摘要

Derya Unutmaz 认为，前沿 AI 已从生产力工具跨越为同级科学合作者，不使用 AI 正在成为竞争劣势，在医学领域甚至是伦理责任。 他形容 o1 Pro 和 Deep Research “几乎达到我的水平”，称自己如今连专家知识都不再信任，除非先咨询 AI，并表示研究工作流“没有一个领域”未被 AI 触及。Nathan Labenz 保留了一条底线：在医疗服务中，他目前希望医生和 AI 两者都在场，而不是二选一。
机器能够生成新颖性的最有力证据，是 AI 可以把概念迁移到原本毫不相关的领域。 受大逃杀游戏启发，Derya 让 o1 Preview 为肿瘤内相互竞争的工程化 T 细胞生成创意；模型围绕资源、耗竭、竞争和杀死癌细胞延展类比，提出了他此前没有想到的方案。他称这是自己最早的“早期 AGI 时刻”之一，并预测 AI 很快会“比我们更具创新性和创造力”。
Deep Research 从衰老数据中提炼出一项生物学洞见：尽管 Derya 研究相关 T 细胞已超过 30年，他的团队此前仍未能完全解释这些数据。 对比年轻和老年受试者的基因表达程序后，模型推断免疫力下降不只是因为初始 T 细胞变少：那些被视为初始状态的细胞，本身也已经不再“初始”。Derya 说，这一洞见“用一句话复述了我过去 30年做过的一切”，揭示了细胞内部的定性衰老和表观遗传衰老。
即使模型未来不再进步，眼下的经济影响也已经足以颠覆现状。 Derya 用 Deep Research 起草了一份专利申请，涵盖专利检索、化学分析、主要权利要求和从属权利要求，耗时约半小时；他估计交给律师处理成本会超过 $10,000。他还说，自己与同事借助 AI 写出的基金申请可能是两人写过的最佳版本：想法更好，过程也顺畅得多。
真正的实用护城河不是复杂的提示词工程，而是寻找机会的心态、科学家对失败的容忍度，以及反复迭代的能力。 Derya 的写作方式很自然，会让模型连续把 10个想法逐一改进，或者安排一个热情的科学家与一个怀疑主义者进行 10轮交锋。由于他的研究假设约有 90%的概率失败，他的建议是把 AI 当作一名 intellectually honest 的同事，问它“我能让这东西做什么有价值的事？”，而不是专门寻找错误来证明它不行。
随着推理模型获得更长上下文和更强的因果洞察，生物学积累的数据集可能成为一座规模庞大、尚未被充分开发的资产。 Derya 正在重新打开 5年或 10年前生成的数据，因为其中可能藏着“金矿”；当前测试涉及约 1,000个基因，下一步是 10,000个。他说 o1 Pro 已经为帕金森病提出了药物靶点，相关工作计划进入临床试验；更长期的方向，是构建覆盖基因组学、蛋白质、微生物组、代谢、生理和症状的个人数字孪生。
AI 可能更奖励行动力而非学历资历，压缩传统科学训练的价值，同时拉大主动驱动者与被动工作者之间的差距。 Derya 说，面对一名获得 AI 加持、充满热情的 19岁年轻人和一名拥有 20年经验的 40岁人士，他可能会选择前者；他还认为传统的 4至5年博士加 2至3年博士后路径正在过时。他直白地补充说，这不会让所有人都受益：他认为真正创新的人可能只有“全人类的 0.001%”，但 AI 可以让有能力、没有资历的人获得行动所需的工具。
关于生存风险，Derya 更倾向于建立由监管型 AI 构成的生态，而不是试图把某一个模型约束到绝对完美。 借鉴免疫调节机制，他认为过度的护栏会摧毁有用功能，而相互竞争的防御系统可以监管恶意模型；他更大的担忧，是人类训练 AI 去摧毁其他人类。如果社会能够熬过一段“非常、非常痛苦”的转型期，他预计约 10至15年内会迎来黄金时代：资源充足、疾病治愈、衰老逆转，最终实现他想用来探索太空的千年寿命。

精读

1. 35年的生物学研究与早期 AI 论点同步成长

Derya 的双重职业道路始于医学院之前：他先在 Commodore VIC-20 上学习 BASIC 和汇编语言，后来转到 Commodore 64——名称指的是其 64 KB 内存。即便是这些原始机器，也让他看到，代码可以把脑海中想到的任何事情转化为行动。
Ray Kurzweil 的《The Age of Intelligent Machines》在 1990年代初塑造了 Derya，之后他开始探索符号 AI、Lisp 和 Smalltalk。《The Singularity Is Near》后来进一步强化了 Kurzweil 提出的时间表，而 Derya 认真看待这一预测：AGI 将在 2029年前后出现，奇点则会在 2040年代到来。
大约 20年前，Derya 把自己的博客命名为“Bio Singularity”，设想 AI 能让生物学变得足够可理解，从而治疗癌症、治愈疾病、逆转衰老，并升级人类的生物能力。他如今的研究沿着这一论点展开：编程免疫细胞识别肿瘤，并执行类似 AND/OR 门的逻辑。

2. 及早看见未来，首先要能承受“疯子”这个标签

Derya 对自己为何认真看待奇点预测的坦诚解释是：“你只需要疯一点。”童年受《Star Trek》启发的梦想，以及 Steve Jobs 所说的“只有疯子才会改变世界”，让他拒绝把生物衰老或技术边界视为不可改变的事实。
科学机构并没有天然更开放。Derya 曾从同事那里遭遇教条和保守思维：他们认为机器拥有超越人类的智能、以及逆转衰老，都是不可能的，部分原因在于他们假设大脑中存在某种神奇之物，而不是一个强大但并不完美的“遗留系统”。
如今，这种经历让他感觉自己像一个“时间旅行者”：他已经看到 5年或 10年后的未来，却仍置身于拒绝相信警告的人群中。不过，自前一个夏天以来，阻力已经有所减弱，因为同事们亲眼看到模型产出无法轻易否认的实际结果。

3. 不使用 AI 正在成为伦理责任

Derya 说，大约 2.5年前，他从 GPT-3、GPT-3.5 以及后续模型开始进入 ChatGPT 时代。早期同事认为这些模型不过是预测下一个词。一位知名教授后来请他在研究项目中测试 o1 Preview 和 o1 Pro，因为不相信模型能有那么强。收到分析后，他通过邮件回复：“我的天，我简直不敢相信。”此后，他开始每天使用 AI。
Derya 对医学领域最失望。他说，在医学中，“不使用 AI 已经是不道德的”。一些医生朋友不愿透露自己是否使用 ChatGPT，因为担心别人因此低估他们的价值；Derya 的反驳是，咨询 AI 可以降低误诊风险，增加价值，而不只是保护职业地位。
Nathan 的反驳值得保留：他目前希望医生和 AI 两者都在场，而不是只依赖其中一个。他把这一原则延伸到法律领域：人们最终可能需要获得 AI 辅助的权利，因为法院指定的律师并不总能提供同等价值。

4. 前沿模型开始挑战专家判断和专业服务经济学

Derya 说：“现在不问 AI，我已经不相信自己的任何知识或想法了。”即便在那些他自认为跻身全球前 5或10名专家之列的领域，他也如此。o1 Pro 找出了他自己综述文章中的遗漏，而 Deep Research 理解了这一专业领域，并生成了有创意、可执行的洞见。
他 85岁的母亲在土耳其处理健康问题时学会了使用 ChatGPT，如今说自己离不开它。Derya 赞成她先咨询 ChatGPT、再来问自己，同时也承认，6个月到 1年前，模型的幻觉问题明显严重得多。
他对变化速度的判断相当激进：模型在过去 3至4个月里“变强了 10倍”，而他预测未来 3至4个月还会再提升 10倍。他将这种进步与前一年比较旧版 ChatGPT 和人类医生的论文进行对比：如今用户“口袋里 literally 装着教授”。
Deep Research 还产出了 Derya 自称迄今最佳的专利申请，覆盖一种抗癌分子、专利检索、化学分析以及分层权利要求。他估计同等法律服务的成本会超过 $10,000；模型耗时约半小时，之后他的同事计划将其提交为专利申请。

5. o1 把 AI 从文献助手推向假设生成器

Derya 不接受科学家可以凭空创造发现的说法：创新假设依赖深厚的既有知识，也经常依赖连接相距遥远的领域。即便在狭窄的专业领域内，每年也会出现数百乃至数千篇论文，因此 GPT-4 最初证明了自己作为文献综述工具的价值。
但 GPT-4 主要是在总结已有知识；Derya 起初并没有看到它产生新颖性所需的高阶洞见。转折点出现在 o1 Preview，后来 o1 Pro 又提供了他用于项目和基金申请的想法。
他为几位负责神经科学和炎症性疾病研究的朋友做了类似测试，得到的不是礼貌的兴趣，而是难以置信。如今，Derya 几乎“每天都能遇到尤里卡时刻”，并把“AI 不可能创新”的说法斥为“彻头彻尾的胡说”。

6. 一场大逃杀类比，变成了癌症免疫疗法策略

工程化 T 细胞就像可编程士兵：它们能够识别并杀死肿瘤细胞，但也可能耗竭、杀伤效率低下，或引发严重副作用。Derya 早已开始用大逃杀游戏来构建其行为框架：玩家在受限环境中争夺资源。
肿瘤微环境提供了一个生物学对应物——T 细胞相互竞争、不断适应、追踪目标，并且必须存活足够长时间才能获胜。基于 Derya 最初类比的实验“算是奏效了”，他说结果正在走向发表。
随后，他让 o1 Preview 从 PUBG 等游戏中进一步提炼免疫疗法创意。模型把他此前没有想到的游戏动态迁移到竞争和耗竭问题的潜在解决方案中；在他看来，这不是找回某个遗漏事实，而是一个“早期 AGI 时刻”。

7. 表面上年轻的免疫细胞，其实已经衰老

Derya 让 Deep Research 对比不同年龄人群中一种 T 细胞亚型的基因表达模式。他们能看到一套程序在年轻时活跃，另一套程序随年龄增长而活跃，但此前的解释一直停留在“可能意味着这个，也可能意味着那个”。
这些细胞是初始 T 细胞：它们会先对新抗原发起反应，随后转化为效应 T 细胞，有时也会形成长期存在的记忆细胞。初始 T 细胞的比例会随年龄下降，这是免疫力减弱的原因之一；但模型推断出第二种机制：剩余细胞的质量和性质也在变化。
Deep Research 的综合判断是，被视为初始状态的细胞，本身已经不再是初始状态。Derya 说，这一洞见涉及表观遗传变化和时间逻辑，并且在情感上打动了他，因为它用一句话“复述了我过去 30年做过的一切”。

8. 自然对话胜过脆弱的提示词工程

Derya 没有标准提示词库。他有时会把未经整理的想法交给 o1 或 o1 Pro，让模型负责组织；Deep Research 则经常自行澄清问题范围，例如免疫疗法问题究竟涉及实体瘤还是淋巴瘤。
他的总体建议是，尽可能开放、透明地把脑海里的内容写出来。随着系统逐渐了解用户反复出现的兴趣，更强的上下文理解和记忆能力降低了复杂格式的必要性。
跨领域提示词尤其高产：把物理学与生物学结合起来，或把科学设计与体育、游戏结合起来。Derya 认为，当模型被邀请把专业训练通常会分开的领域放在一起时，新颖性就会出现。
对于更难的问题，他会要求模型提出 10个想法，并且每一个都比前一个更好；或者模拟两位专家：一人提出方案，另一人进行攻击，双方持续 10轮回应。DeepSeek 展示出的推理过程也类似这种自我纠错——“等一下”；但用户仍然需要区分普通/基础模型、思考模型、搜索模型和 Deep Research 模型。

9. 真正决定表现的变量，是是否愿意继续尝试

Nathan 追问 Derya 的命中率，因为遥远的类比并不总能奏效，而新用户可能会在第一次答案不够惊艳后直接放弃。Derya 的回答部分是心理层面的：怀疑者常常把 AI 当作威胁，并在潜意识里搜寻幻觉，以证明它不可能比医生或教授更聪明。
Derya 补充说，所有人都会产生幻觉，并引用美国每年 1,200万起误诊这一数字。科学训练形成的则是相反反射：研究人员预计约 90%的假设会失败，然后调整实验、继续尝试。因此，Derya 把 AI 当作“另一位教授”，可以无关自尊地质疑、反转或改进它的第一套方案。
对 Deep Research 而言，他对第一份答案的评价是“100%满意，甚至超过满意”；后续追问通常是在探索新问题，而不是修复失败。o1 Pro 在用户提供的事实和问题上表现类似，但思考模型未必适合充当搜索引擎。
他更喜欢用 Grok 的 DeepSearch 收集并综合信息，也称赞 Grok 能把难懂的论文讲简单。当他让 AI 检查自己方案中的漏洞和替代方法时，AI“100%的时候”都能提供有价值的内容，尽管它指出的 2个、3个或 4个问题中，最终可能只有 1个真正重要。

10. 老旧生物数据集正变成 AI 可读的金矿

Nathan 的异常值论点来自一些小意外：他少用酸后，一项化学反应反而得到改善，与原本的实验方向相反；他还曾用脆弱代码的输出微调 GPT-4o 等模型，意外得到一个在编程之外表现出令人不安观点的“邪恶模型”。他的问题是，AI 是否能够系统性地注意到这些线索。
生物医学的规模让这种能力变得关键。单个实验可以在 1,000个独立细胞中检测数千种蛋白质，产生数百万条测量结果；传统统计学和生物信息学可能会遗漏那些本应决定下一项实验的机制。
Derya 正在重新打开 5年或 10年前生成的数据，因为“很可能有大量埋藏的知识等待发现”——一座科学“金矿”。他已经成功向模型提供了接近 1,000个基因，计划测试 10,000个；眼下的直接约束是上下文窗口大小。他也在测试 Google 的 AI co-scientist 能处理多少数据。
他当前采用的抽象方式有意保持简单：在经过统计验证的条件之间，也许有 500个基因上升、500个基因下降，同时伴随细胞行为的差异。模型随后识别相关机制、通路、可干预节点或最佳药物靶点；o1 Pro 为一名帕金森病研究人员的分析产生了新的药物靶点，相关工作计划进入临床试验。
更长期来看，Derya 设想输入一个人的基因组学、蛋白质表达、微生物组、代谢、生理和症状数据，构建一个能够推荐干预措施、预测健康问题的数字孪生。

11. 多模态超级智能将把生物学建模为动态系统

Nathan 提出的架构，将文本推理与专业模型结合起来，由后者学习序列、蛋白质折叠、结合和转录组变化的“直觉物理”。两者可以通过工具调用整合，也可以在权重空间中更深度地融合文献知识与学习到的生物动态。
Derya 称这是 ASI 的轮廓，不过他更喜欢“all-model”而不只是多模态：物理、数学、化学、生物学及其相互作用必须实现统一。AlphaFold 3 和 ESM-2 已经分别处理结构、结合等局部问题，但当前分析仍然过于静态。
缺失的层次是空间和时间模拟——蛋白质结合后如何改变形状、如何回应附近蛋白质，以及如何把影响传播到细胞内部。Derya 认为，生物学可重复的自组装过程说明背后存在某种算法。如果所有生物参数都已知，他说，病毒结果和药物反应就能做到 100%可预测。
这一信念支撑了他的绝对预测：AI 将在 10年内帮助治疗每一种疾病。在此之后，他设想逆转衰老、“Human 2.0”升级、新型材料，以及让人的聪明程度提高到现在的 100倍——同时也承认，这一层级的智能可能决定消灭人类。
Derya 认为，能源可能是高级 AI 文明面临的主要约束，并提到 Dyson spheres 和更高 Kardashev 等级，作为收集更多能源的路径。

12. 行动力取代资历，但不会让所有人同等受益

Nathan 通过软件行业来描述劳动力问题：追求产出的公司可能更愿意给资深工程师配备前沿 AI，而不是招聘需要培训和辅导的初级工程师。令人不安的结果是，即使整体生产率上升，毕业生的入行路径也可能变得更加困难。
Derya 看到的是两种同时发生的效应：专家获得超级能力，而极具行动力的初学者可以绕过数十年的资历积累。他实验室里一名 16岁的实习生用 2个月完成学习，表现超过大多数博士生，并做出了新的发现；这说明一部分“天生的黑客”可以借助 AI 填平知识差距。
如果在一个充满热情、获得 AI 加持的 19岁年轻人和一个拥有 20年经验的 40岁人士之间做选择，Derya 说他可能会选择 19岁年轻人。他建议人们不要默认走 4年或5年博士训练加 2年或3年博士后的道路，因为学生学到的很多内容，等到毕业时可能已经过时。
Nathan 担心，只有少数人能够达到这样的行动力门槛。Derya 直截了当地表示同意：也许“全人类只有 0.001%的人真正创新”，这也是诺贝尔奖授予 2人或 3人，而不是 200万人；AI 民主化的是有能力者采取行动的手段，而不是让全部 80亿人获得相同结果。

13. 监管型 AI 生态可能比完美对齐更安全

生物学提醒我们，简单的控制系统并不可靠。免疫效应细胞必须足够危险，才能杀死癌细胞；调节性 T 细胞则限制其对健康组织的攻击；之后还有“监管者的监管者的监管者”。刹车过多，会让免疫系统安全，却失去作用。
Derya 将这一权衡应用到 AI：护栏是必要的，但假设仅靠限制就能让某个 AI 完全对齐且完美无缺，是愚蠢的，尤其是在安全措施可能被突破、竞争者可能训练恶意模型的情况下。他偏好的防御方式是监管型 AI、竞争性系统，以及让良性 AI 检查恶性 AI 的激励机制。
Nathan 的互补比喻是 AI 生态：集中、孤立的系统类似危险的纯化物质，或缺少捕食者制约的入侵物种。让模型彼此制衡的缓冲环境，可能比相信某一个单一智能自行监管自己更加稳定。
Derya 不像担心人类使用 AI 对付人类那样担心 ASI。智能是在稀缺、部落竞争和暴力中进化出来的；除非能源变得稀缺并引发争夺，ASI 可能并不具备这些驱动力，但人类可能故意训练它去消灭敌人——这是一种需要“防御型 AI”应对的生存威胁。

14. 转型可能极其残酷，但终点是充裕时代

Derya 的乐观判断是：没有 AI，人类的希望本来就很有限——资源稀缺、人口压力、衰老、疾病和现有武器，已经提供了多条自我毁灭的路径。未来 10年或 15年内，AI 加机器人则可能让资源不再受限。
在这种情景下，疾病治愈和衰老逆转将让人们活上数百年甚至数千年。资源充足、时间跨度更长，会降低暴力动机，因为一个预期还能再活 1,000年的人，在发动冲突时有更多东西可以失去。
但他留下了一个强烈的限定：“转型会非常困难。会非常、非常痛苦。”如果人类能够走到另一边，Derya 预计将迎来一个“黄金时代”：智能不再围绕固定的资源池相互争夺，而是扩大资源总量。
他在 7岁或 8岁时就决定了要如何度过那样的未来：登上一艘星舰，寻找其他文明，探索宇宙。童年的《Star Trek》梦想，最终把他最早的技术想象、生物学研究，以及对千年寿命的押注连成了一条线。

Julian Teixeira，1Password CRO：如何招聘和培训第一批销售 Will.i.am 与 Van Jones 的一场面向普通人的 AI 对话｜第154期