Biohub 想用 AI 加速生物學

165 · Biohub 想用 AI 加速生物學

56:20YouTube 上架 2026-06-10Mark Zuckerberg, Priscilla Chan & Alex Rives（Biohub）

“Curing All Disease by next century is too conservative" - Mark Zuckerberg

Mark Zuckerberg、Priscilla Chan 與 Alex Rives 談 Biohub 的虛擬生物學計畫：為什麼要把前沿 AI 和前沿生物放在一起、為什麼選擇開源，以及剛發表的蛋白質模型 ESM fold。

165 講了什麼

目標是加速整個領域Mark 一再強調，Biohub 不打算自己治好疾病，而是做工具，讓整個科學界更快。十年前的起點是想在本世紀末治療、預防並管理所有疾病；當時覺得這個期限已經很拚，現在反而覺得太保守。
AI 和生物實驗一起做生物學不像語言模型有網路上現成的大量資料，所以 AI 團隊和濕實驗團隊被當成同一件事。成像、細胞工程、發炎測量裝置等工作，是為了產出過去不存在的資料集。
由下往上逐層建模策略是從蛋白質開始，再到細胞與更大的系統，每一層用各自的資料與方法。Alex Rives 把蛋白質語言模型當作可以拿來做 mechanistic interpretability 的對象，希望打開黑箱、看模型學到的生物學。
ESM fold 發表Alex Rives 說這個以語言模型為基礎的開源系統折疊了超過 11 億個蛋白質，在多項結構預測基準上達到最佳水準。團隊用它設計單鏈抗體，在 96 孔盤規模的實驗裡找到 nanomolar binders。
開源和去中心化Mark 說這和自己在 Meta 的一貫想法相同，不相信少數機構包辦進展，而是把工具交給更多人。Priscilla Chan 補充，罕見疾病常被忽略，工具分散出去才有人願意投入。
下一步與臨床端其中一位來賓認為下一個大挑戰是 virtual cell。Priscilla Chan 則說科學會動得很快，但怎麼送進臨床還不清楚，臨床研究的做法必須改。

從哪一段開始看20 段

01:05開場與十年前的起點主持人介紹三位來賓與 Biohub 的虛擬生物學計畫，並提到 5 億美元的承諾。Priscilla Chan 說起十年前想治癒、預防、管理所有疾病，諾貝爾獎得主聽了直接笑出來。
03:42從工具到虛擬生物學最早的 Biohub 模式是跨校工程師與科學家做長期工具開發。後來科學這塊愈投愈多，現在的共同主軸是 virtual biology initiative，並需要自己產生資料。
06:17單細胞資料到大模型從第一次公開徵件談單細胞定序，到支持 Human Cell Atlas、做出注釋工具 CELLxGENE。過去被批評只是收集郵票，大型語言模型出現後才看到資料能被讀出東西。
08:29Alex 為什麼加入Alex Rives 說讓自己有信心的，是 Mark 與 Priscilla 把前沿 AI 和前沿生物視為一體，並相信 AI 能從資料裡學到生物學。
09:47從蛋白質到細胞逐層建模主持人問蛋白質折疊和細胞行為的模型是否本質不同。回答是要逐層建立，AI 與濕實驗合為一個團隊，也談到斑馬魚與細胞間溝通的感測器。
14:55打開模型的黑箱Alex Rives 說明蛋白質語言模型只靠序列訓練，結構與功能是自己長出來的，因此想用 mechanistic interpretability 找出它學到什麼。
17:02為什麼是非營利與開源主持人問為何不走創投公司。Mark 回答是要讓工具更快到更多科學家手上，而且資料比算力更是限制，必須發明新的科學方法才拿得到。
20:26長尾疾病與分散投入Priscilla Chan 說疾病拆開來有很多小分支，罕見疾病又常被冷落。把工具交給許多人，才會有人專注在自己在乎的疾病。
21:47以個人為單位看疾病被問先影響哪些疾病，回答是不從疾病切入，而是想理解個人的基因、風險與機制，再設計貼合個人的介入。
24:24時程與看系統不看疾病對「一百年內」的期限，回答是樂觀認為會更早。例子是發炎與免疫系統：先理解系統，再讓其他公司接手做特定療法。
26:44臨床端要怎麼跟上Priscilla Chan 說科學會很快，但如何進臨床還不清楚，臨床研究的做法需要改變，並提到與 UCSF 一項計畫的合作。
28:04ESM fold 發表一週前發表的蛋白質世界模型，折疊超過 11 億個蛋白質，用來設計單鏈抗體：數位篩選後合成 96 個蛋白質，找到 nanomolar binders，並以 cryo-EM 驗證。
32:19藥物開發與脫靶效應主持人拿臨床試驗的時間與成本發問。回答是希望細胞模型能預測脫靶效應；也以 baby KJ 為例，說明選對疾病才有機會先落地。
35:10個人化藥物與罕病試驗設計分子的門檻降低後，可能為每位病人做一款藥。罕病病友自己組織登記與試驗，進展比傳統快很多，也討論讓人自願加入的做法。
38:50開源與 Meta 的想法被問這些經驗是否改變對 Meta 與 AI 的看法，Mark 說理念相通，就是把技術放進個人手裡，同時要權衡生物安全。
41:14人才與使命主持人問如何吸引 AI 研究者。回答是這裡同時有前沿 AI 與前沿生物，使命感也強，而且不需要幾百人，一個很強的十幾二十幾人小組就能做出進展。
44:23從結構預測走向臨床被問如何從 ESM fold 走到臨床上更高的命中率，其中一位來賓樂觀認為許多核心問題會在新典範下被簡化，以毒性為例，並提到有人把模型接上 agent 系統自動設計。
47:01virtual cell 與取捨下一個大挑戰是 virtual cell，要能對沒訓練過的情境回答介入的結果，需要大量資料。研究方向的選擇則像一般研究機構的約束最佳化，算力也吃緊。
50:09五年後的成功標準被問五年後想達成什麼，回答是已有一套要建的階層式生物世界模型，目標是做出明顯更好、獨特的成果，其他會跟著來。
51:57去年的轉變與指數曲線過去一年最大的改變，是 Biohub 成為主要的慈善重心，並由 AI 研究者而非生物學家領導。Mark 說產業仍在指數曲線上。

值得記的話5 句

you actually need to invent new novel scientific approachesMark 談資料從哪來：你得發明全新的科學方法18:21
I think what has to change is actually the way we do clinical research.Priscilla Chan：我認為真正該改的，是我們做臨床研究的方式27:15
we just designed a model that could understand proteins and you kind of get protein design as an emergent property.Alex Rives：我們只是做了一個能理解蛋白質的模型，蛋白質設計就成了自然長出來的能力30:27
We don't believe in this like very centralized future where there should be a small number of institutionsMark：我們不相信那種由少數機構推進一切的集中式未來39:21
the nature of an exponential curve is it doesn't just keep going it keeps acceleratingMark：指數曲線的本質不是持續，而是不斷加速54:03

名詞與人物10 個

Biohub: 這集的主軸，Mark 說已是兩人慈善事業的主要重心，據點有 San Francisco、New York、Chicago
virtual biology initiative: Biohub 現在的共同主軸，用獨有的資料集為蛋白質、細胞到整個生物系統建模
Human Cell Atlas: Biohub 資助的單細胞轉錄體資料庫，是最大之一
CELLxGENE: Biohub 做的簡易注釋工具，後來形成社群、成為許多轉錄體模型的資料基礎
protein language model: 以蛋白質序列訓練的語言模型，結構與功能是自己長出來的
mechanistic interpretability: 原本用在大型語言模型，這裡用來看蛋白質模型的內部表徵，希望從中得到新的生物知識
ESM fold: 一週前發表的開源蛋白質世界模型，能預測原子解析度結構、設計蛋白質與單鏈抗體
nanomolar binders: 實驗找到的結合分子，Alex Rives 說這是具備治療活性的等級
virtual cell: 下一個大挑戰：連結蛋白質、基因、轉錄體各層並對應到表現型，可回答新介入的結果
baby KJ: 去年 CHOP 團隊用 CRISPR 療法編輯突變的嬰兒病例，其中一位來賓用來說明選對疾病的重要性

提到但沒有展開

主持人提到臨床試驗約 15 年、花費 15 億美元，其中約 5000 萬是分子與臨床前，其餘 14.5 億是藥物開發階段。一位來賓回應，可以用單細胞圖譜預測脫靶效應與毒性。
Mark 說 Alex 帶進來的是一群合作已久、彼此熟悉的人，穩定團隊長期累積的效益常被低估。Priscilla Chan 則說，以前各團隊大致朝同一方向走，現在是手挽著手一起前進，這要等各團隊的工作成熟到可以互相扣合才做得到。

在 YouTube 看原片 ↗

Biohub