RJ Honicky
前沿洞察
AI 正将实验科学重塑为以软件与世界模型驱动的“假设—验证”闭环系统，中立平台层已在抗体与高韧性材料设计上展现多倍击穿传统筛选的生成力。然而，突破的终局不在算法本身，而在物理真值：材料界缺乏统一边界与真值，验证器漏洞、湿实验物流延迟与可制造性，才是制约规模商业化的真正硬瓶颈。
观点集合
🔬生物安全是一场 AI 军备竞赛——Eric Nguyen（Radical Numerics CEO）
Radical Numerics押注基因组语言模型从读取DNA走向设计生物功能，并以Omni的后训练强化变异效应预测。其切入口是约98%的非编码人类基因组，但设计序列仍待湿实验验证，数据泄漏、误报与防御落后将决定落地速度。
查看摘要（7段）
Radical Numerics押注基因组语言模型将从读取 DNA 走向设计 DNA，并在同一套技术路径中内置防御能力。 Eric Nguyen梳理了从 HyenaDNA 的百万 token 上下文，到 Evo 的生成式基因组学，再到 Omni 的任务对齐。由于能够设计生物功能的模型也可能识别生物功能，公司确立了覆盖科学发现、人类健康和生物安全的“双重使命”。
Omni所称的突破不只是规模，更在于把基础模型变成可用基因组系统的后训练。 Evo 和 Evo 2 展现了广泛能力，但在一些任务上仍可能输给专用模型；Omni通过任务专属格式、特殊 token、监督样本和问答结构，回答“某个突变是否致病”这类实际问题。Nguyen称，这推动Omni在变异效应任务上达到当前最先进水平，尤其是在长距离、非编码 DNA 领域。
最具价值的切入口，是人类基因组中约98%的非蛋白编码区域——传统解读在这里最薄弱。 蛋白编码区域只占基因组约1.5–2%，而大量疾病相关变异位于调控区域，其影响取决于具体上下文。Omni比较野生型与突变序列的似然，将差异转化为“意外因子”，再通过对齐训练输出可以直接使用的预测。
Radical最具推测性的设计结果，把生物优化轨迹视为基因组版本的链式思考。 研究给模型输入按适应度从低到高排列的 RNA 适配体，模型延续这一轨迹，生成了评分高于训练样本的合理序列。Nguyen反复强调，这一结果仍需湿实验验证；但他认为，该范式可以延伸至抗菌噬菌体和具有选择性稀土结合能力的蛋白质。
公司提出的技术优势，不是孤立的蛋白质结构，而是更长的生物学上下文。 Nguyen将 DNA 称为“物理世界的印记”：上游调控区域、邻近基因、物种身份和进化历史，都可能约束哪些设计是合理的。这一框架支持建立覆盖 DNA、RNA、蛋白质、表观基因组学、代谢组学、最终延伸至自然语言的统一模型，而不是一组单模态工具。
生物安全既是使命承诺，也可能成为产品类别，但双方并未假装筛查问题已经解决。 Radical将防御拆分为检测、归因、对策和政府层面的威慑；其模型的目标，是即使序列不再匹配已知病原体数据库，也能识别功能性危险。RJ的反驳很现实：在数十亿条序列的规模上，误报可能阻碍正常研究；而与软件漏洞不同，“我们的基因组是固定的”，无法简单打补丁。
不过Nguyen仍认为这是一场“军备竞赛”，因为设计能力正在进步，而生物防御明显落后。 近期更近的风险可能是意外释放，但国家生物武器项目在战时仍是重大担忧。他明确指出的瓶颈包括 GPU，以及一个文化层面的瓶颈：科学家需要领域专业知识，同时还要保有足够想象力，去挑战根深蒂固的工作流程。