本文来自微信公众号： AI唱反调 ，作者：白壳，原文标题：《Nature同日双响：Baker团队从头造出「分子剪刀」，微软给天气预报装上「纠错层」》
10月14日出版的《Nature》有点特别。这一天它刊出的两项AI研究，都不靠更大的模型、更多的算力取胜，而是把AI用在了过去被认为"AI插不上手"的精细活上：一篇让AI从零设计能精准剪断致病蛋白的"分子剪刀"，另一篇给全球顶级天气预报系统加了一层轻量级"纠错膜"，把次季节预报技能直接翻倍。
两件事一个在微观尺度改蛋白质，一个在全球尺度改预报，放在一起看，恰好勾勒出AI渗透基础科学的两种方式。
分子剪刀：在错误的地方剪断错误的蛋白
先看蛋白质设计这边。华盛顿大学蛋白质设计研究所（IPD）David Baker团队——2024年诺贝尔化学奖得主的实验室——背靠背发表两篇论文，分别从头设计了两类蛋白酶：靠激活半胱氨酸工作的半胱氨酸蛋白酶，和靠锌离子催化的金属蛋白酶。
难在哪？连接氨基酸的肽键在中性水溶液里能稳定存在数百年，能量壁垒极高。此前AI从头设计酶的成功案例，基本都局限在低能量壁垒的"模型反应"上——相当于只考过科目二，没上过路。而蛋白酶要做的，是在一条柔性多肽链上，认出特定的氨基酸序列，然后干净利落地剪断它。
这次的成绩单相当硬。金属蛋白酶一篇里，设计的酶能选择性切割三种人类疾病相关蛋白：与渐冻症和额颞叶痴呆相关的TDP-43、与阿尔茨海默病相关的淀粉样蛋白β、以及血清淀粉样蛋白A，催化速率比无催化背景反应最高快10亿倍。设计思路也巧妙——对TDP-43，团队不去降解整个蛋白，而是专门剪它负责液-液相分离和寡聚化的无序C端，相当于只拆除病变功能、保留正常生理功能。半胱氨酸蛋白酶一篇用了新开发的RFD2-MI方法，69个设计里13个有活性（成功率19%），速率提升最高3000万倍；更有说服力的是结构验证：六个晶体结构与设计模型的偏差小于1.2埃，而且这些酶的折叠方式与任何天然蛋白酶都完全不同（TM分数低于0.5）——真的是自然界不存在的新分子。活性在纯化底物和活体人类细胞中都得到了验证。
设计流水线是一套组合拳：RFD2-MI或RFdiffusion2生成骨架，ProteinMPNN填充序列，AlphaFold 3过滤筛选，最后湿实验验证。
团队还顺势做了一层"应用演示"：设计出被设计蛋白酶特异性激活的笼状细胞因子和受体拮抗剂——先把药物分子"锁"起来，让分子剪刀在指定地点剪开锁。论文将这套能力描述为对细胞状态的"生物正交控制"。
纠错层：不重造天气模型，只修它的系统性偏差
另一篇的气质完全不同。微软研究院与MIT牵头的13人团队（含哈佛、多伦多大学、ECMWF等机构）发表了"概率偏差校正"框架（PBC），思路出奇地务实：现有天气模型——不管是物理动力学的还是AI的——在2到6周的次季节尺度上技能骤降，症结是系统性偏差随时间复利累积。PBC不去重造模型，而是当一个开源后处理层，学习每个模型"在哪里、什么季节、哪个分位数上习惯性地错"，然后把预报往对的方向掰。
机制分三步：把原始确定性预报集合转成相对气候分位数的概率预报；两个轻量模型并行纠错——Debias++学地点、日期、分位数专属的历史偏差，Persistence++把近期观测趋势和季节效应揉进来；最后把两个修正投影到合法概率分布空间取平均。整套东西能在CPU上跑，每天增量重训。
数字相当可观：套在ECMWF的AI次季节模型上，平均技能（RPSS）直接翻倍；套在ECMWF物理模型上，98%的网格点在降水上变好，温度和气压分别是92%和91%；对2016-2026年间2435场GDACS记录的洪水，提前三周的预报技能提升76%-92%，其中88场死亡超百人或流离失所超8万人的严重洪灾，技能提升86%-150%。去年11月，其实时版本MicroDuet提前四周报出了12月美国东部的寒潮，而ECMWF官方模型漏报了。在ECMWF举办的AI Weather Quest全年实时竞赛里，它拿下全部变量、全部时效的第一，压过六大国家气象中心的动力模型和34支参赛队。代码以MIT协议开源。
往深想一层
两项研究放一起，有个共同的潜台词：AI在科学里最锋利的用法，未必是"端到端取代"，而是找准系统里最痛的那个环节下针。Baker团队没有去造"通用蛋白质大模型"，而是把生成、设计、验证三个已有工具串成流水线，专攻肽键水解这块硬骨头；微软团队更是干脆承认"模型本体你们继续做，我只修偏差"——结果后处理层的性价比反而惊人，CPU就能跑，对那些没有超算预算的国家气象中心，这可能是比任何新模型都实在的礼物。
当然，两边的数字都值得细看。分子剪刀的"10亿倍加速"是相对无催化背景反应而言，与天然蛋白酶的催化效率相比还有距离，从"能在人体细胞里剪"到"能当药"，中间隔着递送、免疫原性、脱靶毒性一整座山——论文展望的治疗、生物修复应用，目前还是蓝图。天气预报那边，"技能翻倍"的基数只有0.03 RPSS，低基数上的相对提升容易放大观感；论文自己也披露多位作者持有微软股票，且评估基于1.5度全球网格，落地到本地高分辨率预报是另一回事。
真正值得记住的也许是方法论信号。酶设计领域卷了几十年，突破来自"生成骨架+设计序列+结构验证"的AI流水线，成功率从百分之几爬到19%；天气预报卷了几十年大模型，这次的提升来自一个只学"模型怎么犯错"的轻量外挂。当所有人都在比谁的基础模型更大，这两篇Nature论文示范了另一条路：懂问题，比堆模型更稀缺。
结尾
同一天的两篇论文，一篇把AI送进了人体细胞里做"分子手术"，一篇把AI变成了全球气象系统人人可装的"平价补丁"。它们的共同点，是把AI从舞台中央的炫技者，变成了找准卡点的工具匠。Baker在拿诺奖时说过，蛋白质设计的下半场是把蓝图变成药物；天气预报的故事同理——翻倍的技能分数，最终要兑现成提前三周的洪水预警。从Nature的版面到真实的病房和灾区，距离还在，但路线至少被这两款"针线活"照亮了一段。
