圣诞节后的第二天，一通电话把 Eric 叫到了白板前：“我好像发现了点东西。”在这次访谈中，他回忆起同伴兴奋地推演新架构的场景。那场讨论通向了 Hyena，但他们当时关心的，还是怎样让模型处理更长的序列。
如今，Eric Nguyen 与 Armin W Thomas、Michael Poli、Stefano Massaroli 一起创办了 Radical Numerics。四个人的研究轨迹从 Hyena 延伸到 Evo，但创业把问题推向了更远处：模型怎样进入真实的生物学？以下根据这次创始团队访谈整理。
擅长长序列，然后呢？
像读一本越来越厚的书，模型得不断联系前后的内容。但传统全注意力的计算量随序列长度平方增长，越读越贵。他们回忆，Hyena 的突破之一，就是让语言模型有机会用增长更慢的计算成本处理长序列，继续探索预训练架构。
接下来的问题带着研究者式的好奇：“世界上最长的序列是什么？”DNA 进入视野。但他们想尝试的还包括生成：能否像续写文字一样，写出新的 DNA？这条探索后来通向 Evo，也让他们感到，一股“引力”正把团队拉向生物学。
DNA 打开了门，但门后还有什么？
DNA 像一份说明书，但只读说明书，很难知道它在什么环境中被怎样使用。团队从 Evo 的经历中得出的判断是，仅有 DNA 还不够。组织是否健康、细胞处于什么状态，都可能影响问题的答案，因此还需要蛋白质、RNA 和表观组学等上下文。
他们也在回应另一种期待：让大语言模型多读论文，能否加速科学发现？但他们押注，尚未被写成自然语言的原始科学数据里，仍有大量知识可供学习。
这也是他们介绍 Omnii 时反复强调的方向：把多种生物信号放进同一个模型。但“通用生物智能”仍是团队追求的目标。他们期待，不同任务共享学到的关系，经后训练适配新的问题，减少每遇到一种任务就重新训练一个专用模型的割裂。
这份期待伴随着不确定性。我们会说话，较容易判断语言模型的回答是否合理；但生物学没有同样直观的反馈。一位创始人把它比作学习一门连句法和语法都不知道的语言。词元化、多模态处理和验证方法，都需要重新摸索，语言模型的经验无法照搬。
创业，还要让两套语言彼此听懂
谈到为什么一起创业，回答很少落在商业术语上。Michael 说，自己一直想创业，但过去没有勇气。真正推动他迈出这一步的，是找到了愿意一起尝试的人。谈话还提到，一项困住同伴一两周的评估工作，Armin 加入后，一两天就拿出了能运行的版本。
他们用搜索算法形容彼此：有人一路向深处钻，有人向更宽处探索。但互补也发生在代码之外。一位同伴原以为 Stefano 是个典型的数学书呆子，见面才发现，他还是巴西柔术练习者。那些私人细节，让这次对谈里的团队比公司介绍更具体。
但把熟悉的合作者聚在一起，只解决了创业的一部分问题。懂得训练模型的人，未必知道模型能怎样被生物学家使用；熟悉实验的人，也有另一套问题和判断标准。
访谈里有个很形象的说法：前沿模型需要被“培育”出来。但这要求团队跨过职责边界，有时还得把个人自尊放到一边。模型能否前进，依赖训练、数据和应用人员持续协作。组织方式因此成了技术路线的一部分。
从损失曲线抬起头，现实才刚开始
有人回忆，连续几个月盯着发散的损失值，生物模态在眼中几乎只剩词元字符串。但等他们从研究“战壕”里抬头，同一个模型已经被用于不同应用。团队提到稀土相关蛋白质设计和癌症检测，也把这种跨任务适配的体验称为生物 AI“GPT-3 时刻”的一瞥。
但这些应用各自需要不同层次的证据，患者使用也不能直接等同于疗效确证。访谈提及 AI 设计噬菌体用于患者；公司发布稿将其说明为受监管的同情用药项目。对这次对谈而言，更值得保留的是他们由此产生的意识：模型正接近真实世界的后果。
谈话也因此转向安全。团队把推进设计能力与生物防御并列为使命，承认让药物设计更容易的技术，也可能降低滥用门槛。但这种责任表述还需要落实为可检验的措施。
最后，被问到“破解生物学”意味着什么，他们谈到减少痛苦，也谈到走出学术研究。但实验很慢，验证很慢，过程必须谨慎——这些限制，他们同样清楚。当下一次训练结束、损失曲线变得漂亮时，现实中的细胞、实验和患者，会给出怎样的回答？
