上海交大洪亮教授：AI 真要突破工程领域，一定要做到现有人类专家做不到的工程成果
内容提要
上海交通大学AI for Bioengineering暑期学校圆满结束。洪亮教授分享了AI在蛋白设计领域的应用，表示AI能改造氨基酸序列并保持活性和阳性率。未来3年，通用人工智能将带来范式变革，转变科学发现模式为AI自动化设计模式。洪亮教授团队通过AI蛋白质设计大模型，成功改造多款蛋白，提升生产力。团队与高校和企业深度合作，具备新数据、自主模型和产品落地的核心优势。
延伸解读
AI在蛋白质工程中的突破：超越人类专家的设计能力
洪亮教授指出，AI在蛋白质序列生成任务上已远超人类专家，能改造数百个氨基酸序列并保持高活性和阳性率。传统理性设计受限于人类经验，而AI能结合阴性和阳性数据，扩大设计空间，取代物理计算。这标志着蛋白质工程从依赖人脑试错转向AI自动化设计，为工业、医药应用带来新可能。
AI for Science的落地关键：定义科学问题先行
洪亮教授强调，真正实现AI for Science落地，必须先从科学问题出发，再提出AI解决方案。他以团队与金赛药业、瀚海新酶等合作案例说明，AI设计的耐碱单域抗体和酶法创新已实现产业化，降低成本并提升产率。这提示科研团队应聚焦具体工程问题，而非仅追求论文发表。
未来三年范式变革：AI自动化标准设计模式
洪亮教授预测，未来3年，专业领域的通用人工智能将在蛋白设计、药物研发、疾病诊断等领域带来范式变革，将人脑零星试错的科学发现模式转变为AI大模型自动化标准设计模式。这要求构建零样本或小样本学习方法，结合物理模拟器生成假数据预训练，再用真实湿实验数据微调，以解决数据稀缺问题。
高校与企业的分工：AI文科生与AI理科生
洪亮教授将AI分为“文科生”和“理科生”：文科生如ChatGPT，数据大、精度要求低，适合大厂构建通用大模型；理科生则解决科学或工程问题，精度要求高，需专有模型，适合高校和科研院所结合专业壁垒探索。这为不同机构在AI for Science中的定位提供了参考。
Q&A
洪亮教授在蛋白设计领域的主要观点是什么？
洪亮教授认为，AI在蛋白设计领域能够改造氨基酸序列，并保持活性和阳性率，超越了人类专家的能力。
未来三年，AI将如何影响科学发现模式？
未来三年，AI将推动科学发现模式的范式变革，从依靠人脑的试错转变为AI自动化设计模式。
洪亮教授提到的AI文科生和理科生有什么区别？
AI文科生是生活中的私人助手，处理低精度任务；而AI理科生则是解决科学问题的科学家，要求高精度。
蛋白质工程面临哪些挑战？
蛋白质工程面临的挑战包括如何在相空间中找到优秀的突变点并组合成多位点突变体。
洪亮教授团队的AI蛋白质设计大模型有什么优势？
洪亮教授团队的AI蛋白质设计大模型具备新数据、自主模型和产品落地的核心优势，能够提升生产力。
AI在药物设计领域的应用有哪些潜力？
AI在药物设计领域展现出巨大潜力，能够解决分子层面的问题，并应对临床实验的挑战。
