诺贝尔化学奖的聚光灯刚褪去，人工智能在生命科学领域的神话便迎来了操刀者自己的冷静校准。Google DeepMind科学智能副总裁Pushmeet Kohli与CZ Biohub副总裁Sal Candido在近期深度对谈中直言：AlphaFold远未彻底解决真实的蛋白质折叠问题。公众和二级市场误以为生物学大厦已由算法封顶，但一线研发者看到的是一道因过度简化而撞上的高墙。
在自然语言处理中屡试不爽的规模法则，正在生命系统中遭遇边际递减。两位技术领袖的核心判断非常明确：生命并非静态代码，单纯堆砌计算芯片和模型参数无法推导出生命系统的真实运作规律。如果行业继续将单分子静态三维结构误认作药物设计的终点，AI制药将长期困在虚拟筛选与临床脱靶的巨大断层中。
静态快照不是物理折叠：手性错误与构象盲区
公众语境中的蛋白质折叠，通常被等同于输入氨基酸序列、输出原子坐标。但由Abramson等人于2024年5月8日发表在《Nature》上的AlphaFold 3，本质上是一个强大的统计几何生成器，绝非物理动力学模拟器。多随机种子采样无法复现真实溶液环境中的构象系综、平衡态分布，更推导不出构象之间的跃迁速率。
算法给出的只是一张能量最低点的静态快照，而生命现象全部发生在分子运动的涨落之中。
在严苛的物理与化学基准测试面前，统计模型的破绽显露无遗。在针对小分子-蛋白复合物结合的PoseBusters基准测试中，AlphaFold 3记录了4.4%的手性错误违规率，甚至频繁出现原子在三维空间互相重叠的物理碰撞。更为致命的是它对内在无序区（IDR）的幻觉折叠：生物体内大量天然不具备固定结构的无序序列，被算法强行卷曲成了看似合理却根本不存在的致密螺旋。
这种构象盲区在靶向药物开发中往往带来灾难性误判。在针对抗肿瘤靶点Cereblon蛋白的构象测试中，AlphaFold 3无论测试体系中是否存在结合配体，输出的结果永远保持着同一种结合闭合构象，完全错失了结构生物学实验早已证实的无配体（apo）开放状态。算法无法辨别开与关的因果机制，只是根据已知同源模板给出了概率最大的一帧画面。
苦涩教训在生命科学遇阻：算力堆不出进化多样性
AI学者理查德·萨顿曾提出著名的苦涩教训，断言依靠海量算力与通用架构终将碾压一切人类专家精心设计的手工先验。但Kohli在对谈中指出，AlphaFold之所以能在小样本蛋白质晶体库上突破，恰恰依赖了大量针对生物物理规律的手工归纳偏置。如果抛弃物理几何先验去纯跑通用网络，算力在结构生物学面前根本无法收敛。
蛋白质语言模型（PLM）路线同样遭遇了天花板。由CZ Biohub团队主导的ESM系列在训练ESM2后期发现，单纯扩大参数量与算力规模，模型表征能力的收益曲线迅速变平。蛋白质序列库中存在着严重的进化冗余与人工采样偏差：人类已知数据高度集中于致病菌与哺乳动物。
打破这一死局的不是更大的GPU集群，而是从未培养微生物中提取的宏基因组多样性。CZ Biohub相关的ESM项目通过挖掘深海、热泉等极端环境样本，绘制了超过68亿条蛋白质序列与11亿个预测结构。直到这批低质量但极具进化多样性的数据被注入训练，语言模型的表征能力才重新激活。限制模型的从来不是算法深度，而是输入空间的生物多样性缺失。
越过单分子死胡同：从冷冻电镜密度图走向虚拟细胞
即便在统计预测框架内，算力消耗的模式也发生了剧烈转移。AlphaFold 3在预测抗体-抗原复合物时表现出强烈的计算预算敏感性：当多随机种子采样数从几十次拉升到1000次采样种子时，模型给出的最高精度仍在持续爬升。这意味着，AI制药团队如果只跑几次默认推断，极大概率会拿到一个脱靶或完全错误的结合面。
- 提醒.AI制药Biotech必须重新审视固定管线预算，用单次推理预测虚拟筛选已不成立，针对核心结合界面的高种子重采样与物理动力学重评分正在演变为不可压缩的固定算力成本。
当计算逼近极限，结构生物学界与AI阵营的竞合关系正在重塑。冷冻电镜实验室不再只是AI下游的验证工具，其未经过度处理的原生微观图像（Cryo-EM micrographs）包含了大量构象异质性与过渡态信息，正成为训练下一代动力学模型的原生养料。合理资本倾斜下，现有高通量测量技术完全有能力将生物数据的产生规模提升10倍至100倍。
从预测孤立分子的空间坐标，跨越到能够预测药物分子对整个细胞系统网络扰动的虚拟细胞，这是生命科学计算领域的下一次范式迁移。Kohli与Candido的坦诚说明，神话褪色并非坏事；当行业放下对现存工具的盲信，真正的攻坚战才刚刚打响。