AI编程远超生物学：基础设施决定AI落地速度

AI编程突飞猛进，生物学却进展缓慢——问题出在哪？

AI在编程领域的进展令人瞩目——从GitHub Copilot到各类代码Agent，AI已经能够独立完成复杂的软件工程任务。GitHub Copilot于2021年由GitHub与OpenAI联合推出，基于OpenAI Codex模型，能够根据代码上下文自动补全和生成代码片段。此后，代码Agent的概念进一步演化——从Devin（号称首个AI软件工程师）到Cursor、Windsurf等AI IDE，再到Claude Code等终端工具，AI编程能力经历了从"补全助手"到"自主Agent"的跃迁。在SWE-bench等标准化基准测试中，顶尖AI系统已能独立解决超过50%的真实GitHub issue，这意味着AI已具备处理复杂多文件代码库、理解项目架构并提交可通过测试的代码修改的能力。

SWE-bench是由普林斯顿大学研究团队于2023年推出的基准测试，专门用于评估AI系统解决真实软件工程问题的能力。它从12个流行的Python开源项目（如Django、scikit-learn、sympy等）中收集了2294个真实的GitHub issue及其对应的pull request。每个任务要求AI系统阅读issue描述、理解代码库结构、定位相关文件，并生成能通过项目测试套件的代码补丁。这与简单的代码补全任务有本质区别——它考验的是AI对大规模代码库的全局理解能力、多文件协调修改能力以及对软件工程最佳实践的掌握。SWE-bench的出现为AI编程能力提供了一个可量化、可复现的评估标准，使得不同系统之间的横向比较成为可能。

然而在生物学领域，尽管投入了大量资源，AI的进展却相对缓慢。这背后的原因是什么？

一篇来自New Science的博客文章提出了一个精妙的比喻：对于AI Agent而言，生物数据库就像是在汽车发明之前建造的城市——在其中驾驶令人抓狂，因为这些基础设施本来就是为完全不同的"交通方式"设计的。

编程vs生物学：基础设施的结构性差异

编程领域为何成为AI最先突破的阵地

编程领域具备天然的结构性优势，使其成为AI最容易发挥作用的场景：

• 数据格式统一：代码本身就是结构化的文本，天然适合语言模型处理
• 反馈循环即时：代码能编译、能运行、能测试，AI可以快速验证自己的输出
• 基础设施现代化：Git、API文档、包管理器等工具本身就是机器友好的
• 评价标准明确：代码要么能跑，要么不能跑，对错分明

反馈循环在AI学习中扮演着至关重要的角色。在编程领域，这个循环极为紧凑：AI生成代码→编译器检查语法→运行测试套件→获得通过/失败的明确信号→据此调整策略。整个过程可在秒级完成。这种密集、即时的反馈使得强化学习和迭代优化策略能够高效运作，是AI编程能力快速提升的关键驱动力之一。值得注意的是，这种反馈机制的价值不仅体现在模型训练阶段——在推理阶段，AI Agent同样依赖这种快速反馈来实现"试错-修正"的工作流程，例如生成代码后运行测试发现错误，再根据错误信息修改代码，如此迭代直到通过所有测试。

生物学数据基础设施的核心困境

生物数据库的情况则完全不同。几十年来积累的生物学数据库——从基因组数据库到蛋白质结构库——都是为人类研究者设计的。具体而言，GenBank（基因序列数据库）自1982年建立，目前包含超过2.5亿条核酸序列；UniProt（蛋白质数据库）收录了超过2.5亿条蛋白质序列信息；PDB（蛋白质数据结构库）存储了超过20万个实验确定的三维结构。这些数据库各自采用不同的数据格式（如FASTA、PDB格式、GFF等），由不同机构独立维护，查询接口和数据模型各异。

这种数据格式的碎片化并非偶然，而是学科发展历史的产物。FASTA格式诞生于1985年，最初只是为序列比对工具设计的简单文本格式；PDB格式源于1970年代的固定列宽卡片格式，虽后来演化为mmCIF格式但兼容性问题依然存在；GFF（General Feature Format）用于基因组注释，经历了GFF2到GFF3再到GTF的多次迭代，不同版本间存在微妙差异。每种格式都是在特定历史时期为解决特定问题而设计的，缺乏统一的设计哲学。更复杂的是，同一数据库内部也存在格式演变——例如GenBank的flat file格式与其XML版本之间的映射并非完全一致。这种历史积累的技术债务，使得即便是经验丰富的生物信息学家也常常需要花费大量时间在数据清洗和格式转换上，更遑论缺乏领域知识的AI Agent。

虽然AlphaFold在蛋白质结构预测上取得了革命性突破，但这更多是单点突破——它解决的是一个定义明确的计算问题，而非系统性地解决了AI与生物数据基础设施之间的交互问题。AlphaFold由DeepMind开发，其第二代版本（AlphaFold2）在2020年的CASP14（蛋白质结构预测关键评估）竞赛中取得了革命性成绩，预测精度接近实验方法。蛋白质结构预测问题之所以能被AI率先攻克，恰恰是因为它具备了类似编程领域的某些优势：问题定义明确（从氨基酸序列预测三维结构）、存在大量标注数据（PDB中的实验结构）、有客观的评价指标（与实验结构的距离偏差）。但蛋白质折叠只是生物学问题的冰山一角——药物发现需要理解蛋白质-配体相互作用、信号通路调控、毒理学效应等多层次复杂系统，这些问题远未被结构化地定义。

它们的界面、数据格式、查询方式都假设用户是一个能理解上下文、能处理模糊信息的人类科学家。

当AI Agent试图使用这些数据库时，面临的挑战包括：

• 数据格式不统一，不同数据库之间难以互通
• 缺乏标准化的机器可读接口
• 大量隐性知识嵌入在人类可读但机器难解的文档中
• 实验验证周期长，无法像代码那样快速迭代

关于最后一点，其影响远比表面看起来更深远。生物学实验的验证周期可能是数天（细胞培养）、数周（动物实验）甚至数年（临床试验）。这种时间尺度的巨大差异意味着AI在生物学中无法像在编程中那样通过快速试错来学习和优化，强化学习等依赖密集反馈的方法在此几乎失效。

"汽车之前的城市"——理解AI基础设施瓶颈的最佳比喻

这个比喻极为贴切。想象一下欧洲那些中世纪老城——狭窄的巷道、不规则的街区、缺乏停车位。这些城市在设计时考虑的是马车和行人，而非现代汽车。你可以在里面开车，但效率极低。

生物学的数据基础设施面临同样的问题。这些系统在设计时，"用户"是拿着笔记本的博士生，而非需要程序化访问海量数据的AI Agent。

如何构建Agent友好的科学数据基础设施

这个问题指向了AI在科学领域应用的核心瓶颈：我们需要重新思考数据基础设施的设计哲学。

短期可落地的方案

• 为现有数据库构建标准化的API层
• 开发数据格式转换的中间件
• 建立机器可读的元数据标准

长期根本性的重构方向

• 从头设计Agent-native的科学数据平台
• 建立自动化的实验验证管道
• 创建跨数据库的统一知识图谱

Agent-native是相对于当前"human-first, machine-adapted"设计范式的根本转变。它意味着从系统设计之初就将AI Agent作为一等公民用户来考虑：数据以结构化、语义明确的格式存储；所有操作通过程序化API暴露而非依赖GUI；元数据丰富且机器可解析；权限和速率限制适配Agent的高频访问模式。这类似于Web发展中从"网页为主"到"API-first"的转变——RESTful API和GraphQL的出现让程序能够高效地与Web服务交互，而不必像爬虫那样解析HTML页面。科学数据基础设施需要经历类似的范式转换。

自动化实验验证管道（也称为"自驱动实验室"或"self-driving lab"）是缩短生物学反馈循环的关键技术方向。目前已有若干前沿尝试：卡内基梅隆大学的"Robot Scientist Adam"和"Eve"能够自主设计和执行微生物学实验；Emerald Cloud Lab和Strateos提供云端实验室服务，允许通过API远程操控实验设备；Recursion Pharmaceuticals利用高通量自动化显微镜每周生成数百万张细胞图像。然而，即便是最先进的自动化实验室，其反馈周期仍以小时或天计，与编程领域的秒级反馈相差数个数量级。真正的突破可能需要将计算模拟（如分子动力学模拟、虚拟筛选）与物理实验有机结合，形成"计算预测→快速实验验证→模型更新"的混合闭环。

而统一知识图谱的构建则是另一个关键方向。知识图谱以图结构组织信息，通过节点（实体）和边（关系）来表达知识。在生物学语境下，这意味着将基因、蛋白质、疾病、药物、代谢通路等不同类型的生物实体及其相互关系整合到一个可计算的网络中。Google的Knowledge Graph、生物医学领域的Hetionet都是相关尝试。但构建这样的图谱面临本体论对齐（不同数据库对同一概念的定义不同）、关系抽取（从文献中自动提取实体关系）、动态更新（生物学知识快速演进）等核心挑战。

超越生物学：AI基础设施建设的广泛启示

这个观察不仅适用于生物学。任何AI尚未充分渗透的领域，都值得审视其基础设施是否"Agent友好"。法律文档、医疗记录、工业数据——这些领域的数字化基础设施大多是为人类设计的。

法律和医疗领域面临的基础设施挑战与生物学高度相似但各有特色。法律领域中，判例法系统的核心知识散布在数百万份判决书中，这些文档使用高度专业化的法律语言，充满交叉引用和隐含的法理逻辑链条；不同司法管辖区的法律体系差异巨大，且法律解释本身具有内在的模糊性和争议性。医疗领域则面临更严峻的数据孤岛问题——电子健康记录（EHR）系统如Epic、Cerner等采用不同的数据标准（HL7 FHIR标准虽在推进但远未普及），患者数据受HIPAA等隐私法规严格保护，临床笔记中充斥着缩写、俚语和隐含假设。工业数据领域同样如此，OPC UA等工业通信标准的采用率仍然有限，大量工厂设备产生的数据仍锁定在专有协议中。这些领域的共同特征是：数据丰富但碎片化，标准化程度低，且存在大量需要领域专家才能解读的隐性知识。

AI的下一波突破，可能不取决于模型本身的能力提升，而取决于我们能否为AI构建合适的"道路系统"。正如城市需要为汽车重新规划道路一样，科学数据基础设施也需要为AI时代进行根本性的重构。

这或许是当前AI基础设施建设中最被低估的投资方向之一。当我们讨论AI的未来时，往往聚焦于更大的模型、更多的算力，却忽略了一个基本事实：再强大的汽车，在中世纪的巷道中也跑不快。为AI铺设现代化的"道路"——标准化的数据接口、机器原生的知识表示、自动化的验证管道——可能是释放AI科学发现潜力的真正关键。