Z Tech｜从生物进化论到 AI 进化论，直到 AGI 和永生：为 post-AGI 时代建造生命科学引擎

Z Potentials

2026-07-03

导读：耶鲁 PhD 辍学、加入 Aureka 创业，他把 3D 微观世界的 world modeling 、宏观世界的 world modeling，与 self-evolving 放进实现 AGI 的一条

Z Highlights

人生是一个不断给自己寻找更大杠杆的过程，直到抵达自己的 bandwidth 上限。对我来说，过去几年最大的两个变化：一个是从 thinker 变成 doer，另一个是从学术崇拜，转向真正关心一个人的实际能力、执行密度和创造结果的能力。
我认为现在的 AI for Science 行业，本质上是在为未来的 general AI 生产科学数据、实验反馈和真实世界的验证路径。三年之后，general AI 可能已经积累了足够的数据和能力，开始具备更强的 science-in-AI 能力。到那个时候，如果一家 AI for Science 公司没有自己的 data generation 能力、实验 pipeline 能力，或者真实反馈闭环，很可能会被淘汰。
OpenDDE 是我在 Aureka 推动的 open-source drug discovery engine。我们希望它成为面向 AI for Drug Discovery 的 world model 和 all-in-one model：不仅可以服务结构预测，也可以逐步服务 pocket identification、binding affinity、complex modeling、de novo design 等更完整的药物发现流程。我们选择开源其中一部分能力，是因为 AI for Science 不应该只是少数公司的封闭能力，它也应该服务更大的 scientific community 和 social good。
我认为未来一部分只专注于“药物设计模型”的公司或模型形态，可能会逐渐消失。因为我们已经找到了一种更 general 的方式：把大模型变成 engine，让它在大模型的 embedding space 里搜索药物分子。换句话说，我们不是把药物设计只看成一个生成问题，而是把它重新定义成一个在高维智能空间里的搜索问题。
Aureka 最特别的地方，是它具备数据飞轮能力。Aureka 的主题是 AI infra for TechBio：我们同时拥有 compute 平台、model 平台和 wet-lab 平台。compute、model、wet lab three-in-one 的综合能力，才有机会真正改变化学、生物学和制药行业的研发方式。
AGI 不是终点，而是文明重新启动的起点；Aureka 要做的是，在 pre-AGI 时代提前建造 post-AGI 时代的生命科学引擎。
我认为 AI 的发展最终会像人类的发展一样，被汇总成一种 evolutionary dynamics。人类的进化动力学来自 human biology；而 AI 也会很快诞生属于自己的进化动力学。AGI 的实现很可能不是一次性的模型跃迁，而是通过 self-evolving 的方式逐步发生。受到 human biology 的启发，我和团队正在构建一套 self-evolving system for post-AGI 的框架：让 AI 能够从数据、实验、反馈、失败和环境变化中持续进化。

01 从图神经网络到 AI for Science，他相信世界可以被建模

ZP：欢迎 Will，非常高兴今天能与你交流。我们后面会重点聊 AGI 和 world model。先简单抛一个问题：你觉得 LLM 本身是通往 AGI 的路径吗？

华辰清： 我认为 LLM 是通往 AGI 的关键路径，但不是完整框架。LLM 已经完成了非常重要的一步：它把语言、知识、推理、代码、工具调用和 agentic workflow 统一到了一个通用接口里。某种意义上，LLM 已经完成了 AGI 的 80%。因为它让 AI 拥有了非常强的数据标注能力、任务分解能力、代码执行能力和长程 workflow 组织能力。但剩下的 20%，我认为不是再把 LLM 做大一点就能解决。剩下的部分一定会走向 world model。现在大家都在讲 world model，但说实话，这个领域还没有出现一个像 Transformer 之于 LLM、ViT 之于视觉模型那样清晰的架构范式。我们还不知道未来的 world model 最终长什么样。但我判断，一定会出现一个更 all-in-one 的模型，去学习真实世界的 state、action、dynamics、feedback 和 causality。

LLM 更像是 brain，world model 更像是对世界运行规律的内化。如果一个系统只是会说、会写、会调用工具，它还不够接近 AGI。真正的 AGI 应该能够理解一个复杂系统的状态，提出干预，预测后果，吸收反馈，然后更新自己的策略。

这也是 pre-AGI 和 post-AGI 最大的区别。pre-AGI 时代，AI 主要是工具：人类定义任务，人类给数据，人类决定下一步。post-AGI 时代，AI 会开始自己提出 hypothesis，自己生成数据，自己执行实验，自己更新系统。

所以我认为未来一到三年最关键的事情，就是 world model 的架构范式能不能被定义出来，能不能被 scale up，能不能和 data flywheel、agentic workflow 结合起来。如果这个闭环真的跑通，我们看到的就不只是一个更强的 LLM，而是一个能够自我进化的 AGI 系统。

ZP： 请你先按时间顺序向大家介绍一下自己，你会觉得哪些关键节点塑造了今天的你？可以聊聊你的成长背景，包括什么时候开始对 AI for Biology 产生兴趣？

华辰清：我小时候其实很皮，很爱玩，也不算是那种传统意义上特别刻苦的人。真正改变我的，是高中时我姥姥得了肺癌，后来离世了。那件事对我影响非常大。从那时开始，药物设计、药物发现这件事就刻在我心里了。

我是在国内长大的，大学才出国。2018 年我去 McGill 读本科。大一下学期，我选了 COMP551 Machine Learning，那门课是 Will Hamilton 教的。上课之前我不知道他是谁，后来才意识到他是图神经网络领域非常重要的人。

那门课对我影响很大。Will 当时讲到一个观点：graph can model everything。因为世界本质上是 relational 的。人和人之间有关系，分子和原子之间有关系，蛋白质结构里 residue 和 residue 之间有关系，甚至事件和事件之间也有关系。现在回头看，我从 graph neural networks 走到 AI for Biology，再走到 world model，其实背后是同一个问题：世界能不能被建模？复杂系统能不能被表示？关系、因果、动态、反馈，能不能被一个模型学出来？

当时我还不会用 post-AGI 这样的词，但那个种子其实已经埋下了。

ZP： 你早期做了很多 graph neural network 相关研究。对于一个大一学生来说，接触图神经网络、图论并不简单。你最早为什么会被“图”吸引？

华辰清： 我觉得某种意义上，是学科选择了我，不是我选择了学科。图最吸引我的地方，是它提供了一种非常 general 的世界表示方式。这和我今天理解 world model 的方式其实是一脉相承的。一个 molecular system 可以看成图，一个 protein complex 可以看成图，一个 cell system 可以看成图。往更宏观讲，两个 event、两个 state、两个 action 之间，也可以看成某种 hidden relational structure。

后来我做 AI for Biology，做 biomolecular world model，本质上还是在做这件事。只不过早期我是在做 node 和 edge 的 representation；现在我更关心 state、action、function、feedback，以及一个系统如何 evolve。

这也是为什么我会觉得 graph neural network 对我非常关键。它不是给了我一个研究方向，而是给了我一种看世界的方式。

ZP：听起来你从很早就有一种想搞清楚世界运行方式的欲望。你觉得这种探索欲，是怎么推动你一路从图学习走到 AI for Biology ，再走到 world model 的？

华辰清：我最近看 Demis Hassabis 相关的书，里面提到 Hinton 的一个观点，大意是人类对 research 的欲望是 greedy 的。我觉得非常准确。人类明知道 AGI 有风险，量子计算有风险，可控核聚变有风险，但为什么还是一定要做？因为人类对未知的探索欲是贪婪的。我们知道一点，就想知道更多；我们理解一个系统，就想理解更大的系统。这也可以 apply 到个体身上。我一开始做图神经网络，是想理解关系。后来做 AI for Biology，是想理解生命系统。现在做 world model，是想理解复杂系统如何运行、如何被干预、如何进化。对我来说，这不是三个割裂的方向，而是同一条线不断往上走。

graph learning 让我相信世界可以被表示；AI for Biology 让我看到真实世界系统有多复杂；world model 则让我开始思考，一个智能系统能不能不只是表示世界，而是预测世界、干预世界，甚至和世界一起进化。每个人都有 bandwidth，也都有自己的 bottleneck。至少到现在，我还没有感觉自己到达了 bottleneck。我仍然很想继续往前探索。

ZP： 回头看 2020 到 2024 年这段早期 research 阶段，你觉得哪些经历对现在的你影响最大？是算法训练、工程落地，还是对学术体系的重新认识？

华辰清：这段时间对我最大的改变，是把我从 thinker 变成了 doer。一开始我更多是在做算法本身，后来慢慢把算法落到真正的 application 上。对我来说，这个 application 就是 drug discovery。我把 AI 这把锤子，砸到了生命科学和药物发现上。

AI 让我意识到一件非常重要的事：AI 是一门实验性科学。一个 idea 再 fancy，理论再漂亮，如果不能被实现、不能跑在 GPU 上、不能训完、不能在真实 benchmark 或真实任务里 work，那它就只是一个想法。我不再迷信 fancy idea，而是更关心一个系统能不能真的跑起来，能不能 scale，能不能产生结果。

另一件改变，是我逐渐去掉了学术崇拜。2022 年本科毕业到硕士入学之间，我在 Yoshua Bengio 组里做 intern。那段经历对我很重要。我看到顶级学者当然非常厉害，Yoshua 本人也非常 hands-on，经常出现在组会里认真讨论问题。但我也看到，一个 title 很大的体系，内部也会有很多混乱、参差不齐和低效。

所以我觉得这段时间塑造了我两个最重要的变化：一个是从 thinker 到 doer；另一个是从学术崇拜，转向真正关心一个人的实际能力。这两个变化对我后来加入 Aureka、做 frontier AI research、做 OpenDDE，都非常关键。

ZP：从 McGill/Mila，到后来去 Harvard、MIT，再到 Yale 和加入 Aureka，你的 work philosophy 有没有发生变化？

华辰清：我现在非常相信一个观点：人生是不断给自己上杠杆的过程，直到你达到自己的 bandwidth，上不动杠杆为止。2023 年之后，我去 Harvard、MIT，也和不同的人做 protein design、RNA evolution 相关的事情。外界可能会觉得，去这些地方做 visitor 或 visiting student，人生斜率会立刻 exponential 往上涨。但我自己的体感是，那段时间更多是积累，而不是质变。这也让我更清楚地知道自己想要什么。

所以我后来更关心的是：哪里能给我最大的杠杆？哪里能让我把过去积累的能力真正释放出来？哪里能让我不只是写 paper，而是训练真正的大模型、构建真正的系统、连接真正的实验反馈？这也是为什么我最后选择加入 Aureka。不是因为我要从一个 title 跳到另一个 title，而是因为我看到那里有更大的杠杆：算力、模型平台、实验平台、数据飞轮，以及把 AI for Biology 往 post-AGI scientific system 推进的可能性。

pre-AGI 时代，很多人还在比较学校、title、paper、citation。但 post-AGI 时代真正重要的东西会变成：谁能构建系统，谁能生成数据，谁能连接现实世界反馈，谁能让 AI 从工具变成一个持续进化的科学引擎。

所以我的 work philosophy 变化很简单：不要迷信光环，要寻找杠杆；不要停留在想法，要构建系统；不要只做 pre-AGI 时代的 paper，要提前为 post-AGI 时代的 scientific engine 做准备。

02 离开 Yale 加入 Aureka：吸引他的不是 Title，而是算力、实验平台和数据飞轮

ZP：我们聊到 Aureka。你加入 Aureka 前后经历了哪些选择？除了团队本身，最吸引你加入的因素是什么？

华辰清：我加入 Aureka 之前，其实也有其他选择。包括一些海外的 AI for Biology 创业公司、一些已经融了很多钱的平台，也有人希望我过去 lead 一个比较具体的模型项目。但最后我选择 Aureka，核心原因不是 title，也不是一个更好看的履历节点，而是它给了我一个非常稀缺的平台：足够大的算力、真实的实验系统、以及能够形成数据飞轮的基础设施。

在学术界，你更多是在验证 idea；但在 Aureka，我第一次感觉到，可以把一些本来应该三五年之后才能做的事情，提前拿到今天来试。比如大规模 biomolecular foundation model、大规模 drug discovery engine、大规模 antibody design system。做 AI 的人都知道，小模型和大模型、小规模训练和大规模训练，是两种完全不同的物种。很多东西只有到了一定 scale 之后，才会出现新的能力。所以 Aureka 最吸引我的地方，是它愿意把资源真正投入到 frontier AI research 里。不是只做一个很窄的应用模型，而是可以让我去训练更 general 的 biomolecular foundation model，去做更接近 post-AGI 时代 scientific engine 的东西。

对我来说，这有点像时间线上的超车。

如果说 pre-AGI 时代的科学家还在用 paper、benchmark、单点模型去推进科学，那么 post-AGI 时代的科学系统一定会是 compute、model、实验、数据、feedback 全部连在一起的闭环。Aureka 给我的吸引力就在于，它不是只给我一个位置，而是给我一个可以提前构建这种闭环的环境。所以我离开 Yale，不是因为我不相信学术，而是因为我觉得这个时代的 frontier 已经从“谁有更好的 idea"，变成“谁能把 idea 放到足够大的系统里验证”。

在 pre-AGI 时代，真正稀缺的不是聪明人，而是能让聪明 idea 迅速接触算力、实验和真实反馈的平台。

ZP：Aureka 强调功能性抗体设计，不只是 binding，也包括更复杂的 function。对模型来说，function 是不是比 structure 更难学习？Aureka 为什么选择从这个方向切入？

华辰清：Function 一定比 structure 更难。Structure 更像是一个物理和几何问题：这个分子长什么样，它怎么 fold，它和 target 怎么 bind。但 function 是一个更高阶的问题：它 bind 之后有没有生物学效果？有没有激活或抑制？有没有细胞层面的 phenotype？有没有 therapeutic relevance？这些东西不是只靠结构就能完全推出的。

过去很多抗体设计的逻辑是：先做 structure，再做 binding，最后再看 function。但 Aureka 想做的是把 structure 和 function 放到同一个进化闭环里。不是先后关系，而是并行关系。模型负责提出 variants，实验平台负责在 protein evolution 的过程中筛选真正符合 function 目标的分子，然后这些数据再反哺模型。这就是 Aureka 最特殊的地方：它不是只有模型，而是有数据飞轮。

这也是我对 post-AGI 药物发现的理解。未来的 drug discovery 不会是一个模型一次性吐出一个 molecule，然后人类慢慢验证。它会更像一个 self-evolving system：模型提出假设，实验系统验证，失败样本被吸收，策略被更新，下一轮设计变得更强。Function 不是最后才看的结果，而是从第一天就进入 reward、selection 和 data flywheel 里的东西。

ZP： 和其他的抗体设计公司比，比如 Chai，Aureka 的数据飞轮是独特的吗？

华辰清：我不太想用评价别人的方式来讲 Aureka。更准确地说，Aureka 的区别在于我们不是把 AI for Biology 理解成一个纯模型问题，而是把它理解成一个基础设施问题。

一个完整的 AI for Biology 系统，至少要有三层能力：第一层是 compute，能训练足够大的模型；第二层是 model，能提出候选、理解结构、预测功能；第三层是 wet lab，能快速生成真实世界反馈。这三层缺一层，系统都不是完整闭环。Aureka 的特点是，我们有自己的高通量实验平台。在一个 target 或 protein 上，可以在非常短的周期内产生 million-level 的 throughput。这对 AI 来说非常关键，因为模型真正需要的不是静态数据库，而是 action-feedback trajectory：我提出了什么 mutation，实验结果是什么，为什么成功，为什么失败，下一轮该怎么调整。

AURA012 项目是个很好的例子。2023 年之前，这个靶点没有抗体。RFdiffusion 设计出来的全是 0 hits。2023 年，Aureka 依靠基模设计出了 795nM 的弱抗体，但完全达不到管线推进的标准，项目就被暂停了。2024 年，依靠数据飞轮微调基模，设计出 127nM 的抗体。2025 年依靠数据飞轮，设计出 93pM 的抗体。我们在内部观察到结构基模与 de novo design 之间的 scaling law。

我们不是只做一个模型，也不是只做一个实验平台，而是在 pre-AGI 时代构建一个 biology 的 reality engine。等到 general AI 越来越强，它仍然需要真实世界接口、验证系统和高质量反馈数据。Aureka 的数据飞轮，就是这种 post-AGI scientific system 的前置基础设施。

ZP： 你怎么看“实验平台是 AI for Biology 的基础设施之一”这句话？在生命科学里，compute 是否不仅是 GPU，也包括实验和真实数据的生成能力？

华辰清：我非常同意，而且我会说得更直接一点：在 AI for Biology 里，wet lab 就是另一种 compute。GPU 负责在数字世界里计算，wet lab 负责在现实世界里计算。GPU 给你 gradient，实验平台给你 ground truth。GPU 让模型变强，wet lab 让模型接触现实。

所以 AI for Biology 的 compute 不能只理解成 GPU、AIDC、训练集群。真正的 compute 应该包括模型 compute、实验 compute、数据 compute 和 feedback compute。生命科学和纯软件最大的不同在于，你不能只在电脑里 hallucinate 一个答案。最后这个 antibody 有没有 function，这个 molecule 有没有 activity，这个 target 有没有 therapeutic value，必须回到真实世界里验证。

这也是为什么我认为，未来三年对 AI for Science 公司会非常残酷。如果一家公司只有模型能力，没有自己的 data generation 能力，没有实验 pipeline，没有真实反馈闭环，那么它很可能会被 general AI 压缩掉。因为 general AI 会越来越强，读 paper、写代码、调用工具、生成候选、做初步分析，这些能力会越来越通用。单点模型的壁垒会下降。真正不会被轻易替代的，是能持续产生高质量科学数据、真实实验反馈和可复用 trajectory 的系统。

换句话说，pre-AGI 时代的 AI for Science 公司，本质上是在为 post-AGI 时代生产科学数据和现实世界接口。现在看起来是 AI for Science，未来可能会变成 science in AI。到那个时候，AI 不只是辅助科学，而是把科学实验、验证、失败和迭代内化成自己的能力。所以 Aureka 的主题是 AI infra for TechBio。这里的 infra 不只是模型，不只是 GPU，也不是一个 cloud platform。它包括 compute、model、wet lab、data flywheel、verification system 和 therapeutic pipeline。这套东西合在一起，才是真正的 TechBio infrastructure。

ZP： 从整个分子设计管线来看，计算可能已经逐渐接近饱和，大家会自然去打通 wet lab 这一侧。你怎么看这个趋势？如果没有自己的实验闭环，纯模型 AI for Science 公司会卡在哪里呢？

华辰清：纯模型公司最大的风险，是它最后只能生成 prediction，但不能生成 reality。

在生命科学里，prediction 不是终点。你预测一个结构、生成一个分子、设计一个抗体，这些都只是开始。真正困难的是：它能不能被表达？能不能被合成？能不能 bind？有没有 function？有没有 specificity？有没有 developability？有没有 safety？有没有机会进入真实 pipeline？

如果没有实验闭环，模型就会卡在两个地方。第一个地方是数据。它会越来越依赖公开数据、合作数据或合成数据，但这些数据很快会被 general AI 吸收，壁垒会越来越薄。第二个地方是验证。模型可以提出很多看起来漂亮的 candidate，但如果不能快速验证，就无法知道哪些方向真的有效，也无法把失败变成下一轮进化的燃料。所以我认为 AI for Biology 未来的竞争，不会只是“谁的模型更大”，而是“谁能更快完成 design-build-test-learn 的闭环”。模型只负责 design 是不够的，必须能 build、能 test、能 learn。否则它永远停留在 preclinical discovery 最前端，无法触碰真实药物价值的核心。

ZP： 你刚才提到 drug discovery 的很多规则仍然掌握在 MNC 手里。Aureka 有可能打破这个结构吗？还是只能先改变前面的早研环节？

华辰清：短期来看，Aureka 最先改变的一定是早研环节。因为这是 AI 最容易进入、也最能产生杠杆的地方。

一个药物从 discovery 到 clinical，再到更后面的阶段，周期非常长。AI 可以把早研压缩很多，比如把原来 18 到 36 个月的过程压到 9 个月，甚至更短。但临床、监管、交易、生产和商业化这些环节不会因为 AI 出现就立刻消失。它们是由长期形成的行业制度、风险偏好和监管体系决定的。所以我不会说 Aureka 明天就能重写整个制药行业。更准确的说法是：Aureka 先把药物发现最前端的 20% 变成 machine-speed。过去这部分靠人类经验、低通量实验和慢速试错；现在我们用模型、数据飞轮和实验平台，把它变成一个可以快速迭代的 self-evolving system。

但长期来看，我认为这件事的影响会逐渐往后传导。当 early discovery 的速度提高一个数量级，后面的系统一定会被迫变化。因为如果前端每年可以产生更多高质量 candidates，传统临床前、BD、验证和决策体系就会遇到新的压力。它们不能永远以 human-speed 消化 machine-speed science。

pre-AGI 时代，AI 只能先嵌入旧的科学流程，帮助人类加速某些环节。post-AGI 时代，AI 会开始重构科学流程本身：它不是只给旧系统提供候选，而是让 hypothesis、design、experiment、verification、decision-making 形成一个新的闭环。Aureka 今天做的，是先在早研环节建立这个闭环。

Aureka 更像是在 pre-AGI 时代提前搭建 post-AGI 生命科学系统的基础设施。今天它改变的是早研；未来它可能改变的是科学发现本身的运行速度。

03 生物的世界模型：药物设计是 AGI 的一个试验田

ZP：我们聊点技术。先聊 OpenDDE。你如何定义 OpenDDE？它是一个 biomolecular foundation model，还是一个 drug discovery engine？和 AlphaFold3、Chai、Boltz 这类模型相比，它最关键的技术突破是什么？

华辰清：我会更愿意把 OpenDDE 定义成一个 open-source drug discovery engine，而不只是一个 biomolecular foundation model。如果只是 biomolecular foundation model，那它回答的是：给我序列、结构、上下文，我预测一个结构。但 drug discovery engine 要回答的是更大的问题：给我一个 disease context、一个 target、一个 desired function，我能不能在巨大的 biomolecular possibility space 里搜索出真正有价值的分子、结构和功能？

所以 OpenDDE 的目标不是简单做一个 AlphaFold3、Chai 或 Boltz 的替代品。那些模型非常重要，但它们更偏向于结构预测时代的核心模型。而我希望 OpenDDE 往后走一步：从 structure prediction 走向 structure-function-design 的统一引擎。

它最关键的突破，我会讲三点。第一，我们给出了 biomolecular foundation model 的 scaling law，并且计算出了这条曲线的斜率。第二，我们定义了 biomolecular tokens 的 reasoning。第三，也是我认为最重要的突破，是我们统一了 structure prediction 和 de novo design 的训练架构。这也是为什么我说 OpenDDE 不是一个单纯的 prediction model，而是一个 drug discovery engine。

上一代模型主要回答“这个分子长什么样”；OpenDDE 想回答的是“我应该如何在生命系统里搜索一个有功能、有结构、有药物价值的新分子”。这件事放到更大的时间线上看，其实是 pre-AGI 到 post-AGI 的一个过渡。pre-AGI 时代，我们先把 biology 变成一个可建模、可搜索、可验证的空间；post-AGI 时代，AI 会直接在这个空间里提出假设、设计分子、执行实验、吸收反馈、更新策略。OpenDDE 是这个方向的早期基础设施。

ZP：训练 OpenDDE、大概需要多少计算资源？为什么这种模型在学术界比较难完整验证？

华辰清：非常多。我们大概花了近千卡集群和接近半年的训练时间。我们也算过，如果用单卡来训练，整个 GPU time 大概要 54 年。这就是为什么这种模型在学术界很难被完整验证。不是因为学术界没有聪明人，恰恰相反，很多最好的 idea 来自学术界。但这类模型已经不只是一个算法问题，而是一个 infrastructure 问题。你需要从头搭建大规模GPU 集群，需要长期稳定的训练窗口，需要足够大的数据系统，需要工程团队持续维护 pipeline，还需要不断做 ablation、evaluation、reranking、failure analysis。学术界可能能拿到一些卡，但很难连续6-12月，把一个完整 biomolecular foundation model 从头训到尾，再系统验证它的 scaling behavior 和 downstream capability。

ZP：我们接着聊 antibody world model。你怎么理解抗体设计里的 world model？它和 OpenDDE 是什么关系？

华辰清：我理解的 antibody world model，不是一个单独的抗体生成模型，而是一个闭环系统。在这个系统里，state 是当前的 biological context：target 是什么，epitope 是什么，已有 parent antibody 是什么，历史实验反馈是什么，哪些 mutation 成功过，哪些失败过。policy 是系统决定下一步应该怎么做：是选择哪个 parent，是探索新的 CDR mutation，是优化 affinity，还是提高 specificity。action 是生成具体的新 antibody variants。world model 则预测这个 action 会带来什么后果：binding mode 是什么，affinity 是否提升，structure 是否合理，function 是否符合预期，off-target risk 是否可控。OpenDDE 在这里扮演的是 biological world model 和 verifier 的角色。

大模型可以作为 brain，负责提出 strategy、选择 action、生成 candidate；但 candidate 不能只靠语言逻辑判断，它必须被放回 biomolecular world model 里验证。OpenDDE 做的就是这件事：它告诉你这个 antibody 可能怎么 bind、是否结构合理、是否有希望变成真实 drug candidate。所以我们把抗体设计问题重新定义成了一个 在大模型 embedding space 里进行药物搜索的问题。

这也是为什么我认为，未来一些只专注于“药物设计”的独立模型形态可能会被重构。因为当 LLM 足够强，world model 足够强，verification system 足够强以后，设计本身会变成一个搜索和决策问题，而不是一个单点生成问题。今天的结构可能是：LLM 负责 propose，OpenDDE 负责 verify，wet lab 负责 real-world feedback。但未来我认为会走向 all-in-one：下一代 scientific world model 会自己 propose、自己 simulate、自己 verify、自己更新策略。那时候药物设计就不再是“一个模型生成一个分子”，而是一个 self-evolving system 在生命空间里持续搜索、验证和进化。这就是 post-AGI 时代的 drug discovery 形态。

ZP：这个 biomolecular world model 能不能放到 agent 架构上？从 LLM for Science 到 scientific LLM、science in AI，中间会经历什么演化？

华辰清：可以。更准确地说，我认为 antibody design 会变成一个 agentic world model for drug discovery。最早期，我们有单独的 LLM。它能读文献、回答问题、总结知识。然后进入 agent 阶段，它可以调用工具、写代码、跑 pipeline、做一些自动化任务。再往后，就是 agentic LLM：它不只是执行一次任务，而是有 loop，有 memory，有 evaluator，有 feedback，有 ability to update its own strategy。

同样的演化也会发生在 science 和 biology 里。第一阶段是 LLM for Science。第二阶段是 Scientific LLM。第三阶段是 Science in AI。到这个阶段，science 不再只是 AI 的外部应用，而会变成 AI 内部的一种原生能力。AI 可以自己提出 hypothesis，自己设计 experiment，自己调用 wet-lab 或模拟系统，自己吸收结果，然后自己更新下一轮 strategy。这就是我说的 post-AGI thinking。

pre-AGI 时代，我们把 AI 放进科学 workflow 里，让它辅助人类科学家。post-AGI 时代，科学 workflow 会被内化进 AI 系统本身。AI 不只是帮你做 science，而是 science 在 AI 里面发生。所以我觉得 AI for Biology 最重要的意义，不只是做出一个更好的抗体或者更好的结构预测模型。它是 AGI 的一个试验田。

因为 biology 是一个真实世界系统：有物理约束，有功能约束，有实验成本，有失败，有反馈，有多尺度动态。如果一个 AI 系统能在 biology 里完成 hypothesis、design、verification、feedback、update 的闭环，它就不只是在做药物发现，它是在学习如何干预真实世界。这也是我为什么说，药物设计是 AGI 的试验田。聊天窗口里的 AGI 只是智能的一种表现；真正的 AGI 必须能进入真实世界，理解复杂系统，提出干预，承受失败，吸收反馈，并且持续进化。Biology 是最难、也最有价值的入口之一。

OpenDDE 是我们在 pre-AGI 时代建的一块基础设施。今天它服务于 structure prediction、antibody design、drug discovery；但更长期看，它是在为 post-AGI 时代的 scientific intelligence 做准备。

04 从 3D 微观世界到 AGI：Self-Evolving 为什么可能是下一条主线

ZP：当你做 biomolecular world model 时，它和 general world model 有没有清晰的对应关系？这个 link 具体指什么，有没有催生你对 world model 更清晰的认识？

华辰清：AI for Biology 其实是 general world model 的一个非常重要的训练场。因为 biology 既有物理约束，又有功能约束；既有结构，又有动态；既有可模拟的部分，也有必须通过实验反馈才能验证的部分。它逼迫你的模型不能只是生成一个漂亮的结构，而必须进入真实世界的闭环：预测、验证、失败、更新，再预测。更哲学一点讲，我觉得 world model 本质上是在一个巨大的 possibility space 里做搜索。我们不是一开始就知道正确答案是什么，而是通过模型、实验、反馈和迭代，不断排除不可能，逼近那些真正可能发生、真正有价值的状态。

Biomolecular world model 做的是这件事：在巨大的 sequence-structure-function space 里，排除掉不可能成为药物的分子，逼近真正有效的 drug candidates。General world model 做的也是这件事：在巨大的 world-state space 里，模拟不同 action 的后果，排除掉不可行路径，逼近更优的决策和未来状态。所以对我来说，biomolecular world model 不是一个 biology-specific 的小模型。它让我更清楚地看到，world model 的第一性原理其实是统一的：理解状态，预测干预，吸收反馈，更新策略，然后在复杂世界里持续逼近更好的可能性。

ZP：这就自然引到 AGI 和 self-evolving 这个话题。你怎么定义 self-evolving？它和 Agent、reinforcement learning、AutoML 有什么区别？

华辰清：如果回头看科学发展本身，其实很多重大突破都像是一种 evolution。比如 Transformer 为什么会诞生？在 Transformer 之前，大家经历了 RNN、CNN、attention、representation learning 等很多阶段。那个时代真正的 bottleneck 是：sequence 太长，远距离依赖太难建模，传统架构无法高效扩展。于是大量研究者不断尝试、失败、排除不可能的架构，最后 Transformer 被找到。

所以我会问一个更哲学的问题：Transformer 是被人类创造出来的，还是它本来就存在于某种 possibility space 里，只是终于被人类发现了？我现在越来越倾向于后者。很多伟大的 scientific discovery 和 AI architecture，本质上都像是存在于一个巨大的隐空间里。人类通过实验、失败、约束和反馈，不断排除不可能，最后找到那个可能性。AlphaFold2 也是类似的。它不是突然从天上掉下来的，而是在生物数据、结构预测任务、MSA、attention、geometry、end-to-end learning、CASP evaluator 等一系列条件成熟之后，被 evolution 出来的一个结果。它背后不是单点天才，而是整个领域长期搜索、失败、积累和选择的结果。

这就是我理解的 evolution：每一个时代都有一个 state，每一个 state 都有自己的 bottleneck。当 bottleneck 被解决之后，系统进入下一个 state，然后遇到新的 bottleneck，再继续 evolve。

AI 的发展也是这样。从早期 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，每一步都是为了解决前一个阶段的 bottleneck 而 evolve 出来的新范式。

过去的问题是，这个 evolution 主要由人来推动。人类提出方向，人类写代码，人类设计实验，人类总结失败，人类决定下一步做什么。但现在这个时代很特殊：我们第一次同时拥有了足够强的 compute infrastructure、足够大的 AIDC、足够强的 LLM as brain、足够强的 coding agent，以及越来越多可以自动生成和验证的数据飞轮。这意味着 AI 不再只是 evolution 的结果，它开始可以参与 evolution 本身。

我认为这就是 self-evolving 通往 AGI 的关键。人类有自己的 evolutionary dynamics，它来自 human biology、环境选择、文化积累和工具使用；AI 也会诞生自己的 evolutionary dynamics。这个 dynamics 不一定和人类一样，但它会通过数据、算力、模型、agent、实验、反馈和自我改写不断推进自己。所以我对 self-evolving 的理解是：它不是一个更聪明的 agent，也不是一个更大的模型，而是一套让 AI 能够持续突破自身 bottleneck 的进化机制。

ZP：你为什么认为 AGI 会在这个时代来临？核心原因是 computing infrastructure、data flywheel，还是 LLM as brain 和 coding agent 的成熟？

华辰清：我觉得 AGI 会在这个时代来临，不是因为某一个单点突破，而是因为几条关键曲线第一次在同一个时间点交汇了。

第一是 computing infrastructure。今天的算力基础设施已经强到一个程度，让我们开始有机会去建模越来越多复杂系统。过去很多东西不是理论上不可能，而是算力、数据、工程系统都不够成熟。现在 GPU、AIDC、分布式训练、推理基础设施、数据管线都在快速成熟，这让"model everything"第一次从一个哲学愿景，变成了一个可以被工程化推进的方向。

第二是 LLM 开始变成一种 general brain。它不只是一个语言模型，而是开始具备理解、推理、规划、调用工具、写代码、执行任务的能力。尤其是 coding agent 的成熟非常关键，因为一旦模型能够写代码、调试代码、运行实验、分析结果，它就不再只是被动回答问题，而开始具备改造外部世界、甚至改造自身系统的能力。

第三是 data flywheel。过去 AI 的进化主要依赖人类给它标注数据、设计任务、写 benchmark、做反馈。但现在 agentic LLMs 可以自动生成数据、自动写代码、自动设计实验、自动做 annotation、自动评估结果。也就是说，AI 开始可以参与生产自己的训练数据和进化环境。这是一个非常本质的变化。

ZP：从当下这个时刻看，AGI 时代可能正在临近，self-evolving 也到了可行的阶段。对你个人来说，这个时刻意味着什么？或者对 Aureka 来说，这个时刻赋予你们什么意义？

华辰清：对我来说，AGI 不是终点，而是万物的起点。

过去我们把 AI 看成工具：帮助人写代码、分析数据、提升效率。但 AGI 真正到来的意义，是人类第一次拥有了一种可以持续自我改进、可以和科学系统一起进化的智能基础设施。它会把很多 pre-AGI 时代看起来遥远甚至像科幻的目标，逐渐变成可以被工程化推进的问题：延展生命的边界，理解生命和智能本身，探索更高效的能源，走向火星，甚至走向更远的星际文明。

所以我不认为 AGI 只是一个技术节点。它更像是一个新文明阶段的开端。AI 会像生物一样不断进化，而这种进化会打开大量 pre-AGI 时代无法想象的新机会。

对我和 Aureka 来说，这个时刻的意义是：我们不是等 AGI 到来之后再开始思考未来，而是在 pre-AGI 时代就已经开始为 post-AGI 时代做准备。我们希望构建的不是一个短期工具，而是一个能够参与科学发现、理解生命系统、并持续自我进化的智能系统。

AGI 来了，万物生。而我们希望成为最早把这种能力带入生命科学和真实世界创造的人之一。AI for Biology 是 AGI 进入真实世界的第一块试验田；我们要做的，是把这套 self-evolving 的能力从生命科学迁移到更大的科学战场。

ZP：如果三年后 AGI 真的来了，从三年后回看今天，你希望你，你的工作，Aureka，或你说的这套体系留下什么影响？比如开源生态、真实的药物价值，还是一条通往 AGI 的路径？

华辰清：如果三年后 AGI 真的来了，我希望从三年后回看今天，大家会觉得我们在这个时刻做对了一件事：我们没有把 AGI 只理解成一个更强的聊天机器人、代码助手，或者生产力工具，而是把它理解成一种可以参与科学发现、推动生命系统理解、并持续自我进化的基础设施。

我希望 Aureka 留下的影响不是单一的。不是只留下一个开源项目，也不是只留下一个药物管线，甚至也不是只留下某一篇论文。我更希望我们留下的是一套新的范式：让 AI 不只是预测结构、生成分子、筛选靶点，而是能够在真实科学问题中持续提出假设、执行实验、吸收反馈、更新策略，最终让科学进步本身变得更加可计算。

当然，真实的药物价值非常重要。生命科学不是纯粹的 demo，最后必须回到病人、疾病和真实世界的疗效上。所以如果三年后回看今天，我希望 Aureka 至少证明了一点：self-evolving 的 AI 系统不仅可以在 benchmark 上变强，也可以在真实药物发现中产生可验证的价值，帮助我们更快、更低成本地走向新的靶点、新的分子、新的治疗方案。同时，我也希望我们对开源生态有贡献。因为 AGI 时代不应该只是少数公司拥有智能，科学也不应该只被封闭系统推进。我们希望把一部分底层能力、模型、工具和方法开放出来，让更多研究者、创业者和实验室能够站在这个基础上继续探索。

但最核心的影响，我希望是第三点：Aureka 能够证明，通往 AGI 或 post-AGI 的关键路径之一，是科学。因为科学本质上就是智能不断理解世界、干预世界、从失败中更新自己的过程。如果一个系统能够真正参与科学进步，它就不只是一个模型，而是在接近一种更高阶的智能形态。

所以三年后如果 AGI 真的来了，我希望今天的 Aureka 被记住为：在 pre-AGI 时代，最早开始为 post-AGI 科学基础设施做准备的团队之一。我们希望留下的不是一个短期产品，而是一条路径：让 AI 从工具变成科学进化的参与者，让生命科学成为 AGI 改变真实世界的第一个重要入口。

ZP：对于 general AI 背景、想进入 AI for Biology 的年轻研究者，你会给他们什么建议？

华辰清：我会给他们三个建议。

第一，不要把 biology 理解成另一种 modality。它不是把蛋白质序列当成 text、把分子当成 graph、把结构当成 3D point cloud，然后套一个模型就结束了。Biology 最难的地方在于它是一个真实世界系统：数据有噪声，机制不完整，实验有成本，失败很常见，很多 ground truth 甚至需要你自己去生成。所以进入 AI for Biology，不能只做 model-first，而要尽快变成 problem-first 和 system-first。

第二，要尽快靠近真实实验和真实反馈。未来 AI for Biology 里最稀缺的不是再训练一个更大的模型，而是高质量的数据生成能力、实验验证能力和闭环迭代能力。如果一个年轻研究者只停留在 benchmark、paper、leaderboard，他可能会很快被 general AI 追上；但如果他理解 assay、理解 wet lab、理解疾病机制、理解什么样的 prediction 最后能变成 real-world value，他会拥有更长期的优势。

第三，要保留 general AI 背景带来的抽象能力。AI for Biology 不只是做 biology-specific model，它其实是在研究一个智能系统如何理解复杂系统、提出假设、设计干预、执行实验、吸收失败，然后更新自己的策略。这个过程和 AGI、world model、self-evolving system 是高度相关的。所以我会建议年轻研究者不要只把自己定位成“做蛋白质模型的人”或者“做药物设计模型的人”，而是要思考：我能不能构建一个系统，让 AI 在生命科学里持续学习、持续验证、持续进化？

所以如果一句话总结，我会说：general AI 背景的人进入 AI for Biology，最大的优势不是会调模型，而是有机会把 biology 重新定义成一个真实世界智能系统的问题。但前提是，你必须尊重 biology 的复杂性，靠近真实实验，建立自己的数据飞轮，并且从第一天开始就思考闭环和验证。

05 让 AGI 发生在华人身上，把 AI for Science 的能力迁移到更大的战场

ZP：最后，关于 AGI、self-evolving、world model，或者 AI for Biology 对 AGI 的启发，你还有什么想表达的吗？

华辰清：我最后想表达的是，AI for Biology 对 AGI 的启发可能被低估了。

很多人理解 AGI，会从语言、代码、数学、机器人这些方向出发。但我认为生命科学提供了另一条非常重要的路径。因为生命本身就是一个极其复杂的、自组织的、多尺度的、持续进化的系统。一个真正强大的智能系统，不应该只是会回答问题、写代码、做推理，而应该能够理解一个复杂系统如何变化，如何被干预，如何从失败中更新自己，如何在真实世界里产生新的能力。

这也是为什么我一直关注 self-evolving 和 world model。World model 的核心不是“预测下一帧”，而是理解世界的动态；self-evolving 的核心也不是“自动调参”，而是一个系统能不能从自己的历史、实验、失败和反馈里持续进化。生命科学恰好是检验这些能力最真实、也最困难的场景之一。

所以对我来说，AI for Biology 不是一个垂直应用，它是 AGI 的训练场。药物发现、蛋白质设计、细胞系统、疾病机制，这些问题都要求 AI 同时具备建模、推理、实验设计、反馈吸收和长期策略更新的能力。如果一个系统能在生命科学里真正 work，它的能力就不只是 biology-specific，而是可以迁移到更大的战场：材料、能源、机器人、工业系统，甚至更广义的科学发现。

我也希望 AGI 这件事能够更多发生在华人身上。这里不是狭隘的身份表达，而是我觉得在下一个智能时代，我们不应该只是使用别人定义好的系统、追随别人定义好的范式。华人科学家、工程师、创业者应该有机会参与定义 AGI 的路径，尤其是在 AI for Science 这样真正连接智能和真实世界创造力的方向上。

Aureka 现在做 AI for Biology，看起来是在做生命科学；但更底层地说，我们是在尝试构建一套能够理解复杂系统、干预复杂系统、并持续自我进化的智能体系。今天它从 biology 开始，未来它应该可以迁移到更大的科学和工程世界里。

所以如果要用一句话总结，我想说：AGI 不应该只是发生在聊天窗口里，也不应该只发生在少数封闭实验室里。AGI 应该发生在科学里，发生在真实世界里，也应该发生在我们这一代华人创业者和科学家手里。AI for Biology 是我们的起点，但不是我们的终点。

请注意，此次访谈内容已经过精心编辑，并得到了华辰清的认可，仅代表受访人观点。我们也欢迎读者通过留言互动，分享您对本访谈的看法。

Z Potentials 将继续提供更多关于人工智能、全球化市场、机器人技术等领域的科研探索者访谈。我们诚邀对未来充满憧憬的您加入我们的社群，与我们共同分享、学习、成长。