard 缩放定律难以为继，突破算力与数据双重瓶颈需要学术界、产业界与资本的深层协作。

## Detailed walkthrough ### [00:00](https://www.bilibili.com/video/BV1fc2FByE4t?t=0s) MOF 与 COF：Omar Yaghi 团队用 7 个 AI Agent 将材料研发缩短至数周

在旧金山举办的 AIAS 2025（天桥脑科学研究院 AI 驱动科学研讨会）上，多位诺贝尔奖及图灵奖得主聚首，共同展现了 AI 如何成为科学发现的主体。2025 年新晋诺贝尔化学奖得主 Omar Yaghi 分享了 AI 对化学研究的颠覆性改变。过去需要 2 至 3 年才能完成的材料合成实验，在他的实验室里利用 ChatGPT 驱动的虚拟团队，仅用 2 至 3 周便顺利攻克。

Yaghi 的代表性突破是发明了 MOF（金属有机框架材料），这种材料内部具有极其巨大的孔隙结构，仅仅几克 MOF 展开后的表面积就相当于一个足球场。基于此特性，MOF 可以从干旱的沙漠空气中提取水分，其 MOF-303 材料在日夜温差或太阳加热下即可释放捕获的水分。目前该技术已实现商业化：非电动版依靠太阳能每天可产水 850 升，电动版每天可产水 2000 升，为偏远地区、岛屿及数据中心提供了“水自由”的解决方案。

为了进一步加速新材料开发，Yaghi 团队开始让 AI 自主设计材料。早在 2023 年，他们将 250 篇论文喂给 ChatGPT，仅用两周时间便以超过 95% 的准确率提取出了 MOF 的合成条件。随后，他们组建了由 7 个 ChatGPT Agent 组成的 AI 研究团队（涵盖文献搜索员、合成规划师、机器人编程员、3D 打印工程师、数据分析师等），挑战极难结晶的 COF（共价有机框架）材料。此前全球约 100 个研究组均只能做到部分结晶，而 AI 团队在第 84 次实验时成功实现了完全结晶；另一个更难的 COF 材料也在机器人协助下通过 96 次实验、历时 3 周完成。如今 Yaghi 在加州大学伯克利分校孵化了公司 AirMatrix，致力于将该流程产业化。

> "In a researcher's lifetime, 2-3 years of work... this experiment took 2 weeks. So these AI techniques are transforming what we do." — Omar Yaghi

- **MOF-303 产水性能**：非电动版靠太阳能每天产水 850 升，电动版每天产水 2000 升。 - **AI 提取合成条件**：250 篇论文，两周内完成，准确率 > 95%。 - **COF 材料突破**：7 个 AI Agent 团队通过 84 次实验（历时 2-3 周）攻克了全球约 100 个团队未能完全结晶的超级难题；另一 COF 材料在机器人协助下 96 次实验（3 周）完成。 - **AirMatrix 的宏伟目标**：利用 COF 从空气中捕获 CO₂，计划在全球 600 个百万人口以上的城市各建一个装有 10 万吨 COF 的工厂，预计 3.5 年内清除大气中多余的二氧化碳；AI 模型将使得生产成本降至目前的 30%。

---

[05:00](https://www.bilibili.com/video/BV1fc2FByE4t?t=300s) 从预测到设计：David Baker 像“打乐高”一样创造新蛋白质

自然界经过 35 亿年的进化仅创造了大约 $10^{12}$ 种蛋白质，而 2024 年诺贝尔化学奖得主 David Baker 则致力于设计自然界中从未存在过的全新蛋白质。以往的生物学研究侧重于“预测蛋白质结构”，而 Baker 团队的做法是利用深度学习“根据需求直接设计功能”。

在阐述其核心原理时，Baker 形象地将深度学习设计蛋白质比作 DALL-E 等 AI 绘画工具生成猫咪图片的过程：两者都是先对海量数据进行加噪处理，训练网络学会去噪，随后便能从完全随机的初始状态一步步去噪，最终生成结构合理却全新的目标——不论是一幅从未存在过的猫咪画作，还是一种全新的蛋白质结构。除了凭空创造，他们还能给 AI 针对性的指令，例如设计一种仅在“肿瘤微环境”这一特殊条件下才展开并发挥作用、在正常组织中保持休眠的蛋白质，从而大幅降低药物副作用。

此外，Baker 还在峰会上提到了他们最新发布的 RF3（RoseTTAFold 3）模型。该模型专用于结构预测，通过整合更多的巨基因组（Metagenomics）数据，在几乎所有性能指标上均实现了显著提升。然而，他也直言当前模型泛化能力的瓶颈依然在于高质量数据的匮乏。

> "We did exactly the same thing with proteins... progressively denoise and end up with a structure that looks real, but in fact, it's completely new." — David Baker

- **蛋白质设计哲学**：从过去的“预测结构”转变为“按需设计功能”。 - **精准靶向应用**：设计仅在肿瘤微环境中激活、正常组织中休眠的蛋白质药物，极大减少毒副作用。 - **RF3 (RoseTTAFold 3)**：整合更多巨基因组数据，全面提升结构预测性能。

---

[08:30](https://www.bilibili.com/video/BV1fc2FByE4t?t=510s) 逆向思维：Jennifer Doudna 用 CRISPR 为 AI 生成“生命的训练集”

对于受到基因疾病困扰的人群而言，2020 年诺贝尔化学奖得主、CRISPR 基因编辑技术共同发明人 Jennifer Doudna 带来的进展尤为关键。十多年前，Doudna 团队利用源自细菌免疫系统的 CRISPR-Cas9 分子剪刀改变了生物学格局；2023 年，基于其原始发现的首个 CRISPR 基因疗法获得 FDA 批准，用于治疗镰刀型细胞贫血症（一种影响约 10 万名美国人的遗传疾病）。首位接受治疗的患者 Victoria Gray 如今已完全康复。然而，该疗法目前成本极其高昂，细胞处理与手术过程也非常复杂，即使 Doudna 领导的创新基因组学研究所（IGI）在旧金山建立了治疗中心（计划未来 3 年为 8 名患者提供治疗并探索降本方案），也远无法满足庞大的需求。

针对目前机器学习在生物学领域因“数据又少又乱”而举步维艰的瓶颈，Doudna 提出了一个颠覆性的逆向思路：**反过来利用 CRISPR 为机器学习生成高质量的训练数据**。

具体而言，利用 CRISPR 设计出上百万种 RNA 导向分子，像扫描器一样逐一敲除或修改小鼠的基因，再结合自动化显微镜系统进行高通量拍照，记录每个基因被编辑后细胞发生的微妙变化。通过这种方式，CRISPR 能够输出成千上万条明确的“基因-功能映射关系”，为 AI 打造出一套结构化的“生命的训练集”，协助模型精准预测蛋白功能、解析基因网络及建模 RNA 结构。

- **CRISPR 基因疗法里程碑**：从科学发现到 FDA 批准首款疗法仅用 10 年；首位患者 Victoria Gray 完全康复。 - **生物学 AI 瓶颈**：数据匮乏且无序。 - **数据生成方案**：利用 CRISPR 产生上百万种 RNA 导向分子进行高通量筛选，建立细胞变化的图像与基因映射，打造生命科学专属训练集。

---

[11:15](https://www.bilibili.com/video/BV1fc2FByE4t?t=675s) 科学发现的第五范式与 AI 发展面临的硬瓶颈

从 Yaghi 的材料设计，到 Baker 的蛋白质设计，再到 Doudna 的基因编辑，展示了一条从无机到有机、从分子到生命的完整科学链条。这证明了 AI 已不再仅仅是辅助分析的工具，而是正在逐渐成为“科学发现的主体”。

在本次峰会上，多位顶尖学者分享了各自领域的探索：微软研究院 AI for Science 总监 Christopher Bishop 阐述了 AI 驱动的“科学发现第五范式”；Meta AI 的 Larry Zitnick 介绍了用 AI 建模原子的前沿进展；MIT 的 Heather Kulik 教授展示了如何利用机器学习加速材料研发。然而，在诸多突破的背后，科学家与产业界也在共同探讨 AI 发展所面临的严峻瓶颈。

Alphabet 董事长、前斯坦福大学校长、图灵奖得主 John Hennessy 对比了历次技术革命。他在计算机领域深耕 50 年，见证了 PC 革命、苹果崛起、互联网爆发等历程。他指出，生成式 AI 的普及速度远超以往——仅用不到一年时间就深入大众日常生活，而互联网和移动电话则历经了多年的大规模基础设施建设。但与此同时，当前的 AI 革命也面临着两大不可回避的客观挑战：

1. **数据危机**：按照目前的模型增长速度，全球的文本与视频等训练数据预计将在 4 至 5 年内被消耗殆尽。 2. **硬件极限**：摩尔定律的延续已接近物理极限，而 Dennard 缩放定律（Dennard Scaling）早在 10 多年前就已经失效，晶体管虽能继续缩小，但功耗不再同比降低。

面对数据与算力的双重极限，单靠科学家已无法独自突破，更需要工业界与资本界紧密协同，建立日益成熟的科学生态圈，共同推动下一个时代的前沿科学进步。

## Notable quotes > [00:00](https://www.bilibili.com/video/BV1fc2FByE4t?t=0s) In a researcher's lifetime, 2-3 years of work... this experiment took 2 weeks. So these AI techniques are transforming what we do. — Omar Yaghi

> [05:00](https://www.bilibili.com/video/BV1fc2FByE4t?t=300s) We did exactly the same thing with proteins... progressively denoise and end up with a structure that looks real, but in fact, it's completely new. — David Baker

## Mentioned Omar Yaghi, David Baker, Jennifer Doudna, Victoria Gray, Christopher Bishop, Larry Zitnick, Heather Kulik, John Hennessy, ChatGPT, AirMatrix, RF3 (RoseTTAFold 3), DALL-E, CRISPR-Cas9, 创新基因组学研究所 (IGI), Alphabet, 微软研究院, Meta AI, MIT, 加州大学伯克利分校, 斯坦福大学, AIAS 2025, MOF (金属有机框架材料), MOF-303, COF (共价有机框架), CRISPR, 摩尔定律, Dennard 缩放定律 (Dennard Scaling)

## 弹幕氛围 (Danmaku mood) — 125 条观众整体氛围以震撼、赞叹和对未来科技的憧憬为主（“人类之光”、“星际移民”），同时夹杂着对技术应用前景的激烈讨论与分歧。部分观众对技术可行性、是否违背自然规律以及“向投资人画PPT/讲故事”表达了质疑与吐槽，引发了弹幕之间的反驳与辩论。后期则转为对AI与生物科技结合的敬畏与感动。

**整体情绪**：😊 正面 60% · 😐 中性 25% · 😞 负面 15%

**热议点** - **确认演讲者/背景身份（陈天桥）** —— “这个天桥是不是陈天桥啊？” - **惊叹AI与科研迭代速度（快进到星际航行）** —— “夺少？两到三周？再这样下去人类的下一个十年不会直接快进到星际航行了吧” - **对“违背自然规律/打乱水循环”的质疑与弹幕反驳** —— “这打乱了自然界的水循环，长久也会有问题” - **打分刷屏互动（打出5分/1分等）** —— “5” - **联想科幻概念与游戏梗（沙丘、文明6、星际殖民）** —— “沙丘科技！” - **对科研拉投资/PPT讲故事的吐槽与理解** —— “这就是给投资人讲故事：“很有用，明天就能用上，前景广阔”” - **赞叹科学家与未来科技带来的感动** —— “这才是真正的人类之光！！！”

**代表弹幕** > 这才是真正的人类之光！！！

> 夺少？两到三周？再这样下去人类的下一个十年不会直接快进到星际航行了吧

> 沙丘科技！

> 文明6狂喜

> 这就是给投资人讲故事：“很有用，明天就能用上，前景广阔”

> 人类拥有无限光明的未来！

> 太感动了

[Source](https://www.bilibili.com/video/BV1fc2FByE4t)

中文简报

诺奖得主用AI缩短新材料与蛋白质研发周期 AI正从辅助分析工具转变为科学发现的主体，但数据即将耗尽与硬件物理极限正成为其进一步突破的核心瓶颈。视频展示了 AI 如何从单纯的辅助分析工具转变为“科学发现的主体”。新晋诺奖得主 Omar Yaghi 通过 7 个 ChatGPT Agent 组成的虚拟实验室，将 COF 等极难材料的合成周期从数年缩短至几周；2024 年诺奖得主 David Baker 借用 AI 去噪原理从零按需设计新型蛋白质；基因编辑先驱 Jennifer Doudna 则反向利用 CRISPR 技术为 AI 生成高质量的“生命训练集”。此外，图灵奖得主 John Hennessy 等顶尖学者也指出了 AI 驱动科学变革背后所面临的数据耗尽与硬件物理极限等严峻挑战。 2025 年诺奖得主 Omar Yaghi 团队通过 7 个 ChatGPT Agent 协同，仅用两三周便攻克了极难结晶的 COF 新材料研发，其 MOF 材料不仅能在沙漠中高效取水，还计划用于全球大规模二氧化碳捕集。 (0:00) 2024 年诺奖得主 David Baker 团队采用类似扩散去噪的深度学习机制，从零设计自然界不存在的全新蛋白质，已实现仅在肿瘤微环境中精准激活的药物分子开发，并推出了 RF3 结构预测模型。 (5:00) 针对生物学领域高质量数据匮乏的难题，CRISPR 共同发明人 Jennifer Doudna 提出逆向思路，利用高通量 CRISPR 基因编辑与自动化成像，反向为 AI 生成成千上万条“生命训练集”。 (8:30) 图灵奖得主 John Hennessy 等学者指出 AI 正推动科学发现进入“第五范式”，但同时也警示模型正面临训练数据预计在 4 至 5 年内耗尽以及半导体硬件逼近物理功耗极限的双重瓶颈。 (11:15)

Reading summary

在 AIAS 2025 峰会上，多位诺贝尔奖与图灵奖得主展示了 AI 正从辅助分析工具演化为科学发现的主体，推动材料合成、蛋白质从头设计与生物数据闭环；然而，这一范式转移也同时面临高质量科学数据枯竭与半导体物理极限的双重瓶颈。多智能体协同攻克晶体合成与碳水捕集 (0:00) 2025 年诺贝尔化学奖得主 Omar Yaghi 团队展示了如何通过 ChatGPT 虚拟团队将原本耗时两至三年的材料合成压缩至两至三周。该团队此前基于 250 篇论文以超过 95% 的准确率提取出 MOF（金属有机框架）合成条件，随后由 7 个分工涵盖文献检索、合成规划、机器人编程与数据分析的 AI Agent 协作，在第 84 次实验中攻克了全球约 100 个科研团队长期未能完全结晶的 COF（共价有机框架）难题，另一复杂材料也在机器人协助下经 96 次实验于 3 周内完成结晶。在落地应用与产业规划方面，Yaghi 发明的 MOF-303 材料已实现从沙漠空气中取水，非电动太阳能版与电动版日产水量分别达到 850 升与 2000 升。其孵化的初创公司 AirMatrix 进一步提出了利用 COF 捕集空气中二氧化碳的设想，计划在全球 600 个百万人口城市部署各 10 万吨级 COF 工厂，并在 AI 模型协助降低 70% 生产成本的前提下，预期在 3.5 年内清除大气多余二氧化碳。从结构预测跨越到按需定制新蛋白质 (5:00) 2024 年诺贝尔化学奖得主 David Baker 阐述了计算生物学范式的迁移：从早期的“预测已有结构”转向“根据功能需求从头设计”。自然界历经 35 亿年仅演化出约 10^12 种蛋白质，而 Baker 团队采用类似图像扩散模型的去噪原理，让深度学习网络从纯随机状态逐步去噪生成自然界从未存在过的全新蛋白质结构，并能实现定向响应——例如设计仅在肿瘤微环境中激活、在正常组织中休眠的靶向药物蛋白。为持续提升预测精度，Baker 团队发布了整合更多巨基因组数据的 RoseTTAFold 3（RF3）模型，该模型在多项基准指标上均有提升。但 Baker 同时坦承，当前蛋白质设计模型泛化能力的核心瓶颈，依然在于生物学高质量训练数据的严重短缺。反向利用基因编辑构建生命科学训练集 (8:30) 针对生物医药领域“数据又少又乱”导致模型难以训练的痛点，2020 年诺贝尔化学奖得主 Jennifer Doudna 提出了逆向赋能机制。尽管首款基于 CRISPR 的镰刀型细胞贫血症疗法已获 FDA 批准且使首位患者 Victoria Gray 完全康复，但极其高昂的成本与复杂手术使技术普及受阻，其研究所（IGI）未来 3 年仅计划在自建中心为 8 名患者治疗并摸索降本路径。为了从底层加速生命科学建模，Doudna 团队反向将 CRISPR 作为高通量数据生成器：通过设计上百万种 RNA 导向分子，像扫描仪般逐一修改或敲除小鼠基因，并配合自动化显微镜记录细胞形态与功能的细微演变。这一过程能够系统性输出高置信度的“基因-功能映射关系”，为 AI 解析基因调控网络、预测蛋白质功能与建模 RNA 结构提供标准化的底层训练集。第五范式的算力瓶颈与训练数据危机 (11:15) 多位学者在峰会上指出，AI 与实验闭环结合正在确立 Christopher Bishop 所称的“科学发现第五范式”，覆盖从 Larry Zitnick 的原子建模到 Heather Kulik 的材料筛选。然而，图灵奖得主、Alphabet 董事长 John Hennessy 警告称，当前的生成式 AI 繁荣虽在普及速度上远超当年的 PC 与移动互联网，但即将撞上两堵硬墙。 Hennessy 指出，首先是公开可用的文本与视频等模型训练数据预计将在 4 至 5 年内被消耗殆尽；其次在硬件底层，摩尔定律正逼近物理极限，加之 Dennard 缩放定律在十余年前即已失效，使得晶体管微缩不再伴随功耗的同比例下降。面对算力能耗与高纯度科学数据的双重收紧，基础科学突破必须依赖跨学术界、工业界与资本的紧密生态协同。诺奖学者展示了 AI 渗透无机材料、分子设计到细胞基因层面的巨大潜力，但实验自动化与算法红利的释放正逼近数据枯竭与算力物理极限制约，未来科学突破的重心转向了高质量专用实验数据的系统化生成机制。

Source quotes

[0:00] Omar Yaghi: In a researcher's lifetime, 2-3 years of work... this experiment took 2 weeks. So these AI techniques are transforming what we do. [5:00] David Baker: We did exactly the same thing with proteins... progressively denoise and end up with a structure that looks real, but in fact, it's completely new.

Original transcript

[0:00] 沙漠空气中提取水经营边境达乐高一样设计蛋白质和10亿美元的新AI发现饭食这几个词放在一起你是不是一头污水但是看完我们这期视频你就明白它们代表着AI和科学结合最紧密的领域而最重要的是他们还出现于同一场峰会没错我说的就是10月底在旧金山举办的AIAS 2025天桥脑科学研究院AI驱动科学研讨会为期两天的盛会,光是诺贝尔化学奖得主就有三位,还有图灵奖得主和数十位各领域的最权威前沿专家。那大家可以感受到这场大会的含金量了吧这期视频我们就带大家去看看这些落奖得主在传达出什么样的前沿研究与资本布局的信号一个诺贝尔奖得主用XPT带着7个AI agent组成的虚拟实验室而原本需要2-3年的材料研发压缩到了2-3周没错,这就是今年的新晋诺奖得主Omar Yagi分享的故事那意思是,在一生中的一生or a researcher,2-3 years you can do,this experiment took 2 weeks.OK? So, so these techniques, these AI techniques are transforming what we do, at least in my lab, and for certainly will transform what chemistDoOmer Yaghi的成名作是发明了一种叫做MOFMetal Organic Frameworks的神奇材料想象一个分子搭建的海绵内部有巨大的孔系结构这就是MOF金属有机框架几克MOF展开后的表面积相当于一个足球场对你没听错啊几克这种材料就能够从沙漠空气中提取水听起来像科幻但是它的MOF303材料在沙漠里面也能显著的吸水并且通过日夜温差或太阳加热可实现水释放它还能捕获二氧化碳储存氢气过滤有毒气体但前沿的技术已经商业化了非电动版靠太阳能每天能够产850升水电动版则每天能产2000升那虽然成本不低但是不需要电网不需要拍盐水不需要基础设施对于偏远地区岛屿数据中心来说如果有足够多的资金那么这就是水自由但是Yagi现在关心的是能不能让AI自己设计新的MOF材料呢?2023年他们第一次尝试让学生把250篇论文未给XGPT提取MOF的合成条件比如金属有机链接物等准确率超过95%而且只花了两周更可怕的是现在几个小时就能够搞定并且AI还可以预测新材料的合成条件,于是他们创建了7个XGBT agent组成的研究团队,包括文献搜索员、合成规划师、机器人编程员、3D打印工程师、数据分析师等等,任务是捷径一种超级难搞的COF材料。这个材料有多难呢?全世界大约100个研究组都尝试过,都只能做到部分捷径,人工作的话需要2-3年反复的试错。结果这7个AI agent在第84次实验时成功实现了完全解晶,总共用了2-3周。另一个更难的CLF在机器人的协助下,96次实验三周完成,而且花了三周还是因为要对机器人进行调试。如今Yaggy成立了Armatex公司在伯克利大学孵化,目标就是把这套流程给产业化。Yaggy最雄心勃勃的目标是用COF从空气中去捕获二氧化碳。它的计算是这样的,在全球600个百万人口以上的城市各建一个装有10万吨COF的工厂,3.5年内就能够清除完大气里多余的二氧化碳。这样的更便宜大规模地去生产Our AI models in AI Matrix is going to make a cheaper one他会找到建议的建议会更多的地方我们已经可以做30%的价钱比你现在看的所以这就是最初的。在致是生命的鸡毛 [5:00] 自然界经过35亿年的进化创造了大概10到12次方种不同的蛋白质而Baker做的事情是设计自然界从未存在过的蛋白质那在我们规估101之前的视频AI入侵生物医疗史中就提到过David Baker开发的Roseta软件和后来的AI工具让科学家们可以像达勒高一样设计蛋白质这次他在大会上分享的用深度学习设计新的蛋白质功能很简单以前我们预测蛋白质会长什么样现在我们设计蛋白质去做我们想做的事Faker展示了一个巧妙的类比大家熟悉的AI画图工具到立生成的猫咪图片过程右边则是它模型生成蛋白质的过程而两者惊人的相似非常大 numbers of images off the Internet, noising them to different extents, and then training a network to remove the noise. Once one's done that, one can start with a completely random image and then progressively denoise it. And what one ends up with is a new image that looks like it could have been from the Internet, like this picture of the cat here. But in fact, it's completely new. So we did exactly the same thing with proteins.有些人的尤其是我们有不同的延长我们就练习了电脑去除了电脑的声音我们做了这个,我们发现我们可以开始and progressively denoise and end up with a structure that looks like it um它是一种真实的酷酷的,但在实际上是完全新的。他们用已知蛋白质结构去训练神经网络训练完成之后AI就能够把杂乱无章的氨基酸整理成一个全新但是合理的蛋白质但光是凭空灶还不够有用就像你不会对AI说随便画点什么而是会说换一只猫坐在桌子上一样Baker他们也要给AI更具体的命令比如说设计一个蛋白质只有在肿瘤微环境的特殊条件下才展开发挥作用在正常组织里保持休眠状态从而减少药物的副作用在AI的帮助下他们可以跑很多次生成过程得到成千上万个不同的候选方案让他们会形成不同的家族可以系统的探索整个可能性空间Baker还在大会上提到他们最近还发布了一个叫RF3的模型,专门做结构预测,通过整合更多的红基因组数据,几乎在所有指标上都提升了性能。但是模型的分化能力瓶颈依然在数据。那么接下来我们来看一下第三名诺奖的分享非常非常非常的重磅关于基因编辑。那如果说前两位化学界的大佬讲的过于深奥好像离普通人很远那么2020年的诺贝尔化学奖得主Jennifer Doddner也就是CRISPR基因编辑技术的共同发明人她分享的技术进展可能就会让很多受到基因疾病困扰的人深感过悟了如果你关注生物科技CRISPR这个名字你肯定听过它被称为基因磨碱可以精确的剪切插入修改DNA序列但在这次大会上,Dotna讲的不是CRISPR本身,而是生物学与计算交叉点的畅形。十多年前,Jennifer Dotna用一种名为CRISPR-CAS9的分子剪刀,改变了生物学的格局。这种来自细菌免疫系统的工具,让科学家第一次能够像编辑文字一样编辑DNA。从而创造出一个人人都能使用的DNA编辑系统。2023年基于Delna团队最初发现的CRISPR格式,美国FDA批准了首个CRISPR基因疗法,用于治疗镰刀型贫血症,一种影响大约10万名美国人的遗传疾病。第一位接受治疗病病, [10:00] 患者Victoria Gray如今已经完全康复并成为该疗法的倡导者从最初的科学发现到活泼上市这个过程仅用了十年这在生物医学界是惊人的速度然而疗法的成本依然高航手术和细胞处理的过程也很复杂尽管Dotna领导的创新基因组续研究所IGI在旧金山建立了一个治疗中心计划在未来的三年当中为8名患者提供治疗同时探索降低成本的新方法但是这仍然不够目前来说最大的瓶颈也是数据和那些拥有庞大标准化数据集的领域不同生物学的数据又少又乱这让机器学习在生物学里面可以说是举步未见于是 DotNut的思路反过来,让CRISPR生成机器学习需要的数据Crisper能设计出上百万种RNA导向分子,像扫描器一样逐一敲掉或者修改小鼠的基因。自动化显微镜系统高通量的拍照记录每个编辑后的细胞发生了什么变化。这些数据的微妙之处正是机器学习可以大显身手的地方。找出哪些基因互相配合导致疾病哪些组合能够产生特定的化学变化这种方式就像给机器学习提供了生命的训练级成千上万条基因与功能的映射关系将帮助模型预测蛋白功能解析基因网络建模RNA结构好我们现在停一下看一下这个画面和阵容2025年落奖得主Yaggy将材料设计2024年落奖得主Baker将蛋白质设计年诺奖得主Dotna讲基因编辑,从材料到分子到基因,从无机到有机到生命,这是一个完整的科学链条。而他们讲的核心都是同一件事,AI不再是分析工具,而正在逐渐成为发现的主体。而这个观点也是在被参与的其他科学家和AI研究员们所认证。两天大会中,众多明星学者分享了各自领域的突破性进展。除了几位诺奖得主,我们还看到微软研究院AI for Science的总监 Christopher Bishop分享了科学发现的第五范式及AI驱动的发现。Meta AI的Larry Zinnick分享了用AI建模原子的前沿。MIT的Heather Kulik教授讲解了如何用机器学习加速材料研发,但在这些令人眼花缭乱的科研成果背后,所有人真正想探讨的是一个更加宏大的命题。AI到底能在多大程度上改变科学研究的游戏规则?Alphabet董事长、斯坦福前校长、土地奖得主John Hennessy在计算机领域干了50年见证过PC的革命,苹果的崛起,互联网的诞生和哑火的辉煌,但是他在大会上说:这一次AI革命不一样GNA用了不到一年的时间就进入了人们的日常互联网和手机呢他们长得多还需要大规模基建嗯但是呢这里有几个不太美妙的事实啊首先,数据危机。按照现在的模型增长速度,全世界的训练数据会在4-5年内用完,这还是假设把所有视频数据都喂给模型的情况下。其次,硬件极限,摩尔定律的延续已经接近极限,而Dinar的缩放定律早在10多年前失效,晶体管虽然能够继续缩小,但是功耗不再同比降低。在《德主》的演讲中也都有提到而要解决这些挑战不仅仅需要前沿的科学家们,还需要工业界和资本界的一个相互合作来加速前沿科学的进步与发展。我们也很开心的看到这样的生态正在越来越成熟和加速赚动。这次的AIAIS 2025峰会就是一个好的证明,我们也会为大家积蓄的关注进一步的动态。好了那么以上就是这期视频的全部内容我是陈倩我们就下期视频再见啦bye优优独播剧场——YoYo Television Series Exclusiveby bwd6