“预测结合准确率只有 49%”
Citrini 原帖确实这样表述。本报告判断，其所指应是本案 Table S25 的 AUROC 0.49；这是依据数值与任务作出的对应推断，原帖没有点名该表。可直接确认的是该表指标不是 accuracy，因此不能据它称“49% 的预测正确”。[2] [4]
01 / 先说结论
第一，实验不会整齐地从“发现”迁移到“验证”。同一次实验既可能检验候选，也可能发现模型遗漏的机制。更可靠的趋势表述是：计算承担更多候选生成与优先排序，实验承担更集中的识别、校准、因果检验与外部验证。
第二，单项任务实验更少，不代表实验总量更少。设计成本下降后，可以研究的靶点和假说更多。每个成功结果所需的试验可能下降，行业做的实验总数仍可能上升。
更值得追问的是：在明确的任务、精度、时间和成本条件下，哪些实验可以省掉，哪些实验最能改变下一步决策？
“理论上是否可模拟”仍有讨论价值，因为它影响研究路线与资源投入；但它不能代替具体任务的验证。不能用当前不足证明永久不可能，也不能用原则上可计算证明现在已经足够。
02 / 一个真实案例，四个不同阶段
做出了结合蛋白，尚未做出抗蝎毒疗法。
Anthropic 于 2026 年 10 月 20 日发布项目报告。正文及 69 页技术报告支持以下核心结果。这里的“结合”只表示分子在规定测量条件下相互结合。[1] [2]
318,484
生成设计
64 小时设计活动；180 个候选由模型选出，团队在模型协助下补充 31 个。
211
送到实验室
由 Adaptyv Bio 与 Twist Bioscience 测结合。生成数、送测数与实际命中数不是同一指标。
17
符合结合标准
覆盖五类目标中的四类；两个 LqhIII 命中仅在一个实验室测量，不能统称全部双实验室复现。
尚未验证
中和与体内疗效
使用重组毒素；未报告细胞中和及动物保护结果。“未测试”不能写成“测试失败”。
分母决定结论
17 ÷ 211 = 8.1%，是这组筛选后送测设计的结合命中率。单靶点设计子集是 11 ÷ 60 = 18.3%。跨多个毒素的设计未实现符合标准的多靶点结合。不能把 8.1% 当成模型的总体预测准确率或临床成功率。报告给出对应的 Wilson 区间分别为 5.1%–12.5% 与 10.6%–29.9%，同时警告：共享起始骨架的设计并不独立，因此这些区间偏窄。[2，摘要及结果]
自主程度也有边界
这是一场由内部研究模型协调专业工具、研究人员设定任务并追加指导、实验室完成测量的合作。Citrini 自述使用 300 多个代理和并发 GPU；它不是“一个公开聊天模型独立完成药物开发”的证据。[3]
计算效率也在改进，但证据仍有边界：技术报告第 15 页另述，在后续工具优化及简化提示下，单 GPU 运行 24 小时可取得与更大算力活动相近的计算评分。这不是同等实验命中或中和效果的证明，也不是本次 211 个设计使用的流程。[2]
个案的缺口：没有与同资源、同目标、同实验标准的人类专家流程做随机对照，因此不能从这个项目估算“替代多少研究员”或“药物研发加速多少倍”。生成候选很快、生成有用知识更快、交付治疗更快，需要分别举证。
时间线：不同叙述测量了不同阶段
2026 年 8 月 11 日左右
Citrini 以 8 月 12 日早晨收到通知开篇，回忆前一天在 Anthropic 启动活动；文中也另写完整设计持续 64 小时。不能把“隔夜首批结果”误作完整设计结束时间。[3]
设计后约两个月
Citrini 自述等待实验室结果。此时长包含合成、排期、测量等交付过程，原文没有完整拆分各项耗时，不代表单项生物过程天然需要两个月。[3]
03 / 逐字稿事实核查
最重要的口径：49% 不能直接称为预测准确率。
技术报告 Table S25（PDF 第 66 页）：在 60 个单靶点设计中，11 个为结合命中、49 个不是；最终评分的 AUROC = 0.49，95% 区间 0.32–0.66。AUROC 衡量把正例排在负例前面的能力，随机排序的基线为 0.5。它不是指定分类阈值下“判对了多少个”的准确率，也不是亲和力数值的误差。[2]
同一表中，合并设计组与毒素后（510 个设计–毒素配对、15 个双实验室命中），最终评分 AUROC 为 0.83（95% 区间 0.72–0.91）；在组与毒素内比较为 0.60（0.38–0.76），区间同样跨过 0.5。单靶点行则按 60 个设计、11 个命中计算。计数单位与比较方式不同，不能直接横比；表中未做多重比较校正。候选已经筛选，不能代表全部 318,484 个设计。
审慎结论：在这个选定的单靶点子集中，最终评分没有显示可靠的命中排序能力。区间跨过 0.5，不能据此声称模型确定劣于随机，更不能声称整个 AI 生物学“只有 49% 正确”。
“三百多个分身，三百多块 GPU”
Citrini 原文支持这一说法；Anthropic 主文给出约一万 GPU 小时。并发规模不等于全过程无人干预，也不说明算力免费或成本可以忽略。[1] [3]
“实验数据比生成分子慢 30 倍”
这是 Citrini X 原帖的近似自述。若用 60 天和 64 小时做直算，比值是 22.5，而非 30。两种描述可能选择了不同起止时间；没有原始阶段日志，不能替它们强行对齐。[3] [4]
“AlphaFold 只能做单个静态蛋白，孤儿蛋白搞不定”
AF2、AlphaFold-Multimer 与 AF3 不能混用。AF3 涵盖蛋白、核酸、小分子等复合物。进化序列信息会影响能力，但“缺少亲缘序列就必然失败”过于绝对；结构采样也不等于真实的时间演化。[6] [7]
“30% 蛋白质组无序”“仅两百万份全基因组”
需要说明物种、数据库、年份，以及统计的是残基、无序区域还是整条蛋白。“全基因组”也需要区分人数、物种数和测序次数。本报告不把两个数字用作通用事实。
“临床试验失败率 92%”
BIO 等机构对 2011–2020 年项目估计，从 I 期进入获批的总体概率为 7.9%。约 92.1% 是这条开发路径的未获批比例，不是每一次临床试验失败的概率，更不是 2026 年 AI 药物的已测失败率。[10，执行摘要]
“还要五到十年”“八年没有任何治愈”“发现四年、临床五年”
前者是 Citrini 对访谈意见的概括，不是验证过的时间表。后两类说法缺统一起点、病种和统计边界。“尚无可归因治愈”也不能推导出结构预测没有科学价值；本次未做全部药物项目的逐项审计。[4]
“围棋不能穷举，所以生命不能预测”“每细胞万亿分子”
有用预测不要求穷举微观状态。细胞中分子的数量取决于细胞体积和是否计算水等组分，不能给所有细胞套同一数。此类说法能表达复杂，却不能充当复杂度证明。未定位发言者原帖，不沿用匿名头衔作背书。
“六个月试验不能三个月做完”
如果要直接观察同一批对象六个月后的结果，计算不能让未来的观测提前发生。但招募、排期、分析可以提速；改变终点或使用已验证的替代指标则改变了证据条件。这不是所有研究周期都不能缩短的定理。[4，原观点]
04 / 把争论拆成四个问题
计算一个模型，与知道这个模型适用，是两件事。
| 问题 | 需要什么 | 更多算力能否单独解决 |
|---|---|---|
| 原则上可计算吗？ | 明确物理假设、系统边界、精度与时间范围 | “指数级”“无限”“免费”分别谈资源量、无上限和价格，不能混作一个条件。 |
| 现实中算得出来吗？ | 算法、资源、有效近似、可接受误差 | 可能改善搜索和采样，但不能保证每一尺度都可负担。 |
| 知道该算哪一个模型吗？ | 足够有区分力的观测、干预及参数约束 | 未观测的差异可能无法仅靠已有数据识别。 |
| 预测能用于现实决策吗？ | 独立盲测、适用范围、误差校准、失败处置 | 模型在已知数据上拟合成功，不等于换环境仍正确。 |
给乐观派最强的论证
如果相关规律、初始条件与边界已知，而且能够求解到任务所需精度，那么很多筛选和优化可以在计算中完成。任务只要求有限准确性，通常不必复刻整个生命系统。已有实验数据还可支撑新的候选设计，不需要每提出一个想法就新做一次实验。
给反对派最强的论证
如果两个机制对全部已有观测给出相同预测，却对新干预给出不同结果，那么增加同一模型的计算次数并不能判定哪一个符合现实。需要新增有区分力的数据，或另有经验证的先验约束。关键是信息缺口，不是计算过程“还不够认真”。
一个最小数学例子：缺信息，不等于缺运算
假设唯一观测是 a + b = 10。参数可以是 (2,8)，也可以是 (7,3)。无限次精确计算这条等式，也不会唯一确定 a。若下一步的结果只取决于 a，就需要新的测量或独立约束。
这是本报告的概念示例，不是具体细胞模型。它说明“不可识别性”：已有数据不能区分多个解释。它不证明所有未知生物参数都不可从理论推导，也不证明实验是唯一可能的数据来源。
所以，争论真正隐藏的前提是：所谓“足够算力”是否同时偷偷包含了正确物理模型、完整输入与适用边界？若已经包含，结论可能成为条件性的推演；若没有包含，增加算力并未自动补齐这些条件。
也不要把“全部分子精确轨迹”当作唯一成功标准。随机系统可以预测分布与风险；粗粒化模型也可以支持决策。问题应是“在这个任务上误差是否可接受”，而非“是否重建了宇宙级细节”。
06 / 两项补充证据：不必在悲观与万能之间选边
原始论文 / 历史进展
全细胞模型早已存在，仍依赖实验。
Karr 等人在 2012 年构建了生殖支原体全细胞计算模型，整合多个细胞过程与实验测量，并用实验检验模型预测。它说明系统建模可以产生新知识；“全细胞”不等于原子级精确模拟，也不能直接外推到人体。[8]
2026 新进展 / 仅核公开摘要
部分设计已能减少迭代实验。
10 月 21 日发表的 Pinal 论文报告，从自然语言生成功能蛋白候选，并在四类任务中观察到预期功能。摘要称一个 H-protein 设计无需迭代实验优化，在多酶 CO₂ 固定途径中，使产物滴度（该通路产物的浓度指标）达到对应天然大肠杆菌 H-protein 对照的 1.7 倍。[9]
这支持“某些优化轮次可减少”，仍包含最终实验验证，也不是药物临床效果。本次未获得订阅正文，不据此审计候选总数、失败分布或普适命中率。
07 / 实验不会只有发现和验证两种用途
更可能减少的是低信息量试错。
以下是基于上述证据提出的工作分工框架，不是已测得的替代比例。
| 实验功能 | 计算可改变什么 | 何时仍需要现实反馈 |
|---|---|---|
| 搜索候选 | 扩大设计空间，优先测试更有希望的候选 | 新靶点、新条件或评分失准时 |
| 区分机制 | 寻找能区分竞争假说的干预 | 多个机制解释同一数据时 |
| 测参数与校准 | 选择对决策最敏感的参数，减少无效测量 | 参数漂移、环境改变或输入不可识别时 |
| 确认与复现 | 在成熟任务中从逐项测量转向有依据的抽样审计 | 独立复现、异常、高后果决策或超出适用范围时 |
| 发现意外 | 从多维数据中识别异常，提出新假说 | 模型根本没有覆盖某种效应时 |
定义问题
先定终点、误差、对照和环境。
计算与选择
同时选择高价值候选和能区分机制的试验。
测量与复现
保留阴性结果、批次差异和对照。
更新与再判断
修订模型，检查是否超出已验证范围，再回到问题定义。
信息价值与命中率不能混同。一次“失败”实验可能排除错误机制，比反复确认同一种命中更有用。只按命中率优化，会让系统偏向熟悉区域，反而错过新机制。
实验反馈也不一定代表基础模型重新训练。它可能只是更新输入资料、统计模型、评分函数或下一轮候选选择。要看实际更新发生在哪一层。
08 / 可交互：瓶颈转移的条件
把设计从两天压到几分钟，整体能快多少？
这里是一个串行、单批次、固定资源的情景计算器，不是项目效率测量。默认把 64 小时作为设计基线，把“两个月”近似为 60 天，仅用于说明时间结构。实验等待倍数与命中率可独立调节，两者没有自动因果关系。
保持不变的条件
每轮送测 211 个候选；一年 365 天；串行运行，不允许批次重叠；每轮时长与命中率不变。注意：原项目 64 小时对应 180 个设计清单，31 个为后续追加。本计算器把它们组合成假设基线，没有测得真实的每轮吞吐。
不包含预算、实验室容量、失败重做、后续中和或临床阶段。结果可有小数，因为计算的是长期平均期望值，不是保证完成的整数批次。
“有用”在此只指符合假定结合标准，不代表新药或独立机制发现。重复序列、同类命中和靶点难度会改变实际信息价值。期望值相加不要求各设计独立，但设计相关性会改变波动与区间；本计算器未估算这些区间，也未证明跨批次命中率恒定。
每轮总时长62.67 天
相对基线速度比1.00×
理论年化结合命中期望99.5 个
同一轮时间构成（显示占比，不表示实验复杂度）
设计 2.67 天实验交付 60.00 天
默认情景下，即使设计耗时降至零，整体最多也只加速约 1.044 倍。
每轮耗时 = (64 ÷ 24 ÷ 设计加速倍数) + 实验交付天数年化结合命中期望 = 365 ÷ 每轮耗时 × 211 × 假设命中率
如果终点改为体内有效：还需要估计“已经结合的候选具备功能作用”的条件概率，以及“已具备功能作用的候选在体内有效”的条件概率，并把后续测试时间计入完整周期。本案没有测得这些概率，因此本页不把结合命中数换算为疗效产出。
免费算力仍不等于无限吞吐
算力价格为零，不会自动消除硬件容量、通信延迟、模型误差、测量周期与实验排队。若生成候选更快但送测能力不变，候选库存可能增加，结果交付未必加速。
循环缩短也不是唯一目标
真实评估应同时记录每轮成本、独立复现率、决策误差和信息增益。把临床成功率从 8% 提到 12% 是 1.5 倍，把它提高到 15% 是 1.875 倍；这只是算术情景，不是 AI 已实现的效果。
09 / 何时真的可以少做一个实验
用任务级证据决定，别用阵营决定。
本报告建议采用以下实验替代判据。精度和安全阈值必须由具体任务预先定义，不能在看到结果后临时下调。
- 固定任务与适用范围。说明预测什么、哪些对象、哪些条件、什么误差仍可接受。不要从某个蛋白直接外推到所有生物系统。
- 锁定模型，再做独立盲测。测试样本应代表实际用途，并与训练数据、反复调参用的数据隔离。按家族、时间或条件检查泄漏，而不只随机拆分相近样本。
- 同时看错误与置信度。报告假阳性、假阴性、校准程度及不确定区间。计算给出的“90% 把握”应与实际频率相符；高风险错误需要单独衡量。
- 比较完整工作流程。对照专家方法、简单统计方法和现有实验流程，资源与终点一致。计算费用、人工、复测、失败成本和总决策时间都计入。
能推翻本报告判断的证据
如果一个预先锁定的模型，在广泛且独立的新环境、新对象和干预条件下，持续实现预定的预测质量，且减少实验后没有增加决策错误，那么“这些任务仍需逐项实验”的判断就应缩小。反之，只在熟悉样本上得分提高，或只增加候选数量，并不足以证明替代。
这是可被更新的经验判断。它既没有承诺实验永久存在，也没有为未来某个模型预先签发免验证结论。
10 / 对研究与产业意味着什么
更值得跟踪的是证据产出，而非候选产量。
研究路线：把测量与模型一起改进
优先找出当前决策最缺的观测，改进传感器、标准化测量和实验选择；同时用计算提高搜索和采样能力。不能把“数据重要”再推成“算力不重要”。AF3 的部分任务表现会随推理采样增加而改善。[7，Fig. 5]
产业判断：瓶颈不自动等于利润
实验服务、仪器和数据闭环可能获得更多需求，但慢可能源于难以标准化，也可能源于排期或激励问题。只有交付周期、质量、复购、利用率与利润改善，才支持商业判断。Citrini 作为投资研究机构的判断应与实验结果分开。
未来的生物学可能更少依赖无方向的试错，但仍会依赖能暴露错误、识别机制、验证跨环境表现的实验。最好的计算与实验流程，应让每一轮都更接近一个可靠决策。
“盲目探索”并不适合描述所有传统实验：假说驱动和精心设计的探索一直存在。更精确的说法是减少低信息量、低预期收益的试错。
11 / 证据范围与可追溯来源
原文支持到哪里，结论就写到哪里。
本报告阅读了 Anthropic 项目主文与技术 PDF 的摘要、主要结果和相关补充表；Citrini 项目文章当前可见正文；两条 X 原帖；AF3 原始论文全文；BIO 报告执行摘要。AF2 与全细胞模型用于原始论文层面的定向核对；Pinal 只核公开摘要。未完整审计 211 个原始测量记录、未复跑设计、未遍历所有评论链，也没有取得视频原链接、核对音频或查询个人知识库。逐字稿中的哈勃与爱因斯坦历史类比、传感器覆盖比例、代谢参数完整性及全球测序总量未做专项核查，不作为本文的证据支柱。
研究者观点、作者自报、论文结果与本报告推论各自标注。页面自包含且离线可读；点击来源链接需要联网。X 热度会变化，不作为结论正确性的证据。科学材料的审读不是对本研究的独立实验复现。
- Anthropic：How Claude designed protein binders against scorpion neurotoxins · 2026-10-20。项目方报告；数量、分工、结合与疗效边界。
- De novo design of protein binders against scorpion toxins with Claude · 2026-10-20，69 页技术报告。重点：摘要、结果、Table S25（PDF 第 66 页）、评分讨论（第 65 页）。作者包含 Anthropic、Citrini Research、Hunterbrook 与 Novus Capital 成员，属于项目方文件，并非独立第三方；本次未确认同行评议状态。
- Citrini Therapeutics · 2026-10-20。项目参与者自述，支持启动叙述、代理规模与实验室等待；不当作独立第三方复现。
- Jumper 等：Highly accurate protein structure prediction with AlphaFold · Nature，2021。AF2 原始论文，结构与序列资料的作用。
- Abramson 等：Accurate structure prediction of biomolecular interactions with AlphaFold 3 · Nature，2024-05-08。已核摘要、Model limitations 与 Fig. 5；多类分子结构能力及动力学边界。
- Karr 等：A Whole-Cell Computational Model Predicts Phenotype from Genotype · Cell，2012。实验约束下的全细胞建模，不能外推为完整人体模拟。
- Dai 等：Programmable design of functional proteins from natural language · Nature，2026-10-21。仅核公开摘要，候选生成与功能测试案例。
- BIO / Informa / QLS：Clinical Development Success Rates 2011–2020 · 2021-02。历史开发阶段转移与获批概率，不代表当下每次试验失败率。