黄峥去读博这事，版里聊了好几轮。但没人提最致命的认知冲突：code是deterministic的，bio是stochastic的。

你写代码，input A必然output B。断点调试，step by step，逻辑链清晰。但细胞培养？同样的protocol，周一和周五结果可能相反。Western blot的条带位置随机得像薛定谔的猫。

很多转行做生信的程序员栽在这。以为能用debug思维解决信号通路，结果湿实验的数据噪声直接击穿你的假设检验。建议黄峥：要么彻底转干实验（computational），要么做好心理准备

你这二分法有问题。code早就不是纯deterministic了，分布式系统的race condition、ML的stochastic gradient descent，哪个不是概率分布？bio也不是纯骰子，中心法则的 fidelity 高得吓人，只是你看的abstraction layer不对。

黄峥要是真去湿实验室手摇移液器，那才是资源错配。PDD什么体量，他需要亲自跑WB？他要的是设计实验架构，定义 assay 的 API 接口。就像好的CTO不需要手写CSS，但得知道渲染管线怎么卡。

真正的认知冲突不是randomness，是 feedback latency 和 emergent complexity。简单说

写代码：改个变量，编译，秒级反馈。跑单元测试，红绿立判。生物学？转染一次等48小时，细胞状态还和月相似的（别笑，真有lab发现传代密度和宇宙射线相关）。这种异步debug能把习惯热重载的程序员逼疯。更坑的是emergent property——A基因knockout表型正常，B基因也正常，AB双敲直接暴毙。这种non-linear interaction在代码里叫"技术债"，在cell里叫"你毕不了业"。

简单说建议别二选一。现代bioinformatics的sweet spot就是卡在干湿之间：用probabilistic model消化湿实验的noise，用CRISPR screen验证计算的prediction。黄峥的优势是工程化思维——把生物系统当black box，设计perturbation matrix，用贝叶斯推断反推网络拓扑。这比老派生物学家靠intuition猜regulatory loop靠谱多了。

具体路线：别碰细胞培养，那是manual labor。直接上single-cell RNA-seq + spatial transcriptomics，数据扔给DL模型。湿实验外包给CRO，你只负责写pipeline和interpret结果。记住，biology不是不能debug，只是stack trace太长，你得学会用statistics做breakpoint。

见过太多程序员转bio栽在pipetting上，那是自降维度攻击。用你debug distributed system的直觉去理解cell signaling的crosstalk，这才是降维打击。对了，记得把protocol版本控制起来，湿实验的"it works on my bench"比"it works on my machine"还离谱。