一段基因組測序的花費，可能已經低於在灣區吃一頓晚飯。這個比喻在這場對話里被當成玩笑講出來，但它其實是整晚所有論證的地基。
真正有價值的判斷藏在中間：癌症正在從一個「尋找平均人」的統計問題，變成「每個病人各自一個兩萬維數據集
」的建模問題。而讓這件事在今年變得可行的，不只是測序變便宜，還有一條被反覆驗證過的循環——只要一個任務的結果可以被判定，無論判定發生在矽上還是濕實驗台上，它就能被強化學習式的自我改進一路推下去。
這是 Y Combinator 的 Paper Club 第十期，AI for Bio 專場。主持人是 Francois，他在這一場結束後周五就離開 YC 去開始下一段創業；四位講者分別是 Alfredo Gonzalez（AMA 聯合創始人）、Yusuf Roohani、Garyk Brixi 和 Divya Nori。
1. 一場 12 小時趕工出來的圖靈測試，把「AI 能不能裝成人」變成了現場數據
1950 年，Alan Turing 給出的判據非常具體：五分鐘的提問之後，平均審訊者判斷正確的概率不超過 70%。七十多年過去，這個標準一直停留在口頭爭論里，直到主持人決定把它變成一次現場實驗。
他發給全場一個二維碼，一半的人被隨機配給另一個真人，另一半被配給一個 AI agent，限時兩分鐘，自己判斷對面是誰。這套系統是他在過去十二小時裡用 Claude Code 趕出來的，他坦承「它能真跑起來的概率大概是 0%」。為了讓 AI 那一側贏得更徹底，他還刻意給模型設定了人設：一個 32 歲男性，就坐在你旁邊這個房間裡，並把上下文全部餵了進去。
排名出來是 Astra、Claude、GLM、Gemini，Grok 和 Kimi 並列。人類一側的數據更耐人尋味：約有三成的情況下，AI 被當成了人；同時有 33% 的真實人類，被對面判定成 AI。「這就是我說話的方式」，一位被誤判的參會者這樣辯解。
主持人的結論很克制：沒有贏，但很接近。他甚至有點不甘心地補了一句，自己聊 Air Canada 客服機器人時，從來都能一眼認出那是 AI。人類這一側的誤判率說明，問題或許不在於 AI 有多像人，而在於「像不像人」這個判據本身已經很脆。
2. 測序成本持續下降之後，生物學第一次有了真正可挖掘的數據
支撐整個 AI for Bio 敘事的，是一條持續下滑的曲線：測序成本。它帶來的直接後果是數據量的指數級膨脹——EVO 2 訓練用了 9 萬億個鹼基對，下一代模型正在用更大的規模訓練。EVO 2 的負責人 Garyk Brixi 就在台下，稍後他要回答的問題是：一個在 DNA 上訓練的語言模型，究竟學到了什麼。
已經落地的成果比想像中硬。Dennis 幾個月前在 YC 說，AlphaFold 現在出現在每一種上市藥物的某個環節里——主持人原本認定這是誇張，隨後問了十來個從工業界到博士階段的人，得到的回答都是「大概八九不離十」。AI 設計的蛋白結合體在公開基準上的成功率，區間被報成 10% 到 100%。從他們實驗室走出來、由 Eric Nguyen 負責的一家公司，AI 設計的噬菌體已經進入了患者體內。
還有一條容易被忽略的：只要給 4 到 64 個上下文學習樣本，就足以顯著地操控生物設計的方向。這正是 Divya Nori 稍後要展開的題目。評價體系也在成形，CASP 和 Virtual Cell Challenge 成了可以反覆攀登的標尺——後者仍有爭議，但在變好。資本側，從一批新公司到 Isomorphic Labs，投入正在變得巨大。
3. 讓這條曲線閉合的，是「可驗證」三個字
主持人的核心論點其實不在生物學，而在方法論：我們已經摸索出一套昂貴的流程，可以去攻任何一個可驗證的任務。
如果結果能在矽上驗證，就飛快——像給一個代碼庫跑單元測試，直接擴大規模；如果只能在物理世界裡驗證，就慢得多、貴得多，但同一套流程依然成立。把這個模板套到生物學上，形狀是這樣的：用基礎模型採樣出一批候選藥物，挑出排名靠前的，真的花錢去做實驗、測效力，把結果餵回去重新訓練模型，然後循環再來一遍。
他沒有給這條循環留任何退路：「我真的相信它會走通，代價只是很多錢和很多時間。」這句話的分量在於，它把藥物發現的瓶頸從「不知道從哪裡下手」，改寫成了「能不能負擔得起驗證的次數」。
4. TCGA 教我們看平均值，今天的測序教我們看一個人
Alfredo Gonzalez 的全部職業生涯都在這條線上。他在 UCLA 讀癌症生物資訊學博士，建的是規模化處理腫瘤—正常配對基因組的計算流水線，還拼出了世界上最大的罕見肉瘤數據集之一；更早的時候他在 Broad Institute 參與驗證最早那批在癌細胞系裡做的 CRISPR 篩選，也正是在那裡遇見了後來的聯合創始人，對方當時負責多個藥物重定位項目；再往前，他在哈佛研究早期作用轉錄因子。他和妻子一起創辦的 AMA，做的事說起來簡單：為每一個病人的具體疾病，圍繞他建一個個性化的研究實驗室。
他用來劃分時代的坐標是 TCGA。十年前，癌症基因組圖譜把若干種離散的腫瘤類型、每種幾百個病人測了出來，那在當時堪稱人類的一次偉大成就。但幾百個基因組意味著你只能做一件事——求平均、找相似。這樣的結論對群體有意義，對眼前這個坐在診室里的病人沒有用。
今天的情況反過來了。給自己測個基因組，可能比在灣區不少餐廳吃頓飯還便宜；而對晚期腫瘤和復發病人來說，測序本身多數已被保險覆蓋，包括 Medicare 和 Medicaid。數據不再是稀缺品。
於是每一個病人都變成了一個獨立的數據集：先以約兩萬個基因作為起點，再向上疊加拷貝數變異、RNA 表達、可變剪接、細胞狀態，以及病人自己的遺傳背景。當你有能力為單個病人生成這樣一張多維度的表，就不必再給他貼一個離散的腫瘤類型標籤。「這就是一個巨大的數據集」，Alfredo 在螢幕上把它展開時這樣說，而這句話正是「癌症是數據問題」這句話的全部含義。
5. 下一個要建模的對象不是分子，是細胞
四位講者的分工，剛好對應這條鏈路的四個環節。Yusuf Roohani 在斯坦福讀完博士，在 Arc Institute 從零搭起機器學習團隊，現在在一家做自主 AI 科學研究的機構擔任科學負責人，他關心的是細胞狀態怎麼建模——從分子到細胞，是難度上一個量級的跳躍。Garyk Brixi 領導過 EVO 2 團隊，正在推進一個新的大模型項目，他要回答的是 DNA 上的語言模型究竟學到了什麼，包括那個沒人專門訓練、卻自己冒出來的上下文學習能力。Divya Nori 在 Hazy 實驗室、由 Brian Hie 共同指導，此前在 MIT 做的是 AlphaFold 一類基於結構的方法，現在轉向生成式的生物設計。
主持人用一段告別收尾：這是第十期，前九期加起來超過一百萬次播放；他為這個社區搭了六個月的台，然後要去做自己的下一件事。
回到開場那個玩笑。測序比一頓晚餐便宜，聽起來像矽谷的自嘲，實際上是這門學科換了計量單位：過去我們統計一萬個病人里的平均突變頻率，現在我們清點一個病人身上的兩萬個基因和它們的表達、剪接與狀態。當每個個體都成為一份可以建模的數據，所謂「治癒癌症」就不再是一個籠統的口號，而是變成了一串可以被驗證、可以被循環、可以被重複執行的具體任務——貴，慢，但路徑是通的。
