一句话总结30年研究，半小时写完专利申请书：顶级免疫学家的AI实录

一份医学专利申请书，律师报价超过一万美元。德利亚·乌努马兹（Derya Unutmaz）用了半小时，成本为零，写完直接让朋友提交。

工具是 OpenAI 的 Deep Research。模型完成了专利检索，读懂了那个抗癌分子的化学结构，主权利要求和从属权利要求全部写好。乌努马兹自己手里有八九个专利，太清楚这里面的门道。他的评价是，这是他见过最好的一份专利申请书。

乌努马兹是谁？美国杰克森实验室（Jackson Laboratory）的教授，人体免疫学家，做了35年研究，方向是免疫衰老和癌症免疫治疗。他的日常工作包括对T细胞做基因改造，用他的话说，可以在细胞上写代码，造出AND门和OR门，这是极其酷的工程。他还是 OpenAI ChatGPT Pro 学术资助计划的获得者，属于把最新模型用到极限的一小撮一线科学家。

他的技术底子比大多数生物学家深得多。高中时玩 Commodore VIC-20，那台机器的内存按KB计算，他学汇编和BASIC。90年代初读了库兹韦尔的《智能机器的时代》，后来又读《奇点临近》，从那时起就认真对待AGI的时间表：2029年通用人工智能，2045年奇点。20年前他开了个博客叫 Biosingularity，预言二三十年内AI会让我们真正理解生物系统、治好包括癌症在内的所有疾病。他还坚持一个当年被视为异端的观点：衰老是一种应该被治愈的病。

2025年3月，他在 Nathan Labenz 主持的播客《Cognitive Revolution》里，完整交代了自己怎么把AI嵌进科研的每个环节。这期节目最值钱的地方在于，他谈的都是自己亲手产生过数据、做出过发现的领域。连这种级别的专家都离不开AI，他的原话是：我很难相信世界上有任何人从AI身上得不到价值，一个都没有。

从“下一个词预测器”到“Oh my God”

两年多前，他跟周围同事说，有件了不起的事正在发生，这会改变我们做科学的方式。得到的回应是什么？

“这只是下一个词预测器。”说这话的，包括懂计算机、懂生物信息学的人。

转折发生在去年夏天之后。一位加州的知名教授看到他的推文，将信将疑，说要不你帮我试试？手头有个项目，用刚出的 O1 Preview 和 O1 Pro 跑一下分析。乌努马兹跑完发回去，教授回邮件连说两遍：Oh my God，我不敢相信。现在这位教授每天都要用。

他和同事用 ChatGPT 合作写了一份基金申请书，他的评价是，可能是我们写过的最好的一份，想法也更好。同事的原话：不敢相信写起来这么轻松。

更生活化的例子是他85岁的母亲，住在土耳其，有健康问题。去年夏天他教母亲用 ChatGPT。现在母亲说离不开了，医疗问题不再问儿子，因为更信 ChatGPT。他的态度是：我批准。

他自己走得更远。他说自己现在不问AI，就不会相信自己的任何知识和想法，包括他最擅长的领域。他试过把自己写的一篇综述喂给 O1 Pro 和 Deep Research，那个题目他自认是全球前五到前十的水平。结果模型指出了他遗漏的深层问题，完全吃透了这个极窄的题目，还给出一些很有创意的洞见。

朋友们遇到家人生病来找这位专家咨询，他的回答是：我先去问 ChatGPT，你也可以自己问，然后我帮你把关。没有AI核对，他不回答。

他甚至认为，医疗场景里不用AI已经是个伦理问题，临床上反复证明AI能减少误诊、改善结果。他引了一个数字：美国每年有1200万例误诊。他的评论很直接，所有人都会产生幻觉，人也一样。而且模型还在飞速变好，他的判断是过去三四个月进步了十倍，接下来三四个月还会再进步十倍。

他还观察到一圈微妙的现象：不少医生朋友已经在用 ChatGPT 做诊断参考，但没人愿意承认，怕被贬值。可误诊是要出人命的，用AI多一层核对，是在给整个人类加价值。主持人 Nathan 顺嘴提了个类比：美国被告上法庭的人有权请律师，也许也该有权拥有一位AI。

两个尤里卡时刻

很多人怀疑AI只能复述知识，产不出新东西。他讲了两件事。

第一件跟游戏有关。他从青少年时代就打游戏，玩《绝地求生》（PUBG）这类大逃杀游戏：一群玩家被扔进限定区域，找资源、互相竞争、淘汰对手，活到最后才算赢。他做T细胞癌症免疫疗法时想到一个类比：T细胞是身体里的士兵，被基因改造后去识别并杀死肿瘤细胞，但它们在肿瘤微环境里的处境很像大逃杀，要竞争、会“耗竭”、杀伤力下降，还有副作用。他基于这个类比做了实验，有点效果，论文即将发表。

然后他问 O1 Preview：你能不能也从大逃杀游戏里找灵感，提出新想法？模型给出的几个点子，他从来没想过。它理解游戏机制，把那套逻辑迁移到了完全不同的领域：T细胞如何在肿瘤微环境里狩猎、竞争、变强、解决耗竭问题。他说那一刻可能是自己第一次摸到早期AGI的瞬间。到了 O1 Pro，模型给出的想法直接进了他们的项目申请书，有些是他完全没想到的路径。

第二件事更狠。他的团队有一组T细胞基因表达数据，用CRISPR和RNA测序做的，比较年轻人和老年人的同类细胞：某些基因年轻时高表达，老了沉默；另一组基因随年龄上调。数据摆在那里，团队始终没能完全解释它意味着什么。

他把数据交给 Deep Research。这个他做了30多年的领域，模型给出的洞见让他读的时候情绪上来了。核心是一句话：你以为还年轻的那些细胞，本身已经不年轻了。老年人免疫系统里的初始T细胞（naive T cells）数量下降，这大家早知道；模型指出的是，剩下的那些“年轻”细胞在表观遗传层面已经变了性质，质量也变了。

读到其中一句话时我情绪上来了，它用一句话概括了我过去30年做过的一切。那本该是我自己想出来的洞见。

他还特别提到模型的时间维度智能：细胞状态随时间演变，这种动态理解是静态知识给不了的。

具体怎么喂数据？他先跑常规生物信息学，确认统计显著性，然后告诉模型：这500个基因在这批细胞里上调，那500个下调，一种细胞杀伤力更强，你来推机制，该操纵哪个基因，哪个是最好的药物靶点。血液里几千种代谢物在服药前后的变化，同样的套路也能问。类似的案例在累积：他帮一位神经科学的朋友用 O1 Pro 分析帕金森病数据，模型找到了新的药物靶点，现在要推进到临床试验了。谷歌刚发布 AI co-scientist（AI科学家），他说想马上拿自己的数据测试。

他的结论毫不客气：

说AI提不出任何新颖或创新的东西，完全是胡说。事实上我认为，很快AI就会比我们更有创新力和创造力。

他的方法简单到让人意外

听完这些案例，很多人会以为他有一套复杂的工作流。没有。

他不搞固定的提示词模板，不用很结构化的提示，每次都在变。偶尔他会反过来，让 O1 Pro 帮他把自己的想法整理成提示词。他的核心建议是：别纠结怎么写“完美提示词”，把脑子里想的东西尽可能开放、透明地写下来就行。现在的模型理解上下文的能力已经够好，Deep Research 甚至会反过来追问：你是这个意思吗？想聚焦实体瘤还是淋巴瘤？它会预测你想到但忘了说的东西。Grok 更夸张，因为读过他的推文，他随便问个问题，模型都会往免疫学、衰老或者AI上靠。

他真正在意的有两点。

一是分清模型类型。思考型模型（比如 O1 系列）擅长推理，适合喂事实和问题；检索资料用 Grok 的 Deep Search 或者 GPT-4 的搜索，后者能综合多个来源；Deep Research 适合深度分析；嫌论文难读，直接上传PDF让它讲清楚、找漏洞。

二是让模型迭代。他有几个常用招数：

• 让思考模型连续迭代：想出10个点子，每一个都要比前一个更好。
• 让一个模型扮演两个科学家辩论：一个热情拥护，一个极度怀疑，互相批评、互相回应，迭代10轮。同一个AI自己跟自己头脑风暴，效果经常出人意料。DeepSeek 最早展示的思考过程，本质上就是这种自我修正的可见版本。
• 把自己的方案上传，让它找潜在陷阱、提替代方法。他说100%的时候都能找到有价值的东西，三四条建议里总有一条非常关键。
• 跨领域混搭：问物理问题时掺点生物学，做创意工作时掺点体育。创新经常出在不同领域的碰撞里。

命中率呢？主持人专门追问了这个数字。他的回答：用 Deep Research 和 O1 Pro，几乎没有不满意过。他做二次追问，原因恰恰是第一轮给的信息太丰富，冒出太多新问题想深挖。用他的原话说，是“100%满意，甚至超出预期”。他还补了一句：要是两个月前做这期访谈，他的保留态度还会多一点，这些保留每天都在消失。访谈当天，GPT-4.5 正好发布。

拉开差距的是心态

同样的模型，为什么有人用出尤里卡时刻，有人试两次就放弃？

他的观察是，很多人一开始就带着怀疑，潜意识里在找缺陷、等着抓一次幻觉，好证明“AI还是不行”。带着这种心态，根本没在尝试让它工作。主持人 Nathan 的总结很到位：该问的问题是“我能让这个东西做出什么有价值的事”，别去问“我能找到它的什么毛病”。缺陷当然找得到，停在那一步，就错过了全部上行空间。

他自己的优势来自科学家的职业训练：提出假设，90%的情况下失败，换个条件再试。试错就是他的日常，他热爱这件事。

更关键的是他对AI的定位。

我把AI当合作者，它几乎和我在同一个水平上，连学生的层级都算不上了，就像另一位在这个领域学识渊博的教授。

他去年给博士生做过一次讲座，主题就是怎么跟AI合作。你跟一位知识渊博的教授讨论想法，要的是诚实的意见。答案不满意就追问，让它换个方向、甚至从完全相反的方向再想一遍。AI没有面子，会非常坦诚。

他还有个说法：那些声称从AI身上得不到价值的人，他愿意打赌，自己可以拿对方的领域现场演示一遍，让对方看到价值。

更大的赌注：学位、安全和黄金时代

节目后半段聊得更放开。他说，像他们这样早早相信技术奇点的人，感觉自己是时间旅行者，看到了五到十年后的世界，却活在现在。

年轻人还要不要读博？他的态度是，别为了文凭去读。花四五年拿博士，再花两三年做博后，等毕业时学到的东西大多已经过时。他宁愿招一个19岁、有热情、有能动性的年轻人，也不要一个40岁、有20年经验但不用AI的人。他在西奈山医学院带过一个16岁的高中实习生，两个月学会一切，还做出了发现，比大多数博士强。AI是史上最强的平权工具，全部知识就在那孩子的口袋里。他也补了一句诚实的话：真正能这样跑出来的是人群中的一小部分，人类历史上真正做出创新的，本来就只有大约0.001%。诺贝尔奖每年只颁给两三个人，没颁给两百万人。

AI安全怎么搞？他从自己的老本行里借了个概念。免疫系统里的效应细胞像前线士兵，杀伤力强也很危险，需要调节性T细胞（Tregs）踩刹车。可刹车踩太死，细胞就不杀癌细胞了。他的推论是：指望靠护栏把AI训练得绝对安全很天真，护栏容易被绕过，过度限制还会让AI发挥不出潜力。更好的策略是用AI监管AI，建防御者AI，去对抗可能被滥用的AI。

AI会不会毁灭人类？他的排序很明确：他更担心人类用AI伤害人类。人类是被生存竞争塑造的遗留系统，历史上消灭过尼安德特人，几度险些自我毁灭；AI没有演化出来的恶意，能源也不稀缺（还有戴森球这种选项），它没有理由专门跟人类过不去。真正的危险场景，是人训练AI去攻击另一些人。对策同样是防御者AI。

他押注的未来是黄金时代：未来10到15年，AI加机器人让资源不再稀缺，所有疾病被治愈，衰老被逆转，人能活几百岁。他放话，未来10年内我们将治愈每一种疾病，底气就来自AI消化海量生物数据的能力。当一个人知道自己还能活一千年、资源管够，伤害别人的动机就大幅下降了。转型期会非常痛苦，但熬过去，生活会好得难以置信。

他8岁那年看《星际迷航》，就规划好了活一千年的安排：登上星舰，去寻找新的文明。

明天就能用的四件事

把他的经验压缩成可以直接上手的东西：

• 把AI当平级同事，别当搜索引擎。提问时把背景、约束、真实的想法全部摊开，越透明越好，不用背提示词模板。
• 用迭代压榨模型。让它给10个逐个更好的方案；或者设两个角色（一个乐观、一个怀疑）互相辩论10轮；把自己的方案丢进去让它找漏洞，三四条建议里通常藏着一条关键提醒。
• 按任务选模型。要推理用思考型模型，要查资料用带搜索的，要深度分析用 Deep Research。读不懂的论文直接传PDF让它拆解。
• 别用第一印象下结论。他做实验90%的假设会失败，试错是常态。第一次回答不满意，就追问、换角度、要求反向思考，好答案经常在第三、第四轮之后才出现。

乌努马兹留了一句话当标尺：如果你在自己最懂的领域都觉得AI没用，问题大概率出在用法上。他愿意跟任何人打赌，用对方的专业领域现场演示一遍，AI能给出价值。