#### 内容简介 这段内容从认知科学与复杂系统视角提炼出一个核心主张：把生物学视为信息论驱动的系统，正在从以试验与偶然发现为主的“发现性盲盒”范式，转向可编程的“信息工程”。作者指出，基于大规模无监督学习的模型（例如用于蛋白质序列的模型）并非简单记忆生物数据，而是在学习生命的“语法”，一旦掌握这种语法，疾病治疗将更像是对代码的调试而非盲目试药。同时提出在真实的物理世界（尤其是生物学）中，AI发展的瓶颈并非算力，而是高质量“数据发明”——也就是必须通过前沿的湿实验去生成、设计和验证新的数据与样本（原文在此处被截断）。整体上，这是一次关于“用信息论重构物理世界”的认知范式转移。 #### 社区观点 有人对此高度乐观，认为把生命看作可编程信息将大幅加速新药与生物技术的发现，能把试错成本从实验室转向计算设计，从而提高效率；也有人强调现实中湿实验仍是不可替代的关键环节，模型提出的设计必须通过复杂的实验验证，实验能力成为瓶颈而非算力；有评论关注生物安全与伦理风险，担心“把生物当代码”会降低人们对潜在滥用的警惕，呼吁更强的治理和审查机制；另一些观点指出数据质量、标准化与可重复性问题是实际落地的核心挑战，强调需要统一的数据规范与开源共享策略；有业内人士提醒，组织与人才结构需要重构——成功将依赖计算生物学家、自动化工程师与湿实验专家的深度协作；还有人提出知识产权与商业模式的争议：将生物“语法”公开是否会引发开放科研与商业利益的矛盾，需要提前在政策与市场上达成共识。 #### 内容导读 要理解这段内容，先抓住三个核心点：第一，范式转换——作者把生物学从以经验和偶然为主的学科，重新表述为可以被“解码”和“编程”的信息系统，强调生命的底层是可学习的语法；第二，工具与限制——大型生成模型（如蛋白质序列模型）在识别和生成生物信息方面发挥作用，但在物理世界的验证仍依赖湿实验，因而真正的瓶颈是数据的发明与实验能力，而非纯算力；第三，影响与风险——这一转变会重塑研发流程、推动自动化生物学与生物设计平台的发展，同时带来生物安全、伦理、数据标准与知识产权等制度性问题。阅读时应注意：把内容当作框架性思考而非成熟解决方案，重点评估计算预测与实验验证之间的闭环建设、所需的基础设施与治理机制，以及在推动“信息工程化”过程中如何兼顾创新速度与安全合规。