從LLM到JEPA，中國團(tuán)隊正在把“世界模型”搬進(jìn)細(xì)胞內(nèi)部

Amy 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

最近，AI虛擬細(xì)胞（AIVC）賽道，迎來關(guān)鍵突破！

作為全球最早布局該領(lǐng)域的企業(yè)之一，百曜科技正式發(fā)布全球首個基于LLM-JEPA架構(gòu)的AI虛擬細(xì)胞世界模型——AURA CellOS。

該模型是目前公開報道中參數(shù)規(guī)模最大的單細(xì)胞基礎(chǔ)模型，基于3.905億個人類單細(xì)胞轉(zhuǎn)錄組訓(xùn)練，覆蓋了幾乎所有重要的人類細(xì)胞：40余種人體組織、260余種細(xì)胞類型。

其最受關(guān)注的突破在于，它首次將JEPA（聯(lián)合嵌入預(yù)測架構(gòu)）與世界模型理念系統(tǒng)性引入單細(xì)胞研究。

當(dāng)前，世界模型已經(jīng)是自動駕駛、機(jī)器人和生成式AI的重要技術(shù)方向。

CellOS的出現(xiàn)讓外界好奇，在高度復(fù)雜的生命科學(xué)領(lǐng)域，世界模型能否真正落地，并產(chǎn)生實質(zhì)價值？

從目前公開的評測結(jié)果看，CellOS在預(yù)測精度、擾動建模等多個核心指標(biāo)上與多款主流模型拉開倍數(shù)差距，達(dá)到當(dāng)前國際領(lǐng)先（SOTA）水平。

但想要看清它的技術(shù)邏輯與商業(yè)價值，一切還要從一顆細(xì)胞說起。

AIVC走到十字路口

理解細(xì)胞變化，是生命科學(xué)最核心的問題之一。

疾病發(fā)生、藥物作用、細(xì)胞治療，本質(zhì)上都是細(xì)胞狀態(tài)發(fā)生變化的過程。

過去，科學(xué)家只能通過細(xì)胞培養(yǎng)、動物實驗?zāi)酥寥梭w驗證來探究細(xì)胞在藥物、基因擾動等刺激下的變化。

高昂的研發(fā)成本和漫長的試驗周期，讓大量潛在新藥和細(xì)胞療法陷入漫長試錯，“十年研發(fā)周期、十億美元投入，臨床成功率卻不足10%”的“雙十定律”亟待被終結(jié)。

△圖片由AI生成

“虛擬細(xì)胞”的出現(xiàn)，為新藥發(fā)現(xiàn)開辟了全新的路徑。

在計算機(jī)里“復(fù)刻”細(xì)胞的想法，早在20世紀(jì)90年代就有學(xué)者探索，并開發(fā)了最早的細(xì)胞建模軟件之一VCell。之后斯坦福大學(xué)研究團(tuán)隊發(fā)布了全球首個全細(xì)胞計算模型。

但此前的虛擬細(xì)胞，不是一個學(xué)習(xí)型的模擬器，不能模擬細(xì)胞在不同條件和變化環(huán)境下的運(yùn)作。

無法預(yù)測細(xì)胞功能、行為和動力學(xué)，無法揭示其背后的機(jī)制，也就無法在藥物開發(fā)應(yīng)用中發(fā)揮最大價值。

直到近些年AI技術(shù)的突飛猛進(jìn)，疊加組學(xué)技術(shù)的迅猛發(fā)展，才讓虛擬細(xì)胞更接近生命科學(xué)的“模擬沙盤”：

• 單細(xì)胞測序技術(shù)的指數(shù)級進(jìn)步及成本降低，顯著提升了數(shù)據(jù)采集能力，過去幾年中，這些數(shù)據(jù)每6個月翻一番，為建模提供了底層基礎(chǔ)；
• AI技術(shù)的進(jìn)步則顯著增強(qiáng)了細(xì)胞數(shù)據(jù)的處理、學(xué)習(xí)和推理的能力。

2024年12月，美國斯坦福大學(xué)、基因泰克制藥公司與陳—扎克伯格基金會組成的聯(lián)合科研團(tuán)隊在頂級期刊《Cell》發(fā)表的重磅論文，點燃了全球的研發(fā)熱潮：

AI虛擬細(xì)胞（AIVC）的時代，正式宣告到來。

△圖片由AI生成

其實在此之前，Geneformer、scGPT、scFoundation、GeneCompass等一批模型就已相繼問世，只是業(yè)內(nèi)還沒有統(tǒng)一AIVC的叫法。

這些AIVC模型解決了細(xì)胞類型識別等基礎(chǔ)需求，但在預(yù)測細(xì)胞動態(tài)變化上存在明顯局限。

例如，在敲除基因、給藥或誘導(dǎo)分化后，細(xì)胞會如何演化？第一代AIVC模型在這類動態(tài)預(yù)測任務(wù)上仍存在明顯局限。

核心在于，它們的訓(xùn)練目標(biāo)主要是學(xué)習(xí)基因表達(dá)模式本身，而非細(xì)胞狀態(tài)變化的內(nèi)在機(jī)制，因此難以區(qū)分哪些表達(dá)變化只是背景噪聲，哪些才是真正驅(qū)動細(xì)胞狀態(tài)演化的關(guān)鍵信號。

進(jìn)一步地，由于模型主要基于單一表達(dá)視角學(xué)習(xí)靜態(tài)基因表達(dá)模式，難以刻畫基因調(diào)控關(guān)系及細(xì)胞狀態(tài)演化的動態(tài)規(guī)律。

許多只有在特定擾動條件下才顯現(xiàn)的關(guān)鍵生物學(xué)信號，也容易被大量穩(wěn)定表達(dá)的背景信號所淹沒。

因此，僅靠不斷擴(kuò)大數(shù)據(jù)規(guī)模和模型參數(shù)，并不能顯著提升模型對細(xì)胞狀態(tài)演化軌跡的預(yù)測能力，也難以學(xué)習(xí)細(xì)胞變化背后的內(nèi)在生物學(xué)規(guī)律。

2026年6月，《Nature Methods》刊發(fā)的一項研究非常扎心：

研究人員基于2220萬個細(xì)胞的scTab語料庫，預(yù)訓(xùn)練了400個模型，完成6400次評估。結(jié)果顯示，在多項任務(wù)中，模型性能往往在使用約1%的預(yù)訓(xùn)練數(shù)據(jù)后便進(jìn)入平臺期。

換句話說，僅用約22萬細(xì)胞訓(xùn)練模型性能就基本拉滿，再多喂海量同質(zhì)細(xì)胞樣本，模型效果也不會明顯提升。

這讓行業(yè)開始重新思考：現(xiàn)有技術(shù)路線是否還能持續(xù)受益于Scaling Law（縮放規(guī)律）？

或者說，問題究竟出在數(shù)據(jù)規(guī)模不足，還是第一代AIVC的建模范式已經(jīng)觸及瓶頸？

CellOS給出的答案是后者：

真正限制模型持續(xù)提升的，并非Scaling Law本身，而是傳統(tǒng)語言模型架構(gòu)與細(xì)胞數(shù)據(jù)特性的系統(tǒng)性錯配。

只有讓模型真正學(xué)習(xí)細(xì)胞狀態(tài)演化規(guī)律，而不僅僅是靜態(tài)表達(dá)模式，數(shù)據(jù)規(guī)模擴(kuò)展才能持續(xù)轉(zhuǎn)化為模型能力的提升。

從“看懂”到“理解”細(xì)胞，CellOS的“三板斧”

世界不是由文字構(gòu)成的。

李飛飛最新長文如是說。

而細(xì)胞世界，更不由文字定義。

說到底，AIVC領(lǐng)域需要的是AI對細(xì)胞狀態(tài)有理解，而非單純的表達(dá)模式復(fù)現(xiàn)。

只有這樣的模型，才能支撐動態(tài)預(yù)測（如擾動響應(yīng)）和可遷移的虛擬細(xì)胞能力。

站在業(yè)內(nèi)角度看，CellOS這次的打法其實挺狠的。

它沒有選擇大多數(shù)團(tuán)隊還在走的“安全路線”——繼續(xù)在大語言模型上卷參數(shù)、卷數(shù)據(jù)，而是直接站隊JEPA這條更難、但潛在天花板更高的路。

因為人工智能領(lǐng)域的普遍共識是：「世界模型」最擅長感知規(guī)律、推演環(huán)境動態(tài)變化。

在自動駕駛、機(jī)器人領(lǐng)域，世界模型已經(jīng)被用來預(yù)測環(huán)境變化。

現(xiàn)在，細(xì)胞領(lǐng)域也要一試。而CellOS是第一個“吃螃蟹”的。

CellOS是率先將世界模型理念引入AI虛擬細(xì)胞領(lǐng)域的模型。

同時，它也是目前公開信息中規(guī)模最大的單細(xì)胞Foundation Model，是基于3.905億個人類單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)訓(xùn)練的12B參數(shù)模型。

什么概念？這幾乎覆蓋所有已知人類細(xì)胞類型。

CellOS核心創(chuàng)新有三點：多視角表征學(xué)習(xí)、JEPA聯(lián)合嵌入預(yù)測、無損擴(kuò)容。咱們一個個看。

創(chuàng)新一：多視角表征學(xué)習(xí)

它讓模型在進(jìn)入更復(fù)雜的訓(xùn)練階段前，就先獲得更豐富、更敏銳的細(xì)胞特征辨別能力。

傳統(tǒng)單細(xì)胞基礎(chǔ)模型通常只依賴單一的“表達(dá)視角”，即根據(jù)基因在單個細(xì)胞中的表達(dá)豐度來判斷細(xì)胞狀態(tài)。

這種方式容易忽略那些表達(dá)量不高、但在生物學(xué)上具有重要標(biāo)志意義的基因（如調(diào)控基因、應(yīng)激響應(yīng)基因），導(dǎo)致關(guān)鍵信號易被背景噪聲淹沒。

于是，CellOS引入「雙視角互補(bǔ)機(jī)制」，在表達(dá)視角之外，增加群體感知視角。相當(dāng)于給模型裝了兩雙「眼睛」：

• 一雙眼睛看表達(dá)豐度（即這個基因活躍程度如何）；
• 另一雙眼睛看群體特異性（這個基因在整個細(xì)胞群體里有多特別、有多少信息量）。

把這兩個維度拆開、同時并行分析后，模型就像突然開了“透視掛”，能更容易抓住那些隱藏的重要生物學(xué)信號。

結(jié)果就是：模型對細(xì)胞狀態(tài)變化的敏感度大幅提升，并且為第二層創(chuàng)新打下基礎(chǔ)。

創(chuàng)新二：引入JEPA架構(gòu)

在創(chuàng)新一（雙視角）給模型提供高質(zhì)量的互補(bǔ)表征后，CellOS引入JEPA（聯(lián)合嵌入預(yù)測架構(gòu)），在隱空間利用這些互補(bǔ)表征進(jìn)行跨視角預(yù)測和對齊。

傳統(tǒng)模型的訓(xùn)練方式是：給你一個細(xì)胞的基因表達(dá)數(shù)據(jù)，讓你盡量把它“原樣復(fù)述”出來。

這就像讓學(xué)生死記硬背課文，容易只記住表面文字，卻不懂背后的意思。

CellOS引入了JEPA，則是徹底換了一種玩法：

它不再讓模型簡單復(fù)述輸入，而是讓模型用“一種視角”去預(yù)測“另一種視角”看到的結(jié)果。

簡單說，就是逼著模型在腦子里建立一個“細(xì)胞狀態(tài)的內(nèi)在模型”，去抓住那些真正穩(wěn)定的生物學(xué)規(guī)律。

舉個例子，傳統(tǒng)模型看的是“這個細(xì)胞現(xiàn)在長什么樣”；JEPA則在學(xué)“如果從不同角度看這個細(xì)胞，它的狀態(tài)本質(zhì)是什么？如果發(fā)生變化，它會往哪個方向走？”

這一招直接讓模型的能力從“看懂表面”升級到“理解本質(zhì)”。

特別是在預(yù)測“敲除某個基因細(xì)胞會怎樣”“加藥物后細(xì)胞如何反應(yīng)”這類動態(tài)問題上，效果提升非常明顯。

創(chuàng)新三：無損擴(kuò)容訓(xùn)練方案

模型越大越聰明，但有個問題：參數(shù)變多之后，它經(jīng)常把以前學(xué)到的東西忘掉。

業(yè)內(nèi)管這叫「災(zāi)難性遺忘」。

CellOS在這一點上做了特別的設(shè)計——無損擴(kuò)容機(jī)制。

具體做法：先好好訓(xùn)練一個“中小型”稠密模型，打牢基礎(chǔ)；然后用一種平滑的方式，把它升級成超級大的MoE模型（混合專家模型）。

在升級過程中，保留原來學(xué)到的核心知識，同時新增很多“專家”去學(xué)習(xí)更復(fù)雜的內(nèi)容。

這樣一來，模型既能變得更大、更強(qiáng)，又不會把之前辛苦學(xué)會的細(xì)胞表達(dá)規(guī)律忘掉。

到這里，我們忽然發(fā)現(xiàn)，這三大創(chuàng)新不是各自為政，而是息息相關(guān)啊！

雙視角是基礎(chǔ)，負(fù)責(zé)提供“好原料”；JEPA架構(gòu)是核心，負(fù)責(zé)“深度思考”；無損擴(kuò)容是保障，讓模型變大后，性能“不掉鏈子”。

不過，模型搭好了，接下來該怎么訓(xùn)練？

CellOS提出Dense-to-MoE三階段訓(xùn)練策略。

它沒有把上述創(chuàng)新一股腦塞進(jìn)一次訓(xùn)練，而是拆成三個循序漸進(jìn)的階段。

• 第一階段（Dense）：先用傳統(tǒng)的“表達(dá)視角”，訓(xùn)練一個扎實的中小型稠密模型。
• 第二階段（MoE）：模型基礎(chǔ)打好后，開始擴(kuò)容，把模型平穩(wěn)擴(kuò)容到12B參數(shù)規(guī)模。
• 第三階段（多視角聯(lián)合訓(xùn)練）：等模型長大后，再加入第二套“群體感知視角”，同時開啟JEPA對齊訓(xùn)練。

這種分階段訓(xùn)練的設(shè)計非常務(wù)實，既降低了訓(xùn)練風(fēng)險，又讓每一層創(chuàng)新都能在最合適的時機(jī)發(fā)揮最大作用。

在三層創(chuàng)新+三階段訓(xùn)練的加持下，多基準(zhǔn)測試顯示，在細(xì)胞狀態(tài)注釋和擾動響應(yīng)預(yù)測任務(wù)上，CellOS達(dá)到SOTA水平。

在衡量細(xì)胞狀態(tài)預(yù)測能力的核心指標(biāo)Pearson_edist上，CellOS取得0.619的成績，不僅位列所有模型第一，也是唯一突破0.6的模型。

相比目前表現(xiàn)最好的開源模型TranscriptFormer（0.373），拉開66%的性能差距。

另外，在細(xì)胞狀態(tài)注釋任務(wù)中，它在聚合注釋基準(zhǔn)上取得了0.792的生物學(xué)保守分?jǐn)?shù)，全面超越UCE、scGPT、TranscriptFormer等主流單細(xì)胞基礎(chǔ)模型。

CellOS不只是一個新的大模型，更是一種研究范式的升級。它讓AI從“看懂細(xì)胞表達(dá)”走向“理解細(xì)胞狀態(tài)”。

而這種轉(zhuǎn)變，也為虛擬細(xì)胞的實際應(yīng)用奠定了基礎(chǔ)。

全球競速，AIVC迎來爆發(fā)前夜

過去兩年，AIVC已經(jīng)從概念驗證進(jìn)入技術(shù)競速階段。

標(biāo)志是2025年6月，知名研究機(jī)構(gòu)Arc Institute發(fā)起的虛擬細(xì)胞挑戰(zhàn)賽（Virtual Cell Challenge，簡稱VCC），集齊了英偉達(dá)、10x Genomics等贊助方，Cell鼎力支持。

這被認(rèn)為是細(xì)胞版的“圖靈測試”，吸引了全球五百余支團(tuán)隊參賽，華人科學(xué)家團(tuán)隊強(qiáng)勢霸榜。

其中，預(yù)賽全球第一，決賽全能榜全球第二、國內(nèi)第一的x.Compass團(tuán)隊核心成員，也是本次發(fā)布CellOS的研發(fā)團(tuán)隊。

當(dāng)然，比技術(shù)競速更激烈的，還有資本方和產(chǎn)業(yè)界的較量。

比如成立僅1年單輪融資10億美元的Xaira Therapeutics，創(chuàng)下了當(dāng)年全球醫(yī)療健康領(lǐng)域最大的單筆融資紀(jì)錄；

2024年前后，Somite.ai，Noetik，Turbine等生物科技公司也陸續(xù)拿到知名機(jī)構(gòu)的投資……

△圖片由AI生成

同時，Big Pharma（大型制藥巨頭）也相繼向AIVC公司拋出業(yè)務(wù)合作的橄欖枝。

宏觀來看，除了資本和產(chǎn)業(yè)，監(jiān)管也在發(fā)生變化：

美國FDA持續(xù)推動New Approach Methodologies（NAMs），鼓勵采用計算模型、類器官、器官芯片等新方法補(bǔ)充甚至替代部分動物實驗；

歐洲、中國等監(jiān)管機(jī)構(gòu)開始加強(qiáng)AI輔助藥物研發(fā)相關(guān)研究，為數(shù)字化研發(fā)提供更明確的發(fā)展方向；

國內(nèi)也已將“細(xì)胞編程與調(diào)控”“先進(jìn)組學(xué)研究”“生命工程設(shè)計軟件工具”列為前沿攻關(guān)方向。

微觀來看，隨著AI虛擬細(xì)胞賽道持續(xù)升溫，全球入局者快速增加，并逐漸分化出三類核心玩家：

第一類，是以Arc Institute、同濟(jì)大學(xué)等科研機(jī)構(gòu)為代表的基礎(chǔ)研究團(tuán)隊。這類團(tuán)隊更多推動算法創(chuàng)新和公開Benchmark建設(shè)，例如STATE、AlphaCell等模型，為行業(yè)建立統(tǒng)一評價體系和開放生態(tài)。

第二類，是以Xaira、Noetik、Cellular Intelligence、Tahoe Therapeutics、百曜科技等為代表的平臺型創(chuàng)業(yè)公司。這類企業(yè)通常擁有專有數(shù)據(jù)、濕實驗平臺以及藥企合作能力，希望構(gòu)建覆蓋數(shù)據(jù)、模型和實驗驗證的完整研發(fā)平臺。

第三類，則是以Recursion、Owkin、Isomorphic Labs等AI制藥公司為代表，它們更關(guān)注AI如何直接進(jìn)入藥物研發(fā)流程，通過長期合作、自研管線和平臺授權(quán)實現(xiàn)商業(yè)化。

△圖片由AI生成

要在喧鬧中持續(xù)保持敏銳和領(lǐng)先，就要關(guān)注長期價值的復(fù)利，而非短期熱點的狂歡。

事實上，觀察近年來獲得較大融資、商業(yè)合作的平臺公司可以發(fā)現(xiàn)，它們幾乎都具有共同特點：不僅擁有AI模型，更擁有持續(xù)積累數(shù)據(jù)和驗證模型的實驗體系。

也就是說，行業(yè)對AIVC的期待已經(jīng)不只是一個算法，而是希望其成為連接AI、生物數(shù)據(jù)、實驗平臺和藥物研發(fā)的新型基礎(chǔ)設(shè)施，大家開始關(guān)注：

• 誰擁有持續(xù)產(chǎn)生高質(zhì)量數(shù)據(jù)的能力？
• 誰能夠形成“模型—實驗—數(shù)據(jù)”持續(xù)迭代的閉環(huán)？
• 誰真正進(jìn)入了藥物研發(fā)決策流程？

這些能力，往往比單一模型性能更難建立，也更難復(fù)制。

值得關(guān)注的是，在這一輪AI虛擬細(xì)胞競賽中，中國團(tuán)隊開始逐漸從“跟隨者”轉(zhuǎn)向“規(guī)則參與者”。

過去幾年，全球AI制藥領(lǐng)域的重要創(chuàng)新主要集中于歐美。

從AlphaFold到生成式分子模型，再到虛擬細(xì)胞，國際頭部機(jī)構(gòu)率先完成了基礎(chǔ)設(shè)施布局。

但隨著國內(nèi)單細(xì)胞組學(xué)、生物計算以及大模型技術(shù)不斷發(fā)展，一批中國原生AI生物科技公司開始強(qiáng)勢進(jìn)入這一賽道：

比如CellOS背后的百曜科技，先發(fā)優(yōu)勢明顯，已經(jīng)搭建了覆蓋單細(xì)胞數(shù)據(jù)處理、高通量擾動實驗和AI模型訓(xùn)練的技術(shù)體系，構(gòu)建“數(shù)據(jù)—模型—實驗”持續(xù)迭代的研發(fā)閉環(huán)。

這一路線與海外頭部平臺公司不謀而合。

據(jù)公開報道，百曜科技目前布局了管線資產(chǎn)和模型服務(wù)兩大應(yīng)用落地方向，前者進(jìn)一步延展到細(xì)胞治療、工程細(xì)胞，后者則涵蓋靶點發(fā)現(xiàn)、虛擬藥篩及虛擬臨床全周期。

整體來看，盡管行業(yè)發(fā)展迅速，但AIVC還處于產(chǎn)業(yè)早期，仍有四大挑戰(zhàn)橫亙在行業(yè)面前。

一是高質(zhì)量擾動數(shù)據(jù)仍然稀缺。

相比互聯(lián)網(wǎng)行業(yè)擁有海量文本數(shù)據(jù)，生命科學(xué)的數(shù)據(jù)獲取成本極高。

二是多模態(tài)融合仍有待突破。

目前多數(shù)模型主要依賴單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)，而真實生命活動同時涉及蛋白組、空間組學(xué)、代謝組、細(xì)胞形態(tài)等多個層面。

三是模型可解釋性仍需提升。

對于科研人員而言，一個預(yù)測結(jié)果是否正確固然重要，但更重要的是模型能否解釋其背后的生物學(xué)機(jī)制，是否能夠提出可驗證的新假設(shè)。

四是商業(yè)價值仍需持續(xù)驗證。

目前，大多數(shù)AI虛擬細(xì)胞企業(yè)仍以平臺合作、聯(lián)合研發(fā)或技術(shù)服務(wù)作為主要商業(yè)模式。

未來，只有真正幫助藥企大幅縮短研發(fā)周期、降低研發(fā)成本、提高臨床成功率，AI虛擬細(xì)胞才能成為新藥研發(fā)不可或缺的基礎(chǔ)設(shè)施。

對于整個生命科學(xué)產(chǎn)業(yè)而言，這場圍繞AIVC商業(yè)化落地而展開的新競賽，才剛剛開始。

當(dāng)所有人都在談?wù)撌澜缒Ｐ偷臅r候，或許，最值得建模的那個「世界」，就藏在36萬億個細(xì)胞里。