2025-06-04 07:24:40
这是开创性疗法最新尝试对抗实体瘤。
“您的癌症已经扩散”是令人恐惧的消息。但对于结肠癌患者来说，这种情况不幸地相当常见。癌症是第三最常见的肿瘤全球范围内，2020年造成了93万死亡。一个估计该疾病到2040年可能夺走多达160万条生命。
患者在结肠癌扩散到肝脏后往往会死亡，这使得切除变得极其困难。癌细胞转移后，治疗选择有限。全身化疗通常需要多次进行，但这种疗法副作用严重。
患者在五年后的生存率约为30%所写Monica Casucci 在圣拉斐尔科学研究所（IRCCS）与同事在一篇新论文中。
团队的研究描述了一种更高效、毒性更低的方法：CAR T细胞疗法在这里，患者的免疫细胞被提取出来，并被装备上能够增强其搜索和摧毁癌细胞能力的蛋白质。FDA首次批准2017年针对某种类型的白血病的革命性疗法。此后，又有六种治疗方案被批准用于其他血液癌症。
卡苏奇及其团队长期以来一直在尝试使用CAR T细胞来治疗转移性结直肠癌。与自然存在于血液中的癌细胞相比，实体肿瘤——例如结肠、肝脏或大脑中的肿瘤——要难于到达得多。工程细胞必须能够直接注入通过侵入性手术将治疗带入肿瘤，而在癌症扩散后这种方法就更难实施了。
这项新研究旨在通过患者静脉注射一次来治疗像血液癌症一样的实体瘤。研究团队设计了能够追踪转移癌细胞的CAR T细胞。当这些工程细胞被注入老鼠的静脉后，它们迅速缩小了肝脏和大肠中的肿瘤，而没有引起危险的免疫副作用。
结果“为临床试验铺平了道路”，该团队写道。
我们的免疫系统已经监视着癌细胞，并在它们扩大之前派遣T细胞来摧毁它们。但癌细胞很狡猾，会迅速变异以逃避身体的免疫防御。
CAR T疗法通过基因工程增强天然T细胞的功能。
这里通常是这样操作的。医生首先从血液中分离出T细胞。然后向这些细胞中插入编码额外“钩子”蛋白的基因。这种表面的钩子蛋白帮助细胞定位并附着在目标癌细胞上。一旦将这些超能细胞重新注入体内，它们就能更好地抓住并摧毁癌细胞。
成功在很大程度上取决于钩的设计。这些合成蛋白质被称为CAR（嵌合抗原受体），它们被设计成能够抓住特定的癌细胞同时忽略健康的细胞。
第一步是找到一种仅存在于某种癌症类型的蛋白质靶标。就像所有细胞一样，癌症的表面布满了蛋白质。这些蛋白质形成了一种指纹。
大多数血液癌症有相似的特征。但实体肿瘤是由多种细胞类型组成的混合体，每种细胞都有自己的特征，这使得难以工程化设计靶向免疫细胞。该团队写道，这些肿瘤可能具有与健康细胞相似的特征，这意味着工程化的T细胞可能会不小心攻击并瘫痪正常器官. 可能的副作用还包括细胞因子释放综合症，其中免疫系统会释放出危险水平的炎症分子。在少数情况下，该状况可能是致命的.
团队有一个目标：找到一个高效且安全的蛋白质靶标。他们在患者转移性结肠癌肿瘤的基因图谱中进行了筛选，并搜索了多个 蛋白质数据库，他们发现了一个名为CDH17的蛋白质。包括结肠癌在内的多种消化道癌症表达的这种蛋白质比健康组织要多。接下来，研究团队设计了六种针对CDH17蛋白钩的CAR T细胞版本。
你可以想象这些钩子就像多段式的晃动乐高结构。有些段落穿过免疫细胞的膜。其他部分位于细胞外部，包括“钩子”和“铰链”，使蛋白质能够伸展、移动和弯曲，以便更好地检测和抓住癌细胞。另一个组件将蛋白质固定在其宿主细胞上，并且一旦找到癌细胞，就会发送信号到细胞内部，触发其自身的攻击。
他们两种CAR T版本在测试中表现更优。研究团队将这两种CAR T分别注入了患有转移性癌症的小鼠的血液中或直接注入小鼠的肝脏中。
细胞在几周内茁壮成长，并且在抵抗癌细胞方面大致势均力敌。直接注入肝脏可以更快地清除肿瘤细胞，但与通过血液注入相比，治疗方法毒性更大。作者写道，小鼠经历了“不可逆的体重下降”，最终全部死亡。
“由于快速减重和致命事件已被识别为CRS [细胞因子释放综合征]的临床症状，我们推测观察到的毒性可能是由于过度活跃的免疫反应所致。”团队写道。
他们是对的。当CAR T细胞被注射到肝脏而不是静脉时，多种炎症分子的水平出现了激增。后者没有影响治疗效果，并降低了发生危险免疫反应的可能性。
两支团队的领先CAR T疗法也在人类组织中起作用。在一项测试中，团队将患有肝转移的晚期结直肠癌患者的T细胞转化为CAR T细胞。然后，他们从患者的肝肿瘤中制作了3D迷你癌症，或癌症类器官。两种疗法在培养皿中生长，并减少了类器官的大小。
CAR T细胞忽略了健康的肠细胞，即使有些健康细胞表面也散布着CDH17蛋白。这 partly是因为该蛋白嵌入在健康细胞相互连接的区域，使得CAR T难以抓住。相比之下，该蛋白在结肠癌细胞表面外露，使结肠癌细胞成为更容易的目标。
尽管这项研究仅在小鼠身上进行且持续了几周，但它为CAR T疗法增加了动力对于实体肿瘤. 另一种治疗喉癌和胃癌的方法已经在二期试验中初步结果显示：第一阶段增加的生存率与现有药物相比，虽然只是几个月的时间。许多其他类似的试验正在筹备中.
职位CAR T疗法在小鼠身上清除了致命的转移性癌症首次出现在奇点枢纽.
2025-06-03 04:27:33
在今天的算法中加入一点传统的AI可能带来AI的第三波。
大科技公司在人工智能方面的实验主要问题不是它们会接管人类。而是大型语言模型（LLM），如Open AI的ChatGPT、Google的Gemini和Meta的Llama仍然会出错，而且这个问题无法解决。
被称为幻觉，最典型的例子或许是美国法律教授乔纳森·特鲁伊的案例，他冤枉关于ChatGPT在2023年的性骚扰问题。
OpenAI的解决方案似乎是对Turley“置之不理”，让ChatGPT声称无法回答关于他的问题，这显然不是公平或令人满意的解决方案。在事件发生后和逐案解决幻觉显然是不对的。
同样适用于大语言模型放大刻板印象或者给予西方中心的答案. 面对这种广泛传播的错误信息，还缺乏问责制，因为很难确定LLM最初是如何得出这一结论的。
我们在这些问题之后看到了一场激烈的辩论2023年GPT-4的发布, OpenAI在其LLM开发中的最新主要范式。尽管自那时起争论似乎已经平息，但缺乏依据。
欧盟通过了其AI法案在2024年创纪录的时间内，目的是在这一领域成为世界领导者。但该法案很大程度上依赖于AI公司自我监管。没有真正解决涉及的问题。这并没有阻止科技公司向数亿用户发布LLM并收集他们的数据而未经充分审查。
与此同时，最新的测试表明即使是最先进的LLM仍然不可靠。尽管如此，领先的AI公司仍然拒绝承担责任为了错误。
不幸的是，LLM们倾向于误导和复制偏见的问题无法通过时间上的逐步改进来解决。并且随着的到来的代理型AI，用户不久将能够将项目分配给一个LLM例如，比如预订假期或每月优化支付所有账单，潜在的问题将会增多。
"(《世界人权宣言》)新兴的神经符号人工智能领域可以解决这些问题，同时减少训练大规模语言模型所需的庞大数据量。那么什么是神经符号AI，它是如何工作的？
LLMs 使用一种称为深度学习的技术，它们被给予大量的文本数据，并使用高级统计方法推断出模式，以确定任何给定响应中的下一个单词或短语应该是怎样的。每个模型——以及它所学习的所有模式——都存储在大型数据中心中的强大计算机的数组中，这些数据中心被称为神经网络。
LLMs可以通过一种称为链式思考的过程来显得像是在推理，它们生成多步响应，模仿人类如何基于训练数据中看到的模式逻辑地得出结论。
无疑，大型语言模型是伟大的工程成就。它们在总结文本方面令人印象深刻，翻译并且可能提高那些足够勤奋和有知识能力去发现其错误的人的生产力。然而，它们有很大的误导性，因为它们的结论总是基于概率——而不是理解。
一个常见的变通方法被称为“人工在环中”：确保使用AI的人类仍然做出最终决定。然而，将责任归咎于人类并不能解决问题。他们仍然往往会受到虚假信息的误导。
现在LLM需要大量的训练数据才能进步，以至于我们必须喂给它们合成数据，即由LLM生成的数据。这些数据可以复制并放大其源数据中的错误，使得新模型继承旧模型的弱点。因此，对AI模型在训练后进行编程以提高其准确性——即后 hoc 模型对齐——的成本不断增加。急剧上升.
这使得程序员也越来越难以发现模型思维过程中的问题，因为模型的思维步骤越来越多，纠正错误也越来越困难。
神经符号AI将神经网络的预测学习与教给AI一系列形式规则相结合，这些规则是人类学习的，以便更可靠地进行推理。这些规则包括逻辑规则，如“如果a则b”，例如，这将帮助算法学习“如果下雨了，那么外面的一切通常都是湿的”；数学规则，如“如果a=b且b=c，则a=c”；以及诸如单词、图表和符号等事物的公认含义。其中一些将直接输入到AI系统中，而它将通过分析其训练数据并进行“知识提取”来推导出其他规则。
这应该会创建一个永远不会产生幻觉的AI，并且通过将知识组织成清晰可重复使用的部分，可以让AI更快更好地学习。例如，如果AI有一条关于下雨时外面的东西会变湿的规则，那么它不需要保留所有外面可能变湿的物品的例子——这条规则可以应用于任何新的物体，即使这个物体它以前从未见过。
在模型开发过程中，神经符号AI还会通过一个称为神经符号周期的过程，结合学习和形式推理。这个过程包括一个部分训练好的AI从训练数据中提取规则，然后将这些整合的知识重新注入网络，然后再用数据进行进一步训练。
这更加节能，因为AI不需要存储那么多数据，同时AI也更加负责任，因为用户更容易控制AI是如何得出特定结论并随着时间改进的。此外，这更加公平，因为它可以被设计成遵循既有的规则，例如：“对于AI做出的任何决策，结果不得取决于一个人的种族或性别。”
"(《世界人权宣言》)第一波20世纪80年代的AI，即符号AI，实际上是通过教授计算机正式规则，然后它们可以将这些规则应用于新信息。随后在2010年代出现了深度学习，许多人认为神经符号AI是第三波。
将神经符号原则应用于AI在 niche 领域最为容易，因为规则可以明确定义。因此，毫不意外地，我们首先在谷歌的阿尔法折叠， 哪个预测蛋白质结构以帮助药物发现和Alpha几何， 哪个解决复杂的几何问题.
对于更广泛的AI模型，中国的DeepSeek使用被称为“蒸馏”的学习技术这是一个相同方向上的步骤。但要使神经符号AI适用于通用模型，仍然需要更多的研究来完善它们辨别通用规则和进行知识提取的能力。
目前还不清楚LLM开发商在这一领域已经做了多少工作。他们听起来确实是在努力让模型更聪明地思考，但似乎也仍然坚持需要通过不断增加数据量来扩大规模。
现实是，如果AI要继续进步，我们将需要能够仅从少量示例中适应新颖事物的系统，能够检查其理解能力，能够多任务处理并重用知识以提高数据效率，并能够以复杂的方式可靠地进行推理。
这样，精心设计的数字技术甚至有可能提供一种替代监管的选择，因为制衡机制将被内置到架构中，并且或许可以在整个行业中标准化。还有很长的路要走，但至少有一条前进的道路。
职位神经符号AI可能是解决大型语言模型幻觉的问题答案首次出现在奇点枢纽.
2025-05-31 22:00:00
不是你的错觉：AI正在加快变革的步伐朱莉·博尔特 | 技术 Crunch
“风险投资家玛丽·米克尔刚刚发布了一份340页的幻灯片报告——在这份报告的51页中都使用了‘前所未有的’这个词，用来描述AI的发展速度、采用速度、投入程度以及使用情况，并附上了一页又一页的图表。”
魁北克初创公司向实用量子计算迈进伊万·塞米尤克 | 《环球邮报》
该公司成功地使用其自身的一台量子设备首次实现了错误检测的编码。包括谷歌、微软公司和亚马逊公司在内的更大规模的玩家也在努力解决相同的问题，以推进自己的量子系统。不同的是，诺德量子的检查硬件与计算硬件是相同的。
只需3000美元？Hugging Face要推出拟人化开源机器人。萨缪尔·阿克森 | Ars Technica
被称为HopeJR，Hugging Face的机器人拥有最多66个可驱动自由度。据Hugging Face首席研究科学家Remi Cadene介绍，它可以行走并操作物体。如X视频中所示，它的外观设计让人想起《 Futurama》中的Bender（是眼睛的设计）。
Quaise Demos钻头，将比人类以往任何时候都深入地下乔·萨拉斯 | 新技术纪元
计划是像无穷无尽的清洁能源井一样开发地球的辛辣深层。Quaise希望比人类以前尝试过的任何事情都要深入和高温地钻探——在地表以下超过12英里（20公里）的地方，Quaise预计温度将达到近1000°F（500°C）。
少即是多：元研究显示简化的推理可将AI准确性提高34%Michael Nuñez | VentureBeat
“这项研究与人工智能开发中的主流趋势相矛盾，后者是公司大量投资于扩大计算资源，以使模型能够通过漫长的‘思考链’进行广泛的推理——这些是AI系统用来解决复杂问题的详细逐步轨迹。”
能源部揭晓与AI融合的超级计算机唐·克拉克 | 《纽约时报》
该系统将使用专门为AI计算设计的Nvidia芯片以及适用于能源研究和其他科学领域的常见模拟。劳伦斯·利弗莫尔国家实验室预计，新机器——将以伯克利生物化学家珍妮弗·杜德纳的名字命名，她与2020年化学诺贝尔奖得主共享了这一荣誉——将比实验室目前最强大的系统快十倍以上。
这个巨型微波炉可能改变战争的未来Sam Dean | MIT科技评论
“当然，这并不是魔法——一个阵列所能造成的破坏程度和范围都有实际限制，但其总体效果可以描述为电磁脉冲发射器、电子的死亡射线，或者可以为军事设施建立保护屏障并像电蚊拍一样击落无人机的力量场。”
我们用AI制作了一部电影。你会大吃一惊——也会感到不安。乔安娜·斯特恩 | 《华尔街日报》
“这有多难？非常难。上千个镜头，几天的工作，谁知道用了多少数据中心的计算能力，最后我们得到了一部三分钟的影片——关于我与新型效率机器人的生活。即使你不在乎镜头角度或故事板，你可能也会关心这对我们使用AI在任何工作中意味着什么。”
vibe编码的缺点Jon Victor | 信息
“一些企业开始意识到自动化编码产品的缺点。虽然大多数客户认为GitHub Copilot、Cursor或Anthropic的Claude等工具能大幅提高开发人员的生产力，但这些工具生成的代码有时并不能按预期工作——更糟糕的是，这可能会使企业面临被黑客攻击或数据泄露的风险。”
SpaceX在最新星舰飞行中可能解决了一个问题，却发现了更多问题Stephen Clark | Ars Technica
SpaceX的第九艘星舰成功发射，但工程师们现在需要克服更多的问题。……而他们等待的时间越长，进行完整的轨道飞行、太空加油以及回收和重复使用星舰等其他重要星舰开发测试的时间就越长，这些测试类似于SpaceX现在已经在超级重型助推器上实现的成就。
这个临时电子纹身就像你脸上的情绪环Ed Cara | Gizmodo
“你是否曾好奇你的工作给你带来了多大的压力？科学家们开发了一种临时的 forehead 纹身，有一天或许能给你答案。”
Google的新AI驱动搜索已上线。谨慎行事。Brian X. 陈 | 《纽约时报》
“为了帮助评估AI是否是搜索的未来，我在过去一周内对新工具进行了测试，将其与传统的Google搜索进行了比较，涉及多种个人任务，包括为幼儿购买汽车座椅、准备阵亡将士纪念日烧烤，以及理解一款热门视频游戏的剧情转折。”
3D又回来了。这次，你可以不用戴眼镜了。卢克·拉森 | 网路杂志
“如果有什么事情会让人们拒绝采用新技术，那就是被迫长时间看起来很傻且感到不舒服。……笔记本电脑、平板电脑甚至电脑显示器已经开始采用一种全新的3D技术，这种技术完全解决了这个问题，同时仍然可以让3D看起来非常引人入胜。”
职位本周精彩科技故事（截至5月31日）首次出现在奇点枢纽.
2025-05-30 22:00:00
这些治疗方法只需给新生小鼠注射一次就能挽救受损的血液和免疫细胞。
现在可以通过基因编辑治疗遗传性血液疾病，如镰状细胞病。从患者身上提取血液干细胞，进行修改，然后再输回患者的骨髓中——这通常需要一步杀死现有受损细胞以腾出空间的步骤。
这些疗法虽然有效，但很昂贵、强度大且繁琐，需要收集足够的血液干细胞。一种替代方法是直接在体内编辑这些细胞。但它们通常嵌在骨髓中，难以触及。本周，意大利圣拉斐尔科学研究所（IRCCS San Raffaele Scientific Institute）的一个团队治疗过的婴儿小鼠对小鼠血液中的三种与血液相关的遗传性疾病，使用定制的基因编辑注射直接编辑细胞。
治疗利用了“一个独特的窗口”时期。出生后，血液干细胞从肝脏流向骨髓，在那里这些难以捉摸的细胞会转变成血液和免疫细胞。但在成人中很难接触到这些细胞。相比之下，婴儿的血液中充满了循环的干细胞——这使他们成为基因治疗的理想目标。
研究团队成功地通过单次基因疗法注射重新编程了小鼠的血液干细胞。这些编辑是持久的，并且在未接受疗法的小鼠中移植时仍然存在。给年轻成年小鼠注射“动员剂”——能够刺激血液和免疫系统细胞的化学物质——进一步增强了效果。
研究团队指出，人们出生后体内循环的血干细胞也很丰富。这种方法可以用于直接在体内编辑血干细胞以治疗多种疾病。这可以消除首先提取细胞的需要，从而使基因疗法更加普及。
在2024年，欧盟批准了一种基因疗法被称为Casgevy的药物用于治疗遗传性血液疾病镰状细胞病和β地中海贫血。美国FDA随后跟进。用自己的绿灯在两种治疗方法中，医生会从患者体内移除血液干细胞并使用CRISPR 基因编辑将突变基因转化为健康版本
治疗是生活改变的，但过程繁琐，对患者很辛苦，而且非常昂贵。最好是在体内基因编辑细胞。已经有几个研究正在进行中。来自生物科技初创公司Verve Therapeutics的一项研究使用了碱基编辑——将一个DNA字母替换为另一个。修复一个突变在肝脏中导致胆固醇飙升。另一个针对一种罕见但可能致命的疾病基于异常蛋白质在肝细胞中.
大多数这些疗法是通过脂质纳米颗粒输送基因编辑的载荷。这些小小的脂肪泡很容易穿透多种组织，但通常首先到达肝脏。换句话说，肝脏疾病是相对容易进行基因编辑的目标。在骨髓内部编辑血液干细胞要困难得多。
如果还有另一种方式呢？在出生后不久，血液干细胞在血液中游走，最终定居在骨髓中，成为免疫细胞和血细胞。研究团队分析了新生、幼年和成年小鼠的这些干细胞，发现随着小鼠的年龄增长，循环中的细胞数量显著减少，包括在肝脏和脾脏中。这表明在干细胞定居之前，存在一个可以针对干细胞的机会窗口。
在初步测试中，研究人员使用一种发光蛋白标记血液干细胞，以追踪其移动情况和系统的有效性。研究团队将编码该蛋白的基因包装进一种名为LV的突变病毒中。去除了引起危险感染的能力后，LV成为一种常见的基因递送载体（尽管其载货空间有限）。
在受体小鼠的血液中注射后，携带发光基因的病毒迅速找到了目标——定位并整合到了循环血液干细胞中。五只小鼠中有四只接受了编辑过的干细胞。在手术后20周，编辑过的细胞发展成为免疫细胞大军，定居在骨髓、脾脏和胸腺中。当移植到另一只动物体内时，这些编辑过的干细胞还能继续生长和成熟，这表明编辑过的干细胞可以维持其功能并进行繁殖。
在验证了这种方法后，团队尝试将基因疗法应用于不同年龄段的小鼠：新生儿、幼儿和成年小鼠。这种方法在新生儿身上效果尤其好，因为新生儿的血液中有很多造血干细胞。添加了“不要吃我”信号将矫正基因进一步屏蔽以避免被身体的免疫系统识别。
基因治疗的灵活性是一个优点。团队针对三种危险的疾病进行了治疗。一种被称为ARO（自体显性骨髓衰竭症）的疾病限制了身体产生血液中骨细胞的能力。遗传这种疾病的患者通常会有异常脆弱的骨骼，症状往往在婴儿期出现。大多数患者在十岁前无法存活。
“这种状况需要早期干预以防止疾病进展，”作者写道。在给患有该病的新生小鼠注射基因疗法后，研究团队发现这种疗法纠正了足够多的细胞，使动物能够正常长骨。这些接受治疗的小鼠也比未接受治疗的同伴活得更久。
患有代谢障碍且严重抑制免疫反应的小鼠也受益了。未经治疗的小鼠在断奶前就死亡了。接受治疗的小鼠存活时间要长得多，健康状况与正常小鼠相当。
最令人印象深刻的是在范科尼贫血症中的效果，这是一种由DNA修复缺陷引起的骨髓综合征，尤其是影响造血干细胞。由于可用于基因编辑的干细胞数量不足，这种疾病治疗起来很困难。在新生儿小鼠接受针对突变基因量身定制的注射几个月后，免疫血细胞的生成达到了正常水平，并至少维持了一年。
结果表明，存在一个早期的治疗窗口，但随着年龄的增长迅速关闭。但是，添加几种临床批准的药物可以扩大这个窗口。“动员药物”这类药物迫使干细胞循环，并提高基因编辑的效率。
团队现在希望将这些发现应用于人类。血液样本的分析显示婴儿体内有大量的循环造血干细胞，这表明人们也可能有一个“独特且时间敏感的窗口”，在这个窗口内，基因疗法可以纠正血液相关的疾病。
目前，体外编辑血液干细胞仍然更为有效。但该研究暗示了使用新方法可能带来的“重大治疗益处”，研究团队如是写道。这项技术尤其可以帮助血液干细胞数量有限的患者。
“尽管目前的效率仍低于现有成熟技术，”好家伙，今天咱们来聊聊“ex vivo”这个词，听起来是不是有点高大上？别急，让我给你扒一扒它的底裤。 首先，ex vivo是拉丁语，直译过来就是“在活体之外”的意思。说白了，就是把生物体的一部分拿出来，放在实验室里捣鼓，而不是直接在生物体内部操作。这玩意儿在医学和生物学领域用得贼多，尤其是那些搞细胞治疗、组织工程和药物测试的大佬们。 举个例子，比如你想研究某种药物对肝脏细胞的影响，但又不想直接把小白鼠给毒死，那就可以把肝脏细胞拿出来，放在培养皿里，然后加药观察。这就是ex vivo实验的精髓——既能让细胞活着，又能避免对整体生物体的伤害。 再比如，干细胞治疗中，医生可能会从患者身上提取干细胞，在实验室里培养、改造，然后再移植回患者体内。这种操作也是ex vivo的典型应用。 当然，ex vivo实验也有它的局限性。毕竟，细胞在体外环境和体内环境是有差别的，实验结果可能和实际情况有出入。所以，科学家们通常会把ex vivo实验和in vivo（在活体内）实验结合起来，互相验证。 总的来说，ex vivo是一种非常实用的实验手段，既能保护生物体，又能深入研究细胞和组织的功能。不过，它也不是万能的，科学家们还得结合其他方法，才能得出更准确的结论。 好了，今天就聊到这儿。如果你觉得这篇文章有点意思，别忘了点赞、分享，顺便关注我，咱们下期再见！治疗如果在人类婴儿中重复进行，可能足以治疗一些遗传疾病，如严重的免疫缺陷或fanconi贫血等。说过研究作者Alessio Cantore
职位新的基因疗法通过血液注射治愈三种疾病首次出现在奇点枢纽.
2025-05-28 04:48:15
能够将英文文本翻译成蛋白质的AI正在颠覆这一领域。
请提供需要总结的文本。不可能的任务“直到最近，我才在观看最新系列作品之前询问了ChatGPT关于角色和故事情节的详情。”它做到了。我不需要理解它的代码或知道它的训练数据集。我只需要提问即可。
ChatGPT和其他由大规模语言模型驱动的聊天机器人比以往任何时候都更受欢迎。科学家们也开始注意到了。蛋白质——细胞中的分子马达——使我们的身体运转顺畅。它们也有自己的一套语言。科学家们为构成蛋白质的20种氨基酸分配了一个简写字母。就像单词一样，这些字母的字符串连接在一起形成工作中的蛋白质，它们的序列决定了蛋白质的形状和功能。
受LLM的启发，科学家们现在正在构建蛋白质语言模型，可以从头设计蛋白质。其中一些算法是公开可用的，但需要技术技能。如果普通研究人员只需通过一个指令就让AI设计一个蛋白质会怎样？
上个月, 研究人员给蛋白质设计AI进行了ChatGPT式的处理。从你所寻找的蛋白质的类型、结构或功能描述开始，算法会生成潜在的候选方案。在其中一个例子中，AI被命名为平纳尔成功在活细胞内测试时生成了多种能够分解酒精的蛋白质。你可以尝试一下这里。
Pinal 是越来越多的算法中的最新一种，这些算法将日常英语翻译成新的蛋白质。这些蛋白质设计者理解普通语言和结构生物学，并作为科学家探索定制蛋白质的向导，无需太多技术知识。
这是一项“雄心勃勃且具有普遍性”的方法，Pinal 国际团队表示所写在bioRxiv上发布的一篇预印本中，AI利用“自然语言的描述能力和灵活性”使设计蛋白质更加易于生物学家使用。
与现有的蛋白质设计算法相比，Pinal 更好地理解了目标蛋白质的主要目标，并提高了其在活细胞中工作的可能性。
“我们是第一个仅通过文本设计出功能性酶的团队,” 领导该团队的中国西湖大学人工智能科学家杨加杰说,我告诉他自然“这就像科幻小说。”
蛋白质是生命的基本构建块。它们构成了我们的身体，促进了新陈代谢，并且是许多药物的目标。这些复杂的分子从氨基酸“字母”序列开始，彼此连接，最终折叠成复杂的三维结构。许多结构元素——这里的一个环，那里的一条编织或口袋——对于它们的功能至关重要。
科学家们长期致力于设计具有新能力的蛋白质，如能够高效分解塑料的酶. 传统上，他们已经对现有的蛋白质进行了定制，用于特定的生物学、化学或医疗用途。作者们写道，这些策略“受限于对现有蛋白质模板和自然进化限制的依赖”。相比之下，蛋白质语言模型可以想象出不受进化束缚的新蛋白质宇宙。
与像LLM这样的模型通过吸收文本、图像或视频文件来学习不同，这些算法通过训练蛋白质序列和结构来学习蛋白质的语言。进化等级例如，ESM3是基于超过27亿个蛋白质序列、结构和功能训练的。类似的模型已经被用于设计抗体抵御病毒攻击新的基因编辑工具
但这些算法在没有专业知识的情况下很难使用。相比之下，Pinal 目标是普通科学家。就像自动模式下的单反相机，该模型“绕过了手动结构规范”，团队写道，使其更容易制作出你想要的蛋白质。
用户使用Pinal时，会要求AI构建一个蛋白质，这可以通过几个关键词、短语或整个段落的提示来完成。在前端，AI解析提示中的具体要求。在后端，它将这些指令转化为功能性蛋白质。
这有点像让ChatGTP为你写一篇餐馆评论或一篇论文。但当然，蛋白质的设计要困难得多。尽管它们也由“字母”组成，但它们的最终形状决定了它们是如何（或是否）工作的。一种方法被称为端到端训练，直接将提示翻译成蛋白质序列。但这使AI暴露在一个潜在序列的广阔世界中，使其更难确定工作蛋白质的准确序列。与序列相比，蛋白质结构——最终的三维形状——对于算法来说更容易生成和解析。
然后还有训练数据的问题。在这里，团队利用现有的蛋白质数据库，并使用LLM对其进行标注。最终结果是一个庞大的蛋白质-文本配对库，其中包含了17亿个蛋白质结构及其功能的文字描述的匹配。
该完成的算法使用了160亿个参数——这些是AI内部的连接——将普通的英语翻译成生物学语言。
Pinal 遵循两个步骤。首先它将提示转换为结构信息。这一步将蛋白质分解为更容易处理的结构元素，或称为“标记”。在第二步中，使用一种称为蛋白质-语言模型SaProt考虑用户意图和蛋白质功能来设计最有可能折叠成符合用户需求的工作蛋白质的蛋白质序列。
与最先进的蛋白质设计算法相比使用文本 作为输入，包括ESM3，Pinal 在准确性和新颖性方面表现更优——也就是说，生成自然界未知的蛋白质。使用几个关键词设计蛋白质，“Pinal 设计出的蛋白质中有一半表现出可预测的功能，而由 ESM3 生成的蛋白质中只有大约 10% 具有这种功能。”
在一次测试中，团队给AI提供了一个简短的提示：“请设计一种醇脱氢酶蛋白质。”这些酶可以分解酒精。从超过1600个候选蛋白质中，团队挑选了最有前途的八种，并在活细胞中进行了测试。其中两种在体温下成功分解了酒精，而其他几种在158华氏度的汗水温度下活性更高。
更详细的提示，包括蛋白质的功能和类似分子的例子，产生了抗生素的候选药物以及帮助细胞从感染中恢复的蛋白质。
Pinal 不是唯一的文本到蛋白质AI。这家初创公司310 AI已经开发出一种AI称为MP4从文本生成蛋白质，该公司表示结果可以心脏病益处.
这种方法并不完美。就像大语言模型(LLMs)经常“胡言乱语”一样，蛋白质语言模型也会编造出不可靠或重复的序列，从而降低了最终结果成功的可能性。提示的具体措辞也会影响最终的蛋白质结构。不过，这种AI就像DALL-E的第一个版本：先玩一玩，然后用其他方法验证生成的蛋白质。
2025-05-27 04:09:59
当你分不清人类和AI聊天机器人时会发生什么？我们很快就会知道。
如果我们能设计出一台机器，能够读取你的情绪和意图，写出体贴、富有同情心、恰到好处的回应——仿佛它知道你最需要听到什么？一台如此迷人的机器，以至于你甚至不会意识到它是人造的。如果我们已经有了呢？
在一项全面的元分析中，发表在美国国家科学院院刊，我们展示了最新一代由大语言模型驱动的聊天机器人在沟通能力上能够匹敌甚至超过大多数人类。越来越多的研究表明，这些系统现在能够可靠地通过图灵测试，愚弄人类使其认为正在与另一个真实的人互动。
我们 none of us 都 没有 期望 到 超级 通讯者 的 到来 。 科幻 小说 告诉 我们 那个 样子人工智能会非常理性且全知全能，但缺乏人性。
然而我们在这里。最近的实验表明，如GPT-4这样的模型在某些任务上已经超越了人类的表现有说服力地写作并且也同情地. 另一项研究发现，大型语言模型（LLMs）擅长评估细微的情感倾向在人类撰写的消息中。
LLMs 也是masters于扮演, 假设各种各样的人物角色和模仿细腻的语言风格. 这一点通过他们的能力得到了放大推断人类信念并且从文本中提取意图。当然，大型语言模型并不具备真正的同理心或社会理解能力——但它们是非常有效的模仿机器。
我们称这些系统为“类人代理”。传统上，拟人化是指将人类特质赋予非人类实体。然而，LLM们确实表现出高度的人类特质，因此避免拟人化的呼吁将难以奏效。
这是一个里程碑时刻：当你无法区分在线聊天是与人类还是AI聊天机器人对话。
这意味着什么？一方面，大语言模型承诺通过聊天界面使复杂信息更加广泛地 accessible。根据个体理解水平量身定制信息. 这在许多领域都有应用，如法律服务或公共卫生。在教育领域，角色扮演能力可以用于创建苏格拉底式导师，提出个性化的问题，帮助学生学习。
与此同时，这些系统极具吸引力。已有数百万用户每天与AI伴侣应用程序互动。关于这一点已经有很多讨论。伴侣应用程序的负面影响但拟人化的诱惑带有更广泛的含义。
用户已经准备好信任AI聊天机器人以至于披露高度个人化的信息。再加上这些机器人的极强说服力， genuine concerns emerge 真实的担忧出现.
最近人工智能公司Anthropic的研究进一步表明，其Claude 3聊天机器人在其被允许编造信息和进行欺骗时最为有说服力。鉴于AI聊天机器人没有道德约束，它们在欺骗方面可能比人类做得更好。
这为大规模操纵打开了大门，以传播虚假信息或创建极其有效的销售策略。还有什么比一个可信赖的同伴在对话中随意推荐产品更有效的呢？ChatGPT 已经已经开始提供产品推荐作为对用户问题的回应。只需一小步，就可以在对话中微妙地融入产品推荐——而你甚至不需要询问。
容易呼吁监管，但制定细节却更难。
第一步是提高对这些能力的认识。监管应规定披露——用户需要始终知道他们与AI互动。如同欧盟AI法案所规定但这鉴于AI系统的诱人特性，将不够充分。
第二步必须更好地理解拟人特质。迄今为止，大语言模型测试衡量的是“智能”和知识回忆，但还没有测试衡量“人类相似度”的程度。通过这样的测试，AI公司可能需要披露拟人能力，并采用评级系统，立法者可以据此确定某些情境和年龄段可接受的风险水平。
社交媒体的警示故事，直到造成大量伤害才开始监管，表明情况非常紧迫。如果政府采取放任不管的态度，人工智能很可能会放大现有的问题与错误和虚假信息的传播，或者孤独流行病. 实际上，Meta首席执行官马克·扎克伯格他已经表明愿意用“AI朋友”来填补真实人类接触的空缺。
依赖AI公司避免进一步人性化其系统似乎不明智。所有发展都指向相反的方向。OpenAI正在努力使其系统更加引人入胜和个性化，具备给你的ChatGPT版本赋予特定的“个性”.”
ChatGPT现在通常变得更加健谈，经常提出跟进问题以保持对话进行，且语音模式更增添了诱人的魅力。
拟人化代理可以用来做好事，也可以用来做坏事。它们的说服能力可以用来对抗阴谋论，也可以用来诱使用户捐款和其他亲社会行为。
然而，我们在设计和开发、部署和使用、政策和监管的整个谱系中都需要一个全面的议程对话代理. 当AI能够本能地触动我们的情绪时，我们不应让它改变我们的系统。
