2026年，用人工智能研究生物智能已成为生命科学领域的热门方向。但在半个世纪前，当计算机还是庞然大物、算力远不及如今一块智能手表时，用计算机研究蛋白质和dna，还是一件极其前卫的事。
而在那个年代，一位年轻的科学家做出了大胆的选择。michael levitt是最早一批用计算机探索蛋白质世界的拓荒者之一。2013年，michael levitt因“为复杂化学系统创造了多尺度模型”获诺贝尔化学奖。
2018年，这位诺奖得主与计算生物学家马剑鹏教授在复旦大学共同建立复杂体系多尺度研究院，并联合创立奥泊生科opusbio，试图在干湿结合的闭环中，还原生物智能的底层逻辑，挖掘人类健康新的可能。
他们的共同目标，是用ai计算的方式设计出改变生命的蛋白质，让更多人活得更长寿、更健康。
从生物到ai，人类如何理解自己？
在过去，人们对生命科学的探索常常受困于“数据孤岛”。基因组学、蛋白质组学、代谢组学各自积累海量数据，却难以形成统一图景。我们缺乏的不是数据，而是理解数据的方式。
ai时代赋予我们的全新可能，是将生物学研究从“简化论”推向“系统论”——不再满足于拆解生命的零件，而是试图理解零件之间如何协同、如何演化、如何涌现出整体功能。
q
您曾经提出过关于“多种智能”的概念，能跟我们分享一下吗？
michael levitt：我将人工智能（artificial intelligence）称为ai，生物智能（biological intelligence）称为bi，文化智能（cultural intelligence）称为ci，因为人类的智慧不仅依赖于我们头脑内部的东西，也依赖于我们从文化、书籍、交谈中获得的一切。第四种我称之为“个人智能”（personal intelligence），因为我们都是独立的人。这四者确实协同工作。
q
在这四种智能中，生物智能似乎最为古老，也最为神秘。它究竟特别在哪里？
michael levitt：生物学创造了手、蛋白质、dna、皮肤、大脑、眼睛……但它们都不是由外部机器制造的。一个婴儿，始于两个细胞结合，之后的一切都来自内部。而笔、鞋子之类的物品，是由外部机器制造的。想象一下，你摇晃一些液体，一双鞋就从那液体里出来了。这就是生物学正在做的事情。
自然界是自我组装的，它来自内部，而计算机是由外部制造的。它们不是凭空长出来的，所以我认为生物智能的奇妙之处就在于此。
ai时代，从“工具的革命”
到“革命的工具”
2024年诺贝尔化学奖授予了ai蛋白质结构预测领域的研究，这被学界视为ai for science深入人心的标志性时刻。�年alphafold首次亮相，到如今ai能够以前所未有的精度预测蛋白质结构，不过短短数年。
马剑鹏教授用一句话形容这种转变，这是从“工具的革命”，到“革命的工具”。当ai本身足够强大，它就不再只是辅助人类计算的工具，而是能够重塑整个研究范式的主导力量。
q
在您的研究中，ai带来了哪些过去难以想象的突破？
michael levitt：我真正感兴趣的不仅仅是细胞和结构生物学，还有无处不在的复杂系统。现代人工智能，像大语言模型这类东西，实际上只是在过去五年才出现的，它们对于处理复杂系统非常有效。
改变真正开始��月底发布的chatgpt 3.5。我开始用它来做所有事情，它非常强大。
现在，我相信生物智能将极大地受益于人工智能。一个细胞里，有数百种蛋白质相互作用。你可以问人工智能“这里有一些词，预测下一个词是什么”，那么就可以用同样的方式问“这个循环中有这些蛋白质，下一个蛋白质是什么”。
马剑鹏：我们现在能做的事情和正在做的事情，10年前连想都不敢想。我们最近在抗体设计上基本做到了“指哪打哪”，速度非常快。
我们曾经用michael早年改造过的一种抗乳腺癌抗体herceptin做过测试。这是历史上第一个通过计算方法改造的抗体。当时受限于技术条件，已经是一个很了不起的结果。我们后来用ai算法重新设计这个抗体，改造后的性能有明显提升。真正有用的，并不是ai单独发挥作用，而是计算设计和实验验证之间形成了一个正向循环。闭环的价值就在这里，它让设计、验证和改进能够持续发生。
现在的ai，让“瞎子摸象”四个字变得无比有用。有了ai以后，首先还是要“摸象”，数据要足够大，测量要足够多次，但是可以不完备。然后把这个数据给ai，现在的ai真的能建起一个模型，拿着这个模型继续测量，它的模型会越来越好。你可以拿这个很像、但又不完备的模型，直接去做药物设计或药物测试。
q
那么，ai会成为真正的“ai科学家”吗？
michael levitt：我不知道，我认为坦承自己的未知至关重要，因为我们确实知之甚少。但我认为，在未来的二三十年里，我们必须思考的重要问题是：人工智能独立运作更好，还是人类独自决策更好，又或者是人类与人工智能携手共进更好？我坚信，人类与人工智能的结合，必将胜过任何一方的单打独斗。更进一步说，我认为真正好的，是一群人能够与一群人工智能协同合作。
在正确的位置，看见正确的细节
2018��日，复旦大学复杂体系多尺度研究院正式揭牌成立。这个名字直接来源于michael levitt的诺贝尔奖工作：“为复杂化学系统创造了多尺度模型”。
“多尺度”这一概念，正是理解生命复杂性的钥匙。从原子到分子，从细胞到组织，从个体到生态系统——生命在不同尺度上展现出不同的规律。而研究者需要做的，是在正确的位置，选择正确的细节层次。
q
你们共同建立了复旦大学复杂体系多尺度研究院，这个名字背后的含义是什么？
michael levitt：“多尺度”实际上是一个我从未用过的术语，直到听闻诺贝尔奖授予多尺度研究时，我才意识到这正是我们过去所做的贡献。这个概念真正的意思是，每个问题都有适当的细节层次。
正如爱因斯坦所言，一切事物都应尽可能简化，但不能过度简化。我们追求简化的初衷，既是为了便于自身理解，也是为了能够进行计算。因此，我们始终致力于构建足够简洁的计算模型，但又不能简单到让计算变得毫无意义。
多尺度意味着打破单一研究范式的局限。它融合了人工智能、数值计算、理论建模、经典方法、（量子）方法等多元维度。其智慧之处在于知道如何结合，而人工智能非常擅长决定如何结合。
展望未来，我认为人工智能将贯通化学、物理学、生物学与数学等学科领域，这既是对问题的回应，也是必然的发展趋势。
马剑鹏：“多尺度”实际上主要包括空间尺度和时间尺度两个方面。
在空间尺度上，生物分子的构成可从单个原子或原子基团逐步扩展至完整分子结构，进而由分子集群形成亚细胞器，细胞群体组合为组织，最终经由器官、个体生物，延伸至生物群体乃至全球生态系统。时间尺度也一样，从飞秒级的电子跃迁，延展至个体数十年的生命周期，乃至宏阔的生命演化长河。
任一尺度的失衡都可能导致病理状态。研究对象是多尺度，那么研究手段也要多尺度。这就是我们研究院名字的由来。
q
这种多尺度的思维，如何改变了蛋白质研究？
马剑鹏：我们最近有一篇论文正在审稿，系统地分析了alphafold预测的准确性。alphafold很牛，获得了诺贝尔奖，但如果真的分析每一个原子、化学键，其实误差还很大。
蛋白质结构预测不是艺术创作，在有些场景下，一个原子都不能偏，偏一点药物分子就“飞走”了。这种应用场景，alphafold显然不够。但如果配上湿实验，ai可以把搜索空间从成千上万缩小�个，�次实验，�%的成功率，就已经很了不起了。正是基于这种认识，研究院团队自主研发了opus系列算法。
从科学家到创业者，
干湿结合推动成果转化
如果说研究院是基础研究的引擎，那么公司就是成果转化的加速器。michael levitt和马剑鹏深知这种生态的力量?！?#25105们在复旦的互动非常富有成效，我希望这里也能生长出像硅谷那样的生态?！?/p>
研究院成立七年，积累了具有国际竞争力的科研成果；ai技术全面爆发，为成果转化提供了技术基础。于是，opusbio应运而生。
q
为什么要成立奥泊生科opusbio？从科学家到创业者，这个转变意味着什么？
马剑鹏：我跟michael levitt教授一起创立的这家公司，初衷是探索蛋白质设计，其应用主要体现在，一是蛋白质的药物研发，二是工业酶的改造优化，可广泛应用在各种的领域。
我们公司最大的优势是干湿结合，在人工智能算法方面，我们已具备与国际顶尖水平相当甚至有所超越的能力。
科学家创业的特有挑战之一，就是容易把企业运营当成科研来做。做科研的时候，往往倾向于攻克最难的问题，但商业转化的逻辑截然不同——你可以花�年时间打磨一项诺奖级成果，但临床病患等待不起。所以要去找应用科学和基础科学的区别。
q
您提到干湿结合，这种研究方式相较于单纯依赖计算或实验，优势体现在哪里？
马剑鹏：传统生物学研究一直以湿实验为中心。做一款药，常常需要数十年花费数十亿美元，速度非常慢。计算方法兴起确实提高了效率，但也带来新的问题。计算结果到底靠不靠谱，很难判断。药物研发关系到人的生命，不可能只凭算法来决定对错。
干湿结合并不是选边站，而是把两种方法放在同一个流程里，各自做最擅长的事。基本逻辑在于，计算设计在前，实验验证在后，再根据实验结果持续优化算法，进而启动新一轮设计循环。具体而言，ai先生成候选分子，实验随即进行验证，验证结果再反馈至模型参数的修正之中。
当百岁老人满街，
当疾病不再是威胁
从斯坦福到复旦，从诺奖殿堂到创业公司，这场关于生命、智能与未来的探索，仍在继续。技术的最终目的，是惠及每一个人。未来我们或许会回望这个时刻，两位科学家和他们的团队，用ai解码生命的语言，还原生物智能的奇迹。
q
这项事业的终极理想是什么？
michael levitt：我认为，最关乎全人类福祉的议题当属人类健康。其复杂性在于，它既关乎粮食与农业，又与气候变迁紧密相连，还涉及生物学、蛋白质、药物等诸多领域。这本质上是一个“多尺度”问题，意味着可以在不同层面寻求解决方案。我们的目标，是让更多人享有健康长寿的人生，而我相信我们能做到。
q
如果把时间拉到未�年，您最看好的变化会出现在哪些地方？
马剑鹏：首先，面向老龄化的护理与康复场景，会更快看到技术落地，尤其是护理机器人这类方向。它们解决的并不是医学上的终极难题，而是非常现实的需求，如日常照护、康复支持以及降低因跌倒等意外带来的后续健康风险等。
第二，在寿命问题上，我更倾向于将其理解为一种具有生物学边界的有限性问题，而非无限延长的过程。人类寿命在生物学上存在上限，这一点可以从不同物种的生命周期规律中得到启发。科研的意义不在于追求永生，而是在既定生命尺度内，让更多人活得更健康、更有质量。
第三，在重大疾病领域，我认为会看到明显进展。这未必意味着彻底攻克，但将会涌现出更多有效的治疗方案，且治疗的个性化特征将愈发显著。
michael levitt：人们会说公共卫生远没有宇宙学那样引人入胜，但对我来说，它很有趣。通过马教授，我得以见证前沿进展并真正参与其中，这是一个极好的组合。
七年时间，一个从基础研究到成果转化的闭环正在形成。科学家们试图回答一个根本问题：我们能否真正理解生命，并在此基础上干预生命？
答案或许就藏在“多尺度”三个字里。在ai的辅助下，看见那些过去无法看见的规律；在干湿结合的闭环中，将理论发现转化为临床应用。这不是一个人的事业，而是一群人的接力。
复旦科创
组 稿
校融媒体中心
文 字
周惠仪
编 辑
邱洁心
责 编
雷蕾
上观号作者：复旦大学