软的、活的东西

7 月 7 日

生命物质学术会议

概览

6月12-14号，宾夕法尼亚大学的生物物质和软物质研究所举办了一场开启大会。会议聚集了专攻此领域的美国各地实验室100多名教授、研究院、博士后、研究生。两天的活动包括24个主题讲座、62个海报汇报、茶歇和吃饭讨论时间。会议后还有一日工作坊，庆祝研究无序固体拥塞的Andrea Liu教授的60岁生日。【0】

我参加会议是想要搜罗感兴趣的课题和学者，和得到当前相关项目的理论反馈。去之前我感到对领域的物理方法和具体内容不太了解，还感到作为新人去和有名气的学者交流很紧张。去之后我确实更新了对许多方法和概念的误解，但也发现大部分学者很愿意和任何人去讨论科学问题。信息差的减少帮助我缓解自卑和更新策略。我想要用博客来分享会议中我觉得有意思的生命物质领域进展、历史和未来。

领域

会议中有三大主题：软物质和胶体、生命物质和细胞医学、物质学习和AI辅助科学。

软物质

软物质是PG de Genne在20世纪70年代创造的一个术语。所谓“软”，就是容易受热波动和外力变形的材料。这些材料更受熵而不是量子场的影响。这包括从你冰箱里的冰激凌，你卧室墙上的油漆，甚至活的物质（你体内的血液和组织）。【1】

生命物质

生命物质研究试图回答一个看似简单的问题："什么是生命？"

常见的答案可能包含一些循环论证(生命是活着的东西)。或者对于生命特征的清单(稳态、组织、新陈代谢、适应、繁殖、对刺激的反应、生长和发育)。采取物理（物质）方法是要观察发生在生物体空间和时间边界内的事件描述。这种方法可以追溯到薛定谔的1944年书《生命是什么?活细胞的物理特质》。【2】

Nikta Fakhri在她的演讲"生命物质中的对称性破缺"【3】中就沿用了薛定谔的方法。物理学方法对生命系统的研究是一个过程。物理学经常用对称性来描述一个系统。对称性是系统在任何变换下保持不变的物理属性。当一个系统破坏了它的对称性,它就转变成了一个不同的集体物质状态。生命系统中有许多类型的对称性被打破。一个主要的破缺对称性是时间:在发育过程中,你可以辨别时间的箭头,因为胚胎会随时间变得更复杂。Fakhri实验室研究的另一个破缺对称性是旋转(手性)。海星胚胎在水-空气界面垂直旋转。随着胚胎细胞延长,其旋转轴和接触点发生变化,导致转变为不同的手性。

细胞旋转的变化在许多方面类似于液晶,就像计算机显示屏在晶体(固体)和各向同性(液体)状态之间。因此,Fakhri实验室会观察胚胎在水中随时间旋转,并测量关键数据,如旋转角度和轨迹。然后他们会找到非平衡自由度。例如，细胞毛发能自己移动，这是一种主动力。他们会继续在非平衡自由度上找到序参量。这需要他们在不同的自由度设置下收集胚胎数据。最后,他们制作一个预测模型,以控制参数条件(如密度)为输入,以序参量值(如聚类系数)为输出。

海星胚胎项目和其他基础科学对于日常生活的作用有两大类：

设计人造物："想象一下,建造一群像这些胚胎一样可以相互作用的柔软旋转机器人,"Fakhri说。"它们可以被设计成自组织,在海中波动和爬行以完成有用的工作。这些相互作用为探索开辟了一个新的有趣物理学范围。"【4】
理解自然:"就像一群鸟可以避开捕食者,或者因为它们可以组织成这些大型结构而飞得更平稳,也许这种晶体结构可能有一些我们还不知道的优势。"

物质学习

物质学习是物理对AI的应激。他们想探索不同“硬件”自带的软件特性，比如材料系统如何在没有传统计算的情况下进行优化和适应。【6】在计算问题中，正向问题是“已知变量值推到最终状态。”反向问题是“用已有变量到达已知目标状态”。“学习”（learning）是个用来解决反向问题的框架。系统以一种能够采用所需行为的方式逐步改变。这些渐进式变化被定义为系统对外部刺激响应的函数。学习过程由两部分：

通过应用来自训练集的刺激来评估系统
系统对刺激的响应驱动学习自由度的修改,使得随后应用刺激会产生改进的响应

这个过程通常迭代进行,直到系统达到令人满意的性能。

他展示了一个物理学习系统的例子: DNA瓦片。神经网络只是生物学中众多计算原理和架构中的一种。生物细胞内还有其他能够处理信息的分子系统。例如,信号转导级联、基因调控网络,以及对我来说最有趣的 - 具有机械和化学功能的生物分子凝聚体。在这项研究中,他们制作了可以形成不同图案的DNA积木。它们被训练来"分类"图像,这些图像被映射到特定的图案上。这种训练是基于调整瓦片对其他瓦片浓度的敏感性,这种敏感性会导致一种图案优先于另一种图案形成(组装)。他们发现这种方法效果还不错。因此,他们的发现表明,使用非神经网络架构（例如核形成）来执行计算任务是可能的。【7】

这意味着在未来,我们可以拥有由与今天的AI电路硬件和神经网络软件大不相同的材料和结构制成的计算机，比如蛋白质计算机。

研究动机和社会链接

在几天的讲座和交流中，我发现研究者们的动机分三类：探索问题的内在乐趣，完善物理学对现实的解释力度，以及通过工程系统把研究变成社会技术。

探索问题的内在乐趣

我观察这个动机是最纯粹和普遍的，几乎生理性的。比如一位研究生分享，他在读物理化学教科书的时候和独自做实验想点子的时候感到“平静和快乐”。我对此有一些共鸣。

完善物理学对现实的解释力度

这个动机关乎于一群被训练使用物理和数学工具箱的人可以挑战什么样子的问题。比如在上面Fakhri lab例子中，他们的解题套路很物理：系统 -> 守恒定律 -> 动态公式 -> 模拟 <-> 实验数据 -> 归纳。每个讲座后的问答环节我也能听出来，虽然有的学者做冰川，有的学者做细胞骨架，但他们提问题的视角相似：“微观互动的扰动会产生什么宏观涌现？有什么反直觉的信息要用计算发现？（比如坍塌机率）。他们希望用物理理解这些不同的自然系统，也用这些物理暂时无法解释的系统以及其他领域的方法来完善物理。

通过工程把基础研究变成社会技术

在研究所老教授们的圆桌讨论中，有个教授分享说“我们是对任何问题都能产生兴趣的人，所以要对未来做什么方向保持开放。”

他的故事让我感到时代变迁和动机的社会性。他说80年代他们被煤矿公司Exxon资助，目前美国医疗基金NIH和其他AI、气候相关资金则会赞助更多研究。在20世纪70年代和80年代，当软物质成为一个独特的领域时，研究人员从像Exxon这样的化石燃料公司获得了大部分资金来研究聚合物。Exxon当时在模仿贝尔实验室（Bell Labs），作为一个科学家可以在工业实验室内从事基础科学研究的地方。

当这些老科学家们被问到想赌未来哪个子领域时，他们都先套用混沌系统发现说”我们无法预测未来“，再发表自己看法。他们提到了几个主要金主方向：

气候变化缓解:开发新的可持续材料来应对环境挑战。过去软物质研究主要做的是塑料。现在环保倾向会赞助把人造肉口感做的更好的软物质研究。
生物医学应用: 通过对生命系统的深入理解革新医疗保健。比如人造皮肤，定点散发的疫苗。这一潮流在应对不断增加的生物数据（来自医院、分子和基因测序）
人工智能和计算:基于生物学原理推进信息处理。包括制造半自动化科学家，解释来自新兴实时显微镜技术的万亿字节数据，以及为大型语言模型做理论，比如open AI的predictive scaling。
机器人学:设计用于各种应用的自组织软体机器人。比如松鼠一样在树干之间弹跳的一体式机器人。

个人收获和下一步

这次会议让我感到开心。我很享受授粉一样的交流和学习，也欣赏大家的开放和耐心。我确定我在未来也需要有可以这样耐心和真诚地合作的社区。我带来的发育中细胞集体行为的项目也获得很棒的反馈和后续交换。我想要深造建模和物理提问框架（scaling）能力。

我也感到祛魅：很厉害的学术领域也是某种意义上的人类们在圈地自萌，有他们的局限、动机、出处，并且可能和我不是完完全全的一路人。这些张力我还在消化，但是比较明显的一点是假设。

在上面讲动机的时候我有提到很多研究的应用方向都有仿生学和工程逻辑。

“仿生学“逻辑：学习自然的设计原则，以制造像自然一样智能、稳健、高效的人造物。
”工程”逻辑：进入工业生产链，制造批量化产品。还有，“生物是机器”这个比喻也是一直沿用，在物质学习里尤其可以看到。

我的内心提问是，除此之外还有别的可能逻辑吗？（比如，生命的学习能力也许比起机器更像是进化或者理？其他知识文化里有没有相似的框架可以参考？）相比之下哪个更值得我们投入金钱和精力？（比如，GPT要用一个核电厂才能训练出一个能在纽约骑自行车的AI，但有那么多钱/能源我们能做别的更好的解法吗？）我有点被这股批判质疑力量压倒，但是我还是觉得这是很值得继续感受和学习的方向。毕竟，科学也是文化和历史的交叉情景产物。科学也有视角。

所以我现在在一边继续做我们的细胞粘接模型和找下个项目，一边与生命物质圈外的人和书和现实世界来探索这个张力可以带来什么合作。

最后，我想分享会议交谈中印象最深的几句话：