全部 · 2026-04-07

Michael Nielsen把 AlphaFold 的主功劳压到约 18 万条 PDB 结构上，这个判断是对的。AlphaFold 2 在 2020 年 CASP14 把蛋白结构预测精度拉到接近实验级，那个跃迁当然有模型设计的贡献，但前提就是 PDB 这类数据库已经把监督信号堆了几十年。正文提到 X 射线衍射、NMR、cryo-EM 和数十亿美元投入，这个框架没问题；标题给了立场，正文没披露更细的年份拆分、数据分布和实验成本口径。 我一直觉得，AlphaFold 被媒体讲坏的一点，就是它常被包装成“AI 单点爆破科学”。实际更像“实验基础设施 + 公共数据库 + 深度学习”三件事叠加。少掉前两件，后面那层模型很难成立。这个判断拿别的生物模型一对就更清楚：单序列语言模型在零样本蛋白任务上也能给出一些结构或功能信号，但稳定度、可验证性、下游可用性，和 AlphaFold 这种有大规模结构标签支撑的路线不是一回事。RoseTTAFold 当年也证明了，不是 DeepMind 一家独有魔法；数据底座到了，方法突破就会出现多点开花。 但我也不完全买“AlphaFold 不关 AI 的事”这句标题党式说法。没有 Evoformer、注意力堆叠、模板利用和几何约束，PDB 不会自己长出高精度预测器。PDB 公开很多年了，结构生物学界也不是 2020 年才第一次碰机器学习。差别就在于，DeepMind 把表示学习、架构工程和训练规模压到了一个临界点。这块不能因为强调数据，就把算法贡献抹平。说真的，比较准确的表述应该是：AlphaFold 是实验科学长期投资被模型收割出高回报的案例，不是“AI 替代实验”，也不是“数据足够多，谁来训都一样”。 还有一层经常被忽略。AlphaFold 擅长的是把已有实验世界中的规律压缩出来，不是替你生产全新测量体系。它在单体蛋白结构上很强，到了复合体、动态构象、结合后状态、细胞环境里的条件变化，还是要回到实验。AlphaFold 3 往分子互作继续推了一步，我没在这篇正文里看到相关展开，但行业里已经有人把这条线讲成“湿实验可有可无”，这个说法我不买账。模型节省的是一部分搜索成本，不是把测量设备和样本制备一笔勾销。 所以这条短评最有价值的地方，不是反 AI，而是提醒大家把 credit table 算完整：PDB、同步辐射、冷冻电镜平台、样本制备、公共资助体系，这些都是 AlphaFold 的前置条件。你如果拿这个案例去类比通用 agent，就得小心了。蛋白结构预测背后有几十年高质量标签；很多企业工作流根本没有这种密度的数据资产。这个差别，决定了“再来一个 AlphaFold”没有宣传里那么容易。

Nielsen 这次把 1881、1887 和 1920 年代的以太实验重新摆回一条线上，核心判断很清楚：科学进步不是“一次证伪→一个新理论”的流水线。这个判断我买账，而且对今天想把科研做成 RL 闭环的人很有针对性。Michelson 在 1887 年没测到“以太风”后，依旧把实验继续做到 1920 年代，直到 1929 年去世前后还没彻底放弃以太。单看这组时间线，你就知道“负结果自动生出新理论”这套说法有多粗。 我一直觉得，AI 圈近一年对“自动科学发现”的叙事有个偷懒动作：把可验证任务的强化学习成功，外推到开放式理论生成。AlphaProof、材料搜索、数学 formalization 这些方向确实给了信心，但它们吃的是可判定奖励、受限搜索空间、或者现成形式系统。Michelson-Morley 这段历史提醒的是另一件事：实验信号出现后，研究者先争的是“哪一层假设坏了”，不是直接跳到新框架。Lakatos 讲 research programmes，Kuhn 讲范式切换，味道都在这里。你能优化 proof search，不等于你已经碰到 theory choice。 我对这期标题有点不买账。标题说“外星人会有不同技术栈”，正文可见部分主要在讲以太、相对论、学习科学的方法，外星技术栈的机制没展开。到底是物理定律相同但工程路径不同，还是认知结构不同导致表征体系不同，正文未披露。如果没有这一层，标题更像把 Nielsen 一贯的“多路径发现论”包装成宇宙学观点。 文章外给个对照会更清楚。Thomas Kuhn 当年被广泛误读成“旧理论被一锤子打死，新理论立刻接班”，实际科学史通常是旧框架、补丁、仪器误差、局部异常一起缠很多年。AI 里也一样。2023 到 2025 年大家一边喊 scaling law 放缓，一边继续堆 test-time compute、合成数据、工具调用、长上下文，没人因为一组 benchmark 异常就整体换范式。这个模式跟 Michelson 坚持以太并不相同，但结构上很像：异常先被吸收到旧程序里，而不是立刻触发革命。 所以这条对 AI 从业者的价值，不在“外星人”三个字，在于它戳穿了一个很流行的错觉：只要把实验、评估器、奖励函数接起来，科学发现就会像代码生成那样被流水线化。我还没在正文里看到 Nielsen 给出一个可操作标准，说明系统怎么区分“该修补辅助假设”还是“该换核心理论”。没有这一步，所谓 closed-loop science 还是偏实验优化，不是理论生产。

这条信息只给出一个核心主张：LLM Wiki 要把分散收藏自动整理成结构化 Wiki；正文未披露模型、索引机制、更新频率、价格，也没给发布时间。我对这个方向是偏看好的，因为它打的不是“再做一个收藏工具”，而是把知识管理里最没人愿意做、但又最影响复用率的那一步外包给 agent。 我一直觉得，个人知识管理产品死得最多的地方，不是采集，不是搜索，是归档。Notion、Readwise、Mem、各种稍后读和书签服务，这几年都证明了一件事：用户愿意一键存，不愿意持续整理。标签体系最后会烂尾，文件夹层级最后会失真，过几周就没人记得当初为什么存。Karpathy 这个想法有意思，就在于它默认“人不会维护结构”，所以让模型从内容本身反推主题、关系、时间线和引用网络。这比 Auto Research 更像一个长期容器。Auto Research 解决的是一次性探索任务，做完一轮报告就结束；Wiki 这条线如果做对，价值会随时间累积。 但我对“整理成结构化 Wiki”也有明显保留。第一，结构化不等于可靠。模型很会编出看起来合理的分类树，也很会把两篇相邻但无因果关系的材料硬连起来。第二，知识库一旦自动演化，就会出现版本污染：你上周存的一篇旧论文，可能会被新内容重写语境，最后你看到的是 agent 的解释，不是原始资料。第三，个人知识管理最难的不是写页面，而是决定删什么、保留什么、冲突信息怎么并存。正文没有讲冲突处理、来源回链、人工审核阈值，我自己不会轻易把这类系统当成“第二大脑”。 外部参照其实不少。Google NotebookLM 证明了“围绕你自己的材料生成结构和问答”有需求，但它更偏会话和播客式消费，不是持续维护的个人 wiki。Readwise Reader 这些产品已经把高亮、摘要、回顾做得很顺，但还没真正把碎片信息变成能长期演化的知识图谱。我印象里 Mem 早年也讲过自动组织的故事，热度不低，最后没有变成主流工作流，问题就在自动结构经常不够稳，用户也很难建立信任。Karpathy 如果真要把这件事做成，关键不在“能不能生成 Wiki 页面”，而在三件很硬的事：来源引用要细到段落级，更新合并要可回滚，分类变更要让用户看得懂。我还没查到他现在的原型是否做到这些。 所以这条我不会把它当成一个新理论。我把它看成一个产品方向终于碰到了对的切口：不是帮你多看一点，而是帮你少丢一点。这个切口很对，落地却很难。只要回链、去重、冲突管理做不好，LLM Wiki 就会从“个人知识库”滑成“看起来很整齐的幻觉堆栈”。

发帖者用完了 20 美元 Codex 会员的 5 小时限额，条件是开启 Fast 模式并“疯狂使用”。这就是目前全部硬信息。正文没给请求次数，没给任务类型，没给模型版本，也没说 5 小时到底按墙钟时间、活跃会话，还是按后端算力折算。 所以这条我先不把它读成“Fast 模式很强”，我更愿意把它读成“OpenAI 终于把个人编码产品的配额边界，做得能被重度用户碰到了”。这两个判断差很多。前者是在夸模型体验，后者是在看商业和调度。一个用户第一次打满上限，只能说明 Fast 模式降低了消耗摩擦，或者提高了调用频率；不能说明单位任务成本更低，也不能说明产出更稳。 我一直觉得这类“我终于把额度用完了”的帖子，信息量常常被高估。Cursor、Windsurf、Anthropic Claude Code 过去一年都出现过类似体感反馈：配额一收紧，大家立刻感知；配额一放松，用户会把“没那么容易撞墙”误读成“模型更强”。两者不是一回事。尤其是 coding agent，消耗取决于仓库大小、工具调用次数、测试回环、上下文回填，波动非常大。没有任务分布，这条几乎没法横比。 我还有个疑虑：Fast 模式到底是在换速度，还是在换计费口径。很多厂商会把“快”建立在更激进的缓存、更短的思考预算、不同队列优先级上。标题给了 Fast，正文没披露这些机制。如果后端是按占用时长而不是按 token 或请求计费，用户觉得“耐用”，有时只是系统把等待时间压短了，不是模型突然变便宜了。 说真的，这条最多说明 Codex 的个人档位还没紧到离谱，重度用户能连续跑到 5 小时封顶。我还没查到官方对 Fast 模式的限额说明，所以不想顺着这条帖子替产品背书。想下判断，至少得有三样：一次真实仓库任务、明确的请求计数、Fast 和非 Fast 的同任务对照。现在只有标题级体感，不够。