Owkin创始人Thomas Clozel万字访谈：AI为何仍读不懂人体生物学，BASI闭环如何破局

一句话结论

Owkin 联合创始人兼 CEO、医生出身的 Thomas Clozel 在这场约 19 分钟的访谈里回答了一个根本问题：AI 已经能预测蛋白质结构，为什么还是读不懂人体生物学？他的答案是医学至今停留在”相关性”阶段，而生物学复杂度超出人脑处理能力，出路是构建”生物学人工超级智能”（BASI）——一个包含顶级数据、湿实验室、药企、医院和现实检验的多重闭环生态系统。对 AI 从业者，这场谈话的价值在于一整套”如何让 AI 进入超复杂真实世界”的架构思想。

一部”观察工具史”：每次范式跃迁都来自看得更深

Clozel 的叙事从医学史讲起，但角度不是治疗史，而是”观察工具史”。

公元前 400 年的希波克拉底把医学从宇宙论中分离出来，靠的是肉眼观察——看患者、看症状，一切都是观察。之后的解剖学时代，人们开始描述结构，但仍然无法侵入性地理解生物学的各个尺度。

转折点出现在约 500 年前：胡克与列文虎克把镜片放到一滴水上，显微镜让人们第一次看见细胞内部、器官内部——观察的尺度发生了质变。

然后是两次世界大战带来的医学影像——看见身体内部；70 年代末的 MRI——用无创方式（利用水分子运动）看得更深，避免了 CT 的辐射代价；再然后是分子生物学，沃森与克里克描述 DNA 双螺旋，人类第一次拿到”生命的字典”。

90 年代的人类基因组计划是第一个”大数据”项目—— Clozel 特别强调，从这时起，新的观察方式之外又叠加了”大规模数据集”的概念。

AI 的节点在 2012 年：ResNet 用新型神经网络实现图像分类，深度学习时代开启，并在约 2014 年真正进入生物学。2020 年 AlphaFold 问世（DeepMind 因此获诺贝尔奖）——Clozel 的评价很有意思：AlphaFold 不只是”看见数据”，而是”打开了探索空间”，第一次能建模蛋白质结构而不只是功能，给化学世界带来巨大可能。

这段历史有一条清晰的规律：每次医学跃迁都来自”观察尺度”的质变——肉眼到细胞（显微镜）、体表到体内（影像）、结构到分子（DNA）、分子到数据（基因组计划）、数据到预测（深度学习与 AlphaFold）。Clozel 用这个规律铺垫他的核心论点：下一跃迁必须发生在”理解因果”的尺度上，而这正是 AI 的机会所在——因为只有机器能处理跨尺度、多模态的复杂度。

残酷现状：医学仍然不懂”为什么”

历史讲完，Clozel 话锋一转，列举了一串令人不适的事实——这些数字值得逐条核对原文。他的开场切入点很个人化：作为医生，他知道自己职业的局限在哪里。以下每一条都不是反对医学进步，而是说明进步没有触及”理解成因”这个根本问题。，列举了一串令人不适的事实——这些数字值得逐条核对原文：

• 人类对胚胎 14 天之后的发育几乎一无所知；
• 世界上约 0.1% 的病毒被了解，对病毒的整体认知可能还不如对宇宙（约 5%）的认知；
• 不知道为什么有人 40 岁就得胰腺癌——是病毒？环境？遗传？没有人真正知道；
• 连普通感冒都没有治愈手段；
• 阿尔茨海默病药物只是在 Increment 地改善中度患者的生活质量，“这不是革命，是渐进改良”；
• 85% 的癌症患者接受的治疗与其他人相同——尽管每个人的肿瘤克隆、身体状况都不同。精准医疗没有规模化。

为什么会这样？Clozel 给出三层诊断。

第一，模型失效：癌症研究用了 20 年小鼠模型，“这不是好模型”；细胞系缺失微环境；药物验证靠直觉而非数据驱动——“因为我们没有这样的智能”。

第二，相关性陷阱：医学至今是相关性的科学，不是因果的科学。他讲了一个法国车险公司的段子：数据显示红色车事故率高——是原因还是相关因素？把车漆成别的颜色（做一个”扰动实验”）再看事故率——不变。这就是因果与相关的区别。医学需要的是这种扰动实验能力。

第三，也是根本原因：生物学对人脑来说太复杂了。从基因到蛋白质、到细胞、到器官、到系统，跨太多尺度；多模态数据之间的连接方式无人真正理解；而人们还在用生物信息学流水线”连接几条箭头”——“这不管用”。

这三层诊断层层递进：模型失效是表层，相关性陷阱是方法层，复杂度超限是能力层。换模型解决不了第三层——这不是”更聪明的分析师”能补的差距，而是人类认知硬件的天花板。这就是为什么 Clozel 认为出路只能是机器智能：不是替代医生，而是补上人脑处理不了的那部分复杂度。

出路：BASI 与四重闭环生态

面对这种复杂度，Clozel 提出 BASI（Biology Artificial Super Intelligence，生物学人工超级智能）——一种能理解生物学” ground truth”、匹配最优药物、在临床试验中实现精准分层的跨领域智能。他甚至放话：“AGI 在生物学上水平很低，因为做 AGI 的人不懂生物学，所以门槛反而低；但 BASI 需要真正理解多模态、多器官和疾病成因。”

但 BASI 不是单造一个模型，而是构建一个闭环生态系统。Clozel 逐环拆解了至少五个”loop”：

1. AI 科学家本体（autopilot）：LLM 编排工具与技能（skills），自带编码智能体，像自动驾驶一样持续运行生物学”战役”（campaigns）——每周产出上百篇需要人工评审的论文，抢占知识产权与战略洞察的”land grab”。

2. 湿实验室闭环（lab in the loop）：不是只有干实验室。湿实验室负责生成新的扰动数据来喂模型、逼近因果，并用最接近人类的类器官模型做自动化验证——“我们不做小鼠模型，要弥合转化断层”。

3. 药企闭环（pharma in the loop）：AI 公司必须与药企持续合作，获取药物开发、商业化与上市的能力。

4. 现实检验（reality check）：最终必须拿出患者端的实际解决方案——first-in-class、真正治愈而不只是把癌症变成慢性病。同样的智能还要能构建复发预测工具，这才是精准医疗。

5. 医院闭环（hospital in the loop）：连接研究与临床。一个真正理解生物学的智能，造新药和给晚期患者找方案用的是同一套智能、同一套基础设施。医院的高质量数据集是 BASI 的根基。

为什么大科技公司做不成 BASI

Clozel 对大厂的判断直白：“他们太大，而且不拥有全部要素。“缺的第一样东西是顶级医院的信任——Google、OpenAI、Anthropic 构建在公开网络之上，而最高质量的深度表型化临床数据从不公开流动，只在与特定研究者的长期合作网络里存在。缺的第二样是验证闭环——大厂可以自建分子公司或生物技术团队去验证发现，但这个补课过程正是 Owkin 这类”生在数据与实验室交叉点上”的公司已经走完的路。他的原话是：未来最大的”药企”可能就是 Anthropic、Google 或 OpenAI——但那是以 AGI native 形态出现的全新公司，而不是现有药企的转型。

数据质量论：KOL 进环、技能化保证稳健性

Clozel 对数据的坚持近乎偏执：“数据必须是超高质量——不要二流医院，只要最好的医院，且关键意见领袖（KOL）必须在环。“他举例：做胶质母细胞瘤数据集要与西北大学的 Roger Stupp 合作，乳腺癌与 Fabrice Andre，心血管与 Gabriel Steg 教授——“必须和最好的人合作，数据才能做到单细胞级、深度表型化”。

数据还要覆盖全球：“否则 AI 不稳健，尤其是诊断，会失去鲁棒性。”

更有工程价值的是”技能化”（skills）提议：把 KOL 的方法论沉淀成可下载的脚本——一层”稳健性层”。为什么需要它？“如果直接用 LLM，答案每次都会变。技能是元条件化的方法学与科学艺术，给 LLM 加上确定性。”

他还给出一个三层次框架：工程（engineering，数据驱动的发表）、科学（science，创造新方法论如临床试验）、艺术（art，直觉）。AI 要赢的是最高层——艺术层的直觉，靠元技能与元条件化叠加在新一代 LLM 工具、技能与智能体之上。

行业判断：未来药企研发将由 AI 公司主导

访谈最后三分之一是清晰的产业预测：

• 生物制药（biopharma）成就非凡——GLP-1 是”比 AI 更大的生产力革命”，心血管领域持续进步——但它们太大、包袱太重，“不是 AGI native”，难以整合自有数据集，也难与 Anthropic、Google、OpenAI 争夺顶级人才；
• 因此”生物制药的研发可能由 AI 公司主导”：药企保留晚期并购（M&A）职能，早期研发 100% AI 驱动；
• 大科技公司做不成 BASI——“太大、且不拥有全部要素”，尤其缺最顶尖医院的信任。而 Owkin 自认为拥有全部闭环要素：K Pro 是”唯一能在复杂癌症与罕见病上真正运行新实验的 AI 科学家”；
• 他点名 Google 的 co-scientist、Anthropic 的医疗布局：“领域正在升温，没人已经赢下这个赛道，比赛仍然开放。”

对 AI 从业者的三点可迁移框架

抛开生物医药的具体性，这场访谈有三条可直接迁移的判断：

第一，复杂领域 AI 的瓶颈不在模型在闭环。模型能力通用，但”湿实验室、药企、医院、现实检验”这些闭环决定了智能能不能接触到 ground truth。任何垂直 AI 项目都应该问：我的验证闭环全吗？

第二，技能化是 LLM 确定性的解药。把领域专家方法论固化成脚本/技能层，叠加在 LLM 之上，“答案不再每次都变”。这是所有企业级 LLM 应用的共性架构问题。

第三，数据质量 > 数据规模，KOL 进环是质量保证。千例级深度表型化的数据，配上领域权威的方法论把关，胜过爬来的海量低质数据。“未来医院的形态”是数据中心与全身筛查一体化的集成体——数据采集本身就是基础设施。

第四，验证哲学：用确定性结果校准随机性系统。Clozel 在结尾强调的方法论容易被忽略：AI 的发现过程本质是随机性的（stochastic by design），但验证必须追求确定性结果（deterministic outcome）——“我们是真的发现了新东西，还是把市场上已有的分子换个包装？“180 位顶级教授组成的评审网络就是确定性校准层。这套”生成靠模型、验证靠专家网络”的双层结构，是所有 AI 发现类系统的安全设计范式。

Clozel 的结论是使命式的：“每位患者都值得一个治愈方案，而每个人终将是患者。“但对从业者，这场谈话最硬核的资产是那套闭环分类法——它把”AI 怎么进入超复杂真实世界”从口号拆成了可对照检查的工程清单。

原文信息

• 原视频标题：Can AI Finally Understand Human Biology? | Thomas Clozel
• 频道：Owkin
• 讲者：Thomas Clozel（Owkin 联合创始人兼 CEO，医生出身）
• 发布日期：2026-05-07
• 视频时长：约 19 分钟