这篇播客里，斯坦福教授、Coursera联合创始人Daphne Koller聊了用机器学习加速新药研发。她认为，传统用动物（比如小鼠）试药效果不好，因为很多人类疾病动物不会自然得。她的公司insitro用干细胞和基因编辑技术在培养皿里造出“病人细胞”，再用机器学习分析数据，找出能逆转疾病的药物。她看好这个方向，但提醒机器学习模型在陌生数据上会“自信地犯错”，需要学会说“不知道”。提到的重点：insitro（她创办的公司，用新技术造数据）；Coursera（她联合创办的在线教育平台，课程曾数周内超10万人注册）。
Daphne Koller，斯坦福大学计算机科学教授、Coursera联合创始人及insitro公司CEO，探讨了机器学习在生物医学中的应用。核心观点：数据驱动的机器学习方法正进入药物发现和治疗的早期阶段，有望大规模加速新药研发。重要结论：治愈所有主要疾病极其困难，因为疾病发现时往往已造成不可逆损伤；延长人类寿命至永生也面临根本性挑战，但不应断言“永远无法解决”。insitro正引领这一领域的突破，可能影响包括应对COVID-19在内的所有医学领域。
好的，作为第三方独立分析师，我已分析该播客文字稿。以下是我的解读报告。
本期嘉宾是斯坦福大学计算机科学教授、Coursera联合创始人及insitro公司CEO Daphne Koller。她探讨了机器学习在生物医学领域的应用前景，核心观点是：数据驱动的机器学习方法正进入药物发现和治疗的早期阶段，有望大规模加速新药研发。她认为，治愈所有主要疾病极其困难，因为疾病发现时往往已造成不可逆损伤；延长人类寿命至永生也面临根本性挑战，但不应断言“永远无法解决”。
Daphne Koller 认为，机器学习在生物医学领域尚未发挥显著作用，但情况正在改变。 过去，缺乏大规模、高质量的数据集是主要瓶颈。然而，过去几年，能够大规模生产数据的技术（如单细胞RNA测序、超分辨率显微镜）开始涌现。Koller强调，insitro的策略并非被动等待数据，而是主动利用生物工程方法（如诱导多能干细胞、CRISPR基因编辑）来创造适合机器学习分析的数据集，从而构建强大的预测模型，以解决人类健康中的根本问题。
她指出，传统的动物模型（如小鼠模型）在药物研发中效果不佳。 许多人类疾病（如阿尔茨海默症、糖尿病）在动物身上不会自然发生，人为诱导的疾病表型与人类疾病的机制往往不同，导致在动物身上有效的药物在人体中失败。这正是大多数药物研发失败的原因。
Koller 重点介绍了“疾病在培养皿中”的模型。 该模型利用诱导多能干细胞技术，将患者的皮肤细胞逆转为干细胞，再分化成特定类型的细胞（如神经元、心肌细胞）。这些细胞携带患者的完整遗传信息，因此可以模拟由遗传驱动的疾病。通过比较“患病”细胞与“健康”细胞的差异，研究人员可以探索哪些干预措施（药物或基因编辑）能将“患病”细胞恢复至健康状态。她认为，对于由人类遗传学驱动的疾病，这种模型比动物模型更具预测性。
她认为，机器学习在此过程中的作用并非简单的“科学发现”，而是“模式识别”。 具体而言，insitro利用大规模数据，通过机器学习来发现分子层面上的疾病亚型。一旦识别出亚型，就可以测试特定干预措施是否能逆转该亚型的细胞状态。这是一种非假设驱动的方法，可能发现与现有研究完全不同的新干预途径。
Daphne Koller 分享了创办Coursera的初衷和从中学到的教育经验。 她认为，全球对学习有巨大需求，因为世界变化太快，大学所学的技能可能很快过时，人们需要持续学习新技能。Coursera的诞生正是为了满足这种“终身学习”的渴望。
她总结了在线教育的几个关键原则：
1. 内容要短：无论是单个视频还是整个课程，都应尽量缩短。15分钟的视频太长，5-7分钟更佳；15周的课程不现实，应拆分成更短的单元。
2. 内容要压缩：在线学习允许学生按自己的节奏回放，因此可以压缩内容，提高信息密度。
3. 即时反馈：在学习过程中嵌入小测验和自动评分作业，能有效提高参与度。
4. 社会性：学习是一种社会体验。即使是在线课程，自发形成的“学习小组”也能显著提高学习效果。她认为，MOOC不会完全取代面对面教学，就像录制音乐不会取代现场音乐会一样。
Koller 强调，当前机器学习模型的一个关键局限是缺乏对不确定性的校准。 模型在远离训练数据的区域不仅会犯错，而且往往对其错误答案“极度自信”。这在医疗诊断、自动驾驶等关键应用中可能致命。她认为，让模型能够“认输”（即对未知数据不给出预测）至关重要。她提到，贝叶斯深度学习、高斯过程、集成方法等都是解决此问题的研究方向。
她认为，通用人工智能（AGI）仍然非常遥远。 当前的机器学习算法是特定领域内“极其出色的模式识别器”，但缺乏人类（甚至幼儿）的通用性和灵活性。因此，她并不担心“机器统治世界”的威胁。
她更担心的是“更笨的系统”带来的风险。 随着系统日益复杂，其行为难以预测，可能产生意想不到的连锁反应（如金融市场的反馈循环）。她认为，我们需要关注系统的可解释性、鲁棒性测试，以及技术被滥用的风险（如对抗性攻击、人脸识别监控）。她将机器学习与基因编辑（CRISPR）并列为同样强大的“双刃剑”技术。
| 标的 | 嘉宾态度 | 关键数据 |
|---|---|---|
| insitro | 看好（创始人兼CEO，公司核心策略） | 公司利用诱导多能干细胞、CRISPR和机器学习，主动创造数据集以构建预测模型。 |
| Coursera | 看好（联合创始人，回顾成功经验） | 2011年秋季首批课程上线，数周内每门课有超过10万名学生注册。 |
1. Daphne Koller 认为，治愈所有疾病极其困难，因为疾病被发现时往往已造成不可逆损伤。 支撑：她指出，人类真正“治愈”的疾病数量非常少，大多数只是“治疗”。要治愈，需要再生整个身体部位，这是极具挑战性的。
2. Daphne Koller 认为，阿尔茨海默症、精神分裂症等复杂疾病并非单一疾病，而是一组机制各异的疾病集合。 支撑：她类比乳腺癌，指出分子数据揭示了其多种亚型。对于这些疾病，理解其异质性比寻找单一机制更重要。
3. Daphne Koller 认为，传统的动物模型（如小鼠模型）是药物研发失败的主要原因。 支撑：小鼠不会自然患上阿尔茨海默症或糖尿病，人为诱导的疾病表型与人类机制不同，导致在动物身上有效的药物在人体中无效。
4. Daphne Koller 认为，insitro的核心策略是“翻转”传统流程，主动创造适合机器学习的数据集，而非被动等待。 支撑：她强调，insitro利用生物工程方法（如诱导多能干细胞、CRISPR）来生成数据，目标是构建强大的预测模型，而非仅仅进行科学发现。
5. Daphne Koller 认为，当前机器学习模型最大的问题之一是其对不确定性缺乏校准，在未知数据上会“自信地犯错”。 支撑：她指出，在医疗诊断中，一个对错误诊断“极度自信”的模型可能致命。她认为，让模型学会“认输”至关重要。
6. Daphne Koller 认为，通用人工智能（AGI）还很遥远，我们更应警惕“更笨的系统”带来的风险。 支撑：她认为当前AI只是特定领域的模式识别器，缺乏通用性。但复杂系统（如电网、金融市场）的不可预测性，以及技术被滥用的风险（如对抗性攻击），是更现实的威胁。
7. Daphne Koller 认为，在线教育的核心原则是“短、压缩、即时反馈”。 支撑：她指出，15分钟的视频太长，5-7分钟更佳；15周的课程不现实，应拆分成更短的单元；嵌入小测验能有效提高参与度。
8. Daphne Koller 认为，人生的意义在于“在宇宙中留下印记”，让世界因自己而变得更好。 支撑：她引用史蒂夫·乔布斯的名言，并强调，对于生于特权的人来说，利用自己的机会让世界变得更好是一种责任。