有一种疾病正在威胁全球超过1.7亿女性的健康，每8位女性中可能就有1人深受它的困扰。

这种疾病非常重要，但在很长时间里，它竟然连一个准确的名字都没有。医学界一直在用错误的命名称呼它，这个名字容易造成误解，而且还完全搞错了重点。它不利于医疗和科研，还带来了偏见与污名化，导致患者背负沉重的心理压力。

这种疾病就是多囊卵巢综合征（PCOS）。现在，它终于要改名了。

5月12日，这一更名决定在欧洲内分泌学大会与医学期刊《柳叶刀》上正式发布^[1]。现在，这种疾病的新名字是“多内分泌代谢性卵巢综合征”（Polyendocrine metabolic ovarian syndrome，PMOS）。

研究者相信，正确的命名将帮助人们重新认识这种备受忽视的疾病，正视它对女性健康产生的深远影响。

一种影响众多女性的疾病终于获得了正确的名字 | jeanjarrettnaturopath.com.au

这种过去被称为“多囊卵巢综合征”的疾病是非常常见的女性健康问题。它最常见的表现是月经紊乱、体内雄激素过高与排卵障碍。这种疾病也是导致女性不孕最常见的原因之一。

然而，“生殖问题”或“妇科病”其实远不是这种疾病的全貌。

PMOS患者通常从月经紊乱开始发现这种疾病，但“妇科病”远不是它的全部。| 图虫创意

近几十年的研究发现，这种疾病的影响其实完全不局限于生殖系统。它是一种复杂的内分泌疾病，会造成广泛、全身性的后果。它会导致代谢变化，让患者更容易出现肥胖与胰岛素抵抗。这些变化会进一步增加2型糖尿病、心血管疾病等慢性病风险，对患者的健康造成长期威胁。

这种疾病的表现复杂多样，有许多患者未能得到正确、及时的诊断。牵头重命名工作的内分泌学家海伦娜·蒂德（Helena Teede）表示，这种疾病是“最受忽视、且最不为人所理解的疾病之一”。

PMOS还会影响患者的精神健康。统计显示，该病患者的抑郁风险大约是非患病群体的2.5倍[2]。这可能与疾病本身有关，也可能反映了肥胖、不孕等情况带来的心理压力。| pixabay

过去用于命名这种疾病的“多囊卵巢”一词最早出现在1935年的一篇论文报告中^[3]。这个词汇描述了患者卵巢中出现的囊泡状结构。

这种结构变化确实是该疾病的典型表现之一。医生可以通过超声检查观察到这些囊状结构，直到今天，它们依然是诊断这种疾病重要的线索。

超声检查中看到的卵巢多囊状结构 | abc.net.au

然而，用“多囊卵巢”来命名这种疾病却不是个好主意。这个名字不仅容易导致误解，而且还可能对疾病的诊疗、宣传带来诸多负面影响。

“多囊卵巢”容易与卵巢囊肿混淆，这可能会增加患者的困惑和忧虑。事实上，“多囊卵巢”的囊状结构只是一些发育不成熟的卵泡而已。它们与卵巢囊肿病变毫无关系，也不会需要手术切除。

用“多囊卵巢”来命名还会让人误认为这种疾病只限于卵巢，让人们更难理解疾病的本质。正如上文所说，它其实是全身性内分泌疾病，生殖系统问题只不过是它造成的诸多后果之一。

“多囊卵巢综合征”这个名字过度强调生殖系统，同时又完全忽略了疾病的其他方面。这种只关注生殖的观念会影响治疗策略，同时也可能加深偏见，导致患者承受更多心理压力和社会歧视。

对PMOS患者的治疗常将促进生育作为首要目的。而在生殖之外，该疾病的其他方面却容易被忽视。 | 图虫创意

糟糕的命名甚至还会阻碍研究。“多囊卵巢综合征”未能体现该疾病长远和全身性的危害，容易让人低估问题严重性，进而导致相关研究无法获得充足的经费。

早在1995年，医学界就已经出现了呼吁“多囊卵巢综合征”改名的声音^[4]。在此之后，多名专家都曾提出过不同的更名建议。遗憾的是，这些提议并未达成共识，也没有最终推广。

而这一次，在全球56个相关机构的共同努力之下，重新定名工作终于走到了最后。在几年时间的宣传与过渡之后，新名字预计将于2028年正式纳入国际指南。

新名字重点强调了该疾病的内分泌与代谢属性。在保留“卵巢”这一关键词的同时，疾病与生殖系统的关联得到了适当弱化。

牵头推动这次重命名工作的海伦娜·蒂德（Helena Teede）教授。新命名综合了世界各地多学科医疗专家的意见，同时也参考了普通患者的建议。| Ellen Smith/The Guardian

这次更名的特别之处在于，普通患者的意见也得到了充分尊重。世界各地共有14360名患者参与了更名问卷调查，部分患者代表还通过线上会议与医学专家进行了更加深入的探讨。

医学专家们采纳患者意见，决定不在新名字中直接使用“生殖”一词。尽管这一词汇在科学上并无错误，但它可能会延续该疾病与生殖障碍过度绑定的现状，不利于缓解患者的心理压力。

“多内分泌代谢性卵巢综合征”这个新名字或许并不完美：它仍然相当拗口，并不像“糖尿病”之类的病名那样容易记忆。不过，参与更名工作的研究者相信，这依然是一个重要的进步。

从一个准确的名字开始，我们可以重新认识一种疾病，正视它对健康造成的影响，并最终战胜它。

作者：窗敲雨

编辑：Luna

封面图来源：medscriptum.org

本文来自果壳，未经授权不得转载.

如有需要请联系sns@guokr.com

AI正在改写科学研究的底层逻辑——从帮科学家分析数据的“辅助工具”，到能自主设计、执行、迭代实验的“科研智能体”，AI for Science的3.0时代，已经从概念走进现实。

在王承志看来，AI4S的演进可分为三个阶段：

1.0阶段：辅助工具，AI只是科学家手里的“显微镜增强插件”，核心做实验数据后处理、湿实验分析，只帮复盘，不帮设计。

2.0阶段：导航式设计引擎，生成式AI入场后，AI从“后视镜”变成“导航仪”——实验结果能反馈给模型更新参数，形成干湿闭环，这也是当下行业的主流阶段。

3.0阶段：自主科研，AI自主完成“设计实验→执行实验→分析结果→迭代优化”全闭环，人类只需定方向、提问题，剩下的全交给AI智能体。

智源深澜从创立之初，瞄准的就是真正释放生产力的3.0目标。

要实现AI4S 3.0，团队选择从蛋白质这个生物分子的核心对象切入，目标是：让蛋白质连续定向进化，变成完全无需人工干预的自主工作流。

王承志团队打造的自动化平台，核心是一个“物理世界的AI智能体”（而非数字世界的聊天机器人）：

• 每轮实验数据出来后，系统自动分析结果、设计下一轮实验；

• 把实验设计转化为机器人可执行的指令，驱动设备完成实验；

• 连续运行1个月无人工干预，自动完成培养、传代、检测、筛选；

• 防污染设计拉满（HEPA过滤、UV灭菌等），全程无交叉污染；

• 能动态调整实验策略，自动处理设备故障、生长异常等问题。

自主实验室实现从设计、执行到反馈的全流程

这套平台被《Nature Chemical Engineering》评价为令人震撼，不仅登上封面，还配发专题评论，定义为“全球首个工业级、可编程、自动化的蛋白质连续定向进化平台”。

Shen et al.   Nature Chem Engineering 2025

案例1：用“生物逻辑门”筛选精准转运的蛋白变体

多重耐药外排泵LmrA是个难题——它会无差别转运底物，既转目标物质，也转非目标物质。要筛选出“只转目标、不转非目标”的变体，需要二维筛选：A=1（转目标）且B=0（不转非目标）。

团队设计了NIMPLY生物逻辑门遗传线路，结合自动化平台连续运行1个月，成功进化出符合要求的LmrA变体——原本看似无解的多目标筛选，被自动化+AI的组合高效攻克。

团队设计的生物逻辑门电路

案例2：融合出5倍活性的mRNA疫苗关键酶

mRNA疫苗生产有个痛点：成本高、损耗大，原因之一是工艺要分两步走：先靠T7 RNA聚合酶转录RNA，再用另一个加帽酶给RNA加上 5′ 端的帽子，中间还要纯化，损耗非常严重。

客户提出的需求是：把两个酶融合成一个兼具双活性的新酶。听上去合理，但难点在于，简单融合会让两个酶的活性全消失，只能从零进化。

团队把这个挑战交给自动化平台，挑战非常成功：

• 连续运行1个多月无污染；

• 自主记录、分析、迭代实验；

• 几乎没有人参与；

• 最终进化出CapT7融合酶，不仅兼具双活性，转录活性还比原始T7酶提升5倍！

短期内AI4S还不是“客户云端点鼠标就能做实验”的状态——需要大量工程师维护复杂的自动化设施，AI4S公司更像“工程+科学”的混合体。

但随着自动化实验通量越来越大，整套体系会越来越复杂，我们的长期目标是把科研环节变成可交易的token——科学家设计新分子，能马上拿到测试结果。

虽然我们的长期目标是要实现“自主科研”的，可自我迭代的AI4S 3.0系统，但当前还有很多问题需要解决。一些典型的问题例如：

为什么AI模型在科学领域的幻觉比通用大模型更隐蔽、更危险？

AI模型在通用领域，通常靠常识就能看穿。但在科学领域却完全不同，因为它不但看起来是对的，而且看起来很专业，通常都带着令人信服的置信指标。最危险的是，科学AI的幻觉往往位于”合理但错误”的 sweet spot——不是胡说八道，而是那种”差一点点就完美了”的精致错误。

这类错误常如果被下游研究者当作起点，会污染整个研究链路，造成错误的级联放大。对于自主实验室来说，因为更少人为介入，幻觉会更容易在错误的道路上浪费大量资源甚至造成严重后果。

为什么AI预测很快，实验验证却排队排到“下辈子”？

AI的产出是指数级增长的，实验的产能是线性甚至恒定的。AlphaFold在几分钟钟内预测出蛋白质结构，但实验的验证常常需要数月甚至数年。因此生成式AI和当前的实验范式构成了行业的根本矛盾。

我们在上面的案例中，通过一些生物学体系的设计，极大降低了实验通量的需求，例如自主进化体系可以把起始样本减少数万倍，这本质上是用生物体系的自动化来替代物理实验的自动化。

另一方面，较少人工干预的自动化实验室能在一定程度上减轻实验的压力。因为自主系统可扩展性极强，不依赖于有经验的实验人员。在数据成为AI时代最重要的资产时，未来谁拥有最大化的自动化实验产能，谁就能掌握行业主导权。

为什么绝大多数开源科学代码只能被阅读，却永远无法直接运行？

学术界的开源代码在很多时候并不会考虑工程化的问题，很多代码环境依赖死锁、无测试无文档、不关心异常处理、日志、模块化等等。这和工业界的可稳定复现的要求完全不同。

这三个问题本质上指向同一个命题：AI在科学领域不是加速了发现，而是加速了”猜测”的产出。它生产假说的速度远超人类验证假说的能力。当猜测的库存积压到实验验证无法消化的程度，整个系统的瓶颈就不再是想象力，而是物理世界的执行带宽。只有当物理世界的执行带宽和AI的生成能力对齐时，AI4S 3.0才能真正到来。

理论膨胀成新瓶颈

AI 具备强大的算力与学习能力，可以无限地生成新的科学理论与假设。但理论再先进，最终都需要物理实验来验证；实验受限于时间周期、特殊材料制备、能源消耗等现实条件。这两者之间的差距，会催生一个新现象——理论膨胀。

这种“理论膨胀”不仅是研究效率的错位，更可能引发一场科学界的“选择困境”。当 AI 在一个下午就能推演出数以万计具有逻辑自洽性的新材料结构或亚原子粒子模型时，人类科学家将面临前所未有的筛选压力：在资源有限的现实世界中，究竟哪一个假说才值得耗费十年的时间和数十亿的经费去建造对撞机或实验室？

科学探索的重心正在从“如何发现”转向“如何筛选”，若验证速度跟不上推演速度，人类的知识库将充斥着大量处于“量子叠加态”的待定理论——它们在数学上完美无瑕，在现实中却迟迟无法落地。

科研劳动的商品化

当AI能完成科研全链条，科研会从“精英智力活动”变成“可量化、可交易的商品”——就像云计算一样，变成一种可批量购买的计算服务。普通人也能低成本做科研（比如有人用Claude做基因测序、自己设计mRNA疫苗治宠物）。

再往前推，做科研可能不再是 scientist 这个群体的专属，而是变成 token、变成商品。这种转变可能会导致传统的学术职业路径发生根本性萎缩——我们将不得不重新思考科研人员的角色定位。

科研加速的不均等性

AI自主科研高度依赖算力、数据、自主实验室——拥有这些资源的机构/国家，会在科学竞争中占据绝对主导，小国家、独立研究者可能被边缘化，形成“发现垄断”。这会加剧全球科研领域的不平等。

未来科学发现的竞争，可能不再属于最聪明的人，而是取决于谁有最大算力、谁有最多自主实验室、谁有最完整的数据飞轮。

现在的AI已经能自主通关游戏。它会自己尝试、自己失败、最后用人类完全理解不了的方式通关。当年 Google 之所以以 4 亿美元收购 DeepMind，就是因为看到他们能用 AI 把游戏玩得非常好。后来DeepMind的表现完全证实了这一点，当AI能从自主尝试中学会一切，人类的经验将逐渐被边缘化。

那么，以后 AI 自主发现科学的路径，会不会也用我们这些科学家完全无法理解的方式去重新发现科学？

AI4S的3.0时代，已经在路上。当机器能自主做科研，科学的边界，又会被推向哪里？

作者简介

王承志，智源深澜创始人兼CEO，曾任镁伽科技首席科学家，于2024年创立智源深澜，专注于数据驱动的生物分子设计与制造。公司打造了全球首个工业级、可编程的自动化蛋白质连续定向进化平台，实现了科研全流程的 AI 自主闭环，相关成果登上《Nature Chemical Engineering》封面，推动AI for Science从2.0“导航式设计引擎”向3.0“科学智能自主平台”演进。

👆想要了解更多AI for Science创业项目？有BP想要投送？或者想来分享你的真知灼见？添加果壳硬科技企业微信，私信沟通。

本文经授权转载自未来光锥（ID：lightcone2050），如需二次转载请联系原作者。欢迎转发到朋友圈。

点个“小爱心”吧