Steve Hsu：智力、胚胎筛选与人类的未来

Dwarkesh Patel 以一个刻意离奇的问题开场：理查德·费曼（Richard Feynman）给 Steve Hsu 提过什么追女孩的建议？Hsu 用大四那年春天的一段具体回忆作答。他当时是物理专业的学生，用他自己的话说，还是橄榄球队的线卫，体重约 200 磅，身高略超过 6 英尺。费曼从他大一起就认识他，并把他当作偶像，那天在校园里拦住他，评论了他的块头。

这场对话很快变成了费曼思维方式的一个例证。Hsu 说，费曼生于 1918 年，第二次世界大战爆发时他还在读研究生，即使到了 20 世纪 80 年代，Gold’s Gym 正在成为全国性连锁品牌时，他仍然不理解健身房是什么。费曼问人们去那里是为了认识女孩还是为了训练，然后向 Hsu 盘问了很久。Hsu 说这很典型：费曼遇到自己不懂又想弄清楚的事，就会盯住眼前的人，直到弄清楚为止。直到这番盘问结束，他才给出回报性的建议。

建议本身是要理性，把接近女性当作一场数字游戏。费曼说，大块头的男人也许对女性没有吸引力，但又补充说 Hsu 笑起来很好看。Hsu 回忆他说，在帕萨迪纳或韦斯特伍德某个周六晚上的酒吧或机场休息室里，你多半不会再见到她，所以该做什么就做什么，她不感兴趣就继续下一个。Hsu 补充说，费曼在加州理工有风流浪子的名声，但他对此的了解主要来自秘书们，而当时的秘书几乎全是女性。

Hsu 梳理了他认为最重要的部分。他把这种做法比作搭讪艺术家（PUA）的理念：照着算法走，这样被拒绝就不会影响自尊；并说他记得最清楚的是费曼把这个问题操作化了。被拒绝会受伤，而穿过嘈杂的酒吧去和一位女士及她的朋友搭话令人胆战心惊，所以费曼是在告诉他要训练自己克服这种恐惧。给出的理由是，“人类的面孔空间”如此之大，你多半再也不会遇到那个人。

the face space of humanity is so big that you’ll probably never re-encounter them again

Patel 好奇这种行为在 20 世纪 40 年代是否存在。Hsu 很确定存在，他指出那个时代或稍早时代的文学，比如海明威和约翰·奥哈拉（John O’Hara），描写了男女在纽约酒吧里相识的情形。他说那在当时比 Patel 这一代普遍得多，并坦言自己也搞不清楚现在男孩女孩是怎么认识的，包括他自己的孩子。按他的说法，过去是男生做所有的事，还得克服做这件事的恐惧。

Patel 问起 Hsu 的体格，因为他网站上的一张照片里他看起来肌肉发达，并想知道当时这样的体格有多常见。Hsu 说，费曼觉得健身房奇怪，部分原因在于健美运动进入美国的方式：健美者起初被视为怪胎和同性恋。他在游泳方面从俄罗斯人和东德人那里学到了先进的训练技术，但他初中的橄榄球教练却告诉队员不要举重，因为那会让人变慢。这种情况在他读高中前后发生了变化，Hsu 将此主要归功于内布拉斯加大学著名的力量训练项目推广了举重。

Hsu 给出两条证据，说明 20 世纪 80 年代懂行的训练有多稀少。当时懂得如何训练的人所用的，是那时被视为高级知识的东西，比如一天练深蹲、另一天练上肢的分化训练。还有一次，他拉伤了股四头肌，加州理工体育设施的训练师看着他发达的大腿，说那是肿了。Hsu 说他当时大约能深蹲 400 磅，而她认不出发达的身体结构，让他十分惊讶。他最后总结说，这个领域已经走了很远，而且你不必上了年纪才能理解它在三四十年里是怎样演变的。

Patel 追问这是否只是那个时代特有的现象，他提到罗马士兵每天背着 80 磅走 10 到 20 英里的故事，以及古代雕塑中肌肉发达的人像。Hsu 回答说，希腊人很特别，因为他们是第一批想到体育馆（gymnasium）的人，包括人们在其中训练摔跤和拳击的 Palaestra（摔跤学校）。他称希腊人是第一批认真对待为竞技比赛而做专门训练的人。接着他回到 20 世纪：20 世纪 70 年代的老照片里的男人都很瘦，第二次世界大战中的士兵，无论德国人还是美国人，都是 5 英尺 8 到 9 英寸高，体重 130 到 140 磅。他的结论是，体育文化在古代之后基本失传，在他成长的年代才刚刚重回美国，所以一个精瘦的 200 磅男人能卧推超过 300 磅，是很罕见的。

被要求介绍 Genomic Prediction 时，Hsu 给出了两种视角：科学视角和试管婴儿（IVF）视角。从科学上讲，基因组数据越来越多。给定许多人的基因组，加上每个人的信息，比如是否患糖尿病、身高多少、智商得分多少，找出 DNA 变异中的哪些特征能预测某个给定变量，就是一个很自然的机器学习问题。

他把这看作一个古老的问题：如何把基因型（具体的 DNA 模式）与表型（生物体表现出来的特征）联系起来。分子革命表明是 DNA 存储着被传递下去的信息，而进化是依据 DNA 变异所表达的表型通过其对适应度和繁殖成功率的影响来进行选择的，因此他称这就是生物学的全部游戏。作为一个受过数学和计算训练的物理学家，他说自己很幸运，赶上了蛮力计算、AI 和机器学习可以解决这个问题的时代。接着他自己提出了创业者会问的后续问题：和博士后一起在电脑上研究是一回事，但它有什么用？

他的回答是试管婴儿。全世界每年有数百万个家庭做试管婴儿，通常是因为生育问题，而且主要是因为母亲已经 30 多岁或 40 来岁。激素刺激会产生更多卵子：每个周期不是一个，而是根据年龄产生五到二十个，对接受激素刺激的年轻卵子捐赠者则是六十到一百个。受精很容易，所以一个家庭最终可能得到比实际要用的更多的胚胎，从而面临胚胎选择问题，比如在 20 个可存活的胚胎中挑选。

他描述的应用是：通过少量活检样本对这些胚胎进行基因分型并出具报告。他的例子是四号胚胎在乳腺癌风险上是离群值，这会让他在是否使用它时慎重考虑；十号胚胎在心血管风险上是离群值；而其他的都没问题。他表示公司与六大洲的 200 到 300 家试管婴儿诊所合作。

Patel 指出，这类疾病风险是多基因的，可能有成千上万个单核苷酸多态性（SNP）参与其中，并问 Hsu 的数学和物理知识是如何帮助他理解这些数据的。Hsu 开始回答时先描述了底层的遗传学：基因组中有一些个别位置，人与人在那里不同，任何一对个体之间通常有几百万个位置不同，这控制了为什么他看起来和 Patel 有点不一样。这为随后关于如何构建预测器的技术讨论做了铺垫。