公司背景与融资 - Simon Kohl 曾为 DeepMind 研究科学家，参与 AlphaFold2 开发并共同领导蛋白质设计团队，后在弗朗西斯·克里克研究所设立 DeepMind 湿实验室 [2] - 2022 年底创立 Latent Labs，专注于利用 AI 从头设计治疗分子以加速新药研发 [2] - 2025 年 2 月完成 5000 万美元融资 [2] 技术突破与产品发布 - 推出生成式 AI 模型 Latent-X，可在原子级精度设计功能性蛋白结合剂（大环肽和小型结合蛋白）[6] - 传统药物研发成功率低于 1%，耗时数月且成本高昂，而 Latent-X 能瞬间生成可靠蛋白结合剂 [7] - 具备双模态生成能力：大环肽（12-18 个氨基酸）和小型结合蛋白（80-120 个氨基酸）[7] - 仅需设计 30-100 个候选物即可达到传统数百万候选物的效果，结合亲和力达皮摩尔级 [7] 性能验证与优势 - 针对 7 种基准靶点蛋白（涉及病毒感染、肿瘤免疫调节、神经病变）进行验证 [11][12] - 大环肽命中率 91%-100%（每个靶点≤30个设计），小型结合蛋白命中率 10%-64%（每个靶点≤100个设计）[18] - 最佳大环肽结合亲和力达微摩尔级，小型结合蛋白达皮摩尔级（超越其他模型及已获批药物水平）[19] - 高特异性：可直接生成化学键选择性结合指定表位，具备低脱靶效应先决条件 [20] 技术特性与创新 - 同时生成蛋白质序列和全原子结构，性能优于分步生成方法 [23] - 计算模拟命中率领先：对未训练集靶点表现优异，减少实验室验证样本量 [24] - 超越自然范式：遵循原子级生化规则（如氢键和π堆积）生成全原子结构 [28] - 提供无代码网页端操作流程：靶标上传、热点选择、配体设计和计算排序 [21] 行业意义 - AI 模型突破生物学技术瓶颈（如 AlphaFold2 预测结构，生成式 AI 创造新药物序列/结构）[26] - 作为通用 AI 模型，可为未见过或未靶向蛋白质生成结合剂 [28] - 可扩展性强：已生成大环肽/小型结合蛋白，未来将扩展更多治疗模式 [22]

AGI发展前景 - 科学家预测通用人工智能(AGI)可能在5年内突破 需融合信息智能 物理智能和生物智能三大浪潮 [5] - 信息智能技术如ChatGPT有望5年内通过新版图灵测试 达到"类人"水平 但自然图像/视频生成还需4-5年沉淀 [5] - AGI发展面临核心挑战是大语言模型存在"边界认知缺失" 导致混淆已知与未知 产生"幻觉" 不同场景需不同应对策略 [6] AI在科研和医疗领域的应用 - AI for Science被视为颠覆科研的关键力量 清华大学智能产业研究院正打造跨学科基础模型整合海量科研数据 [8] - AI能革命性缩小药物筛选范围 从传统数十亿分子库精准聚焦至数百万高潜力候选者 提升研发效率 [8] - 全球首个虚拟医院系统诊断能力以百倍速提升 两天积累的诊疗经验相当于三甲医院数年 准确率高达96% [8] 人形机器人产业发展 - 人形机器人是AI物理智能的突破方向 预计十年后全球机器人数量将超越人类 [10] - 人形机器人技术核心在于多模态VLA模型 但落地需融合多学科技术 真正进入家庭还需5-10年 [10] - 中国将主导全球人形机器人产业 依托全产业链基础 年轻工程人才红利和统一超大市场三大优势 [10] 中国在AI领域的竞争优势 - 中国特有的"市场-制造-人才"黄金三角 将推动其在机器人时代复制移动互联网的成功轨迹 [10] - 年轻工程师通过"1%的算法优化撬动10倍算力追赶" 展现技术创新能力 [3]

核心观点 - DeepMind推出新型AI工具AlphaGenome，能够全面准确地预测人类DNA序列中的单碱基突变对基因调控的影响，处理长达100万碱基对的DNA序列并输出高分辨率预测结果[2] - AlphaGenome在多项基准测试中达到顶尖水平，在24项评估中有22项优于最佳外部模型，26项评估中有24项与最佳模型持平或更优[18] - 该模型特别适合研究罕见突变和疾病机制，例如预测白血病患者中的非编码基因突变如何激活附近致癌基因[27] AlphaGenome技术特点 - 长序列高分辨率：能分析100万碱基对的DNA序列，单碱基精度预测，训练时间仅需4小时且计算资源仅为Enformer模型的一半[12] - 多模态预测：可同时预测基因起始/终止位置、RNA水平、DNA可及性等数千种分子特性[9][13] - 高效突变评分：1秒内评估基因突变对所有特性的影响[14] - 新型剪接建模：首次直接从序列明确建模RNA剪接位点，有助于理解遗传疾病机制[15] 行业应用价值 - 疾病研究：更精确确定疾病成因和突变功能影响，发现新治疗靶点，特别适合研究罕见遗传病[23] - 合成生物学：指导设计具有特定调节功能的合成DNA[24] - 基础研究：加速基因组功能元件绘制和关键DNA指令识别[25] - 案例验证：成功预测T细胞白血病中非编码突变通过引入MYB结合基序激活致癌基因TAL1[26][27] 技术局限性 - 难以准确捕捉相隔超过10万碱基对的调控元件影响[32] - 未针对个人基因组预测进行验证，无法全面展现突变导致复杂性状的机制[32] - 目前仅开放非商业用途API接口，预测功能仅限于科研用途[32] 模型架构与性能 - 架构结合卷积层检测短模式、Transformer传递序列位置信息、多层网络转化预测[9] - 训练数据来自ENCODE、GTEx等公共联盟的数百种人类和小鼠细胞数据[9] - 在剪接分类(auPRC)、RNA-seq覆盖(Pearson r 32bp)、DNA可及性等模态评估中相对改进最高达32.6%[29]

蛋白质结构预测技术突破 - 南开大学郑伟教授团队开发了新型蛋白质结构预测工具D-I-TASSER，在CASP15比赛中表现优于AlphaFold2和AlphaFold3 [2][3] - D-I-TASSER成功预测了人类蛋白质组中19512个蛋白质，覆盖率达95%，能够折叠81%的蛋白质结构域和73%的全长序列 [3][12] - 该技术融合深度学习和物理模拟，实现了高精度的蛋白质结构和功能预测 [3] AlphaFold的局限性 - AlphaFold在多结构域预测方面存在短板，80%的人类蛋白质含多个结构域，传统方法常忽略域间相互作用 [6] - AlphaFold是静态模型，难以捕捉蛋白质动态变化，对缺乏同源序列的蛋白质预测能力骤降 [6] - 纯数据驱动方法可能丢失蛋白质折叠的底层物理规律 [6] D-I-TASSER技术创新 - 深度融合深度学习与物理模拟，整合多源信息并利用物理引擎迭代优化结构 [8] - 首创自动切割-独立预测-动态组装的流程，域内精度达0.858，较AlphaFold2提升2.8%，域间取向误差降低17% [8] - 采用升级版DeepMSA2搜索宏基因组数据库，多序列比对信息量提升6.75倍 [11] 技术性能表现 - 在CASP15盲测中，对困难靶标的预测精度比AlphaFold2高29.2% [11] - 成功解析超过3000个氨基酸残基的超大蛋白质，如新冠病毒刺突蛋白，捕捉开放/闭合双构象 [11] - 无序区域构象多样性比AlphaFold高59%，系统注释了ATP结合、铁硫簇组装等关键功能位点 [14][15] 当前挑战 - 对孤儿蛋白（同源序列<1%）预测精度降至0.67 TM-score [20] - 尚未涉及蛋白质复合体的结构预测 [20] - 计算耗时仍高于纯深度学习模型 [20]

Demis Hassabis的AI探索历程 - 作为AI先驱，Hassabis从小痴迷国际象棋，13岁成为国际象棋大师，这段经历塑造了他对认知过程的思考方式[6][7][8] - 2010年联合创立DeepMind，2014年被谷歌以超5亿美元收购，2017年开发出仅用4小时自对弈就能击败人类大师的AlphaZero算法[3][4] - 2024年因开发AlphaFold2蛋白质预测模型获得诺贝尔化学奖，该模型已解析2亿种蛋白质结构，覆盖190国200万用户[4][46] DeepMind技术突破与产品布局 - Project Astra是谷歌基于Gemini 2.0的多模态智能助手，能通过文本/语音/图像/视频交互，整合Google搜索/地图等核心服务[14][15][16] - Astra演示中展现出艺术鉴赏能力，能识别画作风格并创作故事，产品定位为"能看能听能交流"的具身智能系统[19][20] - 谷歌可能重启AR眼镜项目，访谈中展示了嵌入眼镜的原型设备，此前谷歌眼镜曾因隐私问题在2015年退出市场[24][42][44] AGI发展前景与行业影响 - Hassabis预测2030年可能实现AGI，届时系统将深度理解环境并融入可穿戴设备，药物研发周期有望从10年缩短至数周[14][46][51] - AI可能在未来10年内实现治愈所有疾病，AlphaFold已推动帕金森治疗和抗生素研究取得突破[46][47] - 机器人技术或迎来重大突破，但需警惕AI系统失控和恶意滥用风险，需建立全球协调的安全框架[53][55][56] AI伦理与哲学思考 - 当前AI不具备意识，但未来模型可能展现自我理解特征，需区分机器模仿与人类碳基意识的本质差异[52] - 呼吁建立AI伦理新范式，需要哲学家参与引导技术发展，平衡创新与人类价值观[49][50][57] - AI发展呈指数级增长，成功吸引大量资源与人才，但需防范技术主导权争夺导致的安全标准降低[14][56]