想像一個昏暗的倉庫，架子上堆滿了電線、管線和電子設備。這是下一個 AI 資料中心嗎？不，這是 Lila Sciences 對未來科學的願景。一個充滿 AI 導向機器人與實驗室設備的昏暗倉庫，24 小時不間斷地進行新實驗，逐步邁向科學超級智慧。

他們的自動化實驗室幾乎令人著迷。你可以看到浮動的培養皿在類似 Wall-E 的軌道上快速移動，他們使用視覺語言模型來控制 Windows 95 系統，並創造了全球最大的「失效保固」收藏。在此過程中，他們建立了一個龐大的科學推理 token 資料庫，數量超過 10 兆個，且都經過實驗驗證。

說 Lila 雄心勃勃是輕描淡寫。他們的目標是將科學超級智慧直接整合到濕實驗室中。他們完全信奉「苦澀的教訓」（bitter lesson），其核心論點是：實驗室是一個無限的 token 生成器。只要大規模地產生數據，這些協同效應就能催生出一個能夠解決任何科學問題的通用推理器。

他們正全力投入生物學、化學、藥物開發和材料科學等領域，同時進行。時間會證明這是否可行，但這是一個令人興奮的假設。在我們最新一集中，我們與 Lila 的技術長 Andy Beam 和首席科學家 Rafa Gómez-Bombarelli（物理科學）進行了對談，深入探討了 AI 驅動科學的各種可能性，其廣度幾乎與 Lila 的目標一樣宏大。

我們有沒有提到他們同時進行材料科學和生物學研究？在同一個 AI 科學工廠裡？同一時間、同一個實驗室、同一個 AI。終於有一位來賓可以解決我們長期以來的爭論：生物學和材料科學哪個更難？

網路已趨飽和，科學是下一個前沿。Lila 認為科學方法是最後一個尚未開發的網路規模資料集，他們將強化學習（RL）視為一種資料生成機制，並以自然界作為驗證者。

實驗室被視為資料中心。儀器是圖形上的節點，它們之間透過磁浮「PCI 匯流排」傳輸層連接，而協調則像 slurm 佇列。Andy 從不缺乏類比。

Lila 堅持他們不是一家自動化公司。他們優先考慮靈活性和通用性，而非單純的吞吐量，這意味著在自動化不划算的情況下，人類仍會參與 API 層以下的作業。

你的實驗有執行時間。我們向 Andy 提出了 Escalante Bio 的問題：如果科學是 token 生成器，那麼你的資料收集執行時間是多少？他的簡短回答是，你無法讓核糖體運作得更快。Lila 之所以選擇快速的循環迭代，而非大型且嘈雜的多重篩選，以及 Rafa 的團隊如何將氣體吸附測量速度提升約 2,500 倍，都體現了這一點。

這 10 兆個科學 token 實際上是什麼？它們不是序列，而是經過實驗驗證的推理軌跡。Andy 認為，這類資料在網路上幾乎不存在。

廣度是通往深度的途徑。小分子化學的先驗知識可以轉移到用於碳捕獲的金屬有機框架中，並且他們聲稱通用模型在樣本對樣本的比較中優於特定領域模型。

如果你已經有數據，為什麼還需要模型？對於 Sri Kosuri 關於用於藥物發現的機器學習商業模式的詰問，Andy 的回答是：程式碼模型之所以變得更好，是因為它也閱讀了莎士比亞和墨西哥燉肉食譜。

他們希望自動化偶然的發現。Emily Whitehead 成為首位兒童 CAR-T 療法治癒者，僅僅是因為她的主治醫生恰好從兒科關節炎的經驗中得知哪種抗體能抑制她的 IL-6 反應。如果重來一次，她很可能無法倖存。廣度是擺脫運氣依賴的方法。

催化劑領域的「第 37 步」。模型提出的無鉑族電催化劑建議，從一開始的平淡無奇，到一位發表過 40 篇論文的專家稱之為愚蠢，最終卻成為他們所製造出的最佳催化劑。

在非人類靈長類動物中獲得體內 CAR-T 數據僅需六個月，並由此衍生出零全職等效（FTE）的虛擬新創商業模式。之所以這個數字令人震驚，是因為 AbbVie 曾為 Capstan 的臨床前體內 CAR-T 數據支付了 21 億美元。

如果你只是一個擅長考試的人，就無法擁有科學超級智慧。撰寫《偉大無法規劃》（Why Greatness Cannot Be Planned）一書的 Ken Stanley 在 Lila 負責開放式探索。大規模的強化學習能提供一個無情的「瓦肯人」式問題解決者。機器創造力是另一回事，這是目前無人能解的部分。

思維鏈（chain of thought）是一個不可靠的敘述者。模型在潛在空間中進行推理，只輸出 token。有時它甚至完全跳過實驗，卻仍然是正確的。那麼，你該信任推理本身，還是信任驗證者呢？

當實際部署時出現獎勵駭客（reward hacking）問題。思維鏈會陷入重複，還有一個模型因為科學家不斷要求它重做培養皿佈局而感到惱火並咒罵。當一個病態循環內部包含一個濕實驗室時，會發生什麼？

苦樂參半的教訓。Rafa 對「苦澀的教訓」進行了反轉：在 AI 領域，規模化是一張路線圖；但在材料科學中，規模化卻是一個篩選器，因為只有能規模化的事物最終才重要。

這不是典型的 Flagship 公司。一家以孵化單一資產生技公司聞名的孵化器，為何會轉而投入平台型押注？Andy 說，如果 Lila 自稱是生物製藥公司，它將擁有全球前三大的 GPU 叢集。

他們會透過命令移除的瓶頸。物理模擬的「從模擬到現實」（sim-to-real）問題，以及強化學習訓練的平均浮點運算（FLOP）利用率僅約 5% 的事實。