Marinka Zitnik 谈带'怀疑式推理'的 AI 与假设生成
带"怀疑式推理"的 AI 与假设生成（Marinka Zitnik）
哈佛 Marinka Zitnik 在 CSHL 访谈中介绍带'怀疑式推理'的 AI，强调证据不足时输出不确定判断而非强行下结论。其基础模型 Proton 不额外训练即可在双相障碍与阿尔茨海默病间做药物重定位。她还指出 95% 文献集中在约 5000 个热门基因，提示仅爬文献的 chatbot 存在覆盖偏倚，需接入原始实验数据如化学扰动筛选。
发生了什么
哈佛的 Marinka Zitnik 在 CSHL Leading Strand 这期 16 分钟访谈中讲了她构建“怀疑式推理”AI 的思路：当证据矛盾或不足时，模型应输出“不确定”而不是强行下结论，再据此整合多模态扰动数据，迭代生成、精炼、重排可检验的科学假设。她同时警告数据偏差问题：生命科学 95% 的论文集中在约 5000 个最热门基因上，功能注释量与 NIH 资助周期高度相关，只爬文献的 chatbot 会给出高度偏倚的预测，必须接入 perturb-seq 化学扰动筛选这类原始实验数据。其基础模型 Proton 不加额外训练即可先后用于双相障碍和阿尔茨海默病，做法是审视上世纪已获批药物的作用机制，在相关疾病细胞类型中“怀疑式”核查靶点表达差异，从而完成药物重定位。
为什么重要
这个访谈回答了假设生成领域一个悬而未决的问题：怎么让 AI 学会说“我不知道”——传统模型恰恰很难在证据冲突时克制断言，而这正是科学假设能否经得起检验的前提。数据偏差那段对做 AI 药物发现的人有直接警示价值：热门基因的文献密度和资助周期会系统性带偏纯文献模型，接入原始扰动数据、按相关性给多模态数据加权，是可迁移的数据策略。Proton 一个模型不加训练就跨双相障碍和阿尔茨海默病使用，说明基础模型路线比每个适应症重训一个模型更省成本；对研发和 BD 读者而言，重定位上世纪已获批药物意味着人体安全性数据现成，成败关键在机制是否真成立，而“怀疑式核查靶点表达差异”正是在把关这一步。
还缺什么
材料没披露 Proton 的性能指标，也没说在双相障碍或阿尔茨海默病上具体重定位出了哪些药物或靶点，模型架构、训练数据规模、提供 perturb-seq 数据的合作方身份都待确认。“怀疑式”输出不确定性的具体校准方法是否已有论文或预印本，也待确认。后续重点看 Proton 生成的假设进入实验验证的节奏，以及多模态数据按相关性加权的实现细节是否公开。
来源：专家解读（YouTube） · youtube.com