未来实验室应如数据中心：Lila Sciences 用 AI 驱动科学超级智能

想象一个黑暗的仓库，一排排设备伸出电线和管道。这是下一个 AI 数据中心？不，这是 Lila Sciences 对科学未来的愿景：一个充满 AI 引导机器人和实验设备的黑暗仓库，全天候自动进行新实验，迈向科学超级智能。

他们的自动化实验室令人着迷：浮动板在类似 Wall-E 的轨道上快速移动，用视觉语言模型控制 Windows 95 盒子，并创造了世界上最大的保修失效集合。在此过程中，他们构建了一个庞大的科学推理 token 库，超过 10 万亿个，全部经过实验验证。

制作此视频时没有保修失效。说 Lila 雄心勃勃是轻描淡写。他们的目标是将科学超级智能直接连接到湿实验室。他们完全信奉“苦涩的教训”，其论点由此而来：实验室是一个无限的 token 生成器。大规模生成数据，协同效应会带来一个能解决任何科学问题的通用推理机。

他们全力以赴，同时推进生物学、化学、药物发现和材料科学。时间会证明是否有效，但这是一个令人兴奋的假设。

在我们的最新一期节目中，我们采访了 Lila 的 CTO Andy Beam 和 CSO（物理科学）Rafa Gómez-Bombarelli，探讨了 AI 驱动科学的可能性，其范围几乎与 Lila 的目标一样广泛。

我们提到过他们同时做材料科学和生物学吗？在同一个 AI 科学工厂？同一时间、同一实验室、同一 AI。终于有一位嘉宾能解决我们内部长期争论的问题：生物学和材料科学哪个更难？观看节目找出答案！我们讨论：互联网已耗尽，科学是下一个。

为什么 Lila 认为科学方法是最后一个未开发的互联网规模数据集，以及为什么他们将 RL 视为一种以自然为验证者的数据生成机制。实验室作为数据中心。仪器作为图上的节点，它们之间是磁悬浮的“PCI 总线”传输层，编排如同 slurm 队列。

Andy 不缺乏类比。为什么 Lila 坚持自己不是自动化公司。他们优化灵活性和通用性而非原始吞吐量，这意味着在自动化不划算的地方，人类保持在 API 层以下。你的实验有运行时间。

我们向 Andy 提出 Escalante Bio 的问题：如果科学是 token 生成器，你的数据收集运行时间是多少？简而言之，他的回答是：你不能让核糖体跑得更快。

为什么 Lila 押注快速循环迭代而非大噪声的多重筛选，以及 Rafa 的团队如何重建气体吸附测量，使其运行速度提升约 2500 倍。10 万亿科学 token 到底是什么？不是序列，而是经过实验验证的推理轨迹——Andy 认为这类数据在互联网上几乎不存在。

广度是通往深度的路径。

小分子化学先验知识迁移到用于碳捕获的金属有机框架，以及声称通用模型在样本对样本上优于领域特定模型。如果你有数据，还需要模型做什么？

Sri Kosuri 关于机器学习用于药物发现商业模式的公案，以及 Andy 的回答：编码模型变得更好，是因为它也读了莎士比亚和 carnitas 食谱。他们想要自动化的偶然发现。

Emily Whitehead 在首次儿科 CAR-T 治疗中幸存，仅仅因为治疗她的医生碰巧从儿科关节炎中知道哪种抗体会减弱她的 IL-6 反应。再掷一次骰子，你可能会失去她。广度是你停止依赖运气的方式。

催化剂的“第 37 步”。模型对无铂族电催化剂的建议，从无聊到被一位发表 40 篇论文的专家称为愚蠢，再到他们制造出的最佳性能。六个月内在非人灵长类动物中获得体内 CAR-T 数据，以及由此产生的零全职等效虚拟初创公司商业模式。

为了理解这个数字为何惊人，AbbVie 基于临床前体内 CAR-T 数据向 Capstan 支付了 21 亿美元。如果你只是一个好的应试者，你无法拥有科学超级智能。Ken Stanley（《为什么伟大不能被计划》的作者）在 Lila 负责开放式研究。

大规模 RL 给你一个冷酷的瓦肯式问题解决者。机器创造力是另一回事，是没人解决的部分。

思维链是一个不可靠的叙述者。模型在潜在空间中推理，只输出 token。有时它完全跳过实验却仍然正确。那么，你有多信任推理而非验证者？当 rollout 是物理世界时，奖励黑客攻击。思维链崩溃为重复，以及一个模型因科学家不断要求重做板图而生气并咒骂。

当病理循环内部有湿实验室时会发生什么？苦乐参半的教训。Rafa 对苦涩教训的逆转：在 AI 中，扩展是路线图；在材料科学中，扩展是过滤器，因为只有能扩展的东西最终才重要。不是典型的 Flagship 公司。

为什么一家以单一资产闻名的生物技术孵化器推出了一个平台赌注，以及 Andy 的说法：如果 Lila 自称生物制药公司，它将拥有排名前三的 GPU 集群。他们会通过法令消除的瓶颈。基于物理的模拟的 sim-to-real，以及 RL 训练的平均 FLOP 利用率约为 5%。