赢诺脉得（INNOMIND）专注全球顶尖科学家资源对接，深耕诺奖背书合作、诺奖邀约、诺奖赋能服务，持续追踪诺奖学者在 AI 制药、生命科学前沿的深度观点，为产业界提供权威科研动态参考。2014 年诺贝尔化学奖得主、加州大学伯克利分校教授埃里克・贝齐格（Eric Betzig），凭借刷新显微成像极限的研究斩获诺奖。近期他在访谈中直言：课本里的不少细胞知识，实为简化后的想象画面；药企若只凭 AlphaFold 算出的蛋白静态结构研发新药，很可能白白烧钱。他更预判，当前湾区一批把全部希望押注在 AlphaFold 上的公司，若不调整思路，五年内大概率难以支撑。
为何他不看好单一依赖 AlphaFold？核心在于：AlphaFold 提供的只是蛋白质某一瞬间的静态快照，而生命本身是不断运动、环环相扣的复杂系统，一张快照只是极小片段。他引用制药业资深人士观点：能做出有效新药某种意义上靠运气。人类尚未真正搞懂细胞系统的运转机制，仅盯着单个分子，很难预判药物进入体内的实际反应。生命层层叠加 —— 从微小分子随机运动，到分子组装、细胞器协作、细胞、器官直至完整生命体，只看分子层面设计药物，天然存在巨大盲区。

贝齐格认为，观察细胞不能只看快照，应同时看五个维度：空间位置、随时间的变化，以及众多不同分子。当前顶级显微镜一周即可产出 PB 级海量数据，但难题在于缺乏好用的分析工具，大量珍贵观测素材只能沉睡硬盘。他的落地思路是用格子光片显微镜拍摄活体生物完整动态，选用透明、基因与人类高度相似的斑马鱼做实验，并给细胞与关键分子打上荧光标记追踪。AI 模型方面，他主张不做普通图片模型，而是专门适配活体影像的视觉大模型，依靠荧光信号让模型自主学习，核心能力是追踪动态画面、识别细胞边界变化。团队用多张高端显卡反复测试算力与规模，模型完成后还能接入对话大模型，科研人员可直接提问调取活体动态数据。

他直言课本细胞图是典型错觉 —— 真实细胞拥挤不堪，内含百亿级分子，复杂程度超乎想象。这也解释了新药研发失败率极高：能进一期临床的候选药物，最终只有约 9% 能走到三期。根源正是未真正理解细胞内部机制。长久以来，生物制药研究习惯 "拆开研究"，把细胞拆成小块单独分析，再猜测整体运转，但很多结论是靠碎片信息推测而来，比用散装零件还原发动机运行还要困难。

贝齐格的想法，与其曲折经历密不可分。他在康奈尔读完应用物理博士，进入贝尔实验室，早年做出顶尖显微研究，却因看不惯科研圈跟风追热点、数据掺假的风气而退出。第一次离开后，他在家带孩子时，推着婴儿车散步想出超分辨显微镜核心思路，独自完成论文，这也是后来获诺奖的关键成果之一。此后他去父亲的机床工厂上班，研发高性能液压机床，技术出色但生意失败，又一次失业。停留期间，荧光蛋白技术让他重拾生物成像兴趣，与好友聊天时想出光激活定位显微镜方案，两人凑钱在客厅用二手零件拼出原型机，最终凭此拿到诺贝尔化学奖。

经历过科研与市场起伏，他对学术体系的批评很直白：若砍掉学术界九成研究，普通人几乎感受不到差别；许多研究只在旧框架里做微小改动，单纯为发论文而做。同行评审逼大家想法趋同，真正颠覆性的想法往往找不到懂它的评审。申请经费要求提前写清三年成果，但开创性发现本就无法规划，为了拿钱只能蹭热门标签。他理想中的科研模式：支持优秀的人而非锁定项目，给予长期稳定经费；团队保持 2 到 5 人的小规模；刻意制造跨学科交流机会，复刻贝尔实验室的氛围；以解决硬核问题而非论文数量论英雄。

他坦言自己从未写过基金申请，希望科学回归观察真相、解决真问题的本然。他搭建的 "细胞观测站"，正是想再造贝尔实验室式的自由探索环境。他说，生物学仍是科学最后的未知地带，人类对生命的认知还很初级，许多今天被当成定论的知识，终将被新观测推翻。这份清醒，恰是顶尖科学家最可贵的科研态度。赢诺脉得持续关注诺奖学者前沿观点，为产业与科研机构提供权威、合规的诺奖资源对接与观点解读服务。


#诺奖背书合作 #诺奖邀约合作 #诺奖赋能 #AI制药