另一方面，无论是AlphaGo还是AlphaFold2，都是某一领域的专业软件，但ChatGPT更像一款平民版AI，能够承载几个亿的用户一起测试，因此，它在覆盖面、影响力上，都远超AlphaGo和AlphaFold2。未来，大家肯定希望像ChatGPT这样的技术能够应用在生命科学场景中。
比如，现在的医疗问题是大家有问题找专家，但在医疗资源分配不均、医疗供给量不足的情况下，这一问题始终得不到解决。那么ChatGPT就可以发挥出“消费级应用”的特长，渗透入看病、制药等环节，降低专家依赖，一步讲清所有深奥的“病理、药理”。而经历过疫情三年后，大家更关注健康问题，我们也更加期待ChatGPT能够联姻生命科学，实现跨越式发展。
许锦波：从AI的角度来说，ChatGPT的出现意义可以和AlphaGo、AlphaFold2相提并论。它们都是重大技术突破，激发的讨论突破了业界的范畴，外溢到公众层面，可见影响力巨大。但是从生命科学角度来讲，在蛋白质设计等方面，ChatGPT并不专精。实际上用AI进行蛋白质设计或预测蛋白质结构，两年前甚至三年前就发生了，只是模型比ChatGPT更小，当时的算力也比较小。
因此，如今AI领域面临的重要问题是，现在的算法跟两年前的AI算法，到底有没有本质上的区别？
至少目前来说，我没看到本质上的区别。当然，在蛋白质设计上，现在的算法相比于传统算法确实取得了进步，很多人也在讨论，我们是不是要研发出一个ProtGPT，大幅度提高蛋白质设计的成功率？但要明白一点，所有通过AI设计出来的蛋白质都要有湿实验验证。如果未来AI能够大幅度降低对湿实验的要求，降低实验成本和时间，甚至用计算验证来替代实验验证，那将是更大的进步。
技术不确定性，成为最大隐忧
当ChatGPT/AIGC大展拳脚，生命科学领域最明显的变化会是什么？另一方面，这种概念对于生命科学行业，是否有不确定性或者危机？
周耀旗：我觉得AI已经为生命科学带来了很大变化，特别是AlphaFold2对大部分蛋白质结构的预测，与真实结构只差一个原子的宽度，达到了人类利用冷冻电镜等复杂仪器观察预测的水平。这一重大成果虽然没有引起媒体和广大民众的关注，但生物领域的科学家反应强烈。
可以说，AlphaFold2对生物机制的理解，对药物设计都带来了正面影响。当然，未来AIGC一定为生命科学带来更大的变化，比如AI设计的蛋白质会越来越多，进一步补充PDB蛋白质结构数据库、功能库，推动人类对生命科学的理解进入到一个新的高度。
与此同时，ChatGPT对于生命科学行业也有很大的不确定性：
一、预测是否错误，错误率是多少，以及是否误导用户。因为AI是通过海量数据训练出来的，因此这一缺点也与大数据的问题一样：数据很精确但错得离谱。相比而言，AlphaFold2有一个plDDT打分函数，但是打分函数并不一定完全正确，有时候还是错的；
同时，我们也不可能对每个设计结果都做验证，所以有时候还是很受误导，得出一些错误的结论。但目前我觉得是可以忍受的，因为模型训练本身就是在纠错，除了蛋白质设计以外，其他生物高分子的应用也是会越来越多，不仅仅DNA、RNA、代谢组、糖等各方面都会大展宏图。
二、鉴于ChatGPT会把原来一篇文章重新编辑，那么我认为未来最大问题是出现假论文、编造假实验数据、甚至用这个技术做坏事，比如产生新病毒、新细菌，都是潜在风险。
所以长期来讲，AIGC会随着时间更加成熟，这种不确定性和危机也会更加隐蔽，可能十几年、三十年左右就会来临。我们需要在科学研究能力和风险管理上提前做好准备。
宋乐：我可以想象，随着数据量越来越多，算力越来越强，AIGC模型本身的生成能力，以及各种外挂功能（亲和力、稳定性、表达量）的加持，或许未来非常多的蛋白质设计工作都是在计算机里进行，后端的湿实验数量就会大大减少。
那么当ChatGPT/AIGC大展拳脚，生命科学领域最明显的变化，我认为有几点：
一、实验人员减少，要求也因此下降，未来或许也不需要那么多的人体临床实验；
二、实验工作者也要学习数据分析，朝AI的方向走，以及一些高校会将计算机课程设立为药物、生物等专业学生的基础课；
三、一些新的工作机会也会创造出来，比如如何更好地衔接外挂和AIGC模型，如何真正地推动AIGC模型加速药物设计。
但从我的感受来，生物的复杂程度各不相同，比如目前数据量最大的蛋白质序列，那么“AIx蛋白质设计”会最快落地，可能是未来3～5年。但是复杂度更高的领域，比如蛋白质相互作用、细胞设计及相互作用、器官设计以及相互作用，它们需要更多的数据，更大的算力、更长的时间打造AI模型。
总体来说，AI在朝着那个方向走，只不过是时间长短的问题。
薛贵荣：可能我们最快感受到的变化，是药物研发速度大大提高，比如以前研发一款新药究竟有多难？医药界有个“双十定律”：一款新药从研发到上市，平均需要10年时间和10亿美元的投入。
那么AIGC的发展，时间、资金可能都会缩短，准确度还会有比较大幅度的提升。
当然周教授也提到，或许不同目的的人会加速制造一些病毒细菌，那么未来监管局既要推动优势药物上市，也要防范生化危机，需要尽快建立系统性的管控制度和规范。
潘毅：刚才几位教授都讲得非常好，那么我认为，ChatGPT/AIGC这种技术应用在生命科学领域，第一大危机是什么？
因为生命信息领域有诸多基因数据库，假设有人放入一万个有攻击性的数据，并将某些基因数据跟疾病关联，最终预测结果失准。目前我们还没有看到这样的事情，因为ChatGPT刚刚出现，大家普遍想用它写出“好文章”，前后衔接、逻辑连贯、辞藻优美。但如果你的目的是生成有破坏力的内容，就会拿“烂文章”训练它，甚至ChatGPT也可能被引诱去做坏事。
二、巨大的算力和电力消耗量。
从技术原理来看，ChatGPT基于Transformer技术，随着模型不断迭代，层数也越来越多，对算力的需求也就越来越大。从运行条件来看，ChatGPT完美运行的三个条件：训练数据+模型算法+算力，需要在基础模型上进行大规模预训练，存储知识的能力来源于1750亿参数，需要大量算力。
要知道，一个参数要很多数据支撑，近2000亿的参数中需要多少数据，要消耗多少电？假如每个国家每个地区都这么做，能源可能就是一个问题。所以规模也不能这么扩大，我还是强调打造专业领域的BioGPT。
三、用户沉湎、数据隐私、版权伦理。
用户过分依赖于AI从事内容创作，可能导致内容非原创，缺乏创造力，引发版权问题，甚至隔绝物理世界，影响身心发展，社会整体运作效率反而降低。
许锦波：ChatGPT带来的好处，至少让AI蛋白质设计领域的从业者更有信心。最近一两年，由于AI的深入发展，蛋白质结构及功能研究取得了巨大的突破，从传统的物理和统计方法快速走向机器学习，乃至深度学习；分子生物学界的研究范式，也从基于序列的研究转向基于结构的研究，极大提高了蛋白质从头设计的效率。
而在产业界，AI蛋白质发现和设计也乘势而起，成为全球瞩目的热门赛道。
但目前来说，大家还无法确定：AI设计蛋白到底能做得多好？相比于传统方法效率能提高多少？实验要求能够降低多少？这些都还需要继续探索。
手握ChatGPT入场券，中国能否「弯道超车」？
龚新奇：黄民烈教授接受采访及近年的现象所示，美国在AI的基础研究上积累深厚，中国则是强于AI的场景应用。在ChatGPT之后，百度将于3月上线ChatGPT产品，名为文心一言。当AIGC用于生命科学领域，中国在技术落地、产业转化上，是否具备“弯道超车”的机会？
薛贵荣：最近AIGC和ChatGPT的讨论特别多，国内又兴起了一波AI热潮。但就像刚才潘毅教授讲到的一个关键问题：必须建设各领域的专业版GPT。
在各块专业领域，中国已经积累了大量知识库，或许我们有机会做到弯道超车。尤其是在生命科学领域，中国的蛋白质设计技术与国际基本上处于同一水平，已经实现了核心技术的原始创新，为工业酶、生物材料、生物医药等功能蛋白的设计奠定了基础。
举个例子，去年12月1日，华盛顿大学David Baker团队发布了RFDiffusion、同日波士顿蛋白质设计公司Generate Biomedicines发布了扩散蛋白生成模型Chroma、同月Meta发布基于150亿参数的ESM2语言模型，实现全新的非天然蛋白质设计。今年年初，加州伯克利的一家初创公司Profluent也称采用类似ChatGPT的蛋白质工程深度学习语言模型——Progen，首次实现了AI预测蛋白质的合成。目前我们也自研了一款扩散模型TRDiffusion，设计多种多样与天然蛋白质截然不同的全新单链蛋白质及复合体，目前已进入实验验证阶段。
实际上，无论是中国也好，美国也好，最大的优势是大家都能利用蛋白质设计技术，撬开生命科学的窗口。那么后续大家会更加重视生命科学的产业环境，无论是创新药环境、环保能源环境、食品安全环境等等，都会跟上技术研发的速度。所以我觉得，无论是科技研发、产业落地、还是风险投资，我们一定要对未来的产业环境有足够的信心和投入。
对于天壤而言，未来在算法升级，干湿实验室搭建、平台开发上都需要很大的投入；
其次，大家都知道，蛋白质被称为“生命的基石”，在已知的天然蛋白质的背后，蕴藏着一个隐密而巨大的“蛋白质矿山”。大家都想最先找到那块金矿，这方面特别考验团队的算力、算法、人才队伍，以及下游的产业合作。所以这是一个联动的工作，研发做快了，后面也得跟着快。
因此，回到刚才讲到的中国能否弯道超车的问题，我认为这是一个非常具有挑战性的事情，但最根本的一点，我们不能从一直follow别人的技术，而是要从中国本土的产业转化和人民需要上找问题，这才是我们弯道超车的机会。
周耀旗：我认为如今的ChatGPT有点像新一波AI热潮。
2020年AlphaFold2出来的时候，大家对AI的兴趣特别大，很多投资方出手，但很快发现AI公司并没有那么快出效果，所以去年AI热度又降了下来。如今ChatGPT让AI再次回热，但也有人发现它距离SOTA （state-of-the-art model，最先进的模型）还有一段距离，所以我估计大部人很快又会失望。
另一方面，从公司的角度来说，OpenAI公司成立于2015年，8年时间才产生了ChatGPT这样的轰动项目。但国内有多少家投资商和公司，有耐心等8年？
有人说，中国会发展出更好的ChatGPT，认为中文内容的广度、深度远远超过英文内容。实际上，如今即使是中国人所发表的前沿知识，大部分都是以英文的方式呈现。英文知识库扩大的速度很快，而中文很慢。因此，只有把中英知识全部结合起来，才能充分利用全人类的积累的知识。
相关阅读 >>
中科院 AI 团队最新研究发现，大模型可通过自我验证提高推理性能
得印pos机全国官方客服电话热线大全已更新2023(实时/更新中)微软专为网络安全专家推出AI聊天机器人
夸克举办“AIgc与场景化应用创新”主题研讨会 探讨大模型应用新趋势
openAI ceo回应chatgpt作弊担忧：将协助开发检
openAI ceo：chatgpt周活用户数达到1亿、囊括92
AI开发“众筹模式” 为矿山行业找场景和应用――第一届全国煤炭行业矿山AI大模型大赛决赛暨颁奖典礼在京举行
meta开启长期AI研究项目 欲让人工智能像大脑一样处理语音和文本
更多相关阅读请进入《AI》频道 >>
