Z Highlights

人生是一個不斷給自己尋找更大槓桿的過程，直到抵达自己的 bandwidth 上限。對我來說，過去幾年最大的兩個變化：一個是從 thinker 變成 doer，另一個是從學術崇拜，轉向真正關心一個人的實際能力、執行密度和創造結果的能力。
我認為現在的 AI for Science 產業，本質上是在為未來的 general AI 生產科學資料、實驗回饋和真實世界的驗證路徑。三年之後，general AI 可能已經累積了足夠的資料和能力，開始具備更強的 science-in-AI 能力。到那個時候，如果一家 AI for Science 公司沒有自己的 data generation 能力、實驗 pipeline 能力，或者真實回饋閉環，很可能會被淘汰。
OpenDDE 是我在 Aureka 推動的 open-source drug discovery engine。我們希望它成為面向 AI for Drug Discovery 的 world model 和 all-in-one model：不僅可以服務結構預測，也可以逐步服務 pocket identification、binding affinity、complex modeling、de novo design 等更完整的藥物發現流程。我們選擇開源其中一部分能力，是因為AI for Science 不應該只是少數公司的封閉能力，它也應該服務更大的 scientific community 和 social good。
OpenDDE: https://github.com/aurekaresearch/OpenDDE
我認為未來一部分只專注於「藥物設計模型」的公司或模型形態，可能會逐漸消失。因為我們已經找到了一種更 general 的方式：把大模型變成 engine，讓它在大模型的 embedding space 裡搜尋藥物分子。換句話說，我們不是把藥物設計只看成一個生成問題，而是把它重新定義成一個在高維智慧空間裡的搜尋問題。
Aureka 最特別的地方，是它具備資料飛輪能力。Aureka 的主題是 AI infra for TechBio：我們同時擁有 compute 平台、model 平台和 wet-lab 平台。compute、model、wet lab three-in-one 的綜合能力，才有機會真正改變化學、生物學和製藥產業的研發方式。
AGI 不是終點，而是文明重新啟動的起點；Aureka 要做的是，在 pre-AGI 時代提前建造 post-AGI 時代的生命科學引擎。
我認為 AI 的發展最終會像人類的發展一樣，被彙總成一種 evolutionary dynamics。人類的進化動力學來自 human biology；而 AI 也會很快誕生屬於自己的進化動力學。AGI 的實現很可能不是一次性的模型躍遷，而是透過 self-evolving 的方式逐步發生。受到 human biology 的啟發，我和團隊正在建構一套 self-evolving system for post-AGI 的框架：讓 AI 能夠從資料、實驗、回饋、失敗和環境變化中持續進化。

01 從圖神經網路到 AI for Science，他相信世界可以被建模

ZP：歡迎 Will，非常高興今天能與你交流。我們後面會重點聊 AGI 和 world model。先簡單拋一個問題：你覺得 LLM 本身是通往 AGI 的路徑嗎？

華辰清：我認為 LLM 是通往 AGI 的關鍵路徑，但不是完整框架。LLM 已經完成了非常重要的一步：它把語言、知識、推理、程式碼、工具呼叫和 agentic workflow 統一到了一個通用介面裡。某種意義上，LLM 已經完成了 AGI 的 80%。因為它讓 AI 擁有了非常強的資料標註能力、任務分解能力、程式碼執行能力和長程 workflow 組織能力。但剩下的 20%，我認為不是再把 LLM 做大一點就能解決。剩下的部分一定會走向 world model。現在大家都在講 world model，但說實話，這個領域還沒有出現一個像 Transformer 之於 LLM、ViT 之於視覺模型那樣清晰的架構範式。我們還不知道未來的 world model 最終長什麼樣。但我判斷，一定會出現一個更 all-in-one 的模型，去學習真實世界的 state、action、dynamics、feedback 和 causality。

LLM 更像是 brain，world model 更像是對世界運行規律的內化。如果一個系統只是會說、會寫、會呼叫工具，它還不夠接近 AGI。真正的 AGI 應該能夠理解一個複雜系統的狀態，提出干預，預測後果，吸收回饋，然後更新自己的策略。

這也是 pre-AGI 和 post-AGI 最大的區別。pre-AGI 時代，AI 主要是工具：人類定義任務，人類給資料，人類決定下一步。post-AGI 時代，AI 會開始自己提出 hypothesis，自己生成資料，自己執行實驗，自己更新系統。

所以我認為未來一到三年最關鍵的事情，就是 world model 的架構範式能不能被定義出來，能不能被 scale up，能不能和 data flywheel、agentic workflow 結合起來。如果這個閉環真的跑通，我們看到的就不只是一個更強的 LLM，而是一個能夠自我進化的 AGI 系統。

ZP：請你先按時間順序向大家介紹一下自己，你會覺得哪些關鍵節點塑造了今天的你？可以聊聊你的成長背景，包括什麼時候開始對 AI for Biology 產生興趣？

華辰清：我小時候其實很皮，很愛玩，也不算是那種傳統意義上特別刻苦的人。真正改變我的，是高中時我姥姥得了肺癌，後來離世了。那件事對我影響非常大。從那時開始，藥物設計、藥物發現這件事就刻在我心裡了。

我是在國內長大的，大學才出國。2018 年我去 McGill 讀大學部。大一下學期，我選了 COMP551 Machine Learning，那門課是 Will Hamilton 教的。上課之前我不知道他是誰，後來才意識到他是圖神經網路領域非常重要的人。

那門課對我影響很大。Will 當時講到一個觀點：graph can model everything。因為世界本質上是 relational 的。人和人之間有關係，分子和原子之間有關係，蛋白質結構裡 residue 和 residue 之間有關係，甚至事件和事件之間也有關係。現在回頭看，我從 graph neural networks 走到 AI for Biology，再走到 world model，其實背後是同一個問題：世界能不能被建模？複雜系統能不能被表示？關係、因果、動態、回饋，能不能被一個模型學出來？

當時我還不會用 post-AGI 這樣的詞，但那個種子其實已經埋下了。

ZP：你早期做了很多 graph neural network 相關研究。對於一個大一學生來說，接觸圖神經網路、圖論並不簡單。你最早為什麼會被「圖」吸引？

華辰清：我覺得某種意義上，是學科選擇了我，不是我選擇了學科。圖最吸引我的地方，是它提供了一種非常 general 的世界表示方式。這和我今天理解 world model 的方式其實是一脈相承的。一個 molecular system 可以看成圖，一個 protein complex 可以看成圖，一個 cell system 可以看成圖。往更宏觀講，兩個 event、兩個 state、兩個 action 之間，也可以看成某種 hidden relational structure。

後來我做 AI for Biology，做 biomolecular world model，本質上還是在做這件事。只不過早期我是在做 node 和 edge 的 representation；現在我更關心 state、action、function、feedback，以及一個系統如何 evolve。

這也是為什麼我會覺得 graph neural network 對我非常關鍵。它不是給了我一個研究方向，而是給了我一種看世界的方式。

ZP：聽起來你從很早就有一種想搞清楚世界運行方式的欲望。你覺得這種探索欲，是怎麼推動你一路從圖學習走到 AI for Biology，再走到 world model 的？

華辰清：我最近看 Demis Hassabis 相關的書，裡面提到 Hinton 的一個觀點，大意是人類對 research 的欲望是 greedy 的。我覺得非常準確。人類明知道 AGI 有風險，量子運算有風險，可控核融合有風險，但為什麼還是一定要做？因為人類對未知的探索欲是貪婪的。我們知道一點，就想知道更多；我們理解一個系統，就想理解更大的系統。這也可以 apply 到個體身上。我一開始做圖神經網路，是想理解關係。後來做 AI for Biology，是想理解生命系統。現在做 world model，是想理解複雜系統如何運行、如何被干預、如何進化。對我來說，這不是三個割裂的方向，而是同一條線不斷往上走。

graph learning 讓我相信世界可以被表示；AI for Biology 讓我看到真實世界系統有多複雜；world model 則讓我開始思考，一個智慧系統能不能不只是表示世界，而是預測世界、干預世界，甚至和世界一起進化。每個人都有 bandwidth，也都有自己的 bottleneck。至少到現在，我還沒有感覺自己到達了 bottleneck。我仍然很想繼續往前探索。

ZP：回頭看 2020 到 2024 年這段早期 research 階段，你覺得哪些經歷對現在的你影響最大？是演算法訓練、工程落地，還是對學術體系的重新認識？

華辰清：這段時間對我最大的改變，是把我從 thinker 變成了 doer。一開始我更多是在做演算法本身，後來慢慢把演算法落到真正的 application 上。對我來說，這個 application 就是 drug discovery。我把 AI 這把鐵鎚，砸到了生命科學和藥物發現上。

AI 讓我意識到一件非常重要的事：AI 是一門實驗性科學。一個 idea 再 fancy，理論再漂亮，如果不能被實現、不能跑在 GPU 上、不能訓完、不能在真實 benchmark 或真實任務裡 work，那它就只是一個想法。我不再迷信 fancy idea，而是更關心一個系統能不能真的跑起來，能不能 scale，能不能產生結果。

另一件改變，是我逐漸去掉了學術崇拜。2022 年大學畢業到碩士入學之間，我在 Yoshua Bengio 組裡做 intern。那段經歷對我很重要。我看到頂級學者當然非常厲害，Yoshua 本人也非常 hands-on，經常出現在組會裡認真討論問題。但我也看到，一個 title 很大的體系，內部也會有很多混亂、參差不齊和低效。

所以我覺得這段時間塑造了我兩個最重要的變化：一個是從 thinker 到 doer；另一個是從學術崇拜，轉向真正關心一個人的實際能力。這兩個變化對我後來加入 Aureka、做 frontier AI research、做 OpenDDE，都非常關鍵。

ZP：從 McGill/Mila，到後來去 Harvard、MIT，再到 Yale 和加入 Aureka，你的 work philosophy 有沒有發生變化？

華辰清：我現在非常相信一個觀點：人生是不斷給自己上槓桿的過程，直到你達到自己的 bandwidth，上不動槓桿為止。2023 年之後，我去 Harvard、MIT，也和不同的人做 protein design、RNA evolution 相關的事情。外界可能會覺得，去這些地方做 visitor 或 visiting student，人生斜率會立刻 exponential 往上漲。但我自己的體感是，那段時間更多是累積，而不是質變。這也讓我更清楚地知道自己想要什麼。

所以我後來更關心的是：哪裡能給我最大的槓桿？哪裡能讓我把過去累積的能力真正釋放出來？哪裡能讓我不只是寫 paper，而是訓練真正的大模型、建構真正的系統、連結真正的實驗回饋？這也是為什麼我最後選擇加入 Aureka。不是因為我要從一個 title 跳到另一個 title，而是因為我看到那裡有更大的槓桿：算力、模型平台、實驗平台、資料飛輪，以及把 AI for Biology 往 post-AGI scientific system 推進的可能性。

pre-AGI 時代，很多人還在比較學校、title、paper、citation。但 post-AGI 時代真正重要的東西會變成：誰能建構系統，誰能生成資料，誰能連結現實世界回饋，誰能讓 AI 從工具變成一個持續進化的科學引擎。

所以我的 work philosophy 變化很簡單：不要迷信光環，要尋找槓桿；不要停留在想法，要建構系統；不要只做 pre-AGI 時代的 paper，要提前為 post-AGI 時代的 scientific engine 做準備。

02 離開 Yale 加入 Aureka：吸引他的不是 Title，而是算力、實驗平台和資料飛輪

ZP：我們聊到 Aureka。你加入 Aureka 前後經歷了哪些選擇？除了團隊本身，最吸引你加入的因素是什麼？

華辰清：我加入 Aureka 之前，其實也有其他選擇。包括一些海外的 AI for Biology 創業公司、一些已經融了很多錢的平台，也有人希望我過去 lead 一個比較具體的模型專案。但最後我選擇 Aureka，核心原因不是 title，也不是一個更好看的履歷節點，而是它給了我一個非常稀缺的平台：足夠大的算力、真實的實驗系統、以及能夠形成資料飛輪的基礎設施。

在學術界，你更多是在驗證 idea；但在 Aureka，我第一次感覺到，可以把一些本來應該三五年之後才能做的事情，提前拿到今天來試。比如大規模 biomolecular foundation model、大規模 drug discovery engine、大規模 antibody design system。做 AI 的人都知道，小模型和大模型、小規模訓練和大規模訓練，是兩種完全不同的物種。很多東西只有到了一定 scale 之後，才會出現新的能力。所以 Aureka 最吸引我的地方，是它願意把資源真正投入到 frontier AI research 裡。不是只做一個很窄的應用模型，而是可以讓我去訓練更 general 的 biomolecular foundation model，去做更接近 post-AGI 時代 scientific engine 的東西。

對我來說，這有點像時間線上的超車。

如果說 pre-AGI 時代的科學家還在用 paper、benchmark、單點模型去推進科學，那麼 post-AGI 時代的科學系統一定會是 compute、model、實驗、資料、feedback 全部連在一起的閉環。Aureka 給我的吸引力就在於，它不是只給我一個位置，而是給我一個可以提前建構這種閉環的環境。所以我離開 Yale，不是因為我不相信學術，而是因為我覺得這個時代的 frontier 已經從「誰有更好的 idea」，變成「誰能把 idea 放到足夠大的系統裡驗證」。

在 pre-AGI 時代，真正稀缺的不是聰明人，而是能讓聰明 idea 迅速接觸算力、實驗和真實回饋的平台。

ZP：Aureka 強調功能性抗體設計，不只是 binding，也包括更複雜的 function。對模型來說，function 是不是比 structure 更難學習？Aureka 為什麼選擇從這個方向切入？

華辰清：Function 一定比 structure 更難。Structure 更像是一個物理和幾何問題：這個分子長什麼樣，它怎麼 fold，它和 target 怎麼 bind。但 function 是一個更高階的問題：它 bind 之後有沒有生物學效果？有沒有激活或抑制？有沒有細胞層面的 phenotype？有沒有 therapeutic relevance？這些東西不是只靠結構就能完全推出的。

過去很多抗體設計的邏輯是：先做 structure，再做 binding，最後再看 function。但 Aureka 想做的是把 structure 和 function 放到同一個進化閉環裡。不是先後關係，而是並行關係。模型負責提出 variants，實驗平台負責在 protein evolution 的過程中篩選真正符合 function 目標的分子，然後這些資料再反哺模型。這就是 Aureka 最特殊的地方：它不是只有模型，而是有資料飛輪。

這也是我對 post-AGI 藥物發現的理解。未來的 drug discovery 不會是一個模型一次性吐出一個 molecule，然後人類慢慢驗證。它會更像一個 self-evolving system：模型提出假設，實驗系統驗證，失敗樣本被吸收，策略被更新，下一輪設計變得更強。Function 不是最後才看的結果，而是從第一天就進入 reward、selection 和 data flywheel 裡的東西。

ZP：和其他的抗體設計公司比，比如 Chai，Aureka 的資料飛輪是獨特的嗎？

華辰清：我不太想用評價別人的方式來講 Aureka。更準確地說，Aureka 的區別在於我們不是把 AI for Biology 理解成一個純模型問題，而是把它理解成一個基礎設施問題。

一個完整的 AI for Biology 系統，至少要有三層能力：第一層是 compute，能訓練足夠大的模型；第二層是 model，能提出候選、理解結構、預測功能；第三層是 wet lab，能快速生成真實世界回饋。這三層缺一層，系統都不是完整閉環。Aureka 的特點是，我們有自己的高通量實驗平台。在一個 target 或 protein 上，可以在非常短的週期內產生 million-level 的 throughput。這對 AI 來說非常關鍵，因為模型真正需要的不是靜態資料庫，而是 action-feedback trajectory：我提出了什麼 mutation，實驗結果是什麼，為什麼成功，為什麼失敗，下一輪該怎麼調整。

AURA012 專案是個很好的例子。2023 年之前，這個靶點沒有抗體。RFdiffusion 設計出來的全是 0 hits。2023 年，Aureka 依靠基礎模型設計出了 795nM 的弱抗體，但完全達不到管線推進的標準，專案就被暫停了。2024 年，依靠資料飛輪微調基礎模型，設計出 127nM 的抗體。2025 年依靠資料飛輪，設計出 93pM 的抗體。我們在內部觀察到結構基礎模型與 de novo design 之間的 scaling law。

我們不是只做一個模型，也不是只做一個實驗平台，而是在 pre-AGI 時代建構一個 biology 的 reality engine。等到 general AI 越來越強，它仍然需要真實世界介面、驗證系統和高品質回饋資料。Aureka 的資料飛輪，就是這種 post-AGI scientific system 的前置基礎設施。

ZP：你怎麼看「實驗平台是 AI for Biology 的基礎設施之一」這句話？在生命科學裡，compute 是否不僅是 GPU，也包括實驗和真實資料的生成能力？

華辰清：我非常同意，而且我會說得更直接一點：在 AI for Biology 裡，wet lab 就是另一種 compute。GPU 負責在數位世界裡計算，wet lab 負責在現實世界裡計算。GPU 給你 gradient，實驗平台給你 ground truth。GPU 讓模型變強，wet lab 讓模型接觸現實。

所以 AI for Biology 的 compute 不能只理解成 GPU、AIDC、訓練叢集。真正的 compute 應該包括模型 compute、實驗 compute、資料 compute 和 feedback compute。生命科學和純軟體最大的不同在於，你不能只在電腦裡 hallucinate 一個答案。最後這個 antibody 有沒有 function，這個 molecule 有沒有 activity，這個 target 有沒有 therapeutic value，必須回到真實世界裡驗證。

這也是為什麼我認為，未來三年對 AI for Science 公司會非常殘酷。如果一家公司只有模型能力，沒有自己的 data generation 能力，沒有實驗 pipeline，沒有真實回饋閉環，那麼它很可能會被 general AI 壓縮掉。因為 general AI 會越來越強，讀 paper、寫程式碼、呼叫工具、生成候選、做初步分析，這些能力會越來越通用。單點模型的壁壘會下降。真正不會被輕易替代的，是能持續產生高品質科學資料、真實實驗回饋和可重用 trajectory 的系統。

換句話說，pre-AGI 時代的 AI for Science 公司，本質上是在為 post-AGI 時代生產科學資料和現實世界介面。現在看起來是 AI for Science，未來可能會變成 science in AI。到那個時候，AI 不只是輔助科學，而是把科學實驗、驗證、失敗和迭代內化成自己的能力。所以 Aureka 的主題是 AI infra for TechBio。這裡的 infra 不只是模型，不只是 GPU，也不是一個 cloud platform。它包括 compute、model、wet lab、data flywheel、verification system 和 therapeutic pipeline。這套東西合在一起，才是真正的 TechBio infrastructure。

ZP：從整個分子設計管線來看，計算可能已經逐漸接近飽和，大家會自然去打通 wet lab 這一側。你怎麼看這個趨勢？如果沒有自己的實驗閉環，純模型 AI for Science 公司會卡在哪裡呢？

華辰清：純模型公司最大的風險，是它最後只能生成 prediction，但不能生成 reality。

在生命科學裡，prediction 不是終點。你預測一個結構、生成一個分子、設計一個抗體，這些都只是開始。真正困難的是：它能不能被表達？能不能被合成？能不能 bind？有沒有 function？有沒有 specificity？有沒有 developability？有沒有 safety？有沒有機會進入真實 pipeline？

如果沒有實驗閉環，模型就會卡在兩個地方。第一個地方是資料。它會越來越依賴公開資料、合作資料或合成資料，但這些資料很快會被 general AI 吸收，壁壘會越來越薄。第二個地方是驗證。模型可以提出很多看起來漂亮的 candidate，但如果不能快速驗證，就無法知道哪些方向真的有效，也無法把失敗變成下一輪進化的燃料。所以我認為 AI for Biology 未來的競爭，不會只是「誰的模型更大」，而是「誰能更快完成 design-build-test-learn 的閉環」。模型只負責 design 是不夠的，必須能 build、能 test、能 learn。否則它永遠停留在 preclinical discovery 最前端，無法觸碰真實藥物價值的核心。

ZP：你剛才提到 drug discovery 的很多規則仍然掌握在 MNC 手裡。Aureka 有可能打破這個結構嗎？還是只能先改變前面的早研環節？

華辰清：短期來看，Aureka 最先改變的一定是早研環節。因為這是 AI 最容易進入、也最能產生槓桿的地方。

一個藥物從 discovery 到 clinical，再到更後面的階段，週期非常長。AI 可以把早研壓縮很多，比如把原來 18 到 36 個月的過程壓到 9 個月，甚至更短。但臨床、法規、交易、生產和商業化這些環節不會因為 AI 出現就立刻消失。它們是由長期形成的產業制度、風險偏好和監管體系決定的。所以我不會說 Aureka 明天就能重寫整個製藥產業。更準確的說法是：Aureka 先把藥物發現最前端的 20% 變成 machine-speed。過去這部分靠人類經驗、低通量實驗和慢速試錯；現在我們用模型、資料飛輪和實驗平台，把它變成一個可以快速迭代的 self-evolving system。

但長期來看，我認為這件事的影響會逐漸往後傳導。當 early discovery 的速度提高一個數量級，後面的系統一定會被迫變化。因為如果前端每年可以產生更多高品質 candidates，傳統臨床前、BD、驗證和決策體系就會遇到新的壓力。它們不能永遠以 human-speed 消化 machine-speed science。

pre-AGI 時代，AI 只能先嵌入舊的科學流程，幫助人類加速某些環節。post-AGI 時代，AI 會開始重構科學流程本身：它不是只給舊系統提供候選，而是讓 hypothesis、design、experiment、verification、decision-making 形成一個新的閉環。Aureka 今天做的，是先在早研環節建立這個閉環。

Aureka 更像是在 pre-AGI 時代提前搭建 post-AGI 生命科學系統的基礎設施。今天它改變的是早研；未來它可能改變的是科學發現本身的運行速度。

03 生物的世界模型：藥物設計是 AGI 的一個試驗田

ZP：我們聊點技術。先聊 OpenDDE。你如何定義 OpenDDE？它是一個 biomolecular foundation model，還是一個 drug discovery engine？和 AlphaFold3、Chai、Boltz 這類模型相比，它最關鍵的技術突破是什麼？

華辰清：我會更願意把 OpenDDE 定義成一個 open-source drug discovery engine，而不只是一個 biomolecular foundation model。如果只是 biomolecular foundation model，那它回答的是：給我序列、結構、上下文，我預測一個結構。但 drug discovery engine 要回答的是更大的問題：給我一個 disease context、一個 target、一個 desired function，我能不能在巨大的 biomolecular possibility space 裡搜尋出真正有價值的分子、結構和功能？

所以 OpenDDE 的目標不是簡單做一個 AlphaFold3、Chai 或 Boltz 的替代品。那些模型非常重要，但它們更偏向於結構預測時代的核心模型。而我希望 OpenDDE 往後走一步：從 structure prediction 走向 structure-function-design 的統一引擎。

它最關鍵的突破，我會講三點。第一，我們給出了 biomolecular foundation model 的 scaling law，並且計算出了這條曲線的斜率。第二，我們定義了 biomolecular tokens 的 reasoning。第三，也是我認為最重要的突破，是我們統一了 structure prediction 和 de novo design 的訓練架構。這也是為什麼我說 OpenDDE 不是一個單純的 prediction model，而是一個 drug discovery engine。

上一代模型主要回答「這個分子長什麼樣」；OpenDDE 想回答的是「我應該如何在生命系統裡搜尋一個有功能、有結構、有藥物價值的新分子」。這件事放到更大的時間線上看，其實是 pre-AGI 到 post-AGI 的一個過渡。pre-AGI 時代，我們先把 biology 變成一個可建模、可搜尋、可驗證的空間；post-AGI 時代，AI 會直接在這個空間裡提出假設、設計分子、執行實驗、吸收回饋、更新策略。OpenDDE 是這個方向的早期基礎設施。

ZP：訓練 OpenDDE，大概需要多少計算資源？為什麼這種模型在學術界比較難完整驗證？

華辰清：非常多。我們大概花了近千卡叢集和接近半年的訓練時間。我們也算過，如果用單卡來訓練，整個 GPU time 大概要 54 年。這就是為什麼這種模型在學術界很難被完整驗證。不是因為學術界沒有聰明人，恰恰相反，很多最好的 idea 來自學術界。但這類模型已經不只是一個演算法問題，而是一個 infrastructure 問題。你需要從頭搭建大規模 GPU 叢集，需要長期穩定的訓練窗口，需要足夠大的資料系統，需要工程團隊持續維護 pipeline，還需要不斷做 ablation、evaluation、reranking、failure analysis。學術界可能能拿到一些卡，但很難連續 6-12 個月，把一個完整 biomolecular foundation model 從頭訓到尾，再系統驗證它的 scaling behavior 和 downstream capability。

ZP：我們接著聊 antibody world model。你怎麼理解抗體設計裡的 world model？它和 OpenDDE 是什麼關係？

華辰清：我理解的 antibody world model，不是一個單獨的抗體生成模型，而是一個閉環系統。在這個系統裡，state 是當前的 biological context：target 是什麼，epitope 是什麼，已有 parent antibody 是什麼，歷史實驗回饋是什麼，哪些 mutation 成功過，哪些失敗過。policy 是系統決定下一步應該怎麼做：是選擇哪個 parent，是探索新的 CDR mutation，是優化 affinity，還是提高 specificity。action 是生成具體的新 antibody variants。world model 則預測這個 action 會帶來什麼後果：binding mode 是什麼，affinity 是否提升，structure 是否合理，function 是否符合預期，off-target risk 是否可控。OpenDDE 在這裡扮演的是 biological world model 和 verifier 的角色。

大模型可以作為 brain，負責提出 strategy、選擇 action、生成 candidate；但 candidate 不能只靠語言邏輯判斷，它必須被放回 biomolecular world model 裡驗證。OpenDDE 做的就是這件事：它告訴你這個 antibody 可能怎麼 bind、是否結構合理、是否有希望變成真實 drug candidate。所以我們把抗體設計問題重新定義成了一個 在大模型 embedding space 裡進行藥物搜尋的問題。

這也是為什麼我認為，未來一些只專注於「藥物設計」的獨立模型形態可能會被重構。因為當 LLM 足夠強，world model 足夠強，verification system 足夠強以後，設計本身會變成一個搜尋和決策問題，而不是一個單點生成問題。今天的結構可能是：LLM 負責 propose，OpenDDE 負責 verify，wet lab 負責 real-world feedback。但未來我認為會走向 all-in-one：下一代 scientific world model 會自己 propose、自己 simulate、自己 verify、自己更新策略。那時候藥物設計就不再是「一個模型生成一個分子」，而是一個 self-evolving system 在生命空間裡持續搜尋、驗證和進化。這就是 post-AGI 時代的 drug discovery 形態。

ZP：這個 biomolecular world model 能不能放到 agent 架構上？從 LLM for Science 到 scientific LLM、science in AI，中間會經歷什麼演化？

華辰清：可以。更準確地說，我認為 antibody design 會變成一個 agentic world model for drug discovery。最早期，我們有單獨的 LLM。它能讀文獻、回答問題、總結知識。然後進入 agent 階段，它可以呼叫工具、寫程式碼、跑 pipeline、做一些自動化任務。再往後，就是 agentic LLM：它不只是執行一次任務，而是有 loop，有 memory，有 evaluator，有 feedback，有 ability to update its own strategy。

同樣的演化也會發生在 science 和 biology 裡。第一階段是 LLM for Science。第二階段是 Scientific LLM。第三階段是 Science in AI。到這個階段，science 不再只是 AI 的外部應用，而會變成 AI 內部的一種原生能力。AI 可以自己提出 hypothesis，自己設計 experiment，自己呼叫 wet-lab 或模擬系統，自己吸收結果，然後自己更新下一輪 strategy。這就是我說的 post-AGI thinking。

pre-AGI 時代，我們把 AI 放進科學 workflow 裡，讓它輔助人類科學家。post-AGI 時代，科學 workflow 會被內化進 AI 系統本身。AI 不只是幫你做 science，而是 science 在 AI 裡面發生。所以我覺得 AI for Biology 最重要的意義，不只是做出一個更好的抗體或者更好的結構預測模型。它是 AGI 的一個試驗田。

因為 biology 是一個真實世界系統：有物理約束，有功能約束，有實驗成本，有失敗，有回饋，有多尺度動態。如果一個 AI 系統能在 biology 裡完成 hypothesis、design、verification、feedback、update 的閉環，它就不只是在做藥物發現，它是在學習如何干預真實世界。這也是我為什麼說，藥物設計是 AGI 的試驗田。聊天視窗裡的 AGI 只是智慧的一種表現；真正的 AGI 必須能進入真實世界，理解複雜系統，提出干預，承受失敗，吸收回饋，並且持續進化。Biology 是最難、也最有價值的入口之一。

OpenDDE 是我們在 pre-AGI 時代建的一塊基礎設施。今天它服務於 structure prediction、antibody design、drug discovery；但更長期看，它是在為 post-AGI 時代的 scientific intelligence 做準備。

04 從 3D 微觀世界到 AGI：Self-Evolving 為什麼可能是下一條主線

ZP：當你做 biomolecular world model 時，它和 general world model 有沒有清晰的對應關係？這個 link 具體指什麼，有沒有催生你對 world model 更清晰的認識？

華辰清：AI for Biology 其實是 general world model 的一個非常重要的訓練場。因為 biology 既有物理約束，又有功能約束；既有結構，又有動態；既有可模擬的部分，也有必須透過實驗回饋才能驗證的部分。它逼迫你的模型不能只是生成一個漂亮的結構，而必須進入真實世界的閉環：預測、驗證、失敗、更新，再預測。更哲學一點講，我覺得 world model 本質上是在一個巨大的 possibility space 裡做搜尋。我們不是一開始就知道正確答案是什麼，而是透過模型、實驗、回饋和迭代，不斷排除不可能，逼近那些真正可能發生、真正有價值的狀態。

Biomolecular world model 做的是這件事：在巨大的 sequence-structure-function space 裡，排除掉不可能成為藥物的分子，逼近真正有效的 drug candidates。General world model 做的也是這件事：在巨大的 world-state space 裡，模擬不同 action 的後果，排除掉不可行路徑，逼近更優的決策和未來狀態。所以對我來說，biomolecular world model 不是一個 biology-specific 的小模型。它讓我更清楚地看到，world model 的第一性原理其實是統一的：理解狀態，預測干預，吸收回饋，更新策略，然後在複雜世界裡持續逼近更好的可能性。

ZP：這就自然引到 AGI 和 self-evolving 這個話題。你怎麼定義 self-evolving？它和 Agent、reinforcement learning、AutoML 有什麼區別？

華辰清：如果回頭看科學發展本身，其實很多重大突破都像是一種 evolution。比如 Transformer 為什麼會誕生？在 Transformer 之前，大家經歷了 RNN、CNN、attention、representation learning 等很多階段。那個時代真正的 bottleneck 是：sequence 太長，遠距離依賴太難建模，傳統架構無法高效擴展。於是大量研究者不斷嘗試、失敗、排除不可能的架構，最後 Transformer 被找到。

所以我會問一個更哲學的問題：Transformer 是被人類創造出來的，還是它本來就存在於某種 possibility space 裡，只是終於被人類發現了？我現在越來越傾向於後者。很多偉大的 scientific discovery 和 AI architecture，本質上都像是存在於一個巨大的隱空間裡。人類透過實驗、失敗、約束和回饋，不斷排除不可能，最後找到那個可能性。AlphaFold2 也是類似的。它不是突然從天上掉下來的，而是在生物資料、結構預測任務、MSA、attention、geometry、end-to-end learning、CASP evaluator 等一系列條件成熟之後，被 evolution 出來的一個結果。它背後不是單點天才，而是整個領域長期搜尋、失敗、累積和選擇的結果。

這就是我理解的 evolution：每一個時代都有一個 state，每一個 state 都有自己的 bottleneck。當 bottleneck 被解決之後，系統進入下一個 state，然後遇到新的 bottleneck，再繼續 evolve。

AI 的發展也是這樣。從早期 representation learning，到 Transformer，到 GPT-2，到 scaling law，到 instruction tuning、RLHF、reasoning model，再到今天的 agentic LLMs、coding agents、looped LMs，每一步都是為了解決前一個階段的 bottleneck 而 evolve 出來的新範式。

過去的問題是，這個 evolution 主要由人來推動。人類提出方向，人類寫程式碼，人類設計實驗，人類總結失敗，人類決定下一步做什麼。但現在這個時代很特殊：我們第一次同時擁有了足夠強的 compute infrastructure、足夠大的 AIDC、足夠強的 LLM as brain、足夠強的 coding agent，以及越來越多可以自動生成和驗證的資料飛輪。這意味著 AI 不再只是 evolution 的結果，它開始可以參與 evolution 本身。

我認為這就是 self-evolving 通往 AGI 的關鍵。人類有自己的 evolutionary dynamics，它來自 human biology、環境選擇、文化累積和工具使用；AI 也會誕生自己的 evolutionary dynamics。這個 dynamics 不一定和人類一樣，但它會透過資料、算力、模型、agent、實驗、回饋和自我改寫不斷推進自己。所以我對 self-evolving 的理解是：它不是一個更聰明的 agent，也不是一個更大的模型，而是一套讓 AI 能夠持續突破自身 bottleneck 的進化機制。

ZP：你為什麼認為 AGI 會在這個時代來臨？核心原因是 computing infrastructure、data flywheel，還是 LLM as brain 和 coding agent 的成熟？

華辰清：我覺得 AGI 會在這個時代來臨，不是因為某一個單點突破，而是因為幾條關鍵曲線第一次在同一個時間點交匯了。

第一是 computing infrastructure。今天的算力基礎設施已經強到一個程度，讓我們開始有機會去建模越來越多複雜系統。過去很多東西不是理論上不可能，而是算力、資料、工程系統都不夠成熟。現在 GPU、AIDC、分散式訓練、推論基礎設施、資料管線都在快速成熟，這讓「model everything」第一次從一個哲學願景，變成了一個可以被工程化推進的方向。

第二是 LLM 開始變成一種 general brain。它不只是一個語言模型，而是開始具備理解、推理、規劃、呼叫工具、寫程式碼、執行任務的能力。尤其是 coding agent 的成熟非常關鍵，因為一旦模型能夠寫程式碼、除錯、執行實驗、分析結果，它就不再只是被動回答問題，而開始具備改造外部世界、甚至改造自身系統的能力。

第三是 data flywheel。過去 AI 的進化主要依賴人類給它標註資料、設計任務、寫 benchmark、做回饋。但現在 agentic LLMs 可以自動生成資料、自動寫程式碼、自動設計實驗、自動做 annotation、自動評估結果。也就是說，AI 開始可以參與生產自己的訓練資料和進化環境。這是一個非常本質的變化。

ZP：從當下這個時刻看，AGI 時代可能正在臨近，self-evolving 也到了可行的階段。對你個人來說，這個時刻意味著什麼？或者對 Aureka 來說，這個時刻賦予你們什麼意義？

華辰清：對我來說，AGI 不是終點，而是萬物的起點。

過去我們把 AI 看成工具：幫助人寫程式碼、分析資料、提升效率。但 AGI 真正到來的意義，是人類第一次擁有了一種可以持續自我改進、可以和科學系統一起進化的智慧基礎設施。它會把很多 pre-AGI 時代看起來遙遠甚至像科幻的目標，逐漸變成可以被工程化推進的問題：延展生命的邊界，理解生命和智慧本身，探索更高效的能源，走向火星，甚至走向更遠的星際文明。

所以我不認為 AGI 只是一個技術節點。它更像是一個新文明階段的開端。AI 會像生物一樣不斷進化，而這種進化會打開大量 pre-AGI 時代無法想像的新機會。

對我和 Aureka 來說，這個時刻的意義是：我們不是等 AGI 到來之後再開始思考未來，而是在 pre-AGI 時代就已經開始為 post-AGI 時代做準備。我們希望建構的不是一個短期工具，而是一個能夠參與科學發現、理解生命系統、並持續自我進化的智慧系統。

AGI 來了，萬物生。而我們希望成為最早把這種能力帶入生命科學和真實世界創造的人之一。AI for Biology 是 AGI 進入真實世界的第一塊試驗田；我們要做的，是把這套 self-evolving 的能力從生命科學遷移到更大的科學戰場。

ZP：如果三年後 AGI 真的來了，從三年後回看今天，你希望你、你的工作、Aureka，或你說的這套體系留下什麼影響？比如開源生態、真實的藥物價值，還是一條通往 AGI 的路徑？

華辰清：如果三年後 AGI 真的來了，我希望從三年後回看今天，大家會覺得我們在這個時刻做對了一件事：我們沒有把 AGI 只理解成一個更強的聊天機器人、程式碼助手，或者生產力工具，而是把它理解成一種可以參與科學發現、推動生命系統理解、並持續自我進化的基礎設施。

我希望 Aureka 留下的影響不是單一的。不是只留下一個開源專案，也不是只留下一個藥物管線，甚至也不是只留下某一篇論文。我更希望我們留下的是一套新的範式：讓 AI 不只是預測結構、生成分子、篩選靶點，而是能夠在真實科學問題中持續提出假設、執行實驗、吸收回饋、更新策略，最終讓科學進步本身變得更加可計算。

當然，真實的藥物價值非常重要。生命科學不是純粹的 demo，最後必須回到病人、疾病和真實世界的療效上。所以如果三年後回看今天，我希望 Aureka 至少證明了一點：self-evolving 的 AI 系統不僅可以在 benchmark 上變強，也可以在真實藥物發現中產生可驗證的價值，幫助我們更快、更低成本地走向新的靶點、新的分子、新的治療方案。同時，我也希望我們對開源生態有貢獻。因為 AGI 時代不應該只是少數公司擁有智慧，科學也不應該只被封閉系統推進。我們希望把一部分底層能力、模型、工具和方法開放出來，讓更多研究者、創業者和實驗室能夠站在這個基礎上繼續探索。

但最核心的影響，我希望是第三點：Aureka 能夠證明，通往 AGI 或 post-AGI 的關鍵路徑之一，是科學。因為科學本質上就是智慧不斷理解世界、干預世界、從失敗中更新自己的過程。如果一個系統能夠真正參與科學進步，它就不只是一個模型，而是在接近一種更高階的智慧形態。

所以三年後如果 AGI 真的來了，我希望今天的 Aureka 被記住為：在 pre-AGI 時代，最早開始為 post-AGI 科學基礎設施做準備的團隊之一。我們希望留下的不是一個短期產品，而是一條路徑：讓 AI 從工具變成科學進化的參與者，讓生命科學成為 AGI 改變真實世界的第一個重要入口。

ZP：對於 general AI 背景、想進入 AI for Biology 的年輕研究者，你會給他們什麼建議？

華辰清：我會給他們三個建議。

第一，不要把 biology 理解成另一種 modality。它不是把蛋白質序列當成 text、把分子當成 graph、把結構當成 3D point cloud，然後套一個模型就結束了。Biology 最難的地方在於它是一個真實世界系統：資料有雜訊，機制不完整，實驗有成本，失敗很常見，很多 ground truth 甚至需要你自己去生成。所以進入 AI for Biology，不能只做 model-first，而要盡快變成 problem-first 和 system-first。

第二，要盡快靠近真實實驗和真實回饋。未來 AI for Biology 裡最稀缺的不是再訓練一個更大的模型，而是高品質的資料生成能力、實驗驗證能力和閉環迭代能力。如果一個年輕研究者只停留在 benchmark、paper、leaderboard，他可能會很快被 general AI 追上；但如果他理解 assay、理解 wet lab、理解疾病機制、理解什麼樣的 prediction 最後能變成 real-world value，他會擁有更長期的優勢。

第三，要保留 general AI 背景帶來的抽象能力。AI for Biology 不只是做 biology-specific model，它其實是在研究一個智慧系統如何理解複雜系統、提出假設、設計干預、執行實驗、吸收失敗，然後更新自己的策略。這個過程和 AGI、world model、self-evolving system 是高度相關的。所以我會建議年輕研究者不要只把自己定位成「做蛋白質模型的人」或者「做藥物設計模型的人」，而是要思考：我能不能建構一個系統，讓 AI 在生命科學裡持續學習、持續驗證、持續進化？

所以如果一句話總結，我會說：general AI 背景的人進入 AI for Biology，最大的優勢不是會調模型，而是有機會把 biology 重新定義成一個真實世界智慧系統的問題。但前提是，你必須尊重 biology 的複雜性，靠近真實實驗，建立自己的資料飛輪，並且從第一天開始就思考閉環和驗證。

05 讓 AGI 發生在華人身上，把 AI for Science 的能力遷移到更大的戰場

ZP：最後，關於 AGI、self-evolving、world model，或者 AI for Biology 對 AGI 的啟發，你還有什麼想表達的嗎？

華辰清：我最後想表達的是，AI for Biology 對 AGI 的啟發可能被低估了。

很多人理解 AGI，會從語言、程式碼、數學、機器人這些方向出發。但我認為生命科學提供了另一條非常重要的路徑。因為生命本身就是一個極其複雜的、自組織的、多尺度的、持續進化的系統。一個真正強大的智慧系統，不應該只是會回答問題、寫程式碼、做推理，而應該能夠理解一個複雜系統如何變化，如何被干預，如何從失敗中更新自己，如何在真實世界裡產生新的能力。

這也是為什麼我一直關注 self-evolving 和 world model。World model 的核心不是「預測下一幀」，而是理解世界的動態；self-evolving 的核心也不是「自動調參」，而是一個系統能不能從自己的歷史、實驗、失敗和回饋裡持續進化。生命科學恰好是檢驗這些能力最真實、也最困難的場景之一。

所以對我來說，AI for Biology 不是一個垂直應用，它是 AGI 的訓練場。藥物發現、蛋白質設計、細胞系統、疾病機制，這些問題都要求 AI 同時具備建模、推理、實驗設計、回饋吸收和長期策略更新的能力。如果一個系統能在生命科學裡真正 work，它的能力就不只是 biology-specific，而是可以遷移到更大的戰場：材料、能源、機器人、工業系統，甚至更廣義的科學發現。

我也希望 AGI 這件事能夠更多發生在華人身上。這裡不是狹隘的身份表達，而是我覺得在下一個智慧時代，我們不應該只是使用別人定義好的系統、追隨別人定義好的範式。華人科學家、工程師、創業者應該有機會參與定義 AGI 的路徑，尤其是在 AI for Science 這樣真正連接智慧和真實世界創造力的方向上。

Aureka 現在做 AI for Biology，看起來是在做生命科學；但更底層地說，我們是在嘗試建構一套能夠理解複雜系統、干預複雜系統、並持續自我進化的智慧體系。今天它從 biology 開始，未來它應該可以遷移到更大的科學和工程世界裡。

所以如果要用一句話總結，我想說：AGI 不應該只是發生在聊天視窗裡，也不應該只發生在少數封閉實驗室裡。AGI 應該發生在科學裡，發生在真實世界裡，也應該發生在我們這一代華人創業者和科學家手裡。AI for Biology 是我們的起點，但不是我們的終點。

請注意，此次訪談內容已經過精心編輯，並得到了華辰清的認可，僅代表受訪人觀點。我們也歡迎讀者透過留言互動，分享您對本訪談的看法。

Z Potentials 將繼續提供更多關於人工智慧、全球化市場、機器人技術等領域的科研探索者訪談。

Z Tech｜從生物進化論到 AI 進化論，直到 AGI 和永生：為 post-AGI 時代建造生命科學引擎

推薦語