Agent、机器人与 AI 制药：从模型能力到真实任务
导读
围绕基础大模型 GPT-6 Astra 的发布，本期笔记跟随主持人泓君与三位一线从业者——破壳机器人创始人、清华大学交叉信息研究院助理教授许华哲，Pokee.ai 创始人兼 CEO 朱哲清（Bill），以及华盛顿大学计算机学院助理教授王晟，共同拆解模型能力进入真实任务时的落地条件。同一款底层模型，在纯软件编程中被视为既有长程能力的稳步延伸，却在机器人物理操作与生物医学流程中打开了新的工作方式。全文从三人的测试体验出发，依次探讨个人智能体（Agent）面临的访问限制、身份确认与沙箱成本，剖析评测基准（Benchmark）分数与真实科学发现、实时物理控制之间的距离，进而解析机器人快慢系统衔接、AI 制药的干湿实验协同与数据飞轮，最后回到人类经验的价值，对比陡峭的模型能力曲线与漫长的行业验证周期。
同一个模型，为何带来不同体验
围绕 GPT-6 Astra 的发布，主持人泓君邀请智能体（Agent，能够自主感知环境并调用工具完成任务的软件系统）、机器人与 AI for Science（用人工智能辅助科学研究）三个方向的从业者对谈。面对同一款模型，为什么有人感到任务边界发生质变，有人却觉得只是常规的稳定性改进？本章通过三人的真实测试与日常工作流，拆解模型能力在不同行业落地的条件。
三个行业在观察什么
主持人泓君在开场背景中梳理了近期三个应用方向的行业动态：在 Agent 领域，个人应用开始为用户配备云端电脑，企业级工具尝试进入办公部署，模型层也出现了主打快速决策的新探索；而在生物医药领域，围绕新酶系统的计算发现与扩大虚拟细胞计划的投入，正试图在药物进入实验室前先于电脑中模拟细胞反应（00:01:36–00:03:34）。这些密集的行业动作共同指向一个核心问题：底层模型的同一次迭代，究竟改变了哪些真实任务的执行方式？
为了从具体工程经验中回答这一问题，节目邀请了三位处在不同技术链条上的嘉宾：
- 许华哲：破壳机器人创始人、清华大学交叉信息研究院助理教授，重点测试模型在机械臂物理操作与三维空间任务中的表现。
- 朱哲清（Bill）：Pokee.ai 创始人兼 CEO，从模型后训练（Post-training，预训练之后的对齐与能力微调阶段）与代码生成、Agent 工具调用的视角评估代际差异。
- 王晟：华盛顿大学计算机学院助理教授，聚焦生物医学方向的 AI for Science 研究，关注模型如何操作专业软件与执行长周期科研流程。
对比三人的第一反应可以发现，评价差异首先源于各自行业此前卡在什么瓶颈上。朱哲清站在编程与模型开发角度，认为这次更新表现稳健，但并未像前代模型那样带来跨代际的跃升；而许华哲与王晟则分别在机器人操作和生物医学内部流程中，观察到了过去模型难以完成的动作调整与跨昼夜任务衔接。
分叉花茎：把观察变成下一步动作
在机器人测试中，许华哲团队观察到了模型把感知与反思转化为动作的能力。当他们把 Astra 接入特定机器人本体执行任务时，在测试中看到模型能较快适应本体的运动速度与空间特点。例如机械臂在移动中撞到桌子，模型会基于这次碰撞判断桌子较高，并提出下一步应该把手抬高一点（00:04:55–00:05:36）。许华哲强调，这里的关键变化是把思维链（Chain of Thought，简称 CoT，模型在输出最终决定前展开的步骤化推理过程）与反思能力，直接转化为下一步的实际物理动作，这是此前许多机器人专用模型与通用大模型都未能打通的环节。
这种“观察结果—反思原因—修正动作”的闭环，让机器人在连续尝试中展现出更强的泛化表现。许华哲提到网上引起广泛讨论的机械臂画金门大桥演示：机械臂第一遍画得较差，但模型观察画作后会思考如何改进，经过几轮迭代便画得相当逼真。不过他明确说明，自己的团队并没有去复现画桥演示，而是设计了大量其他物理操作测试，其中一个典型案例是带额外难度的插花任务（00:05:49–00:06:50）：
- 任务前因：把花插入花瓶是经典机器人任务，团队故意将花茎底部劈开成两半，形成分叉以增加阻塞难度。
- 操作与尝试：直接向瓶口塞入时，劈开的分叉花茎会卡在瓶口无法进入。
- 观察与调整：模型识别出“因为花茎分叉所以塞不进去”的几何阻碍，先控制机械臂捏住分叉部位将其捏窄，随后再往花瓶里塞。
面对主持人“模型是否已经理解物理世界与操作规范”的追问，许华哲给出了更精确的界定：捏窄花茎本质上仍属于对三维尺寸与空间几何的理解，但这已经足以支撑大量非动态的物理操作任务。与此同时，模型在真实到仿真迁移（Real-to-Sim，根据真实世界图像构建虚拟仿真环境以训练机器人）上也缩短了流程：过去需要拍摄大量视频照片并耗费人工标定修改，如今只需输入几张图片和指令，模型就能快速复现出实验室或办公室的三维仿真环境。
从旧软件操作到科研昼夜工作流
与机器人领域的体感不同，在模型开发与编程领域，朱哲清认为这次更新算不上一次跨代际的节点。他对比了自己团队的使用体验：在长程任务（需要跨越较长时间、串联多个步骤才能完成的复杂工作）中，Astra 对上下文及已完结步骤的认知比前代更稳定，朋友测试的前端与设计类任务在审美表现上也有提升，他猜测这与训练阶段针对设计和审美的专门优化有关；但模型响应速度偏慢（他推测可能与当前高并发用量有关），且在连续运行一整晚乃至 24 小时的超长任务中，幻觉（模型编造与事实或上下文不符的内容）依然会出现（00:07:35–00:08:56）。在他看来，此前从 Claude Opus 4.5 到 4.6 的升级才是编程领域的关键跃升——当时任务能力从修改几个文件的短程代码，变成工具调用几乎不出错、能自主推进长程编码；相比之下，Astra 只是把原本就能做的长任务拉得更长、幻觉降得更低，并未开启此前完全无法触及的新问题。
然而同样的长程稳定性与电脑操作（Computer Use，模型通过视觉理解屏幕界面，并像人类一样控制鼠标点击与键盘输入来操作软件的能力），放到王晟所在的生物医学场景中却成了重要节点。王晟表示，尽管没有做客观的基准评测（Benchmark，标准化的能力测试题集）分数对比，但团队已经在部分生物医学内部任务中从原本的 Claude 系列切换到了 GPT-6 Astra。这一采用首先得益于 Computer Use 降低了传统科研软件的使用门槛（00:09:49–00:11:31）：生物医学领域有许多多年前编写的常用软件，界面设计陈旧且充斥专业术语，跨领域研究者学习成本很高；现在只需给出简单提示词（Prompt，输入给模型的指令文本），模型就能代为操作鼠标键盘完成分析。更重要的是，研究者通过观察模型点击和输入的过程，自己也学会了如何使用这些老旧工具。王晟推测，模型之所以能用好这些软件，是因为它在掌握屏幕操作之余，还把网上的软件教程、历史用户日志与反馈以文本形式学了进去。
除了软件操作，模型长程执行的特点也嵌入了生物医学的昼夜工作流。王晟团队的科研任务往往较为复杂，单次执行常持续 8 小时到 24 小时；在他的主观感受里，模型做得慢有时反而让人放心，觉得它考虑得更深入，因此团队形成了一套昼夜切换模式（00:11:31–00:12:42）：白天需要即时交互时，使用反馈更快的其他模型；到了晚上，则用 Astra 设计长程工作流（Pipeline，串联多个处理步骤的数据或任务流水线）或提示词让它跑一整晚。王晟补充说，Computer Use 功能其实在此前的模型中就已存在，但当时大家并未深入思考如何将其接入科研流水线；直到这次发布会在演示中直接操作了生物医学常用的网页工具 MultiQC，才在圈内真正引发关注，促使研究者把这项能力用起来。
区分“观察结果后修正动作”与“模型权重在线更新”
在画金门大桥或插花测试中，嘉宾提到模型具有“自我更新、自我升级”的表现。在可观察的任务机制上，这表现为“动作—环境反馈—下一步动作修正”的闭环：模型观察上一轮动作的物理结果（如碰到桌子或花茎分叉卡住），分析阻碍原因，并生成调整后的下一步控制指令。嘉宾描述了这种基于反馈的多轮动作修正，并未披露底层实现细节，也不代表在任务执行现场实时修改了模型的参数权重。
Computer Use 在科研中的双重作用
在 AI for Science 场景下，Computer Use 不仅用于自动化执行，还承担了跨学科教学功能：
- 直接代操作：绕开无编程接口的痛点，直接点击老旧生物软件的图形界面完成任务。
- 操作示范：对不熟悉特定领域术语和软件布局的研究者，观察模型的鼠标轨迹与输入步骤，相当于获得了一份实时演示教程。
| 观察领域与归属 | 代表性任务或案例 | 观察到的能力变化 | 当前限制或成立条件 |
|---|---|---|---|
| 机器人操作（许华哲） | 机械臂碰桌抬手、捏窄分叉花茎插花、图片生成室内仿真 | 把思维链反思转化为下一步动作；理解三维尺寸；加快 Real-to-Sim 构建 | 主要解决三维几何与非动态操作，尚未等同于掌握高动态物理规律 |
| 编程与模型开发（朱哲清） | 长程代码编写、前端与设计任务、24 小时连续运行测试 | 上下文与已完结任务记忆更稳；前端审美表现提升 | 响应速度较慢；跑满一整晚仍会出现幻觉；属既有长程能力延伸 |
| 生物医学科研（王晟） | 操作老旧专业软件、安排 8–24 小时夜间科研流水线（受发布会 MultiQC 演示启发） | 通过简单指令操作复杂界面并示范用法；可执行夜间长程任务 | 白天高频交互嫌慢，需与快模型按任务切换配合；圈内采用受发布会具体演示带动 |
三位嘉宾在各自工作流中接入 GPT-6 Astra 后，给出了截然不同的体验反馈。这种差异直接对应着各行业原本卡在哪个具体环节，下图按任务链条对比了三个领域的实际变化。
读图：同一个模型，为何带来不同体验
请从左到右逐行阅读三条任务流。第一行（机器人）按蓝、黄、绿三个框依次列出插花遇阻、捏窄分叉花茎和成功插入，展示观察几何阻碍后的动作修正；第二行（编程）依次呈现任务持续更久、记住上下文和检查长期稳定性三个环节；第三行（生物科研）从旧软件难接入出发，经操作图形界面（GUI），连到研究者学习工作流程。
横向对比三行可见，模型影响力的大小取决于它是否打通了该领域原本断开的执行闭环。而在科研场景中展现出潜力的屏幕操作能力，一旦走向大众消费市场，又会遇到全新的外部阻碍，这正是下一章要讨论的个人 Agent 落地条件。
本章小结
同一代基础模型在不同行业引发的反响，取决于它是否击中了该领域的原有卡点：
- 在机器人领域，把视觉观察与思维链反思变成下一步动作，配合三维尺寸理解，打开了非动态复杂操作的空间。
- 在编程领域，由于前代模型已打通长程工具调用，本次更新主要体现为上下文更稳、审美更好，但跨夜运行仍有幻觉。
- 在生物医学领域，Computer Use 降低了老旧软件的跨界使用门槛，长程执行能力则嵌入了“白天快模型交互、夜间长任务运行”的科研工作流。
个人 Agent 的访问、身份与成本
上一章看到，Astra 的 Computer Use 让研究者和开发者能把复杂的软件界面交给模型执行。但当这种能力从专业工作台走向面向消费者的个人 Agent 时，模型“会不会点屏幕”就不再是唯一的门槛。本章顺着朱哲清与主持人泓君的讨论，拆解个人 Agent 在商业化落地时必须跨过的三道现实关卡：第三方网站的访问阻拦、用户代理身份的验证，以及云端运行与高阶模型调用带来的真实账单。
API 与浏览器为什么需要混用
个人 Agent 在消费场景中频频受阻，首先要从 Computer Use 与 API（Application Programming Interface，应用程序编程接口）的差异说起（00:12:48–00:13:47）。朱哲清解释，Computer Use 是靠视觉理解屏幕上的用户界面（UI，User Interface），用人类常规的键盘和鼠标输入输出设备去点击、填字，无需目标软件专门开放程序接口；但这只是免去了专用的程序通道，操作受保护的服务时依然需要用户正常的登录与授权。
在交互路线的选择上，行业经历过几次来回摆动（00:13:48–00:15:02）。朱哲清回顾，早期大家以为所有软件都会开放 API，做成原生适配 Agent 的接口；后来 Manus 等产品带火了 Browser Use（浏览器操作），但行业很快发现直接操作浏览器效率不高，于是又退回写代码和调用 API。然而到了最近，无论是 Instinct 还是 Meta Muse，背后依然接回了浏览器。原因在于，像亚马逊（Amazon）或 Expedia 这类涉及购物、旅游和客服的第三方应用，并不愿意对外开放 API。由于这些高频消费场景避不开，他判断未来的交互方式仍会是 API 与浏览器混用的状态。
一旦退回浏览器，云端架构就会撞上访问出口的限制（00:15:19–00:18:08）。主持人泓君提到，近期走红的消费级应用 Meta Muse 为每个用户分配了一台云端虚拟机和独立存储空间。朱哲清指出，这种设置与早期的 Manus 非常相似，虽然数据空间归属个人，但云端浏览器对外发出的请求依然来自商用机器和商用 IP（Internet Protocol，网络之间互连的协议）地址。许多电商、旅游平台乃至奢侈品网站很早就开始屏蔽商用 IP。据泓君在节目中引述的观察，亚马逊就已经屏蔽了 Meta Muse；朱哲清也以 Manus 为例指出，其早期走浏览器路线被平台封堵后，后期便转向了白领办公场景，同时提到 Claude Code、ChatGPT Work 等工具也聚焦于白领工作效率——消费级任务一开始能跑通演示，但随着更多网站加入屏蔽，可操作的网页范围就会变窄。
一个用户派出二十个 Agent
电商和旅游平台之所以拦住云端自动化工具，在朱哲清看来，深层原因在于云端虚拟机无法证明“这个 Agent 就代表那个真实用户本人”，平台担心自己的流量入口被剥夺（00:20:06–00:21:43）。
为了说明商家的顾虑，朱哲清算了一笔流量与消费能力的账：如果一个真实用户原本就要访问网站，通过一个一对一绑定的 Agent 来操作，商家通常是可以接受的；但如果在云端环境下，一个用户同时派出 20 个 Agent 去访问网站，这 20 个 Agent 加起来的最终消费能力并没有增加，依然只是一个人的购买力，却在网站上不停地比价、刷流量，打乱了平台原有的流量结构并增加服务器负担。对商家而言，这种访问得不偿失。
顺着这个商业逻辑，朱哲清提出了他对端侧与软硬件结合路线的设想（00:15:02–00:16:37，00:20:06–00:21:43）：
- 端侧模型运行：他所在的团队正专注于 30B（300 亿参数）左右的小模型，设想在满足相应硬件条件的 AI Box 或个人电脑（AI PC）等私有设备上运行。
- 本地网络出口：如果浏览器的沙箱（Sandbox，隔离的运行环境）和自动化操作直接发生在用户自己的电脑和家庭网络 IP 上，就改变了云端商用 IP 的访问出口；至于平台最终是否放行，仍取决于商家策略与后续博弈。
- 硬件辅助确认代理关系：如果操作来自可穿戴设备或明确归属于个人的终端硬件，或许能帮助商家确认该 Agent 是代表特定自然人的行为，从而增加平台开放访问权限的意愿。
Token 之外还有沙箱账单
除了外部网站的准入阻拦，消费级 Agent 自身的运行成本也远未降到可以无限制普及的程度。首先是高阶模型的 Token（模型处理内容的单位，通常按输入与输出量计费）消耗（00:18:09–00:19:01）。朱哲清分析，Browser Use 对模型的要求较高，很难全程只用廉价模型。按节目讨论的口径，Meta Muse 为用户提供了 1 亿 Token 的免费额度；朱哲清在全部按输入 Token 并按其成本估算的条件下，折算这大约相当于 100 美元，泓君补充这是每位用户每星期的免费额度。朱哲清认为，对比过去谷歌搜索或社交网络的普及过程，面向大众的消费级产品最终需要做到让用户感觉不到 Token 限制，而目前的高消耗显然还需要持续的资金投入。
高昂的 Token 账单在调用高价模型时会进一步放大（00:22:45–00:24:51）。针对外界关于 Meta Muse 后台除了自家的 Muse Spark 之外是否还通过模型路由（Model Routing，按任务难度分发给不同模型）调用了 OpenAI 模型的传闻，朱哲清从成本角度表示怀疑。按他和泓君在节目中核对的当时价格口径，Astra 的定价为每百万输入 Token 10 美元、每百万输出 Token 50 美元，大约是 GPT-6 Sol 等模型的 4 到 5 倍。他推演，如果一个消费级产品在 10 次迭代中有 1 次需要靠 Astra 或 Fable 解决问题，单位用户的月均成本就可能达到约 200 美元；若单次复杂任务直接调用这类高价模型，一次就可能花掉三四十美元。朱哲清还分享了一次亲身经历来说明消耗速度：他此前使用 Claude 的 20 倍订阅套餐把额度用光后，因为急着解决一个任务，临时充值了 100 美元额度（Credits），结果在 Agent 工作流里仅仅往返了两三轮就全部用尽。
除了模型推理，云端虚拟机的硬件开销是另一笔容易被忽视的账单（00:19:01–00:19:50）。泓君提到内存和 CPU（中央处理器）的价格都在上涨；朱哲清随即用自己团队做强化学习（RL，Reinforcement Learning）训练时的 Rollout（让模型在环境中连续执行并采样轨迹的过程）经历做了印证。他们最初租用外部的虚拟沙箱服务，发现账单过于昂贵，于是改为直接租用大型 CPU 机器自己搭建沙箱。即便如此，在一次大型 Rollout 任务中，他们发现所消耗的 CPU 账单总额竟然达到了与 GPU（图形处理器）账单相当的水平。这也解释了为什么给每个用户配一台云端电脑会带来沉重的持续基础设施负担。
端侧路线与企业采用的条件
把算力和浏览器放到本地终端，同样面临现实约束（00:21:44–00:22:45）。主持人泓君指出：如果把个人访问出口放在手机或 Mac mini 等个人设备上，开发者如何满足苹果等操作系统平台的权限要求？又如何确保个人终端设备在自动执行任务时的安全性？朱哲清回应，这正是整个生态复杂的地方。他所在的团队虽然与高通、英特尔、AMD、联想、惠普等硬件厂商都有合作，但仍在寻找最容易落地的场景；在他看来，访问权、身份认证与终端安全，最终需要模型、软件和硬件三方共同配合才可能打通。
在成本结构上，朱哲清提出的愿景是让 60% 到 70% 的 Token 在本地设备或私有算力上产生，避免把所有请求都路由到云端的前沿大模型；如果行业内的公司有足够资金支撑一两年的消耗，随着端侧与小模型逐渐成熟，成本就有望收敛到平衡状态（00:24:51–00:25:22）。
当话题从消费端（2C）转向企业端（2B）工作流时，工具准入的分化同样明显（00:25:22–00:26:09）。针对 xAI 开放企业部署的 Grok Bot，朱哲清观察身边真正将其接入日常工作流的人还比较少，多数人只是尝鲜，因为现有的 Codex 或 Claude Code 等工具已经能解决不少问题。更显著的落差在于，他身边许多在法律、医疗等传统大型企业工作的朋友，目前仍受限于内部合规与既有办公套件（如 Microsoft Copilot）的绑定，连 Codex 或 Claude Cowork 都不能自由使用。走在前面的人什么新工具都能随便调用，而受制于企业准入机制的人连基础开发辅助工具都难以接入，这构成了当下 Agent 落地的真实切面。
本地推理、家庭网络出口与代理身份是三个独立问题
在讨论端侧 Agent 时，容易把“本地化”当成一个单一开关。实际上朱哲清的路线设想包含三个不同层面的问题：
- 本地推理：在满足条件的个人设备上运行约 30B 的小模型，目标是降低云端 Token 账单。
- 家庭网络出口：在本地浏览器执行操作，改变云端机房商用 IP 易被电商网站拦截的出口条件。
- 代理身份确认：设想借助归属个人的硬件辅助向商家表明代理关系，以区别于一人开 20 个 Agent 刷流量的高负载访问。这三者仍分别受硬件规格、平台策略与操作系统安全权限的制约。
区分不同场景下的成本口径与硬件账单
阅读本章的成本数字时，需注意讲者设定的前提条件：
- 周度与月度场景分开：约 100 美元（对应 1 亿免费 Token）是按每周免费额度且全按输入成本估算的口径；而约 200 美元是假设将部分请求路由给高价模型后的每月单用户成本推演，两者分属不同假设场景。
- 工作负载总账单不等于硬件单价：强化学习大型 Rollout 中“CPU 账单与 GPU 一样贵”，是指那次任务中自建沙箱消耗的 CPU 计算总开销达到了与 GPU 相当的水平，并非单颗 CPU 与 GPU 的租用单价相同。
| 术语或场景 | 解决什么问题 | 理解要点 |
|---|---|---|
| Computer Use / Browser Use | 操作未开放 API 的购物、旅游、客服及旧软件界面 | 靠视觉识别屏幕并模拟键鼠操作，无需专门 API，但对模型能力要求高 |
| 云端虚拟机沙箱（如 Meta Muse） | 为单个用户提供隔离的云端电脑与存储环境 | 请求出口仍是商用 IP，易被电商屏蔽，且大规模并发时 CPU 与内存成本高昂 |
| 代理身份（Identity）与一对多访问 | 帮平台区分正常代操作与消耗服务器资源的刷流量行为 | 1 人派 20 个 Agent 比价不会增加购买力，商家需确认 Agent 是否代表特定真人用户 |
| 模型路由与本地算力分流 | 平衡前沿高价模型的能力与日常高频任务的成本 | 设想用本地或开源小模型承担大部分常规 Token，减少对昂贵前沿模型的调用 |
当电脑操作与浏览器自动化从专业工作台走向大众消费端，模型“会不会点屏幕”便不再是唯一门槛。朱哲清与泓君的讨论揭示了决定个人 Agent 能否跑通商业闭环的三道现实关卡。
读图：个人 Agent 的访问、身份与成本
图中三个并列模块分别对应访问权、代理身份与运行成本，三者通过底部箭头共同决定任务能否持续交付。左侧“访问权”对比了 API 缺失下云端商用 IP 被电商拦截，以及改用本地网络出口的路线设想；中间“代理身份”通过“1 人对 1 Agent”与“1 人派 20 个 Agent 刷流量”的对比，解释朱哲清为何设想用个人终端硬件辅助确认代表关系；右侧“成本”则将高阶模型 Token 消耗与云端虚拟机沙箱的 CPU、内存开销并列呈现。
这三栏表明，把部分计算或浏览器迁往个人设备可以改变网络出口并分流云端开销，但仍受平台策略与系统权限约束。而在消费端精打细算的同时，前沿实验室正把庞大算力投向更复杂的科学探索，引出下一章对评测与真实任务的讨论。
本章小结
- 访问受阻：购物与旅游等平台不愿开放 API，迫使消费级 Agent 退回浏览器操作，但云端虚拟机的商用 IP 极易被商家屏蔽。
- 身份与负载：商家防备的是一个用户派出几十个 Agent 反复比价刷流量却不增加实际购买力，确认“谁在代表谁”需要软硬件生态配合。
- 双重账单：Browser Use 叠加高价模型路由会快速耗尽额度，而云端沙箱的 CPU 与内存开销也是沉重负担；企业端则受制于内部工具准入，呈现出剧烈的采用分化。
评测分数与真实任务之间的距离
上一章讨论了个人 Agent 在商业化落地时遇到的访问限制、身份确认与推理账单问题。如果把视线从日常消费转向科学探索与物理操作，大模型每一代升级带来的价值该怎么衡量？本章结合三位嘉宾的不同观察尺度，拆解前沿大模型与端侧小模型在不同任务中的体验差距，说明通用编程进步如何推高特定科学基准测试的分数，以及当部分机器人仿真评测失去区分度后，真实操作为何仍受困于实时控制。
日常任务与前沿研究需要不同能力
主持人泓君引述了她与前沿模型研究员交流时听到的另一个视角：在消费级 Agent 场景中，随着推理成本下降，日常任务的 Token 开销其实相对有限；当前真正大量消耗推理资源的，是 AI for Science 中那些尚未被解决、甚至尚未被清晰定义的科学难题与生物实验（00:26:09–00:27:11）。
为了说明前沿探索的资源消耗规模，泓君举了节目中提到的一个例子：OpenAI 在尝试探索纳维–斯托克斯方程相关数学问题时，内部调用了大量子 Agent 进行长程协作与消息传递，消耗了巨量输出 Token（00:26:17–00:27:31）。在她看来，模型进化在使用体验上已经出现分层：普通用户在日常任务中很难感知 GPT-6 Astra 与上一代模型或 Claude 系列模型的代际差异，但前沿科学家在复杂任务上的感知却非常明显，因为一旦在科学突破或制药上取得进展，潜在的商业回报也完全不在同一个量级。
这种体感差异直接引出了朱哲清的疑问。他的团队没有资金去训练万亿参数规模的基础模型，而是专注于做后训练和模型架构微调，主打可在端侧运行的小模型。他观察到，在白领日常工作和他们自己的开发工作流中，经过优化的小模型与前沿大模型（Frontier Model，指当时综合能力处于行业最顶端的模型）之间的智能差距正在明显缩小。因此他向另外两位学者提问：在生物医学和机器人领域，每一代前沿模型迭代——例如从 Claude Opus 4.5 到 4.6，或者从上一代模型升级到 GPT-6 Astra——究竟能拉开多大的实际差距（00:28:15–00:29:06）？
编程进步怎样带动科学基准分数
回应朱哲清的问题时，王晟首先把模型的“通用工作流能力”和“专门领域知识”拆开来看。他指出，GPT-6 Astra 在生物医学领域确实带来了很大提升，但这种提升主要来自通用编程、查阅文献和长程任务执行能力的进步；在专门测试生物医学知识的基准测试上，Astra 并未体现出同样幅度的改善（00:29:06–00:29:31）。此外，前沿大模型在实际科研使用中还面临安全拒答的摩擦：随着模型能力增强，它们对生物医学相关任务的防范越来越严，正常的科研请求也常遭拒绝回答。因此王晟团队在内部开展日常工作时，会按任务情况选用 Kimi K3 或 Muse Spark 1.3 等模型，这也说明高能力大模型在真实科研流程中的使用体验受制于合规与安全策略（00:29:31–00:30:01）。
为什么在一些定义明确的科学基准测试上，模型分数还在上涨，甚至小模型也能追近大模型？王晟认为问题出在这类基准测试的定义方式上。为了让 AI 模型更容易作答和评分，不少 AI for Science 基准测试会预先给定一个清洗好的明确生物数据集，再要求模型预测一个明确的目标指标。王晟指出，这种设定与真实的药物发现之间存在巨大鸿沟，它本质上把问题简化成了类似 Kaggle（知名数据科学竞赛平台）的数据科学比赛，或者接近机器学习工程基准测试（MLE-bench，评测模型编写与调试机器学习代码能力的题集）。一旦评测任务被定义为给定数据集上的建模竞赛，通用编程能力更强的模型自然能考出高分（00:30:01–00:31:06）。
我们可以把王晟的这段推理整理成一条因果链：
- 特定题目的设定方式：部分生物医学基准倾向于提供固定的特征数据集和明确的预测标签，以便自动化打分。
- 能力需求的同化：在固定数据集上取得高分，核心依赖的是数据清洗、特征工程和模型调优等通用写代码能力，即数据科学竞赛能力。
- 高分与真实发现的错位：当 GPT-6 Astra 的通用编程与长程操作能力升级，或者小模型针对这类明确任务做优化时，测试分数就会随之提升，但这并不代表模型更懂真实的生物医学机制或未定义边界的药物发现。
旧题目失去区分度之后测什么
到了机器人领域，评测分数与真实能力的错位呈现出另一种形态。许华哲给出了与纯软件编程截然不同的判断：过去几代模型（如从 Opus 4.5、4.6 到 Fable）的升级，在机器人测试中几乎没有带来定性变化，原来做不了的任务依然做不了；而 GPT-6 Astra 带来的是定性改变。他提到，在 Robot Dojo 等业内相对认可的机器人仿真基准测试中，Astra 拿到了第一名，在他看来甚至让不少现有的机器人基准测试“失效”了（00:31:06–00:31:35）。这里的“失效”是指旧题目在新模型面前区分度下降，难以继续用来衡量下一步的能力短板。
然而，仿真基准测试拿第一，并不意味着可以直接把 Astra 装进机器人去干活。许华哲紧接着指出了真实物理操作对“时间”的刚性约束：机器人的许多任务需要及时响应，属于高动态任务。例如“抖毛巾”这个动作，Astra 就无法直接完成（00:31:35–00:31:55）。在抖毛巾的场景里，模型虽然从逻辑上知道应该快速甩动一下，但如果让它调用预置程序写一段控制代码去执行，它还能做到；一旦要求它根据实时感知直接逐步输出动作控制指令，它就因为推理速度太慢而完全无法胜任。
这就回答了朱哲清关于大小模型关系的提问：许华哲认为，在机器人领域，长期来看依然需要一个体积更小、同时具备 Astra 级别的推理与三维空间理解能力的快决策模型（00:31:35–00:32:07）。真实物理世界不会像计算机仿真那样暂停下来等待模型做完长程思维链推理。一旦遇到高动态任务，慢速推理大模型与实时动作控制之间的矛盾就会暴露出来，这也直接引出了下一章的核心议题：机器人系统究竟该如何划分“慢推理”与“快控制”的边界。
常见混淆：科学基准高分不等于领域知识突破
在生物医学等 AI for Science 评测中，看到模型分数大幅提升时，需要区分两件事：
- 工作流与工程能力：模型更擅长写代码、查文献、处理固定表格数据，在类似 Kaggle 或 MLE-bench 的明确任务上拿高分。
- 真实科学发现能力：理解复杂的生物医学专业知识，并解决尚未定义边界的真实药物研发问题。王晟指出，Astra 的进步主要体现在前者而非后者。
为什么基准测试会“失效”或饱和？
评测基准的作用是拉开不同模型的能力差距。当许华哲评价部分机器人仿真基准“失效”时，并不是指评测程序出错，而是他认为旧题集对前沿模型能力的区分度有所下降。即便模型在仿真测试中表现突出，真实场景中的高动态控制（如实时抖毛巾）依然无法直接完成，因此需要引入包含实时物理约束的新检验方式。
| 观察领域与代表人物 | 代际升级的实际体感 | 评测基准与真实任务的差距 |
|---|---|---|
| 企业与白领工作流（朱哲清） | 长程上下文更稳，但优化后的端侧小模型正在缩小与前沿大模型的差距 | 日常办公任务对极限推理需求有限，更受限于访问权限与部署成本 |
| 生物医学研究（王晟） | 通用编程、查文献与长程执行明显变强，但安全拒答增加了使用摩擦 | 部分基准被设定为给定数据集的预测题，接近数据科学编程比赛，未反映真实制药难题 |
| 机器人操作（许华哲） | 从“做不了”到“能做”的定性飞跃，在 Robot Dojo 等仿真基准夺冠 | 部分仿真基准区分度下降，但大模型推理太慢，无法直接输出“抖毛巾”等高动态实时动作 |
在固定任务上，端侧小模型正追近前沿大模型，各类科学评测的分数也持续走高，但王晟与许华哲都指出高分并不等于打通了真实应用。下图通过左右两列结构，拆解了基准解题与开放研究在任务条件上的根本差异。
读图：评测分数与真实任务之间的距离
阅读时请横向对比左右两列，每列上方归纳任务条件，下方指出任务类型。左列“已定义基准任务”从给定的清洗数据集出发，围绕固定预测指标靠通用编程与建模刷分，在计算机内部即可快速判分闭环；右列“开放真实研究”则始于未定义边界的探索问题，中间必须跨越实验室设备预算匹配与湿实验或物理环境的真实反馈，最后由科学家把关长期投入。两列内部的向下箭头，将任务条件分别连到“基准解题”和“真实研究”。
看清这两列任务结构的差异，就能理解为何模型在仿真或数据榜单上夺冠后，面对真实环境仍会受阻。在机器人领域，这种差距最直接地表现为慢速推理无法应对高动态实时控制，下一章将具体展开快慢系统的连接方式。
本章小结
本章对比了模型升级在三个领域的真实含义：
- 日常白领任务中大小模型差距在缩小，而前沿实验室正将算力投向高消耗的未定义科学问题。
- 部分生物医学基准测试把问题简化为固定数据集上的预测，模型靠通用编程能力就能提分，并不等同于领域知识突破。
- 新模型在 Robot Dojo 等机器人仿真基准上夺冠，但慢速推理无法应对“抖毛巾”等高动态实时任务，仍需快决策小模型配合。
机器人怎样连接慢推理与快控制
前文提到，在许华哲看来，通用大模型虽然能让部分机器人仿真评测失去区分度，但面对抖毛巾这类高动态任务时仍受制于推理速度。本章顺着他的测试经验展开：当上层模型开始介入具体动作，机器人系统的分层边界会发生什么变化？在真实物理环境中，慢速推理与快速控制又该如何配合？
分层边界为什么会下移
既然通用大模型无法直接完成抖毛巾等实时动作，机器人系统是否仍需要“大模型做规划、小模型做控制”的分层架构？许华哲指出，行业对分层本身一直有共识，真正的分歧在于分层的边界切在哪里。过去大家普遍认为，上层的VLM（Vision-Language Model，视觉语言模型）只负责高层任务规划。例如收到“做西红柿炒蛋”的指令后，VLM 规划出“打开冰箱门、拿出西红柿、拿出鸡蛋”等步骤；至于怎么抓稳把手、怎么打鸡蛋，则交给底层的具身小模型去执行（00:32:07–00:33:15）。
Astra 带来的变化是把这道边界往下压了。许华哲观察到，现在的上层模型可以发出局部动作指令，例如“把手往右伸 2 厘米”“把手放在冰箱门把手上”，如果没抓住，还能接着指示“再往前靠一靠”。这样一来，底层模型就更像反射式的执行器，负责响应上层的微调指令。面对“上层模型能否无限下压、最终演变成单一端到端模型包揽全局”的讨论，许华哲认为目前并不合理。首先是速度限制，网上的 Astra 控制演示往往需要以 16 倍速或 24 倍速播放才能顺畅观看，否则大部分时间都在等待；他判断这既与模型体量有关，也因为模型内部推理链条很长，且简单任务与复杂任务的思考耗时相近，导致简单动作背负了额外开销。其次是缺乏即时物理直觉，比如碰倒装水容器会洒、玻璃掉地会碎，模型虽然能通过语言推理解释，却难以在动作发生的瞬间做出直觉式反应。
这种推理延迟直接影响了模型的硬件部署方式。在回应朱哲清关于端侧芯片与云端延迟的提问时，许华哲结合破壳机器人的实践经验指出（00:35:01–00:36:13）：
- 本地端侧部署：在他们的经验中，模型参数量在小于 10B（100 亿参数）的尺寸下运行起来比较舒适；十几 B 到小几十 B 也能运行，但需要升级芯片并承担更高的硬件成本。
- 云端 API 调用：模型尺寸不再受机器本体限制，瓶颈转向网络延迟，且必须区分任务性质。对于物体状态变化缓慢的准静态任务，在他看来 200 毫秒甚至几百毫秒的延迟都可以接受；但对于倒水这类高动态、时间敏感的任务，一旦网络卡顿水就会溢出，因此必须在本地执行，并确保模型推理速度与控制周期匹配任务要求。
筷子夹小球与实时反馈
明确了延迟对任务类型的限制后，接下来的问题是：在具体操作中，专用小模型的快速反应与大模型的慢速推理究竟有什么区别？许华哲用破壳机器人“用筷子夹小球”的测试场景做了对比（00:36:13–00:37:30）。使用团队自己的小模型时，动作执行快得多，抓取过程是连续不断的尝试，中间没有太多逻辑推理；如果一次没夹住、筷子碰到小球改变了状态，模型会立刻换个角度继续尝试。
换成 Astra 执行同一任务时，它会呈现出类似人类思考的步骤：每做完一步，都要先分析失败原因，再根据原因给自己下达调整指令。这种机制首先会带来明显的缓慢；更重要的是，一旦模型无法理解当前物理状态，或者对失败原因的分析出了错，就会卡在原地陷入僵局。此外，许华哲在测试抓取桌面物体并旋转、再将其塞入墙上小孔的任务时发现，Astra 在需要空间旋转的操作上仍存在短板，往往需要反复尝试怎么转才能对准孔位。
在 Astra 发布后的三四周里，许华哲团队经历了从最初觉得惊艳到逐步看清边界的过程（00:43:43–00:45:03）。最初测试抓握简单物体时，模型很快就能完成；但深入到双臂协作、复杂空间与物理交互时，问题便暴露出来。例如在难以用语言清晰描述动作细节的“叠衣服”任务上，Astra 就无法完成。同时，他们观察到模型缺乏把重复经验转化为熟练动作的总结能力：在团队的一次重复测试中，第一次完成某项任务可能花 1 小时，第二次缩短到 45 分钟，但从第三次开始耗时就停滞在 45 分钟左右，无法像人类或经过充分训练的小模型那样随着练习不断缩短耗时。
几何重建、物理规律和交互数据
通用大模型在灵巧操作与熟练度上仍有局限，它的出现对机器人产业链上的不同团队意味着什么？许华哲首先分析了 Sim-to-Real（从仿真环境迁移到真实世界） 与 Real-to-Sim 的路线（00:37:47–00:38:48）。虽然 Astra 只需少量图片就能快速把真实房间重建成三维仿真场景，降低了 Real-to-Sim 的门槛，但他认为这主要是做好了三维几何外观，并没有让仿真器底层的物理引擎自动变得更准确，因此单靠外观重建的改善还不足以直接解决仿真训练出最优机器人策略的难题。相反，硬件本体公司会直接受益：Astra 发布仅两三周，斯坦福大学一个课题组就将其接入宇树机器人完成了部分家庭任务演示，说明当模型具备跨本体泛化能力后，质量好的硬件就能直接承接一部分演示级任务。
在算法与研究方向上，做“机器人大脑”的团队正在分化：一部分转向应用部署，把自身模块作为工具供大模型调用；另一部分则继续研发更小、更快的具身原生模型。同时，传统机器人领域的 TAMP（Task and Motion Planning，任务与运动规划） 重新受到关注。TAMP 的核心是将高层离散任务步骤与满足几何、碰撞等约束的可行连续运动路径结合，以完成长程任务，例如在执行“拧开瓶盖”前，必须先确认“瓶盖当前处于关闭状态”。过去这类依赖传统规则的方法显得有些古板，但在大模型具备基础操作能力后，如何用类似 Agent 框架的方式把前置状态检查与动作工具组合起来，再次变得重要。
对训练范式的思考也延伸到了数据采集与标注环节（00:40:54–00:42:41）。许华哲认为，Astra 给行业带来的重要启发是标注交互过程中的因果关系与直觉物理。过去机器人数据往往只做正向描述，用一句话记录“做了什么”；而真正构建通用机器人大脑，需要详细标注成功或失败的原因——比如没抓住物体，究竟是因为抓取位置偏上，还是因为物体沾了水太滑。他还提到行业里关于数据采购的传闻与分工：有的团队只采购未标注的原始数据（俗称“生数据”）自己内部标注，以保证质量并防止泄露训练思路；而数据服务商如果能摸清前沿模型的训练需求，提供带有因果推理逻辑的精标“熟数据”，单价就可能比原始采集高出许多。
Jev 的快决策与机器人专用模型
慢推理模型无法直接充当底层控制器，那么如何把上层的慢思考与底层的快控制连接起来？许华哲借用认知心理学《思考，快与慢》中的“系统一”（直觉式快速反应）和“系统二”（耗时较长的审慎推理）来比喻这一分工：在他看来，机器人本体原生模型本质上应以快速的“系统一”为主、辅以少量“系统二”能力，行业接下来的关键课题就是定义快慢系统之间的调用界面。
围绕“系统一”的思路，许华哲团队也测试了近期受到关注的快决策模型 Jev（00:45:39–00:47:35）。从设计理念看，Jev 不生成长文本、直接给选项分配概率的做法很像机器人的原生快系统，但在实际机器人测试中表现却很差。许华哲结合“摞方块”任务解释了具体原因：
- 缺乏直接视觉输入：当时测试的 Jev 版本无法直接输入图像，必须先运行一个 VLM 或其他视觉模型，把画面转化为状态描述再传给它，拉长了感知链路。
- 缺乏精细空间纠偏：当第一个方块放得有点歪时，Astra 能够看出来并指导第二个方块往反方向靠一点以维持平衡，而 Jev 在测试中经常摞不起来或者摞完就倒。
因此，许华哲指出，虽然有人尝试用 Jev 的高速度去辅助数据标注，或者期待后续支持多模态图像输入的快速模型，但仅靠当前测试版本的纯状态快决策还无法在真实操作中形成完整闭环。在他看来，无论是部署在机器人端侧，还是在云端提供服务，未来更实用的路线不会是直接照搬数万亿参数的通用大模型，而是研发体积小得多、同时融合了三维理解与快速反应能力的机器人专用模型。
机器人控制的三个核心概念
- VLM（视觉语言模型）：结合视觉画面与语言理解的模型，在机器人系统中常用于识别环境并拆解高层任务步骤。
- 准静态任务 vs 高动态任务：前者环境状态变化慢（如抓取静止物体），在许华哲的经验中可容忍数百毫秒云端延迟；后者状态瞬息万变（如倒水、抖毛巾），需在本地以匹配的推理速度和控制周期实时响应。
- TAMP（任务与运动规划）：将高层离散逻辑条件（如开盖前确认瓶盖关闭）与满足几何及碰撞约束的可行连续运动规划结合的长程方法。
三维几何外观、物理引擎参数与实时控制反馈的区别
在评估仿真与控制能力时，需要区分三个不同层面的机制：
- 三维几何外观：通过少量照片还原房间布局与物体尺寸（Real-to-Sim），帮助模型理解空间位置。
- 物理引擎动力学参数：物体接触时的摩擦力、碰撞形变、液体流动等计算精度，不会随外观重建变快而自动提升。
- 实时控制反馈：在真实操作中根据微小碰撞或打滑立即调整动作的闭环能力，仍需高频控制模型配合。
| 对比维度 | 通用大模型（以 Astra 为例） | 机器人专用小模型 / 快系统 |
|---|---|---|
| 控制粒度与优势 | 擅长三维几何理解、高层规划及厘米级局部动作微调 | 擅长高频连续动作输出与实时状态响应 |
| 典型测试表现 | 能完成分叉花茎插花；但叠衣服失败，复杂旋转插孔较弱 | 筷子夹小球时能根据碰撞后的状态变化立刻换角度连续尝试 |
| 时间开销与熟练度 | 单步推理耗时长（网上演示常需16–24倍速播放）；单次测试中重复任务耗时停滞在约45分钟 | 单次尝试响应快，失败后可立即根据状态变化继续尝试 |
| 部署条件与限制 | 参数量大，适合云端处理准静态任务；缺即时物理直觉 | 许华哲经验中小于10B参数在端侧运行较舒适；高动态任务需本地部署并匹配实时控制周期 |
破壳机器人的测试显示，Astra 虽能下发厘米级的局部微调指令，但在筷子夹小球或倒水等任务上仍受制于推理延迟与物理直觉。为了理清慢速推理与高频动作在系统中的协作位置，我们将许华哲讨论的分层架构与仿真边界整理为下图。
读图：机器人怎样连接慢推理与快控制
主链从左至右依次连接慢速规划、可执行子目标、本地快速控制与物理环境。注意上下两条回流箭头：物理环境产生的执行结果分成两路，一路回传给慢速规划层用于调整子目标（如没抓住把手时指示再往前靠），另一路直接进入本地快速控制形成高频闭环（如夹小球碰撞后立即换角度重试）。图下方两栏并列对比几何外观与动力学，说明重建三维形状的成功无法直接替代接触、摩擦或液体流动的即时物理反馈。
看清规划层与控制层的反馈回路及动力学差距后，接下来的问题便是：面对新出现的快决策模型，机器人团队该如何设计快慢系统之间的调用界面？
本章小结
本章梳理了大模型进入机器人领域后的控制架构演变：
- 分层下移但未消失：Astra 能下达局部动作微调指令，但受限于推理延迟（网上演示常需16–24倍速）与即时物理直觉缺失，高动态任务仍需本地快速模型实时控制。
- 长推理与连续试错的差异：筷子夹小球、叠衣服及重复测试耗时停滞在45分钟等观察表明，逐步语言反思不能直接替代高频连续动作尝试。
- 研究与数据新方向：Real-to-Sim 主要改善三维外观而非底层物理引擎；行业正转向结合 TAMP 规划、标注失败物理因果，以及探索融合多模态感知的快慢结合专用模型。
AI 制药为何卡在实验执行
大模型在编写代码、检索文献和预测蛋白质属性上表现优异，但为什么药物研发的整体进程依然缓慢？本章结合王晟的科研实践，剖析从计算机模拟走向真实实验室执行的核心卡点，解释现实资源约束、实验流程协同以及生物代谢周期如何塑造 AI 制药的落地路径。
候选分子怎样走到可执行实验
当话题转向生物医药时，主持人泓君首先询问 Astra 等前沿模型在科学任务上的表现。王晟指出，Astra 在长程任务和编程上确实更强，但这暴露出生物医学评测与真实研发之间的断层：现有的基准测试往往要求模型在给定条件下预测某个蛋白质的活性，而真实科研更需要模型给出一份能在实验室里直接执行的完整方案（00:47:41–00:48:35）。
为了解释这一差距，王晟将科研工作区分为两种截然不同的环境：
- 干实验（Dry Lab）：所有的数据分析、结构预测和模拟过程都在计算机内部通过 CPU 或 GPU 完成。
- 湿实验（Wet Lab）：研究人员需要在真实的实验室房间里，利用试管、培养皿，在细胞或小鼠等生物体上进行物理与化学操作。
对于真正前沿的开放疾病治疗问题，比如开发一款针对特定癌症的新药，事先并没有现成的标准答案。因此，无论 GPT-6 Astra 还是 Claude 在干实验中给出了多么合理的候选分子或分子结构，研究人员都无法仅凭计算机模拟断定其有效，最终必须进入湿实验进行检验（00:49:29–00:50:28）。
然而，从拿到一个候选分子到完成湿实验验证，中间隔着大量繁琐的执行细节。王晟将模型指导人类实验员（Technician）进行真实操作的过程称为 Human Use，以此对应让模型操作电脑的 Computer Use。在这个环节中，模型不仅要给出分子设计，还必须规划如何合成该小分子、在什么温度与湿度下操作、如何储存试剂，以及按什么周期给小鼠用药。王晟认为，由于公开网络上极少有这类细粒度的实验操作语料，当前大模型在生成可执行实验计划方面表现薄弱；即使 Astra 相较前代模型有所进步，距离直接指导实验仍有很大距离（00:48:23–00:51:04）。
实验室资源为何必须进入方案
为什么生成的实验计划难以直接落地？王晟估计，当前大模型在实验设计上的完成度大约只有 30%，剩余部分必须依赖人类专家介入修改。这里的专家甚至不是普通的领域教授，而是长期在一线专门从事该方向操作、掌握深厚领域经验（Domain Expertise）的实验技术员，他们更清楚哪些细微步骤决定了实验的成功率与可行性（00:50:55–00:51:28）。
除了隐性的操作经验，更直接的障碍在于每个实验室拥有的硬件设备和试剂材料各不相同。王晟用一个日常做饭的例子来说明这种资源错配（00:51:29–00:52:04）：假设一家饭店的厨房里只有番茄、鸡蛋和土豆，如果让 Astra 设计一道菜，它由于不理解厨房现有的食材限制，可能会直接给出“海鲜大餐”的菜谱。
放到生物医药场景中，模型给出的实验方案往往默认所有高端仪器和特定试剂随时可用，而缺乏对特定实验室现有器材的协调与利用能力。脱离了现实资源约束的方案，哪怕在化学或生物学原理上成立，到了具体实验室里也无法执行。这也成为王晟团队目前改进模型时重点攻克的方向。
把模型与湿实验一起设计
面对模型不了解实验室具体资源、生成方案难以直接执行的现状，推进 AI 制药的团队该如何调整研发架构？泓君由此追问，这类公司是否需要配备自己的实验室。王晟认为，前沿团队配备湿实验室或建立紧密的实验条件非常关键，这不仅是为了验证模型预测的分子并积累独有数据，更是为了缓解干湿实验交接带来的时间损耗（00:52:06–00:52:33）。
在传统的分工模式下，计算团队与实验团队往往是割裂的。王晟描述了这种低效的跨团队流转：AI 模型先在计算机里设计出候选分子，随后移交给外部合作者；合作者既不清楚模型背后的设计逻辑，也不知道模型预期会出现什么反应结果，只能从头针对这些分子设计湿实验方案、采购耗材并准备细胞。在这个漫长的准备与测试周期里，可能几周时间就过去了，而计算侧的模型甚至已经从 GPT-6.1 迭代到了 6.2，模型的进化速度远远快于真实实验的反馈速度（00:52:34–00:53:39）。
为了打破这种分割造成的等待，王晟提出需要对实验室进行重新设计（Redesign），把湿实验流程与 AI 模型放在一起协同规划。例如，实验室可以在日常就提前准备好细胞和基础环境，将所有前置条件铺垫妥当；一旦 AI 模型完成预测并输出特定小分子，实验人员就能立刻将其加入测试体系中。通过这种前置准备与协同设计，团队能够跳过冗长的跨部门理解与筹备环节，让“预测—验证”的闭环转得更快（00:52:58–00:53:39）。
自然反馈周期与研发分工
即便通过重构实验室流程缩短了人工准备和跨团队交接的等待，AI 制药能像纯软件任务那样实现天级别的快速迭代吗？王晟用一条早期药物研发工作路径的例子来说明时间开销（00:53:44–00:54:41）：
- 细胞与小鼠实验：候选分子设计完成后，先在细胞和小鼠身上测试，观察其生物体内反应，这通常需要几周时间。
- 灵长类动物实验：小鼠实验跑通后，在这条例子中会进入猴子等灵长类动物实验；单次周期约为 4 个月，有时为了确认结果需要做两次，耗时就会拉长到 8 个月。
- 向大型药厂授权（License）：王晟介绍，许多 AI 制药初创团队在完成猴子实验后，往往选择将项目授权给拥有庞大病人网络和临床资源的传统大药厂去开展人体试验（按他在节目中的举例，这类授权费用可达 1000 万美元以上）。走完这一从分子设计到授权的早期验证路径，整体时间线大约在 6 到 12 个月。
这条时间线揭示了生物医学与代码、部分数学任务的差异。在编写代码或具有明确检验规则的数学任务上，模型生成的结果可以在计算机内较快检验；但在生物学中，给小鼠或猴子用药后，必须等待动物真实的新陈代谢和生理反应，这是受自然规律支配的客观过程（00:54:44–00:55:40）。
王晟回顾了大模型之前的 AlphaFold 1 和 AlphaFold 2 时期：当时蛋白质结构预测取得了重大突破，涌现出一批 AI 药物发现（AI Drug Discovery）创业公司。他指出，尽管 AI 能把设计分子结构的时间从半年压缩到几天甚至几小时，但当时许多公司依然受困于后续漫长的动物与人体实验验证瓶颈而未能走通（00:55:40–00:56:37）。因此，自然反馈周期无法被消除，但通过理顺干湿实验的配合来加速现实反馈，依然是推动 AI 制药落地的核心抓手。
干实验（Dry Lab）与湿实验（Wet Lab）
在生物医药研发中，研究工作通常涉及两种互补的工作环境：
- 干实验：在计算机内部完成的分析、建模与预测，如利用 CPU/GPU 预测蛋白质结构或生成候选药物分子结构。
- 湿实验：在实体实验室中，通过试管、培养皿、细胞及动物模型（如小鼠、猴子）进行的物理与生物操作。由于未知疾病问题没有现成标准答案，干实验的预测结果需要进入湿实验验证，并将结果回流以迭代下一轮设计。
为什么压缩分子设计时间不等于缩短新药周期
许多早期的 AI 制药尝试将重点放在加速干实验，把候选分子结构的设计时间从半年缩短到几天。然而，药物验证受制于生命体的自然代谢规律：在王晟举例的研发路径中，小鼠实验需数周，灵长类动物实验需数月。如果模型无法生成贴合实验室现有器材的可执行方案（Human Use），且干湿实验团队割裂，前端节省的计算时间就会被后端的方案重做与生物验证周期抵消。
| 研发环节 | 核心任务内容 | 当前主要瓶颈 |
|---|---|---|
| 干实验计算与预测 | 检索文献、分析数据、生成候选药物分子结构 | 前沿问题无标准答案，无法仅靠计算机模拟确认疗效 |
| 实验方案生成（Human Use） | 规划合成路径、温湿度条件、试剂储存与给药周期 | 王晟认为公开网络缺乏细粒度实验语料，且模型不了解特定实验室的现有设备与耗材 |
| 跨团队交接与准备 | 将 AI 预测结果转化为具体实验室的操作流程 | 计算与实验团队分割，重新设计方案与准备细胞带来额外等待 |
| 体内生物验证与转化 | 按王晟举例的路径，开展细胞、小鼠（数周）及猴子（4–8个月）实验后可向大药厂授权 | 受动物新陈代谢等自然规律限制，反馈周期远慢于模型迭代 |
为什么计算机里的分子结构预测速度大幅提升，新药研发的整体周期却依然漫长？王晟指出，未知疾病没有现成标准答案，计算结果必须经过实体实验室检验。下图将他讲述的干湿实验协同流程串成闭环。
读图：AI 制药为何卡在实验执行
顺着单向箭头读取四个环节的因果衔接：最左侧由模型在干实验中提出候选假设；随后进入第二个环节，实验方案必须结合实验室现有的预算、设备与时间约束进行匹配（避免在只有番茄和鸡蛋的厨房里开出“海鲜大餐”菜单）；接着由一线实验人员或自动化设备执行湿实验；最右侧的实验结果再沿底部回流箭头返回计算侧，用于修订下一轮假设。
既然每一次闭环都离不开实体实验室的资源匹配与生物体代谢周期，当底层预测工具逐渐开源后，决定科学 AI 竞争力的核心壁垒便自然落到了这个闭环所产出的真实数据上。
本章小结
本章剖析了 AI 制药从计算机走向实体实验室的落地障碍：
- 验证闭环：未知科学问题没有现成答案，模型生成的候选分子结构必须通过湿实验验证。
- 资源约束：模型生成的实验方案（Human Use）完成度尚低（王晟估计约 30%），常忽略特定实验室的器材限制与一线操作经验。
- 周期与协同：动物新陈代谢决定了数周至数月的自然反馈周期；虽无法违背自然规律，但将湿实验前置准备与 AI 预测协同设计，能有效减少人为交接损耗。
用数据与评测改善科学反馈
上一章解释了生物医学研究为何受制于实验执行与自然反馈周期。本章顺着王晟与泓君的讨论，继续追问：当底层预测工具逐渐开放、通用编程能力明显提高之后，科学AI真正稀缺的资源是什么？我们将从湿实验数据的价值、实验服务接口、评测题目的重新定义，一直讲到工业酶与新药研发为何会走出快慢不同的落地曲线。
开放工具之后，实验数据仍稀缺
上一章提到，即使模型能够提出候选分子，研究仍然卡在真实世界的实验验证。顺着这个瓶颈，泓君提到 AlphaFold 3 的开源让不少生物制药和垂直模型公司获得了底层工具基础，并询问这会如何改变行业竞争（00:56:37–00:57:22）。这里需要先区分“工具开放”与“全部数据开放”：根据 AlphaFold 3 官方 README，其代码采用 Apache 2.0 许可证开放，模型参数受单独的使用条款约束，所依赖的参考数据库也各自遵循不同许可，并不能简单理解为所有训练数据与权重都无条件公开。王晟则从研究社区的演进补充说，当时社区也在推进 OpenFold 等开源复现工作，底层预测工具的普及确实降低了方法门槛，但反而让各家机构更加重视自有数据的积累。
为什么工具越容易获得，实验数据反而越成为垂直科学 AI 公司的核心壁垒？王晟给出了一个直接的定义：在生物医学里，“一条数据”并不是网页上的一段文本，而是一次完整湿实验跑通后的结果，例如某个分子在真实小鼠身上究竟能不能杀伤癌细胞（00:57:22–00:58:22）。这类数据之所以稀缺，来自三个叠加条件：
- 获取成本高：涉及真实小鼠或人类相关的生物实验，单次验证需要投入可观的实验经费与人力；
- 验证周期长：必须等待生物体完成真实的生理与代谢反应，无法靠增加算力直接跳过；
- 私有结果未公开：尽管公开论文与数据库中已有大量历史研究，但各机构针对新靶点、新分子正在进行的湿实验结果不会天然出现在公开互联网网页中，通用大模型在预训练阶段无法直接获取这些未公开的验证数据。
让实验服务接入模型工作流
真实湿实验数据既昂贵又稀缺，围绕“替模型做验证”会不会长出新的分工？泓君由此提出，生物医药领域是否也会像通用 AI 行业出现数据标注公司一样，诞生专门负责实验验证的公司（00:58:16–00:58:57）。王晟认可这个方向，并将计算机内部的评测题与真实生物实验做了对比：在数学或 Terminal-Bench Science 等编程测试中，设计一道高难度评测题本身就很有价值，但这些任务仍然停留在计算机内部操作；一旦走到真实生物实验，单次湿实验验证的数据价值和商业壁垒还会再上一个台阶。
除了直接积累实验结果，王晟认为另一个关键方向是把湿实验能力封装成模型可以直接调用的接口（00:58:57–01:00:26）。他以节目中提到的 Adaptyv Bio 与 Anthropic 的合作为例说明：当模型生成蛋白质设计或实验预测后，可以通过 MCP（Model Context Protocol，模型上下文协议，用于连接模型与外部工具或服务的接口协议）或 API 直接把需求发给实验服务商启动验证，减少人工反复沟通与交接的损耗。按照王晟介绍的行业动态，Anthropic 近期组织的蛋白质设计比赛就由合作方提供湿实验验证，并以真实实验结果作为最终评判标准；同时他也听到消息称多家前沿实验室正布局湿实验团队或与验证机构探讨端到端合作（01:00:00–01:01:22）。不过他同时强调，接口打通只是第一步，模型本身仍然必须先学会给出清楚、可执行的实验设计，外部实验室才能真正顺畅配合。
从解题到定义持续研究的问题
当外部工具和接口逐步成型，基础模型自身的哪项进步对生物医学影响最大？王晟的判断是，现阶段最明显的跃升依然来自通用编程能力的进步，因为大量干实验任务本质上依赖写代码与调用工具（01:01:25–01:02:39）。他分享了自己测试 Terminal-Bench Science 中生物医学题目的亲身经历：即使 GPT-6 Astra 在他提到的百分制测试中只拿到六十多分，实际解题表现也已经超过了他本人的尝试。因此在已有明确输入和评分标准的干实验编程任务上，模型已经展现出很强的解题能力；与此同时，按他举例，单个人体样本的数据量就可能达到 2TB，如何高效处理和理解这种超大规模、复杂结构的生物医学数据，仍是下一阶段的重要技术机会。
当模型在部分定义明确的测试题上表现超过研究者个人时，人类科学家接下来该做什么？王晟把“解一道定义好的题”与“主导真正的科学研究”做了清楚切分（01:02:40–01:05:18）。在他看来，面对拥有固定测试集和明确输入输出的问题，模型解题能力很强；而科学家的核心工作正转向三个方面：
- 定义持续改进的研究任务与评测方式：不再局限于判断“某个基因是否致癌”这类容易被刷满的简单分类题，而是设计可连续改进的研究任务；例如现有药物能杀伤 30% 的癌细胞，就要求模型持续设计新方案去把杀伤比例推高到 40%，在不断改进指标的过程中顺带转动湿实验的数据飞轮；
- 承担高风险决策与背书：涉及临床治疗方案或投入大笔资金、漫长时间的研发立项时，仍然需要人类科学家像飞机驾驶员或主治医生一样做最终把关；
- 锚定长远探索方向：例如如何延长人类寿命等宏大课题，需要研究者不断拆解出可验证的阶段性目标。
工业酶与药物研发的不同周期
既然评测方式可以转向持续迭代，该如何看待“AI 发现新药”的实际进展？面对泓君关于何时能看到由现代大模型独立发现并验证上市药物的追问，王晟从研发时间线做了区分：一款新药从早期发现到最终获批往往需要 5 到 10 年，而这一代通用大模型能力集中涌现只是近几年的事，自然还没有走完完整的药物研发周期（01:05:20–01:06:09）。他补充说，过去有些公司宣传某款药物由 AI 高强度参与设计，但那些项目往往启动于 5 到 10 年前，当时使用的早期算法与今天的通用大模型并不是同一代技术。
为了探讨模型在哪些细分方向推进更快，泓君提到近期关于 Claude 在 21 小时内找到新酶系统 ART（节目中称其结构被认为类似 CRISPR，但仍待实验室验证）的消息（00:02:44–00:03:05，01:06:10–01:07:44）。王晟指出，这类计算发现能否快速转化为实际突破，很大程度上取决于对应领域的实验反馈周期：周期越短的领域，过去几十年在论文和数据库中沉淀的实验结果越多，模型迭代也越快。在生物学上，绝大多数酶（Enzyme）本身就是具有催化功能的蛋白质（Protein）；节目中王晟对比“酶”与“蛋白质药物”，实际是在区分工业催化应用与人体疾病治疗这两条验证周期不同的落地路径（01:07:12–01:08:15）。在工业场景中，设计一种酶用来把废油脂转化为可用油脂，或者让洗衣粉在不同温度下保持活性，都可以在实验室和化工流程里快速测试，商业化周期短；而一旦把蛋白质作为治疗减肥、癌症或罕见病的药物，就必须走完动物与人体临床试验，受制于漫长的生物学周期。
为什么“一条湿实验数据”难以被公开语料替代
在通用大模型训练中，一条数据常是一段网页文字或代码；而在王晟讨论的生物医学场景里，一条关键数据是一次真实生物实验的验证结果（如某候选分子在小鼠体内能否抑制癌细胞）。这类针对新分子的验证同时受制于动物或临床实验经费、不可压缩的生物代谢时间，且未公开的机构实验结果无法直接从互联网网页中获取，因此成为垂直科学 AI 公司的核心资产。
按应用场景比较生物设计的验证周期
同样是利用 AI 设计蛋白质或酶，落地速度取决于下游验证环境：
- 工业催化场景（如工业酶设计）：用于油脂转化、洗涤剂低温催化等化工流程，可在体外快速测定催化活性，实验反馈快、数据积累多；
- 疾病治疗场景（如治疗性蛋白质药物）：用于调节人体生理机能以治疗癌症或罕见病，必须经历细胞、动物及人体临床试验，反馈周期长达数年。
| 术语或场景 | 解决什么问题 | 理解要点 |
|---|---|---|
| AlphaFold 3 / OpenFold 等结构预测工具 | 降低蛋白质与分子结构预测的方法门槛 | 代码与工具链逐步开放降低了预测门槛，但各机构针对新问题的真实湿实验结果仍需自行积累 |
| 单条湿实验验证数据 | 检验候选分子在真实细胞或动物体内的实际效果 | 需要真实的生物实验经费与代谢周期，各机构未公开的新实验结果无法从公开网页预训练中直接获取 |
| 实验服务 MCP / API 接口 | 减少模型预测与湿实验执行之间的人工交接损耗 | 可把模型输出直接发往合作实验室，但前提是模型能生成符合资源约束的清晰实验方案 |
| 持续改进型研究任务 | 避免简单分类题被快速刷满、失去区分度 | 以连续提升指标（如王晟举例将癌细胞杀伤率从 30% 提高到 40%）为目标，在反复验证中沉淀真实实验数据 |
当模型在给定数据集的测试题上表现超过研究者个人时，人类科学家的核心工作正在转向定义可持续改进的研究问题，并在求解过程中转动实验数据飞轮。下图展示了问题定义、实验选择与反馈周期之间的联动关系。
读图：用数据与评测改善科学反馈
图中上方的循环箭头从“持续问题”出发：问题定义决定了如何选择与设计实验，湿实验的验证结果随之沉淀为新的高价值私有数据，这些数据又反过来驱动下一轮方案改进（例如将癌细胞杀伤率从 30% 逐步推向 40%）。图底部以水平对照栏标明工业酶催化与治疗性蛋白质药物的验证周期差异，说明体外快速活性测试与漫长的动物及人体临床试验会直接影响上方飞轮的转动速度。
当科学探索、机器人操作与个人 Agent 都建立起各自的反馈回路后，我们最后需要回答：在这套人机协同的演进体系中，普通人的日常经验与科学家的判断将扮演什么角色？
本章小结
本章梳理了科学 AI 从干实验走向真实发现的三个关键环节：
- 结构预测工具开放后，真正稀缺的是需要真实实验经费与代谢周期的小鼠及人体湿实验验证数据；
- 通过 MCP 或 API 连接外部实验室能减少交接成本，但仍依赖模型给出可执行的实验方案；
- 科学家的角色正转向定义可持续改进的研究问题与把关重大决策，而工业酶等短反馈周期方向会比长周期的新药临床更快看到迭代成果。
人的经验、学习与下一步部署
前文探讨了科学实验与工业应用在验证周期上的差异，这自然引出一个更深层的问题：当模型在特定任务和基准上不断变强，普通人的日常经验与科学家的判断发挥着怎样的作用？本章从人机互相学习出发，梳理三位嘉宾对算力分布、零样本部署与现实资源调度的探索，并回到模型能力曲线与行业落地周期的核心对照。
日常示范与人机互相学习
当模型训练信号日益转向专家数据与可验证环境时，主持人泓君引出了前沿模型研究员的一种看法：普通人是否连被蒸馏的价值都没有了？在机器学习中，“知识蒸馏”原本指将大模型的能力提炼后迁移给小模型；而在本节对话中，嘉宾们将其扩展为广义的比喻，用来描述人类经验向模型迁移、以及人类向 AI 学习的双向互动。
许华哲从机器人视角给出了相反的判断（01:08:37–01:09:16）。目前的机器人尚无法稳定完成许多普通人水平的日常动作，因此在具身操作领域，每个普通人都是生活专家。无论是做家常菜、叠衣服还是走路，普通人的动作示范对现阶段的机器人依然具有训练价值；在他看来，也许要过一两年，机器人才会发展到只需向顶级大厨或专业舞者学习的阶段。
在科学探索领域，王晟将人机关系总结为三个层面的互动：
- 长期决策与背书：单个科学家的知识面虽难与大模型相比，但在需要长期资金与时间投入的重大科学发现上，仍需人类科学家与工程师进行价值判断和责任背书。
- 反向蒸馏：面对交叉学科中陌生的领域，研究者每天都在向 AI 快速学习新知识，借此激发创意并产出科研成果。
- 源源不断的问题定义：在医学领域，普通人不同的身体状况、新出现的疾病以及对延长寿命的期望，都在持续向 AI 提出新的研究方向。
学会一个场景与学会如何学习
既然人类在动作示范与定义问题上仍有独特作用，当前大模型表现出的高水平能力距离真正的通用智能还有什么差距？朱哲清从模型训练机制的角度，对现有的知识获取方式进行了拆解。
朱哲清指出，目前模型展现出的智力，很大程度上依赖于大模型对海量知识的记忆，以及训练过程中针对特定技能的硬性注入（01:10:25–01:11:24）。在机器学习中，过拟合（Overfitting）是指模型过度适应特定训练数据，导致在未见过的新数据或新环境中泛化能力变差；朱哲清借用这一概念指出，目前团队在优化基准测试或推进固定落地场景时，往往是在对单个领域做高强度的专项适应。虽然许多细分场景仍值得用这种方式去覆盖，但在他看来，这并不等同于模型已经具备了通用的智能。
在他看来，要走向真正的通用智能，不能只停留在逐个场景去做知识注入或专项调优，而需要模拟人类从零开始学习的过程（01:11:24–01:12:18）。这意味着未来的重点不再只是教会模型某件事的具体做法，而是让模型掌握人类如何学习、甚至比人学得更快。他提出了一个研究愿景来说明这种机制：假设从一个尚未掌握特定领域规律的基础模型出发，能否完全依靠模型自身的交互与迭代，在一个月的交互中达到人类基础医生的水平，或在三个月的交互中达到某领域教授的水平。目前的技术距离这种自主演进还有很大差距，人类底层的学习直觉依然是模型需要借鉴的对象。
三位嘉宾接下来关注什么
结合人类学习机制与当前模型的边界，三位嘉宾在一线研发与商业化中各自重点关注以下核心瓶颈：算力分布、物理泛化与真实世界资源调度。
朱哲清最关注硬件层的内存限制与端侧普及（01:12:27–01:13:59）。他指出，当前随机存取内存（RAM，系统主内存）与显存（VRAM，图形及加速卡专用内存）价格昂贵，同时用户对全量数据上云存在隐私顾虑。他把模型的发展拆解为两个维度：像 AI for Science 这样的前沿场景需要追求能力的“高度”，依赖更强的大模型；而日常企业工作与个人生活则需要覆盖面更广的“广度”，并不一定需要庞大的参数规模。他的设想是，如果算力不再只集中于数据中心，而是分布在个人与企业的自有设备上，用较小模型解决日常 80% 到 90% 的问题，并做好大小模型的结合，就有望缓解当前的硬件与电力需求瓶颈。
许华哲将机器人的核心追求定位于零样本（Zero-shot，指不针对目标新任务或新场景提供额外训练样例，直接泛化执行）能力与快速部署（01:13:45–01:15:32）。他对比了两条正交的技术路线：在传统工厂里，机械臂早期常按预先标定好的位置轨迹执行固定工位任务（他在口述中以“开环拧螺丝”比喻这种不依赖外部环境感知修正任务的模式）；即便引入 AI 视觉反馈实现根据环境变化调整动作的闭环操作来拧螺丝或上货，往往仍需要五名博士级别的工程师驻场并在工厂里调试三个月，去解决稳定性、速度与定制末端夹爪等问题。他理想中的通用机器人应当支持面向新环境的快速部署，只需五名具备基本技能的普通人员将其放置到位即可开展工作，即便动作存在一定冗余也可以接受。基于对 GPT-6 Astra 及自身模型的观察，他预测到 2028 年初，通用机器人有望开始真正实用，在家庭中通过语言指令完成约 90% 的家务。
王晟则认为 AI for Science 的突破口在于理解并调动真实世界的实验室资源（01:16:15–01:18:20）。他用了一个思想例子来说明这种变化：未来的提示词不再只是要求设计一款抗癌药，而是给定 10 万美元预算、做一次小鼠实验需 2000 美元、人体实验需特定周期等现实约束，让 AI 规划如何完成复杂任务。这意味着从“人写提示词指挥 AI”转向指令生成（Instruction Generation，由 AI 生成清晰、无歧义、可执行的操作指令，去指导人类实验员或机器人调动现实资源）。他还设想，未来部分实验与医学仪器也可能直接面向 AI 设计：例如拍 X 光或 CT 生成图像是为了方便人类医生肉眼观察，未来或许可以让 AI 直接分析设备采集的底层波形或信号，跳过专为人类视觉合成图像那一步。
能力进展如何变成行业改变
当算力、机器人与生物医药都在各自寻找落地路径时，为什么一次大模型更新会在不同圈子引发截然不同的反响？节目最后，主持人泓君通过一次跨界问答，总结了技术演进与行业改变之间的深层张力（01:18:29–01:19:33）。
泓君回忆在硅谷101 Alignment 2026 大会的论坛上，她曾就前文提到的 Claude 发现 ART 新酶系统一事询问王晟：消息出来后，AI 圈与生物圈的反应有何不同？王晟当时的观察是，AI 圈普遍非常兴奋，认为模型已经开始做出科学发现；而生物圈的反应则相对平淡，大家普遍认为要先在实验室里完成验证再下结论。
为什么面对同一项进展会出现如此明显的温差？泓君指出，模型层的进展与一个行业真正的改变之间，隔着的不仅仅是智能水平，还有现实世界的验证过程：
- 机器人领域：需要在真实的物理世界里反复试错与交互。
- 生物制药领域：受制于自然规律，必须等待小鼠和猴子的新陈代谢周期。
- Agent 领域：必须跨过商家访问限制与真实用户身份核验的门槛。
AI 圈子看到的是陡峭上升的能力曲线，而垂直行业里的人看到的是漫长且充满约束的落地周期。理解这两条时间线的错位，正是观察大模型如何真正改写各个行业的核心视角。
正向蒸馏、反向蒸馏与学习机制蒸馏
在机器学习中，“蒸馏”原指将大模型能力压缩迁移给小模型；本章对话中嘉宾们借用该词描述了三层广义互动：
- 日常经验示范：将普通人做饭、叠衣服等生活动作作为机器人的训练素材。
- 反向蒸馏（人向 AI 学习）：人类研究者借助具备广博知识的 AI 快速学习陌生交叉学科知识，激发科研创意。
- 学习机制探索：朱哲清设想不再只按固定场景逐个注入知识，而是探索让模型习得人类从零开始快速学习新领域的方法。
区分“固定场景专项调优”与“面向新环境的泛化及资源规划”
在评估行业落地进展时，需要区分两类不同的技术目标：
- 固定场景的专项调优：针对单一测试集做高强度训练，或由数名博士驻场三个月调试固定工位算法与夹爪，虽能在局部表现优异，但迁移到新环境成本高昂。
- 新环境泛化与资源约束规划：在机器人侧体现为减少专家驻场调试、实现未见场景的零样本泛化部署；在科学侧体现为在给定预算、设备与实验周期的真实约束下，由 AI 生成可执行的操作指令。
| 所在领域 | 嘉宾关注的核心方向 | 替代的旧模式或痛点 | 现实世界的验证与约束 |
|---|---|---|---|
| 个人与企业 Agent | 端侧算力普及与高度/广度分工 | 算力集中于云端，内存与显存成本高 | 商家入口封锁、用户身份认证与数据隐私 |
| 通用机器人 | 零样本泛化与快速部署能力 | 固定工位预编程，或需多名博士驻场数月调试环境感知闭环与夹爪 | 物理世界试错慢，动作灵巧度与实时性要求 |
| AI 制药与科学探索 | 指令生成（AI 调度资源）与仪器改造 | 仅输出分子结构，缺乏对预算和设备的理解 | 细胞、小鼠与灵长类动物的自然代谢反馈周期 |
面对“普通人是否还有被蒸馏价值”的讨论，许华哲、王晟与朱哲清分别从具身动作示范、跨学科科研与底层学习机制给出了回应。下图汇总了三人在不同层面上描述的人机双向学习关系。
读图：人的经验、学习与下一步部署
图中通过上下两条反向箭头展现人机互动的双向流动：上方箭头由人指向模型，代表普通人提供做饭、叠衣服等日常动作示范，提出与自身健康相关的新问题，并由科学家对高风险决策做价值判断与背书；下方箭头由模型指向人，代表研究者借助 AI 快速学习陌生交叉学科知识与老旧软件用法。底部中央单独列出“研究目标：学会如何学习”的研究愿景框，将其与当前基于特定场景优化的能力区分开。
理清了人与模型在经验示范、知识获取与学习机制上的互补关系后，三位嘉宾接下来便将目光投向各自领域最紧迫的硬件、部署与资源调度瓶颈。
本章小结
本章总结了人类经验与行业部署的演进方向：
- 当下普通人的日常动作示范、患者具体需求与科学家的决策背书依然具有重要价值，研究者也在通过“反向蒸馏”向 AI 学习。
- 下一代技术探索正从单场景专项调优转向学习机制本身，推进端侧算力普及、机器人零样本快速部署及带资源约束的科学指令生成。
- 模型能力提升不等于行业即刻改写，AI 圈关注能力曲线，而产业落地取决于物理试错、生物代谢与商业准入的验证周期。
总结与延伸
纵观智能体、通用机器人与 AI 制药三个领域的交叉对谈，底层大模型的代际跃升并不会自动转化为产业的即刻改写。模型在多步推理、代码生成、三维空间理解与屏幕操作上的进步，确实拓宽了任务规划与干实验计算的边界；但当指令离开纯数字环境，就会撞上不同形态的现实摩擦：面向消费者的个人 Agent 必须解决平台入口封堵、真人代理身份确认以及模型与云端沙箱的双重成本；机器人系统在跨过静态几何理解后，仍受制于模型推理延迟与仿真中物理引擎的精度，需要在慢速规划与本地高频实时控制之间找到合理的调用界面；而生物医药研究中的候选分子设计无论压缩到多快，最终仍需由实验人员或设备在真实资源条件下验证，并等待相应的生物反馈。沿着这条主线继续思考，未来的技术突破不仅在于训练更强的基础模型或推进端侧小模型普及，更在于重构真实世界的反馈接口——从标注物理交互的失败因果、实现零样本（Zero-shot）快速部署，到将湿实验流程前置并与 AI 预测协同设计。理解“模型能力曲线”与“行业验证周期”的错位，正是评估一切 AI 落地进程的核心标尺。
拓展阅读
以下资料供回看节目、查阅术语与继续学习。
- 硅谷101：本期完整节目：https://www.bilibili.com/video/BV1dxJZ6uE3N/
- AlphaFold 3 官方说明：代码、模型参数与数据条款：https://github.com/google-deepmind/alphafold3/blob/131ab9e7420066523c62546199243f7a9b3e3e78/README.md