AI在生物學領域面臨“模糊API”問題
藥物發現缺乏軟件工程中清晰的反饋循環和接口，使得機器學習在生物學中的應用面臨獨特挑戰，而不僅僅是生物學本身的複雜性。
AI在生物學領域的應用再度升温，但真正讓機器學習在此領域難以施展的，並非僅僅是生物學的複雜性——儘管這確是一個因素。更深層的原因在於，藥物發現缺乏軟件工程中那種清晰的反饋循環和明確的接口，而正是這些要素讓現代ML在其他領域取得了巨大成功。
在軟件行業，開發者習慣於使用乾淨的API：一個團隊構建後端服務並暴露端點，另一個團隊在此基礎上開發。接口是類型化的，對象要麼滿足契約，要麼不滿足。出現問題時，通常可以追溯至某個bug，修復代碼，重新測試，然後再次部署。這種模式甚至催生了眾多市值數十億美元的公司，例如Supabase（數據庫）、Exa（搜索）和NVIDIA（GPU計算）。
人們很容易將藥物發現也想象成類似的過程：靶點發現、藥物設計、臨牀試驗。但現實遠非如此。生物學中的每一步都充滿不確定性：一個分子在體外有效，可能在體內無效；一個動物模型成功，可能在人體中失敗。反饋循環模糊且緩慢，使得AI模型很難像在軟件領域那樣快速迭代。理解這種“模糊API”問題是推進AI在生物學中應用的關鍵。