这期特别对谈由 Brandon Anderson 主持，嘉宾是 Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido，主题是「把苦涩的教训用到生物数据上会怎样」。Candido 先纠正一个流行误解：缩放律并不是到处都存在、也并非天然存在，很多工作其实是在找那条缩放律——只有先找到一个「投入更多算力与数据就能得到更好结果」的情形，它才变成可以
Why AlphaFold Didn't Solve Protein Folding — Pushmeet Kohli, Google DeepMind & Sal Candido, Biohub
这期由 Brandon Anderson 主持的对谈，嘉宾是 Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido，主题是把「苦涩的教训」重新放到生物数据的框架下追问。Candido 的第一点是对缩放律的纠偏：一种误解是缩放律到处存在、总存在，但大量工作其实是在寻找那条缩放律——需要找到「投入更多算力与数据就能得到更好结果」的情形，一旦找到它才变成可以持续转动的工程问题，而这既与架构有关，也非常取决于数据：如果数据里没有解决问题所需的恰当信息与统计性质，就得不到想要的能力。他给的例子是宏基因组序列——质量并不高、其中很多甚至不是完整真实的蛋白质，可正是这些「别人仓库里的杂物」把蛋白质语言模型在设计与理解真实蛋白质上的表现推了上去。Kohli 一侧的话题包括 DeepMind 如何在建模、数据生成与科学专长之间平衡，以及 AlphaFold 的手工架构与科学直觉所起的作用。两人随后谈为什么 AlphaFold 并没有解决蛋白质折叠：静态结构预测之外的蛋白质动力学与内在无序问题，以及从单个蛋白质走向整个生物系统（虚拟细胞）需要根本不同的数据集。节目单上还列出了蛋白质语言模型中尚未被解锁的科学知识、可信度与不确定性校准为何比对可解释性的完整追求更重要，以及前沿模型是否可能比人类更好地理解其他 AI 系统。
观点#Google
推荐理由：两位当事人亲口把「缩放律要找而不是等」与 AlphaFold 的边界讲清楚，是校准 AI 用于生物之预期的高质量一手材料，但其中不含新的事实或数字。