癌症临床95%失败率，可能不是药不行，而是模型太天真

这期 Latent Space 的对话抛出一个刺痛行业的观点：癌症药物失败，问题不只在分子，而在我们用来“理解生物”的模型。Noetik 选择了一条最贵、最慢、也最反直觉的路——自己建实验室，用 Transformer 和计算机视觉，从真实肿瘤数据里逼近答案。

最反直觉的一点：先别谈模型，先把实验室打开

很多 AI for Science 项目一上来就谈模型规模、参数量、预训练，但 Noetik 的起点恰恰相反。Ron Alfa 和 Daniel Bear 在视频里直说："我们基本是先把实验室打开，招人、买仪器、开始自己找肿瘤样本。说实话，一开始完全没有先验证明这事一定能成。"

这在 AI 圈听起来几乎是“反模式”。大多数团队依赖现成数据集、公开数据库，Noetik 却选择最慢、最烧钱的一条路——自己生成数据。原因很简单：癌症这种系统级复杂问题，现有数据根本不够用，更不对齐真实的治疗决策场景。

虚拟细胞不是游戏引擎，而是失败率的放大镜

视频里反复提到一个残酷事实：癌症临床试验的失败率高得离谱，标题里直接点名“95%”。Noetik 的判断是，问题不只是分子设计，而是我们选错了病人。

传统做法依赖极简的生物标志物（biomarker）：某个突变、有或没有。但在他们看来，这种简化在真实生物系统面前几乎是自欺欺人。Daniel Bear 提到一个“唱反调”的观点：你不能只问“这个分子好不好”，而要问“这个病人群体，是否才是它真正的匹配对象”。

所谓 virtual cell，并不是更酷的可视化，而是试图在给药之前，就模拟出哪些患者可能有效、哪些注定失败。

为什么是 Transformer + 计算机视觉？因为这是个“肉很厚”的问题

当对话转到技术层，信息密度突然拉满。他们把肿瘤组织视为一个典型但极其困难的计算机视觉问题：尺度巨大、结构复杂、局部与整体强相关。

Noetik 的系统并不只盯着单个细胞，而是刻意去看“更大的组织区域”。原因在于，治疗反应往往不是某一个细胞决定的，而是细胞、微环境、空间结构共同作用的结果。这也是为什么他们更偏向 Transformer 这类能建模长程依赖的架构。

他们甚至拿 ImageNet 做类比：在视觉领域，规模是必要但不充分条件；而在生物领域，连“正确规模的数据”本身都还在被重新定义。

对自监督学习的冷水：好看，不一定有用

一个很容易被忽略的观点是他们对流行方法的克制态度。视频里明确提到：即便是看起来很强的自监督模型，也未必真正捕捉到了“什么能预测治疗反应”。

原因并不复杂：优化目标错了。你可以把组织切片表示得非常漂亮，但如果这些表征和真实的用药结局没有强关联，那在临床上依然是空中楼阁。这也是为什么 Noetik 坚持把模型训练、实验数据生成、下游问题绑定在一起，而不是分段外包给不同团队。

真正的桥梁：从小鼠到人类，而不是从论文到新闻稿

视频里有一句话很容易被低估："这是一座从小鼠到人类的桥。" 对生物学家来说，这是最难、也最有价值的部分。

大量研究死在这里——动物模型里有效，进了人体就失败。Noetik 试图用更贴近人类组织的数据、更复杂的模型，缩短这段“死亡之谷”。他们也很坦诚：这件事仍然存在不确定性，没有人能保证成功。但至少，路径是朝着减少无效试验的方向走的。

总结

这期对话真正值得 AI 从业者反复咀嚼的，不是某个具体模型，而是一种取舍逻辑：当问题足够重要时，是否愿意为“正确的数据”和“真实的对齐”付出极高成本。对你而言，这意味着重新审视手里的问题——你是在优化一个好看的 benchmark，还是在逼近一个真实世界的决策？如果癌症药物的 95% 失败率都能被系统性地降低一点点，那 AI 在科学里的价值，才刚刚开始显现。

关键词： AI for Science， 癌症临床试验， Transformer， 计算机视觉， 虚拟细胞

事实核查备注： 需要核查：视频标题中“95%失败率”的具体语境；Noetik 是否公开其模型或结果；受访者姓名 Ron Alfa、Daniel Bear 的拼写；视频发布时间 2026-04-20。