AI时代，好奇心和实验精神是真正重要的事华尔街见闻
在人工智能与生命科学的交汇处，一位免疫学家正在用代码重写科研的边界。
Derya Unutmaz是美国杰克逊实验室的免疫学家和教授，也是OpenAI社区中最活跃的科学用户之一。在与OpenAI开发者关系负责人Romain Huet的对话中，他展示了用Codex从零构建的流式细胞分析软件和CRISPR基因组设计工具，并阐述了一个激进预判：在AI驱动下，未来十年人类将能治疗所有疾病，15年内或可实现逆转衰老。
Unutmaz表示，GPT-5.5 Pro近期对一项极复杂实验结果的预测准确率达到100%，"几乎像是它拥有了我在实验室工作30年的同等经验"，这令他几乎难以置信。他认为，AI的指数级进步正被大多数人严重低估，对科研、医疗乃至所有行业的颠覆将是根本性的。
从医学院到AI信徒：一个跨越三十年的判断
Unutmaz与AI的缘分始于1990年代初完成医学院学业之后。彼时他进入生物医学研究领域，随即被生物系统的复杂程度震慑——数万亿组成部分，每时每刻数十亿个反应，远超人脑可处理的范畴。"那时我就意识到，也许有一天我们真的能用AI建立模型。"
深度学习革命、AlphaFold、ChatGPT，每一个节点他都密切跟踪。但真正让他确信AI在科学中"不可逆转"的时刻，是2024年9月OpenAI邀请他试用第一个推理模型o1-preview。他用一个跨界提示测试这款模型：将"大逃杀"游戏机制与免疫系统对抗肿瘤的场景类比，询问如何设计免疫细胞对抗癌症的实验框架。"o1-preview的回答几乎让我动情落泪。"他说，此前的GPT-4o无法给出那种深度与洞察力，而这个推理模型是关键节点——"当它开始真正推理的时候，产生的东西对科学才真正有用了。"
Codex成瘾者：一位免疫学家的编程实验
Unutmaz自称"Codex成瘾者"，且认为这一认证"当之无愧"。他的日常是：清晨喝咖啡时冒出想法，立即用Codex动手实现；有时Codex整晚运行任务，导致他过去几个月严重睡眠不足。
他向Huet展示了两款完全由Codex构建的工具。第一款是流式细胞术分析软件——这是免疫学研究中观察细胞世界的核心手段，传统上依赖价格高昂的专业商业软件。该工具可上传细胞数据文件，通过交互式界面选择荧光标记物，划定细胞门控，生成统计分析，支持等高线图和多种可视化方式，可处理约10万个数据事件且响应迅速。"这实际上是相当复杂的软件，"他说，"而我只是一个生物医学工程师，不是软件工程师，我大概只能写出一个贪吃蛇游戏，而且要花好几个月。"
第二款是CRISPR基因组工程设计工具。用户输入任意基因名称，系统自动从数据库提取基因序列，列出所有可能的靶点并排名，支持批量生成"导向RNA文库"——输入多个基因名称，一键生成对应的全套CRISPR分子设计。该应用以Swift语言构建为原生macOS应用，他表示iPad版本正在开发中。
此外，他还构建了一个T细胞信号通路模拟器，可调控受体配体质量、剂量等参数，实时展示下游分子激活状态、转录因子磷酸化模式，并支持引入抑制剂或额外受体后的通路变化模拟。"AI会对生物学产生巨大冲击的关键，在于能够模拟生物系统，"他说，"建造飞机要做空气动力学模拟，但对生物学，我们一直做不到这一点。"
数字孪生：个性化医疗的终极图景
Unutmaz描述了一个更长远的愿景——"数字孪生"：用AI完整模拟个体的基因组、代谢产物、蛋白质和免疫系统，在数字世界中为每个患者进行个性化实验，而非在真实人体上试错。
他指出，现行医学体系存在根本性局限：同一种药被数以百万计的患者服用，但真正受益者可能只是其中一小部分。以他汀类药物为例，大规模使用，却只对少数人真正有效。癌症领域已是最接近个性化的方向——肺癌患者在用药前需先对突变基因测序，因为1%的患者适用某种特定药物，对另外99%无效。他引用了一个澳大利亚案例：一位计算机科学家借助ChatGPT和Grok，为其患癌的狗量身设计了一种RNA疫苗，专门针对该肿瘤的特定突变，相关试验正在进行中。
"如果AI能够完整模拟你的生物系统，我们就可以问：给这个人用这种药会怎样？"他说，"药物可以接近100%的有效性和接近0%的副作用。我们现在需要5到10年完成的临床试验，将加速到可能只需5到10天。AI将为你做临床试验。"
他同时强调，这一切有一个关键前提——算力必须大幅提升。"即便把现在全球所有算力加在一起，也不足以模拟生物系统。"
科学2.0：智能体驱动的研究范式革命
Unutmaz对科研模式本身的变革同样持有激进判断。他将未来称为"科学2.0或3.0"：传统的"花数周构思、数月实验、数月分析"模式将成为历史，取而代之的是AI智能体集群——提出假设、模拟实验、分析数据、反馈结论、再生成新假设，形成闭环。
"我想我的角色将变成只需要告诉智能体们：我想攻克肺癌，去探索这个方向。"他说，实验室的操作层面也将大规模自动化，机器人将承担大量湿实验工作。面对"科学家是否还有工作"的质疑，他援引杰文斯悖论：效率提升不会减少工作，而会催生更多工作，因为我们目前对生物学的理解仅约10%，剩余90%有待探索，加速学习将创造庞大需求。
他亦表示，这一范式转变不局限于生物学，物理、材料科学、化学、药物发现均将受到波及——"过去药物发现需要几年，现在几个小时就能完成。"
给所有人的建议：实验精神是AI时代的核心竞争力
被问及对非科学领域人士的建议时，Unutmaz以自身科研经历作答：生物学实验95%至98%会失败，长期在失败中工作，培养了他对不确定性的耐受力和持续尝试的本能。"这就是为什么它叫'实验'——你要不断尝试，不断调整。"
他认为，这种思维方式在AI时代具有普遍价值。"AI时代真正重要的只有自主性和好奇心，"他说，"不要害怕，持续用AI做实验，问那个'如果我这样做会怎样'的问题，因为你现在可以问这个问题了——以前这样做的成本太高了。"
他以公司网站为例：过去花费数千美元制作一个"将就"的网站，现在几分钟内即可迭代出新版本。这种低成本试错能力，他认为可延伸至生活和工作的几乎所有方面。对于外界弥漫的AI焦虑，他态度鲜明："它会真正让我们进入一个黄金时代。AI研究者对我来说都是英雄，因为这将是人类最伟大的变革。"
以下为访谈全文：
Romain： Derya，非常感谢你来到这里。你是一位非常独特的构建者，和我们通常交流的构建者很不一样。你有医学背景，同时深耕生物科学和生物工程，又以一种大多数构建者没有的方式推进AI的应用——你在生物学、癌症、免疫学等如此多的领域都有真正的深度。非常期待今天的对话。
生物学何时开始需要AI？
Romain： 如果往回追溯，你是什么时候意识到生物学和科学将需要AI的？
Derya： 那是我从医学院毕业之后，当我意识到生物系统的复杂程度时。毕业后，我进入了生物医学研究领域，因为我真的想理解生物学——那时候有太多疾病我们还无法治疗。深入研究之后，我越来越感到震撼：天哪，这怎么可能解决？生物系统中有数万亿个不同的组成部分，每时每刻发生着数十亿个反应，这让我感到无比压倒。
正是在那时，我开始对AI产生了兴趣，那是90年代初。我意识到，也许有一天我们真的能用AI建立模型。整个90年代我都非常热衷于用AI来编程。当然，后来深度学习革命到来，我激动极了，因为我第一次看到深度学习能够以某种并行的方式处理海量信息。然后是AlphaFold，然后是ChatGPT。但最初的那个时刻，是在我完成医学院学业之后。
Romain： 自从ChatGPT发布以来，你一直非常活跃于我们社区，测试各种模型。我记得你在最早的推理模型——o1-preview出来时就开始做一些工作。你拿到它的第一反应是什么？
Derya： 我还记得那是2024年9月。OpenAI联系了我，我想是因为我在X上非常活跃，一直在谈论AI将如何改变人类，那时候有很多怀疑的声音，我依然相信它，并且全身心投入了AI。OpenAI希望我来试用第一个推理模型。
我至今记得那一刻——我用一个免疫学领域极其复杂的问题来测试它，而且我还记得那个提示词：我对游戏非常感兴趣，喜欢把游戏和科学交叉类比。有一种生存类游戏，你在一座岛上战斗，就是那种大逃杀游戏。从某种意义上说，免疫系统对抗肿瘤，就像一场大逃杀。我问它：把大逃杀游戏和免疫系统结合起来想象，你会如何设计一个免疫细胞对抗癌症的场景？
这是一个完全跨领域的问题，我们后来也真的基于这个思路做了实验。o1-preview给了我一个回答，几乎让我动情落泪。在那之前，GPT-4o这类模型没办法给出那种深刻而有洞察力的回答。那一天对我来说是特别的。
Romain： 那就是你确信AI在科学中已经不可逆转的时刻吗？
Derya： 完全是。其实在那之前，GPT-4出来之后就已经极其有用了。我会告诉同事们——生物学领域信息量如此庞大，你根本跟不上，用AI来搜索文献、整合知识，包括处理写推荐信这类日常事务——以前需要一小时的事，现在五分钟就完成了。但那时候还不到可以完全信任它、或者问"某个实验的结果会是什么"这类问题的程度。o1-preview是那个关键节点——当它开始真正推理的时候，产生的东西对科学来说才真正有用了。此后是Pro版和o3，越来越好。现在的模型更是令人叹为观止。
Codex成瘾者
Romain： 几个月前我看到你发推文说你有了新的早晨例行程序——先喝早晨的咖啡，然后Codex就要开始为你工作了。
Derya： 我可以自称是Codex成瘾者，这个认证我当之无愧。每天早上醒来，脑子里会冒出很多想法——想做个模拟、想做某个应用、想做个游戏之类的。以前你得会写代码，而且就算你会，也要花几周甚至几个月才能实现。但现在，我一有想法，喝完咖啡，立刻就去试。有时候Codex整晚都在跑任务，我想看看结果如何——过去几个月我因此睡眠严重不足。
Romain： 对于你这样在免疫学、肿瘤学、癌症、T细胞方面有如此深度的人，你是怎么用Codex把这些领域融合在一起的？
Derya： 我一直在构建一些不是特别复杂但对日常工作极其有用的应用。我们非常依赖软件来做分析——生物学很复杂，无论是遗传学还是免疫学。
比如我们做大量叫做"流式细胞术"的分析。这基本上是我们观察细胞世界的窗口，主要是免疫细胞，当然也可以分析任何细胞。我们有专门的仪器，用荧光标记物标记细胞——细胞有数百种不同类型，要知道你的血液和组织里有哪些细胞，就需要标记它们，让它们通过激光。激光分析数千个细胞，生成数据，告诉我这是一个可以对抗癌症的免疫细胞，这一个会导致自身免疫病，等等。但我们必须把这些数据放进专业软件，把数十万个独立细胞的数据点转化成图表，然后才能分析：这类细胞的百分比是多少，它们之间有什么关联，诸如此类。
这是过去几十年来我们一直在使用的非常精密的软件。有一天我想：为什么不自己做一个？这个想法很疯狂，因为非常复杂，我确实失败了很多次。但自从GPT-5.5，我现在有了一个完全可运行的版本。
用Codex构建细胞分析工具
Romain： 太不可思议了，能看看你的笔记本电脑上的演示吗？
Derya： 我来展示这个应用。我已经上传了一个文件——这里的每个点代表一个单独的细胞，这些是荧光分子的颜色，每种抗体对应的荧光分子会标记特定的细胞类型。我可以在这里选择。你看，这里有20种不同的分子，每种都和一个受体结合，它们的组合定义了特定的细胞亚群。
比如我最喜欢的细胞——带有CD4分子的T细胞，还有带CD8分子的T细胞，后者是杀伤细胞，会去杀死靶细胞。我可以在这里划定门控，看CD8阳性或CD4阳性细胞的百分比，生成各种统计分析。
这实际上是相当复杂的软件——我可以更改等高线图、图形、不同的展示方式。这里有大约10万个事件，而且处理速度极快，我原本没想到它会被优化得这么好。
Romain： 这一切都是用Codex构建的？
Derya： 100%用Codex构建的。花了一段时间，因为有些东西不能工作，但尤其是GPT-5.5之后，我说"我看不清图表，帮我修一修"，然后它就自己去做了。
我还做了一个小应用，可以选择你想要的细胞类型，说"我想要一个初始T细胞"，它会显示所有可能选择的标记物，甚至会告诉我哪些标记物对这种细胞类型最为相关。这对设计我们所说的"抗体面板"极其有用——我正在寻找中央记忆初始细胞、T细胞和TH17细胞，选好这些标记物之后，我就可以回去做流式分析了。
