-
日期: 2026-05-02 | 来源: 新智元 | 有0人参与评论 | 字体: 小 中 大
论文中，Simons的研究重点是，当外来物质被引入这类系统时会有何表现。
他还研究了物质“超固体”相：同时具有超流体性（极低粘度）和结构固态性（高粘度）的矛盾状态。
听起来极其抽象？
但这类研究，恰恰是“量子计算”和“精密测量技术”的基础。
这一切研究，都是在为未来打地基。
Simons表示，“我选择物理学作为我的专业，是因为在我看来，要彻底理解宇宙，就必须通过物理学”。
死亡这张“拼图”，用AI去解
答辩结束后，Simons几乎没有给自己留任何休息时间。
他直接飞往德国慕尼黑，进入慕尼黑大学（LMU），正式启动了第二个博士项目。
为什么选AI？不言而喻，AI正在重塑整个生物医学研究的底层逻辑。
医学影像分析、癌症早期检测、蛋白质结构预测——这些曾经需要数十年的工作，现在被AI系统压缩到了以天甚至以小时为单位的时间尺度。
而西蒙斯要把这种分析能力用在一个更宏大的目标上——理解衰老的生物学过程。
他特别提到了一个方向：人工器官。
我对创造能够替代退化身体部件的工程化系统特别感兴趣。
说白了就是，当你的心脏、肝脏、肾脏因为衰老而报废时，用工程手段造一个新的装上去。
Simons的判断是：这不是一个靠天才就能解决的问题，这是一个靠智能规模才能解决的问题。他计划用AI做三件事：
第一，跨学科数据融合。
把分散在生物学、物理学、化学、医学各自文献库里的衰老相关数据，用LLM做结构化整合，找到人类研究者看不到的跨域关联。
第二，假说生成与验证加速。
传统生物医学研究的瓶颈不是实验能力，是假说质量。
大多数实验室花80%的时间在验证低质量假说上。
AI可以通过大规模文献分析和分子模拟，在实验之前就过滤掉不靠谱的方向。
第三，药物与干预手段的计算筛选。
抗衰老药物的候选分子空间是天文数字级的，传统高通量筛选太慢太贵。
AI驱动的分子设计和虚拟筛选，可以把这个过程压缩几个数量级。
人类永生，能成吗？
Simons的方向并不孤立。
过去两年，AI在生物医学领域的进展已经从“概念验证”走到了“产业落地”。
AlphaFold解决了蛋白质结构预测的五十年难题。Isomorphic Labs用AI设计的药物分子已经进入临床前阶段。
Insilico Medicine用AI从靶点发现到临床候选药物只花了18个月，传统流程通常需要4-5年。
Simons的独特之处在于，他没有从AI出发去找生物学应用，而是从物理学出发去重构衰老的底层模型，再用AI来加速这个重构过程。
量子物理的训练给了他一个大多数生物学家没有的工具：用第一性原理思考问题。
不是在现有框架里修修补补，而是追问——衰老的信息论本质是什么？细胞层面的熵增是否可逆？生物系统的量子效应在衰老中扮演什么角色？
这些问题听起来像科幻，但在量子生物学领域，它们已经是严肃的研究课题。
能不能成功？
Simons说，可能要用一辈子来回答。
一个15岁的人，愿意把一生押注在一道没有标准答案的题目上。
这本身，就已经是一种回答。- 新闻来源于其它媒体，内容不代表本站立场！
-
原文链接
原文链接:
目前还没有人发表评论, 大家都在期待您的高见