AlphaFold 之后，AI 生物学真正难题才开始
Why AlphaFold Didn't Solve Protein Folding — Pushmeet Kohli, Google DeepMind & Sal Candido, Biohub
这封 Latent.Space 以 Google DeepMind 的 Pushmeet Kohli 和 Biohub 的 Sal Candido 的对谈为核心，讨论 AI 如何从 AlphaFold 的蛋白结构预测，走向更复杂的生物系统建模。邮件的重点不是复述 AlphaFold 的成功，而是强调它远未解决蛋白质折叠和生命系统预测问题：静态结构之外还有蛋白动态、无序区域、细胞层面的相互作用、数据质量、实验数据生成和不确定性校准等难题。对 builder 来说，这是一篇关于“垂直领域 AI 不能只靠通用扩展律”的高价值材料。
这篇最值得精读的地方，在于它把“AI for Science”的兴奋感拉回到工程和科学现实。AlphaFold 已经证明深度学习可以在结构生物学里取得突破，但 Pushmeet Kohli 和 Sal Candido 都在提醒：蛋白质折叠并没有被完整解决，AlphaFold 更像是一个强大的起点，而不是终局。它擅长预测静态结构，但真实生物系统还涉及蛋白动态、无序结构、相互作用、细胞环境和疾病机制。邮件反复出现的主线是：生物学里的 Scaling Law 不能被简单理解为“更多算力、更大模型、更多数据”。关键在于找到真正对应科学问题的数据形态，理解哪些低质量或高质量数据能提供信号，以及何时需要科学直觉、归纳偏置和专门架构。Pushmeet 的 DeepMind 经验强调建模、数据生成和科学专家之间的平衡；Sal 则把视角推向 Biohub 的长期目标：如果要接近“治愈所有疾病”这样的任务，10% 的改良不够，需要 10 倍级别的突破。邮件还触及一个对 AI builder 很重要的判断：未来模型不一定需要完全可解释，真正关键的是可信度、校准过的不确定性，以及能否在实验和药物发现流程中提供可验证的预测。这里的隐含启发是，AI 生物学的护城河不会只来自模型参数，而会来自问题选择、数据闭环、实验系统、领域约束和可验证工作流。
它把 AI 生物学从“AlphaFold 已经解决问题”的误读中拉出来，指出下一阶段竞争点在数据、实验、系统建模和可信预测。对做垂直 AI 的团队，这是一个判断技术路线和产品边界的好样本。
AI builder 可以从中看到，真正有价值的科学 AI 产品需要围绕数据生成、校准、验证和专家协作来设计，而不是简单套用通用模型。行业层面，药物发现和虚拟细胞方向仍有巨大空间，但落地节奏取决于能否构建更合适的数据与评估体系。
- 01AlphaFold 是重大突破，但没有解决蛋白质折叠的全部问题，尤其是动态、无序和系统层面的生物过程。
- 02生物学中的扩展律不能只靠盲目增加模型和算力，关键是找到对科学问题有效的数据与表示。
- 03低质量的宏基因组数据也可能改善蛋白语言模型，但好数据和正确任务选择仍然更关键。
- 04构建虚拟细胞需要完全不同于单个蛋白预测的数据集和建模方式。
- 05未来 AI 科学系统的核心指标可能不是完全可解释，而是可信、不确定性校准和可实验验证。
- 06Biohub 的长期目标要求 10 倍级突破，而不是渐进式优化。
- — 阅读时可以关注：哪些任务适合通用架构，哪些任务必须引入科学归纳偏置？
- — 注意区分“模型知道某些生物模式”和“模型能可靠预测疾病或药物结果”。
- — 思考虚拟细胞所需的数据闭环：实验、模型、验证、再实验如何形成产品系统？
- — 把这篇当作垂直 AI 产品设计案例，而不只是生物学访谈。
个人 AI Agent 进入价格与工作流比较阶段
这封 Opinion AI 是一篇面向普通用户的 AI agent 选型指南，比较 xAI Grok Bot、Meta Muse 和 OpenAI Dots，核心观点是个人用户已经能用免费、20 美元或 100 美元级别的工具，把研究、项目管理、跨应用操作等工作交给 AI agent。邮件强调“更贵不一定更适合”，并预告完整版会覆盖不同任务适用场景、设置方式、工作流、提示词和隐藏功能。它的价值在于反映 agent 产品正在进入消费级价格竞争和具体工作流竞争，但正文事实增量有限，且部分产品和模型表述需要进一步核验。
它体现了 AI agent 从技术演示走向日常工作工具的叙事变化：用户开始关心的是价格、任务匹配和持续执行能力，而不是单纯模型能力。
- — 邮件称 49 天内 xAI、Meta、OpenAI 分别推出了新的 agent 产品。
- — 作者认为免费或 20 美元级 agent 在某些工作里可能比更贵方案更适合。
- — 正文更偏导购和教程预告，缺少可独立验证的深度评测数据。
Claude 工作流新品、AI 灾难预案与 OpenAI 内部争议同日出现
这封 AI Valley 汇总了三条值得关注的 AI 新闻：Anthropic 推出 Claude Dashboards 和 Claude Motion，前者连接 Salesforce、Snowflake 等企业数据生成可更新图表，后者把报告、图表或想法转成基于代码的可编辑动画；Axios 报道 OpenAI、Anthropic 等公司在私下演练重大 AI 事故后的舆论和政治反弹，尤其担心 AI 驱动的网络攻击影响银行、互联网、电力或供水；三名被 OpenAI 解雇的研究人员发布公开信，反驳“处理敏感信息不当”的指控，并称内部规则变化让员工不敢发声。邮件中含有赞助内容，但正式新闻部分对产品化、安全治理和组织文化都有信息价值。
它把 AI 行业的两条主线放在一起：一边是 AI 工具越来越接近真实工作交付，另一边是领先实验室开始为高影响事故和内部治理压力做准备。
- — Claude Dashboards 面向企业数据生成动态仪表盘，Motion 生成基于代码的可编辑动画。
- — Axios 报道多家 AI 实验室在演练重大 AI 事故后的公共与政治反弹。
- — 三名被解雇的 OpenAI 研究人员公开反驳公司指控，并批评内部规则变化。
AI 界面从聊天框走向交互组件、图像编辑和设计工作流
这封 TLDR Design 聚焦 AI 与设计工具链的变化。新闻部分提到 OpenAI 的 Intelligent UI 让 ChatGPT 不再只用同一种文本格式回答，而是可在对话里生成交互图表、按钮、计算器和任务型工具；Google 发布 Nano Banana 2.1，支持 1K、2K、4K 图像生成与编辑，强调文字渲染、提示词遵循和角色一致性改进；同时也报道 ChatGPT 生成带有真实漫画家签名风格的作品，引发虚假归属和风格模仿边界问题。教程部分包括 Slack 在 AI 时代的内容设计经验、GitHub 试点通用可访问性 agent，以及个人网站中“非优化”的创意细节。整体看，它把 AI 设计工作流的机会和风险放在同一封邮件里。
这封邮件有助于观察 AI 产品界面的下一步：从文本回答变成可操作组件，从图片生成变成连续编辑，从代码辅助变成设计、可访问性和内容信任的基础设施。
- — ChatGPT Intelligent UI 支持在对话中生成交互式图表、按钮、计算器和任务工具。
- — Nano Banana 2.1 强调高分辨率图像编辑、文字渲染和角色一致性。
- — GitHub 可访问性 agent 已试点审查 3535 个 PR，报告 68% 的解决率。
Claude 用实时数据和可编辑动画争夺 AI 工作成果的最后一公里
这封 The Neuron 的主线是 Anthropic 发布 Claude Dashboards 和 Claude Motion，并把它放进“AI 从回答走向 artifact”的大趋势中。Dashboards 可连接 Salesforce、Snowflake 等企业数据源，生成随底层数据变化而更新的图表；Motion 能把报告、图表或想法变成短动画，并且因为生成的是代码而不是传统 AI 视频，文字、数字和转场仍可编辑。邮件还提到 Claude Docs、Slides、Design 已面向所有计划开放，Motion 可通过 Send to Adobe 进入 Firefly Video Editor，Adobe 的 Claude 插件也提供跨 Photoshop、Premiere、Acrobat 等应用的工具。它把 Anthropic 的路线与 OpenAI Intelligent UI 对照，指出各家公司都在争夺“AI 回答之后，用户能实际使用的最后一公里”。
它比普通产品新闻更清楚地点出了竞争焦点：不是谁能生成漂亮内容，而是谁能生成可检查、可修改、可接入专业工具的工作成果。
- — Claude Dashboards 面向付费计划测试，连接企业数据并生成动态仪表盘。
- — Claude Motion 面向 Team 和 Enterprise 测试，生成基于代码的可编辑动画。
- — Anthropic 与 Adobe 的集成显示 AI 生成内容正在接入专业编辑工作流。