摘要：从实验观察，到理论构建，再到计算仿真，科学的进步始终伴随着范式的更迭。而今，AI正作为核心引擎，驱动着以数据为中心的“第四范式”破土而出，一个前所未有的科学大发现时代正由此展开。
从实验观察，到理论构建，再到计算仿真，科学的进步始终伴随着范式的更迭。而今，AI正作为核心引擎，驱动着以数据为中心的“第四范式”破土而出，一个前所未有的科学大发现时代正由此展开。
为寻找并表彰那些正在用AI拓展人类知识边界、最具远见的青年科学家，天桥脑科学研究院（Tianqiao and Chrissy Chen Institute）与美国科学促进会（American Association for the Advancement of Science, AAAS）联合设立“ 天桥脑科学研究院与《科学》杂志 AI 驱动科学大奖 ”*。
首届获奖者名单已于今年 7 月正式揭晓。三位获奖者——Zhuoran Qiao 博士、Aditya Nair 博士与 Alizée Roobaert 博士，凭借运用人工智能技术在生物化学、神经科学和海洋科学领域的突破性成果脱颖而出。三位获奖者将分享总额 5 万美元的现金奖励。此外， 他们的获奖论文 已同步发表于《科学》杂志，标志着相关成果获得学界高度认可。
*2025 年度的“AI 驱动科学大奖”申请通道已经开启，我们热情欢迎广大青年科学家们在 https://www.cheninstitute.org/prize 提交申请。申请者应在 AI 相关的领域工作；在申请时持有医学博士、哲学博士或医学博士/哲学博士学位，并在过去 10 年内获得该学位。
大奖得主乔卓然在诺贝尔奖获奖研究基础上，运用生成式 AI 技术预测蛋白质折叠，并使用先进的机器学习技术创建动态模型，展示折叠蛋白质如何随时间变化，以及它们如何与较小分子相互作用。他所构建的“计算显微镜”能够以惊人的速度和准确性预测蛋白质行为，为药物发现提供了强大的新工具。
▷ 乔卓然获奖论文：Zhuoran Qiao , AI to rewire life’s interactome: Structural foundation models help to elucidate and reprogram molecular biology.Science389,244-245(2025).DOI:10.1126/science.adx7802
在这篇专访中，我们将与这位杰出的获奖者深入对话。他将与我们分享，AI如何成为跨越科研瓶颈的利器？在创业途中，哪些“敬畏时刻”让他对科学的复杂性肃然起敬？以及，这场已然发生的生命工程革命，将如何深刻地塑造人类的未来。让我们一同走进乔卓然的科研世界，感受AI驱动科学的时代脉搏。
Q
您好，恭喜您获得AI驱动科学大奖金奖。能否简单介绍一下你自己和你的论文的突破性？
乔卓然： 大家好，我是乔卓然（Zhuoran Qiao），目前是Chai Discovery的科学家及创始团队成员。我此前在加州理工学院取得化学博士学位，并辅修量子技术专业。之后在Iambic Therapeutics担任过机器学习研究员。
我们主要构建了一个AI模型，用于快速精确地解析所有生物分子的三维结构。这种方法能让我们将细胞内的复杂生物相互作用网络快速映射到数字化表示上。通过这个模型，我们可以快速解析蛋白质、DNA、RNA以及药物分子之间复杂的相互作用。这让我们能够重编程细胞内复杂的相互作用网络，推动生物学基础研究，并为新药研发提供新的思路和工具。
▷ Chai Discovery，旨在将生物学从科学转化为工程。他们正构建先进的AI基础模型，用于预测和重新编程构成生命基本单元的生化分子之间的相互作用。 代表成就为开源的Chai-1模型，它是一个用于预测生物分子结构的SOTA模型。来源：https://www.chaidiscovery.com/blog
Q
在您的论文中里， AI是如何跨越传统研究的瓶颈的？
乔卓然： 传统的结构生物学测定实验往往需要几个月，甚至长达一年的实验流程，以及大量的人力投入。而通过AI工具，我们可以构建一个基于生成式模型的方法。这个模型建立在我们过去几十年对蛋白质折叠及统计热力学的深入理解之上。同时，我们借鉴了AlphaFold等高效神经网络架构，将预测时间从几个月缩短至一分钟甚至几十秒。
Q
在基础科研中，大多数数据并不像工业界那般海量。您是如何解决数据稀缺或分散的问题？
乔卓然： 事实上，在结构预测领域，学术界能够访问的数据都有很高的质量。像Uniprot、PDB这样的数据集，代表了基因组学和结构生物学过去五六十年的研究积累。对于构建AI模型而言，更重要的是基于对问题的理解，我们需要构建合适的假设空间以减少模型过拟合的风险。
最大的挑战在于将模型应用到真实场景时，需要收集新数据。这就要求我们对问题有深刻理解，明确需要补充的数据类型，并制定清晰的新数据获取计划。
Q
现在很多人期待通过大模型或生成式模型来彻底改变科学实验方式，您如何看待这种期待？
乔卓然： 我相信新的大模型和生成式模型能为生物学研究和一般科学研究注入新的能量。
例如结构预测工具可以让我们在合成分子前就获得它的结构信息，大幅加速新分子设计的假设生成过程。而像LLM这样的通用大模型，可以快速消化不同来源的多模态数据，为生物学研究提供新假设。
但值得注意的是，回顾过去几十年的科学进展，最有价值的科研成果仍来自于对科学问题的精确定义和对数据的深入理解。因此，AI工具和AI科学家仍需与各领域专家通力合作，才能最大程度推动领域发展。
Q
回顾AI在生物和化学领域的作用，是我们在用算法模仿自然，还是在创造新的物质？
乔卓然： 本质上，我们是在用算法基于已知的物理规律来模拟更复杂的生物化学过程。比如我们对化学键和分子间相互作用的理解，自上世纪五十年代就已发展得相当深入。
真正的挑战在于，大多数真实体系因维度过高和体系过于复杂而不可计算。AI极大地拓宽了有效近似的边界，让我们能基于数据进行更高保真的模拟。
至于新物质，取决于我们如何看待它。在新药研发中，我们可以产生许多与已知药物并不相似的新分子，但我们仍需确保其安全性和生化性质的有效性。在这个过程中，AI能发挥很大的辅助作用。
Q
您觉得AI驱动科学这场浪潮最令人兴奋的是什么？最值得警惕的是什么？
乔卓然： 对我来说，最令人兴奋的是在生物医学领域的应用。结构预测等方法能极大拓宽分子设计的假设空间和操作边界。
人类基因组中仍有大量蛋白未成药，通过计算工具可以快速筛查并产生新假设。同时，AI工具将为更高水平的智能体提供虚拟环境，使其能与更接近生物学真实的环境进行有效的交互，推动我们接近这些复杂领域的通用智能。
我个人认为，最大的风险在于，我们在解读AI提供的假设和预测结果时，需要保持对问题的深刻理解，识别哪些可能是模型幻觉，哪些是模型能高置信度解答的方向。这需要人类专家对结果进行判断，确保问题解决符合最终目标。
Q
在这个领域，你是否有过某些敬畏时刻？
乔卓然： 首先，我觉得，我们对于分子间相互作用和化学键体系的理解，在原理上已经足够深刻。这些公式都可以通过量子力学和分子力学在纸上推导出来。但要在计算机上模拟这些分子过程，仍然需要复杂算法的支撑。
这些数值方法，包括基于数据的AI方法，都是在过去几十年才真正发展起来的。当我第一次看到结构预测模型能快速生成三维坐标时，我确实被这个结果震撼到了。追溯到我更早的科研经历，第一次计算分子轨道时，我也感到非常神奇。
对于解决实际问题来说，更高程度的抽象仍然是必要的。因为在真实的细胞和生命体内，高维相互作用网络会带来更高层次的复杂性，这是小尺度上不具备的。
我们需要尊重这种复杂性，理解其中问题的不可预测性，并通过更实际的、基于结果的思维方式来解读。比如细胞活动、疾病表型，以及预测分子在人体内的有效性，都需要我们用更实际、更可操作的方式来处理。
Q
真正促使你创业的关键因素是什么？
乔卓然： 这主要源于对技术落地，或者说对技术转化为生物医药领域实际生产力的热情。在我博士毕业这段时间，我亲眼见证了算力的指数级增长。算力的进步，加上可用训练数据的扩增，极大地提升了模型能力。我希望亲身理解这些新方法如何真正整合到工业界医药研发流程中，为人类健康研究做出工具层面的贡献 。
Q
你觉得我们离AI主导的生命工程革命还有多远？
乔卓然： 我个人非常乐观。我认为这场变革已经在发生，并将持续一个时代。我希望像结构预测这样的分子层面方法，以及其他生物医学模态的预测模型和生成模型，能像二代测序技术一样，成为生物工程研究的新的源流，成为科研项目里大家日常使用的基础工具。
Q
乔卓然： 首先，我觉得要对自己所关注的科学问题或实际应用问题有足够深刻的理解。在解决问题的过程中，整个团队要保持高度专注。同时，也要密切关注技术在下游领域的渗透和传播。
最重要的是，如果我们真诚地相信一个想法，就要勇敢探索。在这个过程中，要多与不同领域的专家、前辈交流，不要惧怕风险或失败，也不要畏惧可能的激烈竞争。这些态度会帮助我们做出真正有影响力、具有长期价值的工作。
来源：时空探险家