我先讲个旧事。
17 世纪列文虎克第一次把显微镜对准一滴池塘水。他看到的不是「水」，是满视野乱蹦的微小生物。从那一刻起，「水是水」这件事就被永远改写了——水的「真实身份」是这些微生物的集合。
Goodfire 8-26 推的 Silico 干的事，跟列文虎克有点像——把显微镜对准 AI 自己。
这件事听起来抽象，但 Prima Mente 用它做了一件非常具体的事。他们有一个 AI 模型叫 Pleiades，能从血液样本里检测阿尔茨海默病，表现很好——但没人知道 AI 究竟看到了什么。
这是 AI for Science 过去十年的核心瓶颈。AI 在医学影像、基因组学、蛋白质结构预测等领域做出了突破，但设计者往往只能看到「模型表现很好」，看不到「模型具体在看什么」。AI 是黑盒预测器，不是假说生成器。
Prima Mente 用 Silico 做了逆向工程——不是去理解阿尔茨海默病本身，而是去理解 Pleiades 这个 AI 在「看什么」。结果 Silico 发现：Pleiades 实际上是通过 DNA 片段长度模式做出预测的。这种信号在传统阿尔茨海默病研究中从未被使用过。
我读到这件事时停了一下。因为 DNA 片段长度作为生物标志物这件事——不是人类先猜的，是 AI 自己找到的。
Goodfire 创始人 Ho 把这件事称作「首个完全通过逆向解析基础模型而在自然科学领域取得的重大发现」。这句话要拆开看：① 新发现（DNA 片段长度被验证为新的阿尔茨海默病生物标志物）；② 新方法（不是通过湿实验、临床观察或传统生物医学研究得到的，而是通过反向工程 AI 模型得到的）；③ 新范式（未来很多「为什么 AI 表现这么好」的问题，可能都得先回答「AI 究竟在看什么」）。
这件事背后的技术叫 mechanistic interpretability（机械可解释性）。过去这项技术高度集中在 Anthropic、DeepMind、OpenAI 等少数公司——需要精通 transformer 架构、注意力机制、稀疏自编码器、归因图。Silico 把门槛大幅降低——研究者用自然语言问问题，平台自己设计实验、调用工具、并行部署子 agent 完成任务。
Ho 在采访里说：「Silico 就像一台显微镜，让你得以深入 AI 模型内部，看清哪些部分负责哪些行为，甚至可以直接对这些部分进行编辑。」
我得指出——Silico 不只是「看到」AI 的内部，还能「编辑」AI 的内部。这是从「观察」到「干预」的范式跃迁。
这件事让我兴奋的地方，是它把 AI for Science 从「黑盒预测器」位移到了「假说生成器」。AI 自己看到的模式被提取出来，作为新科学假说交给人类验证。这意味着 AI 不再只是「做题的」，而是「提出问题的」。
但我得指出一个隐忧——如果 AI 的判断逻辑能被完全逆向工程，那 AI for Science 的护城河是什么？传统 AI 制药公司的护城河是「我们训练的 AI 能找到某种有效靶点」，但如果 Silico 让任何人都能逆向工程这个 AI，找到同样的靶点，那 AI 公司的先发优势会被快速稀释。
实际答案分两层：① 基础研究层面——发现 DNA 片段长度是阿尔茨海默病生物标志物，是普惠的科学进展；② 临床应用层面——把这个生物标志物变成 FDA 批准的临床检测产品，需要大量临床试验、监管审批、商业化运营——这是工程化能力，不是单纯发现。Silico 让发现阶段民主化，但应用阶段仍然是工程化能力的竞争。
收尾钉子：显微镜对准 AI 自己——发现 DNA 片段长度这件事不是人类先猜的，是 AI 自己找到的。AI for Science 从「黑盒预测器」位移到了「假说生成器」。