“用AlphaFold开发新药肯定会失败” —— 诺奖得主，伯克利教授Eric Betzig关于AI和生物制药的惊人观点

“AlphaFold 肯定会失败。”

“ 我们需要重新训练 5 维 Transformer 模型”

“进入 Phase 1 临床试验的药物只有 9% 能通过 Phase 3，我们真正需要提升的是后者。”

这是Eric Betzig在采访中给出的三个价值连城的观点，也给AI+生物医药火爆的叙事浇了一盆冷水。

这期632nm的播客访谈信息量很大，总体可以分成4个部分：

一、为什么说 用AlphaFold开发新药肯定会失败

二、他给出的解决方案是什么

三、他的传奇人生故事

四、为什么他强烈支持科研体制的变革

一、 用AlphaFold开发新药肯定会失败。

Eric Betzig 认为，生物学教科书和传统动画呈现的“空旷细胞”完全是视觉幻觉（Hallucination）。

真实活体细胞内部极其拥挤（Crowded），包含上百亿个蛋白质与大分子。细胞是目前已知宇宙中复杂程度最高的物质形态。

我们对细胞内部运行机制的了解，甚至不如对中子星（Neutron stars）内部的了解。

生命本质上是极高频次的随机碰撞（Stochastic collisions）——在经历了数百万次“掷骰子”般的随机碰撞后，分子在能量有利（Energetically favorable）的位点发生结合，从而在混沌中涌现出秩序（Order out of disorder）。

真实的生命过程是高度动态、极速离合的，静态生化模型完全无法解释这种真实的生命动力学。

因此，虽然我们从冷冻电镜（Cryo-EM）、AlphaFold 这种还原论工具中学到了很多，且湾区这里有一堆公司正试图根据 AlphaFold 测出的蛋白结 构做药物研发。

但那些静态结构在创造生命的整个复杂动态系统中只占极其微小的一部分，他们完全是在白白烧钱。

他敢保证，除非他们转向引入其他生物学信息，否则这些公司 5 年内就会倒闭。

此外，市面上现有的图像分割工具（如 Meta 的 SAM）都是 2D 的，很多人尝试把 3D/4D 显微数据拆成一张张 2D 平面切片去分割，这种做法完全是错误的。

因为真正的活体细胞在空间切片之间、在时间推移上都是连续运动的。4D 分割就是要原生（Native）利用这些时空连续性先验。

二、破局点：“细胞观测站”（Cell Observatory）与 5D 数据

Eric Betzig认为， 生命的物理过程发生在 5 个维度：X, Y, Z（三维空间位移）、T（时间演化维度）以及 分子种类/光谱通道（对应细胞内 20,000 种蛋白质、脂质及糖类）。

当前顶尖显微仪器（如格子光片显微术 Lattice Light-Sheet）每星期都会产出数个 PB（Petabytes） 级别的 5D 体素数据。

但因为缺乏可扩展（Scalable）的观察与理解工具，海量数据只能瘫痪在硬盘里沦为“死数据”。

因此，我们需要构建原生 4D/5D 视觉 Transformer（Native 4D/5D ViT）。

具体的流程是：

第一步：建立 5D 活体多尺度数据源（Multi-scale 5D Live-Data Acquisition）

首先，坚决摒弃纯静态蛋白结构（如 AlphaFold）等还原论数据，在 活体（Live）、多尺度 状态下采集 5 维数据。

其次，利用高帧率、低光毒性的 格子光片显微术（Lattice Light-Sheet Microscopy） ，选择身体透明且与人类基因高度同源的斑马鱼（Zebrafish）作为全标本活体模型。

最后，在数百种细胞类型与关键蛋白上打上荧光标签，在毫秒至分钟级跨度内，捕捉细胞在真实组织内的动态行为（如中性粒细胞在间质空间中的穿行）。

第二步：架构创新——开发原生 4D/5D 视觉 Transformer（Native 4D/5D Vision Transformer）

采用自监督学习（Self-Supervised Learning） ：利用多通道荧光信号作为天然监督标签，极大地减少对人工标注的依赖，直接在原生 4D/5D 空间下学习时空特征表达。

第三步：第一阶段基准任务——鲁棒的 4D 图像分割与物理极限探析

在让 AI 理解复杂的生命机制之前，模型要完成的第一项基准任务（First Task）是 精准识别生命的物理边界 ——区分单个细胞的起始与终点，以及细胞内部细胞器（线粒体、内质网等）的结构边界。

于是Eric Betzig和团队采购了 32 张NVIDIA B200 GPU开展消融实验，通过逐步增加或剥离（Take away stuff / Add stuff）模型的特定模块、网络层数与节点规模，测试在保持高精度 4D 分割的前提下，模型所必需的

最小参数量与算力规模 ，以此排查可行性风险（Triage the risk）。

这一步如果成功，下一步就是进行融资，扩展规模。

第四步：对接 LLM 接口，构建对话式生物学助手（Queryable LLM Interface / Sherpa）

当模型完成鲁棒分割与特征提取后，AI 便具备了识别不同细胞类型及其动态行为的能力。

此时将 4D/5D 视觉 Transformer 与大语言模型（LLM）接口对接，实现对海量活体数据的 语义化检索与机制探索 。

研究人员无需手动翻阅数 PB 的视频文件，可以直接通过自然语言提问，调用并分析保存在硬盘上的动态实验数据。

第五步：商业与临床落地——活体全器官尺度的 CRO 测试平台（Holistic CRO Platform）

利用模型建立斑马鱼所有器官、所有细胞类型在正常生理状态下的动态活动基线。

然后在候选药物进入临床 Phase 1 之前，将其投入活体斑马鱼中，利用模型在从分子到全身器官的整体尺度（Holistic scale）上实时观察药物是否会产生毒副作用或脱靶效应，从根本上降低临床 Phase 3 高达 91% 的失败率。

步骤 阶段名称 核心技术 / 工具 关键物理 / AI 逻辑 1 数据采集 格子光片显微术、活体斑马鱼 5D 活体数据 2 架构设计 原生 4D/5D Vision Transformer 摒弃 2D 切片，利用 时空连续性先验（Priors） 3 基准训练 鲁棒 4D 分割、B200 消融实验 厘清细胞边界，通过消融实验（Ablation Studies）探索参数与算力极限 4 语义交互 4D ViT + LLM 语言接口 将图像特征转化为可自然语言查询的 生物学知识库 5 功能验证 斑马鱼 CRO 平台 在全身/器官尺度上评估 脱靶效应（Off-target effects）

四、个人传奇经历：从贝尔实验室到“两次失业”再到获得诺奖

埃里克·贝齐格的科研履历极具传奇色彩，他曾两度主动或被动离开学术界，甚至曾发誓不再做科学研究。

贝尔实验室黄金时代（1988–1994）

他在康奈尔大学获得应用物理学博士学位后，贝齐格进入贝尔实验室（Bell Labs）工作，在近场光学显微镜（NSOM）和单分子定位领域取得了顶尖成果。

但他后来因厌恶学术界流行“发论文/追热点”和“ artifacts（伪影）泛滥”的文化，愤然决定“退出科学界”。

第一次失业与推婴儿车灵感（1994–1995）

离职后他成为全职家庭夫夫。在推着6个月大的女儿散步时，他灵光一闪，提出了将单分子高精度定位与多维判别结合实现超分辨率的概念，并在 Optics Letters 上发表了一篇单人论文（后来成为诺奖引用的核心论文之一）。

跨界汽车机床工业（1995–2002）

离开科研圈后，他去父亲位于密歇根州的汽车机床公司工作了6年，担任研发负责人，开发出高性能的 FAST 伺服液压机床。但因产品过于超前且动能巨大吓退买家，项目在商业上宣告失败。

第二次失业与客厅组装出诺奖成果（2002–2006）

再次失业的他重新阅读科学文献，被绿荧光蛋白（GFP）技术震撼。

他与好友 Harald Hess 在 Tallahassee 的机场讨论中构思出 PALM 技术。两人各自掏出 5 万美元积蓄，在 Harald Hess 家里的客厅中，利用二手部件组装出了第一台 PALM 显微镜，随后借用 NIH 的暗室完成了验证实验，一举震惊科学界。

这一突破让他与威廉·莫尔纳尔（W.E. Moerner）、斯特凡·赫尔（Stefan Hell）共同获得了 2014年诺贝尔化学奖。

五、逃离学术界，同行评审如何演变为平庸者的“保护伞”与创新杀手？

1、为什么当下的科研体制极不合理：

Betzig 认为，绝大多数学术研究只是在既有框架下进行微小的量变积累，或者为了发表论文而制造没有实际价值的学术噪音。

如果明天把 95% 的学术界废除，除了论文工厂停工之外，世界根本不会察觉到任何变化。

大家只是在做极其微小的渐进式修改，目的仅仅是为了拿到下一笔科研基金。

Betzig 还极其厌恶同行评审制度。他说，同行评审表面上是为了保证学术质量，实际上变成了既得利益者维护自身学说、排斥真正颠覆性创新的工具。

同行评审根本不是质量控制， 它是平庸者用来保护自己免受天才冲击的工具 。当你有一个真正革命性的想法时，谁是你的同行？你根本没有同行。

为了拿到基金，科学家必须在申请书中预先写明“未来三年能做出什么成果”。这本身就违背了科学探索的本质——如果成果能够被预先规划，那它就不是真正的科学探索。

在基金申请体制下，你必须提出保证能成功的项目。所以大家基本上都是拿 已经做出来的成果 去写申请书。

如果你尝试做真正高风险、疯狂的创新，你根本拿不到钱。因此每个人都被激励去选择安全路径、追逐热点，比如在每个提案上都冠上“AI”或“量子”的名字。

2、Betzig 认为合理的科研体制应该是什么样的？

Betzig 结合自己在 贝尔实验室（Bell Labs）黄金时代 的工作经历、在 HHMI（霍华德·休斯医学研究所）Janelia 研究园区 的实践，以及对 SpaceX 的观察，提出了他心中理想的科研体制范式：

1. 资助“人”而非资助“项目”

不要让科学家花 30% 到 50% 的时间去写基金申请书和汇报 PPT。遴选有极客精神、真正懂物理和工程的顶尖人才，给予他们长期、稳定且无需填写繁琐 KPI 的资金支持（类似 HHMI 模式或当年的贝尔实验室）。

2. 无金字塔帝国的“扁平化小团队”结构

拒绝由巨头教授（P.I.）带领数十个研究生组成的“学术金字塔”。建立高密度、由成熟极客组成的扁平化小团队（2-5 人）。

当年贝尔实验室严格限制每个研究员的行政下属数量，逼迫顶尖科学家亲自下场做实验、拧螺丝，而不是变成高高在上的“科研官僚”。

3. 物理上的强制碰撞与跨学科沉浸

效仿贝尔实验室长达数里的长廊设计，或者 SpaceX 统一大车间的布局，让机械工程师、软件算法工程师、光学物理学家和生物学家每天在走廊和咖啡机旁强制碰撞。

生命和工程极其复杂，只有这种全沉浸式的跨学科协作才能解决真正硬核的问题。

4. 以“解决硬核问题”为导向，而非以“发表论文”为导向（Problem-Oriented, Not Paper-Oriented）

科研的终极目标应当是 创造一个更好的世界、解决实际物理难题 （如 SpaceX 解决火箭回收和 Starship 发动机制造，或 Cell Observatory 解决活体 4D 分割与脱靶效应），而不是在 Nature 或 Science 上发表了多少张无意义的 2D 切片图。