2015 年，一篇 PLOS Computational Biology 的论文引爆了媒体：科学家用"遗传算法"让计算机独立推导出了一套扁虫（Planaria）伤口愈合的基因调控模型——这个领域已经让生物学家头疼了 120 多年！听起来像是 AI 在生物学领域的一次"史无前例的胜利"，但事实真的如此吗？
这台"计算机"到底干了啥？
研究思路很简单：让计算机知道输入（比如某些基因被激活）和输出（比如伤口愈合、头部再生），让它自己反向推测中间的基因调控网络长什么样。用的算法是"遗传算法"——模拟进化过程中大量随机模型，优胜劣汰，一代一代逼近能拟合实验数据的模型。
听起来太酷了？但生物学家们很快指出了几个关键问题。
问题一：这不是全新的"AI 突破"
这套方法叫"系统生物学建模"——从上世纪 90 年代就已经在做了。这篇论文的主要新颖之处在于模型的构建方式（用遗传算法搜索可能的模型），而不是提出了一种全新的研究范式。
问题二：严重过拟合的数学问题
这篇论文的模型包含 14 种生物分子（蛋白质+信号物质），理论上有 644 个自由参数可以调整。但他们用来拟合模型的实验数据只有 16 组！这就像你有 644 个旋钮可以转，但只有 16 个声音片段作为目标——你总能调出一个听起来对的模型，但这个模型不太可能就是真实的生物系统。
问题三：没有预测能力
科学模型的真正价值在于"预测新数据"，而不仅仅是"拟合旧数据"。可惜这篇论文没能令人信服地做到这一点——他们只能解释已知的现象，对全新预测的验证还在等待。没有经过实验检验的预测，一切都只是数学游戏。
但这真的没价值吗？
公平地说：有价值。它证明了当生物系统相对简单、先验知识足够多、实验数据也足够时，计算机辅助建模是可行的。但它不是"AI 独立解决 120 年难题"的媒体标题所暗示的那种革命。大多数生物系统比扁虫的伤口愈合复杂得多——信号通路层层叠叠、一个蛋白干好几份工、不同通路相互勾连——到那时候，再多的电脑也算不过来。
所以下次看到"AI 解决了 XX 科学难题"的标题，记得打开论文看看参数和数据的比例——数学上是不是站得住脚。