英斯泰罗联合创始人达芙妮·科勒认为，突破不会来自炒作或幻觉，而是来自为发现而构建的数据
达芙妮·科勒作为英斯泰罗（Insitro）的创始人兼首席执行官，已确立其在人工智能驱动药物发现领域最具影响力的领导者地位，并荣登今年人工智能权力指数榜单。在联合创立并引领Coursera实现全球教育普及后，科勒转而投身科学界最复杂的挑战之一：通过人工智能变革药物研发。在她的领导下，英斯泰罗已与行业巨头达成多项重大战略合作，包括与礼来公司合作开发代谢疾病疗法、与百时美施贵宝开展2500万美元的肌萎缩侧索硬化症（ALS）基因靶点研究合作，以及与莫菲尔兹眼科医院合作开发针对神经退行性眼病的人工智能基础模型。这些合作验证了该公司从源头重构药物发现的雄心勃勃的方法。科勒主张从根本上重新设计生物数据的收集与分析方式，而非简单地将人工智能应用于现有制药流程。她在快速反馈的教育技术领域与节奏更慢、风险更高的生物技术领域积累的经验，为理解人工智能的潜力与局限提供了独特视角。
问：关于人工智能，您认为哪项普遍假设完全错误？
许多人认为人工智能是能让人极速前进的魔法棒。这种假设在虚拟世界可能成立，因为一切以计算速度运行。但在物理世界——当比特与原子交汇时——情况截然不同。这里的过程更缓慢、更复杂，且风险往往更高。另一个相关误解是：我们已收集的数据（网络上的文本和图像）包含所有所需答案。但要解析生物学并获得真正新颖的见解，我们所需的大部分数据尚未存在。我们必须生成合适的数据——专为机器学习量身定制的数据。
问：若让您选出过去一年中认为"这将改变一切"的人工智能时刻，会是什么？
从全球层面看，关键转折点是工具型人工智能代理从实验性演示转变为可靠日常产品：当人们能将复杂、长期的实际任务交给代理，它便能以高准确度、极少人工干预地端到端完成任务；或当代理展现出观察人类执行复杂任务并自主学习的能力。就英斯泰罗的工作而言，最具影响力的时刻是目睹人工智能发现的多个靶点在ALS和MASH疾病模型中对功能性终点产生显著效果。这些结果提供了有力证据：人工智能确实能改变行业核心指标——研发成功率。
问：关于人工智能开发，有哪些令您夜不能寐却鲜少被人讨论的问题？
我对科学领域人工智能的担忧并非遥远的超级智能风险，而是生成式人工智能的诱人可信度正在侵蚀科研严谨性。在科学环境中，人工智能的幻觉不仅是错误，更是可能引导数百万美元研究计划误入歧途的可信谎言。这些模型优化的是语言流畅度而非事实准确性，制造出强大的"因果错觉"。我最深的忧虑是：生成看似合理答案的便捷性，会诱使机构绕过来之不易的前瞻性实验验证。危险不在于人工智能过于智能，而在于我们变得自满，盲目信任华丽的输出而非真实数据。这将悄然瓦解科学方法，浪费数年时间追逐措辞精美的错误。
问：若让您运用人工智能保护校园安全，您将采取何种方法？需解决哪些关键挑战？
我的方法将聚焦个性化教育而非监控。目标是将人工智能作为赋能学生和教师的工具。人类大多数事业的未来是人机协作，我们必须为此培养下一代。同时，可利用学习平台数据探测学生 struggling 或 disengaged 的细微迹象，并将这些信息提供给教师以帮助重新激发学生兴趣。机器的洞察将辅助教师独有的人性化连接能力。关键挑战在于以隐私、公平与同理心为核心构建这些系统。
问：您在2025年进行战略裁员的同时与大型制药公司达成合作。如何平衡向合作伙伴证明短期成果的压力与药物发现固有的长周期特性？在人工智能生物技术领域管理投资者与合作伙伴期望方面有何经验？
英斯泰罗的聚焦点是揭示新生物学见解，为等待治疗的患者解锁潜在治疗路径——这是漫长旅程，但也是变革药物发现的最迫切需求。我们很自豪能在途中达成证明方向正确的里程碑。例如，在与百时美施贵宝的合作中，他们近期提名了我们在ALS领域的新型靶点（该领域尚无有效疗法）。我们证明该靶点能逆转ALS的多重功能后果，为靶点提供了充分信心。在代谢疾病领域，我们正将多个靶点推进药物发现阶段，现与礼来公司合作设计分子以将这些靶点转化为药物。我们在人类遗传学、细胞系统和可转化动物模型方面拥有极其坚实的证据。速度固然重要，但"更快失败"并无帮助；我们的核心目标是运用人工智能提高成功率。我们相信这是有意义变革该行业的路径。
问：制药行业历来对人工智能驱动的药物发现持怀疑态度。哪些具体技术里程碑或数据点最能说服礼来和百时美施贵宝等合作伙伴？英斯泰罗的方法如何区别于众多争夺药企关注的人工智能药物发现公司？
我们的目标是运用机器学习解析生物学，看见他人无法察觉的关联。最具说服力的证据是提供关于靶点或分子的多重正交证据，证明其对疾病相关生物学产生实质性影响。这正是促使百时美施贵宝提名我们ALS靶点的原因。尽管该领域竞争者众多，但多数聚焦流程中的局部环节——通常是针对已存在靶点设计分子（这些靶点往往已被他人验证，意味着已有其他分子在研）。优化分子固然有用，却无法解决为当前无治疗选择的患者寻找全新疗法的根本需求。我们构建了端到端的人工智能优先引擎，从靶点发现、药物开发到临床试验全面变革药物研发。我们的方法将手工匠艺转化为可重复流程，能持续交付多种疗法并随时间加速优化。
问：您从Coursera的教育普及转型到英斯泰罗的人工智能药物发现。通过不同应用场景，您对人工智能的实际局限与能力的认知如何演变？在生物技术领域最常遇到哪些关于人工智能的误解？
教育领域让我认识到：当反馈循环快速且数据丰富时，人工智能表现最佳。而在生物学领域，你身处物理世界——比特与原子交汇处。数据稀缺、存在偏差且因果关系至关重要。你必须构建数据集并将学习与实验紧密耦合。最常见的误解是认为传统药物发现已准备好接纳人工智能。你不能简单地将人工智能套用于数百份混乱的电子表格就期待突破。我们需要围绕人工智能重新架构系统与数据收集流程。运用得当，人工智能是严谨生物学的放大器——而非替代品。
【全文结束】
