人工智能会霸占地球吗,人工智能会毁灭,人工智能是否会毁灭人类吗,人工智能会不会埋没人类未来

转自：深圳商报

读特客户端・深圳新闻网2023年3月20日讯（深圳商报记者 涂竞玉）3月14日，ChatGPT开发机构OpenAI正式发布其具有里程碑意义的多模态大模型GPT-4；微软也在3月16日宣布，让AI替程序员开发App的功能问世。

被誉为ChatGPT之父的阿特曼16日接受美国ABC访问时表示，ChatGPT可能是“人类迄今最伟大的技术”。这项“最伟大的技术”的出现，让很多人担忧自己在未来“饭碗不保”。

“GPT-4太吓人了，未来人类互联网大部分工种岌岌可危。”一名受访者说。

欧洲科学院外籍院士、清华大学人工智能研究院常务副院长孙茂松日前在接受采访时曾表示：“GPT-4可能会给从事相对简单编程工作的程序员带来一定的压力，但这种压力也会促使程序员追求自身进步。对于程序员来说，需要提高写复杂代码、处理复杂问题的能力，程序员能解决的问题越困难，机器能做到的可能性就越小。”

对此，他并不认为人工智能会大范围替代人。“从机理来说，机器的定位还是帮助人，作为人的得力助手帮人做相对简单的智力工作，让人从一些繁复的智力工作中解脱出来。而人在做复杂工作的时候，机器也可以帮人省掉一些事，大幅提高工作效率和质量。”

“本质上看，人工智能难以取代高级的智力活动，反而可能使人受益。越能体现人智慧、体验、悟性的深层次的东西，对机器来说就越复杂、越难以取代。”

北京大学深圳研究院5G&6G课题组组长胡国庆认为，人工智能在短时间内有可能会取代部分人的一个工作，这是技术发展的必然。但是从长远来看，它所带来的变化是大范围缩短我们劳动时间，在某些领域，它仍然无法完全取代人类。“例如在需要人类创造力、判断力和创新能力的领域，如艺术、设计、创意等，ChatGPT仍然无法与人类相媲美。此外，对于涉及到人际交往、情感认知和道德判断等领域，如医生、心理咨询师、社会工作者等，ChatGPT也难以取代人类的角色。”

深圳商报记者通过注册用户向GPT-4提问道：“人工智能的出现，会导致一批人失业，还是在一些职业中会创造新的机会？”

它表示，人工智能的出现确实会对某些职业造成影响。但它认为，人工智能将为许多行业和职业带来新的机会和创新，例如医疗保健、金融服务、交通运输等行业。 “因此，虽然人工智能可能会对某些职业产生影响，但它也会创造新的机会和就业，而且许多职业也需要学习新的技能，来适应人工智能时代的发展。”

---

chatgpt对学术的作用 chatgpt给学术界带来的影响

chatgpt,chatgpt是什么意思,chatgpt怎么注册,chatgpt中文

前不久，腾讯研究院发布《AIGC发展趋势报告2023：迎接人工智能的下一个时代》指出，AIGC的商业化应用将快速成熟，市场规模会迅速壮大，预测将率先在传媒、电商、医疗等数字化程度高、内容需求丰富的行业取得重大发展。

与此同时，诸多国外商业咨询机构更是直接给出数据：未来五年10%-30%的图片内容由AI参与生成，2030年AIGC市场规模将达到1100亿美元。

星星之火，可以燎原。早在五年前，AIGC还籍籍无名。它有一个相当拗口的名字--AI生成虚拟内容。以2018年的视频换脸技术Deepfake为代表，"AI伪原创"一词，便从那时传开。

随着深度学习的发展，AIGC逐渐渗透在图像、视频、CG、AI训练数据等各类领域，人们对于这一技术的期望也逐渐丰满。

时至今日，AIGC技术能否用于计算生物领域的新引擎，医疗健康赛道何时迎来新型基础驱动力，成为时下产学研各界的共同关切。

近日，由雷峰网GAIR Live&《医健AI掘金志》举办的《chatgpt的一把火，能否烧到AI生命科学界？》线上圆桌论坛落幕。

本次论坛，由中国人民大学数学学院龚新奇担任主持，中国科学院深圳理工大学（筹）计算机科学与控制工程学院院长潘毅、百图生科首席AI科学家宋乐、深圳湾实验室系统与物理生物学研究所资深研究员周耀旗、分子之心创始人许锦波，天壤创始人薛贵荣参与讨论。近期chatgpt爆火，欢迎添加作者微信（微信号：chatgpt），互通有无。

在上篇中，几位嘉宾共同辨析"AIGC"这一概念，探讨生命科学界中的哪些成果属于AIGC，以及chatgpt在生命科学领域中可能实现的任务。

在下篇中，将分别探讨AIGC为生命科学带来的可能性与其自身局限，以及中国能否在应用场景上快人一步，实现技术落地与产业转化。

"全球人工智能与机器人大会"（GAIR）始于2016年雷峰网与中国计算机学会（CCF）合作创立的CCF-GAIR大会，旨在打造人工智能浪潮下，连接学术界、产业界、投资界的新平台，而雷峰网"连接三界"的全新定位也在此大会上得以确立。

经过几年发展，GAIR大会已成为行业标杆，是目前为止粤港澳大湾区人工智能领域规模最大、规格最高、跨界最广的学术、工业和投资领域盛会。GAIR Live作为雷峰网旗下视频直播品牌，旨在输出新鲜、深度、原创的大咖访谈与对话内容，打造辐射产、学、研、投的特色线上平台。

以下是主题论坛的现场内容，雷峰网《医健AI掘金志》做了不改变原意的编辑和整理：

chatgpt，是否会成为生命科学跨越式发展的契机？

龚新奇：目前来看，chatgpt的文本生成功能确实挺强，第一次让我们感觉它像个人一样，能够自然地聊天，读懂你的感情、还可以体会到一些细微的褒贬。而且你可以正反提问，甚至还可以夸奖它、批评它。因此，chatgpt的出现，能否比肩AlphaGo或是AlphaFold2的出现，是否会成为生命科学跨越式发展的契机？

周耀旗：我不认为chatgpt可以比肩AlphaGo或是AlphaFold2。AlphaGo当年战胜了人类最好的棋手，而AlphaFold2在高精度蛋白质结构预测上取得了革命性进展，但chatgpt对生命科学来讲，错误率太高、准确度不够，还不能算作一个跨越性的成果。

但我对它的未来版本充满了信心，特别是当chatgpt跟搜索引擎结合，会大幅度提高它的精确度。因为它可以出具文献出处，还可以帮我们提供各个领域的综述、问题解决思路、促进不同领域沟通，甚至帮助学者撰写文章初稿。那么未来跨专业、跨语言的交叉研究就变得容易一些。

所以我认为，未来升级版本的chatgpt完全可以成为一个创新枢纽。科学家把更多精力放在提出问题上，并根据AI的建议来优化、验证解决问题的方法和思路。所以chatgpt的出现还是有一定的意义，它推动了一个有想象力时代的到来。

潘毅：我认为今后chatgpt很有可能成为生命科学领域跨越式的发展契机。至于它的影响力，我跟周教授有不同看法，我认为chatgpt的影响力会大于AlphaGo和AlphaFold2。

为什么？

AlphaGo为专为围棋而设计，AlphaFold是专为蛋白质结构预测而设计，所以它们是一个为专业而生的AI平台。相比而言，chatgpt是一款通用型AI平台，既可以交流，又可以撰写邮件、视频脚本、文案、翻译、代码，写论文等等，普罗大众都可以试一试，所以chatgpt的影响力要远比AlphaGo和AlphaFold更广泛、更深刻。因此，虽然chatgpt在生命科学领域里比不上AlphaFold，AlphaFold在围棋上比不上AlphaGo，本质是术业有专攻。

最近我和老同学黄学东聊天，发现他对chatgpt的评价很高，"微软如今加码chatgpt，是因为chatgpt之于AI，相当于芯片之于计算机这么重要。"

要知道，黄学东多年担任微软chatgpt技术研究员和首席技术官，前不久刚刚当选2023年美国工程院院士，此前他并未将Alphago和AlphaFold定义为一个"里程碑式"的技术突破。

当然，周教授说得很对，chatgpt在生物领域的影响力也许还没达到，目前chatgpt无法处理复杂冗长或者特别专业的语言结构。但随着AI技术的改进，几年以后它一定会赶上，甚至会超过AlphaGo和AlphaFold。

从另一方面考虑，如今chatgpt作为一个通用平台，应该如何推动生命科学发展？

一、生命科学领域的学者为其注入专业性更强的生物知识，只有进行足够的语料"喂食"，chatgpt才有可能生成适当的回答。那时候，它或将用于蛋白质结构预测，蛋白质设计、蛋白质相互作用分析等各类任务。

二、指挥chatgpt编写程序，比如Java程序、HTML程序，以及各种API（?应用程序编程接口）。那么未来生物学家只需要发出指令，chatgpt就能完成从代码编写、接口耦合到程序测试的一系列工作。这也意味着，尽管很多人不能完全精通各种计算机语言，但我们只需要会做一些策划性工作，就能快速搞定项目。

宋乐：从通用人工智能的角度来说，chatgpt确实是一个非常大的进步。因为在A I领域，过去的对话机器人很难媲美chatgpt。因为chatgpt除了逻辑严密的创造能力之外，还具有记忆能力，在连续的对话中不用大家提供重复信息，其语言组织和表达能力也更接近人类水平，使对话更自然流畅。

但实际上，chatgpt的创造性、流畅度，多轮对话能力，依赖于多种AI技术的结合，包括它的训练方式都和过去的AI模型不太一样。

chatgpt使用了RLHF（Reinforcement Learning from Human Feedback，人类反馈强化学习）?技术对chatgpt进行了训练，且加入了更多人工监督进行微调。因此，chatgpt进一步提高了AI模型与人类的交互能力，对信息含义的理解能力，以及自我判断能力。

所以，chatgpt的本质是对人类语言（自然语言、程序指令）反应能力的数学逼近。相比较而言，过去我们和计算机交互，要么自己打字，要么输入非常结构化、死板的程序语言。但现在就可以直接以用自然语言和计算机交互，把它视为人类助手。

最近斯坦福一位教授发现，GPT-3.5的智力已经和9岁的小孩相当，这是以前任何AI 程序都不可能达到的高度。总体而言，我认为chatgpt是可以被视为里程碑式的AI成果，而且它确实会带来一系列的工业级应用，甚至未来基于chatgpt衍生出更高级的AI模型。

说到这里，chatgpt也有一些局限性，比如因为知识缺失，产生一些不正确或者荒谬的答案。

比如你问它"红烧蚊子腿怎么做"，它会给你一个正了八经的回答：先把蚊子腿洗干净，再熬制糖浆，然后放入葱姜蒜煮熟。"它只是把"红烧猪肉"的做法重复了一遍，把"猪肉"换成了"蚊子腿"。

还有一些有趣的例子，比如你叫它做一些算数运算。如果只是简单的单位数运算还好，但如果数字比较长，或者比较复杂，它就做不了。实际上，这体现了chatgpt当前的训练模式的局限性，更加偏向于基于序列的拟合，或者表征生成序列的形式去训练。

所以chatgpt还能朝什么方向优化？

有三点思路：

一、未来需要向chatgpt注入一些知识图谱，比如数学运算能力、生物识别能力，补齐它在这些维度的智慧；

二、对于蛋白质设计、药物设计等细分领域而言，就可以直接"外挂"一些专业模块，比如复合物结构模块、亲和力模块、蛋白质稳定性模块，当"外挂"越多，它的智力更高，也会输出更更贴合需求的结果；

三、我们也可以学习chatgpt的算法思路和模型训练方式，"投喂"十亿级、百亿级的蛋白质序列数据，训练出一个专用于蛋白质设计的模型。

薛贵荣：我们比较有幸，2018年做过AlphaGo的复现，2021年我们做过AlphaFold2的复现。但总体来说，这些领域我们有胆量尝试，但从来没有尝试过的就是语言类AI模型。

众所周知，自然语言处理（NLP）、机器学习（ML）发展了很多年，但人机交互仍然不能做到问答自如，逻辑流畅。根本原因是建立自然语言处理模型的实用系统，需要不同层面的知识，比如汇学、句法学、语义学和语用学等知识。

而且NLP是一个交叉学科，涉及了方方面面的知识领域，包括计算机科学（给NLP提供模型表示、算法设计、计算机实现的技术）、数学（给NLP提供形式化的数学模型和形式化的数学算法）、电子工程：（给NLP提供信息论的理论基础和语言信号处理技术），以及心理学、哲学、统计学等等。所以从开发难度上看，chatgpt都是当之无愧的AI界"天花板"。

另一方面，无论是AlphaGo还是AlphaFold2，都是某一领域的专业软件，但chatgpt更像一款平民版AI，能够承载几个亿的用户一起测试，因此，它在覆盖面、影响力上，都远超AlphaGo和AlphaFold2。未来，大家肯定希望像chatgpt这样的技术能够应用在生命科学场景中。

比如，现在的医疗问题是大家有问题找专家，但在医疗资源分配不均、医疗供给量不足的情况下，这一问题始终得不到解决。那么chatgpt就可以发挥出"消费级应用"的特长，渗透入看病、制药等环节，降低专家依赖，一步讲清所有深奥的"病理、药理"。而经历过疫情三年后，大家更关注健康问题，我们也更加期待chatgpt能够联姻生命科学，实现跨越式发展。

许锦波：从AI的角度来说，chatgpt的出现意义可以和AlphaGo、AlphaFold2相提并论。它们都是重大技术突破，激发的讨论突破了业界的范畴，外溢到公众层面，可见影响力巨大。但是从生命科学角度来讲，在蛋白质设计等方面，chatgpt并不专精。实际上用AI进行蛋白质设计或预测蛋白质结构，两年前甚至三年前就发生了，只是模型比chatgpt更小，当时的算力也比较小。

因此，如今AI领域面临的重要问题是，现在的算法跟两年前的AI算法，到底有没有本质上的区别？

至少目前来说，我没看到本质上的区别。当然，在蛋白质设计上，现在的算法相比于传统算法确实取得了进步，很多人也在讨论，我们是不是要研发出一个ProtGPT，大幅度提高蛋白质设计的成功率？但要明白一点，所有通过AI设计出来的蛋白质都要有湿实验验证。如果未来AI能够大幅度降低对湿实验的要求，降低实验成本和时间，甚至用计算验证来替代实验验证，那将是更大的进步。

技术不确定性，成为最大隐忧

当chatgpt/AIGC大展拳脚，生命科学领域最明显的变化会是什么？另一方面，这种概念对于生命科学行业，是否有不确定性或者危机？

周耀旗：我觉得AI已经为生命科学带来了很大变化，特别是AlphaFold2对大部分蛋白质结构的预测，与真实结构只差一个原子的宽度，达到了人类利用冷冻电镜等复杂仪器观察预测的水平。这一重大成果虽然没有引起媒体和广大民众的关注，但生物领域的科学家反应强烈。

可以说，AlphaFold2对生物机制的理解，对药物设计都带来了正面影响。当然，未来AIGC一定为生命科学带来更大的变化，比如AI设计的蛋白质会越来越多，进一步补充PDB蛋白质结构数据库、功能库，推动人类对生命科学的理解进入到一个新的高度。

与此同时，chatgpt对于生命科学行业也有很大的不确定性：

一、预测是否错误，错误率是多少，以及是否误导用户。因为AI是通过海量数据训练出来的，因此这一缺点也与大数据的问题一样：数据很精确但错得离谱。相比而言，AlphaFold2有一个plDDT打分函数，但是打分函数并不一定完全正确，有时候还是错的；

同时，我们也不可能对每个设计结果都做验证，所以有时候还是很受误导，得出一些错误的结论。但目前我觉得是可以忍受的，因为模型训练本身就是在纠错，除了蛋白质设计以外，其他生物高分子的应用也是会越来越多，不仅仅DNA、RNA、代谢组、糖等各方面都会大展宏图。

二、鉴于chatgpt会把原来一篇文章重新编辑，那么我认为未来最大问题是出现假论文、编造假实验数据、甚至用这个技术做坏事，比如产生新病毒、新细菌，都是潜在风险。

所以长期来讲，AIGC会随着时间更加成熟，这种不确定性和危机也会更加隐蔽，可能十几年、三十年左右就会来临。我们需要在科学研究能力和风险管理上提前做好准备。

宋乐：我可以想象，随着数据量越来越多，算力越来越强，AIGC模型本身的生成能力，以及各种外挂功能（亲和力、稳定性、表达量）的加持，或许未来非常多的蛋白质设计工作都是在计算机里进行，后端的湿实验数量就会大大减少。

那么当chatgpt/AIGC大展拳脚，生命科学领域最明显的变化，我认为有几点：

一、实验人员减少，要求也因此下降，未来或许也不需要那么多的人体临床实验；

二、实验工作者也要学习数据分析，朝AI的方向走，以及一些高校会将计算机课程设立为药物、生物等专业学生的基础课；

三、一些新的工作机会也会创造出来，比如如何更好地衔接外挂和AIGC模型，如何真正地推动AIGC模型加速药物设计。

但从我的感受来，生物的复杂程度各不相同，比如目前数据量最大的蛋白质序列，那么"AIx蛋白质设计"会最快落地，可能是未来3～5年。但是复杂度更高的领域，比如蛋白质相互作用、细胞设计及相互作用、器官设计以及相互作用，它们需要更多的数据，更大的算力、更长的时间打造AI模型。

总体来说，AI在朝着那个方向走，只不过是时间长短的问题。

薛贵荣：可能我们最快感受到的变化，是药物研发速度大大提高，比如以前研发一款新药究竟有多难？医药界有个"双十定律"：一款新药从研发到上市，平均需要10年时间和10亿美元的投入。

那么AIGC的发展，时间、资金可能都会缩短，准确度还会有比较大幅度的提升。

当然周教授也提到，或许不同目的的人会加速制造一些病毒细菌，那么未来监管局既要推动优势药物上市，也要防范生化危机，需要尽快建立系统性的管控制度和规范。

潘毅：刚才几位教授都讲得非常好，那么我认为，chatgpt/AIGC这种技术应用在生命科学领域，第一大危机是什么？

一、数据污染。

因为生命信息领域有诸多基因数据库，假设有人放入一万个有攻击性的数据，并将某些基因数据跟疾病关联，最终预测结果失准。目前我们还没有看到这样的事情，因为chatgpt刚刚出现，大家普遍想用它写出"好文章"，前后衔接、逻辑连贯、辞藻优美。但如果你的目的是生成有破坏力的内容，就会拿"烂文章"训练它，甚至chatgpt也可能被引诱去做坏事。

二、巨大的算力和电力消耗量。

从技术原理来看，chatgpt基于Transformer技术，随着模型不断迭代，层数也越来越多，对算力的需求也就越来越大。从运行条件来看，chatgpt完美运行的三个条件：训练数据+模型算法+算力，需要在基础模型上进行大规模预训练，存储知识的能力来源于1750亿参数，需要大量算力。

要知道，一个参数要很多数据支撑，近2000亿的参数中需要多少数据，要消耗多少电？假如每个国家每个地区都这么做，能源可能就是一个问题。所以规模也不能这么扩大，我还是强调打造专业领域的BioGPT。

三、用户沉湎、数据隐私、版权伦理。

用户过分依赖于AI从事内容创作，可能导致内容非原创，缺乏创造力，引发版权问题，甚至隔绝物理世界，影响身心发展，社会整体运作效率反而降低。

许锦波：chatgpt带来的好处，至少让AI蛋白质设计领域的从业者更有信心。最近一两年，由于AI的深入发展，蛋白质结构及功能研究取得了巨大的突破，从传统的物理和统计方法快速走向机器学习，乃至深度学习；分子生物学界的研究范式，也从基于序列的研究转向基于结构的研究，极大提高了蛋白质从头设计的效率。

而在产业界，AI蛋白质发现和设计也乘势而起，成为全球瞩目的热门赛道。

但目前来说，大家还无法确定：AI设计蛋白到底能做得多好？相比于传统方法效率能提高多少？实验要求能够降低多少？这些都还需要继续探索。

手握chatgpt入场券，中国能否「弯道超车」？

龚新奇：黄民烈教授接受采访及近年的现象所示，美国在AI的基础研究上积累深厚，中国则是强于AI的场景应用。在chatgpt之后，百度将于3月上线chatgpt产品，名为文心一言。当AIGC用于生命科学领域，中国在技术落地、产业转化上，是否具备"弯道超车"的机会？

薛贵荣：最近AIGC和chatgpt的讨论特别多，国内又兴起了一波AI热潮。但就像刚才潘毅教授讲到的一个关键问题：必须建设各领域的专业版GPT。

在各块专业领域，中国已经积累了大量知识库，或许我们有机会做到弯道超车。尤其是在生命科学领域，中国的蛋白质设计技术与国际基本上处于同一水平，已经实现了核心技术的原始创新，为工业酶、生物材料、生物医药等功能蛋白的设计奠定了基础。

举个例子，去年12月1日，华盛顿大学Dachatgpt团队发布了RFDiffusion、同日波士顿蛋白质设计公司Generate Biomedicines发布了扩散蛋白生成模型Chroma、同月meta发布基于150亿参数的ESM2语言模型，实现全新的非天然蛋白质设计。今年年初，加州伯克利的一家初创公司Profluent也称采用类似chatgpt的蛋白质工程深度学习语言模型――Progen，首次实现了AI预测蛋白质的合成。目前我们也自研了一款扩散模型TRDiffusion，设计多种多样与天然蛋白质截然不同的全新单链蛋白质及复合体，目前已进入实验验证阶段。

实际上，无论是中国也好，美国也好，最大的优势是大家都能利用蛋白质设计技术，撬开生命科学的窗口。那么后续大家会更加重视生命科学的产业环境，无论是创新药环境、环保能源环境、食品安全环境等等，都会跟上技术研发的速度。所以我觉得，无论是科技研发、产业落地、还是风险投资，我们一定要对未来的产业环境有足够的信心和投入。

对于天壤而言，未来在算法升级，干湿实验室搭建、平台开发上都需要很大的投入；

其次，大家都知道，蛋白质被称为"生命的基石"，在已知的天然蛋白质的背后，蕴藏着一个隐密而巨大的"蛋白质矿山"。大家都想最先找到那块金矿，这方面特别考验团队的算力、算法、人才队伍，以及下游的产业合作。所以这是一个联动的工作，研发做快了，后面也得跟着快。

因此，回到刚才讲到的中国能否弯道超车的问题，我认为这是一个非常具有挑战性的事情，但最根本的一点，我们不能从一直follow别人的技术，而是要从中国本土的产业转化和人民需要上找问题，这才是我们弯道超车的机会。

周耀旗：我认为如今的chatgpt有点像新一波AI热潮。

2020年AlphaFold2出来的时候，大家对AI的兴趣特别大，很多投资方出手，但很快发现AI公司并没有那么快出效果，所以去年AI热度又降了下来。如今chatgpt让AI再次回热，但也有人发现它距离SOTA （state-of-the-art model，最先进的模型）还有一段距离，所以我估计大部人很快又会失望。

另一方面，从公司的角度来说，chatgpt公司成立于2015年，8年时间才产生了chatgpt这样的轰动项目。但国内有多少家投资商和公司，有耐心等8年？

有人说，中国会发展出更好的chatgpt，认为中文内容的广度、深度远远超过英文内容。实际上，如今即使是中国人所发表的前沿知识，大部分都是以英文的方式呈现。英文知识库扩大的速度很快，而中文很慢。因此，只有把中英知识全部结合起来，才能充分利用全人类的积累的知识。

举个例子，为什么谷歌搜索占据世界第一，国内搜索公司的回答准确性却很低，甚至它的应用市场只缩在中国？

这是非常现实的问题，主要原因是因为很多国内公司没有胸怀世界的前景观，认为专精于中国知识库就够了。那么，借助chatgpt的热潮，我们到底能不能实现弯道超车？

从国内生物医药的政策环境来看，某种意义上我们还存在一些阻碍，特别是国内创新药市场的带量集采模式，类似于传统的统购统销模式，导致创新药价格被压得很低，上游科研、生产等环节都缺乏动力。

相比较而言，全球主要国家创新药市场销售额情况，美国占比在50%以上，其他发达国家中，欧洲五国占比约16%，日本韩国占比8%，中国仅占3%，与发达国家差距较大。

这也侧面反映了美国在研发，转化，市场方面具备更深厚的经验积累，中国还有很多的学习机会。

先不说超车，今后我们要多久才能跟上美国步伐，现在还是很大的挑战。另外，中国在芯片方面被限制，所以尽管最近很多开源方案可以复用，但大家如果想大幅度超过国际水平，我觉得还是有一点困难。

龚新奇：周教授给我们的建议，我们先能跟跑，再是超车。2021年5月，百图生科计划在苏州工业园区创意产业园建立苏州研发中心，百度创始人李彦宏到场，看来是想花很大心思想引领中国的"BT+IT"的发展。宋乐老师是百图生科在AI生命科学方面的的领导者，你觉得，你们有什么样的规划可以助力中国来弯路超车？

宋乐：我可以从行业现状分享一些看法。我观察一些美国大药企和美国AI公司在合作上释放了一个机会窗口给中国。

怎么说呢？美国很多传统大药企，更加聚焦于用一些生物手段、实验手段做药物筛选，研究大多以生物学家、医学家为主导。沿用这条旧有的的研发模式，他们非常成功，很赚钱，也花费了大量的实验成本、试验周期。但这些公司里的IT、AI团队都很小，只有3～5个人，很难做出大规模预训练模型，以及更复杂的结构预测模型。为了促进干湿实验结合，他们只好源源不断地引入外部公司研发的AI模型。

但这类公司囿于人力、组织结构，很多情况下他们都是处于观望和学习的阶段。而国外还有一类公司，却是强于AI，能够孵化出诸多世界级的前沿AI生物技术。比如Deepmind、meta、它们强于算法迭代，频繁在蛋白质结构预测和生上吊打其他公司。

比如最近meta基于大语言模型而推出的蛋白质设计工具，就被在meta任职多年的首席AI科学家Yann LeCun直言：效果惊人。因此国外生命科学界的研发落地模式，属于"顶级AI公司+Biotech公司"强强联手，不断拟合两者之间的gap。

但实际上，跨公司之间的合作矛盾无可避免，成果落地也存在拉扯。截至目前，国外诸多公司只是在算法层面给了我们很多希望，离真实的实验验证、技术落地、产业转化，以及临床应用，还存在很远的距离。所以总体来说，美国两种不同的研发公司，都存在各式不一的先天性缺陷，反而给中国公司提供了一个"时间窗口"。

比如，中国走的路线是将多学科的学者集中起来，在发展之初就强调"AI+实验"的一体化模式。尽管这种模式在AI制药的研发、临床等前期阶段耗时长，但只要跨过死亡谷，在硬科技产品商业化、面向市场的阶段，或超速美国。

以AI制药为例，当一个创新药物进入临床1-3期的时候，就已经证明了自身市场价值。至于后端的临床、市场能否产生效益，实际上与资本和政策支持密不可分。换句话说，百图生科等公司的任务是，做好产业最前端的算法技术升级、药物发现和筛选，从而进一步缩短药物交付时间，如此才能真正惠及患者。

总体来说，我们是有一个时间窗口做到弯道超车，但不单是公司模式要革新，投资界也要树立一种新的视角，学习和借鉴国外"AI+Biotech"的投资理念，如此才能推动产学研生态繁荣。

潘毅：我们所谓的要弯道超车是什么意思？我们说基于GPT的算法做出上层应用，实现市场繁荣。但实际上，GPT是最底层的技术，如果我们做出适用于生物知识问答的BioGPT，蛋白质结构设计的ProGPT，那么我们毫无疑问将弯道超车。

但能否超越国外的算法模型，我们是没有底气的，如果GPT4，5...出来了，