AI 开始挑战最复杂的系统：生命

2026 年的 AI 赛道，正在发生一个有意思的转向。当行业目光还聚焦在大模型参数、智能体和通用超级智能上时，扎克伯格把资金押向了一个更棘手的领域：生命系统。

今年 4 月，扎克伯格与妻子普莉希拉・陈创立的 Biohub，启动虚拟生物学计划，投入 5 亿美元搭建配套的数据与实验能力，用来训练能预测生物现象的 AI 模型。到 10 月，这个项目进一步扩大。美国能源部、美国国立卫生研究院和 Biohub 联手，搭建生命预测模型的数据底座，Meta、谷歌 DeepMind、Isomorphic Labs 一同参与。整个项目合计承诺投入 18 亿美元，其中美国能源部未来五年拿出超 5 亿美元，NIH 开放大量已积累的生物医学数据。

这个项目的目标很直接：打造一套可以预测生命行为的 AI，Biohub 称之为虚拟生物学。简单说，就是搭建从分子、基因、细胞，一直到完整生命系统的高保真数字版本。科研人员未来可以像现在提问大模型一样，在电脑里对生命做假设、模拟干预，先完成数字试验，再去实验室做真实实验。

这件事不只是扎克伯格单纯看好生物医药。更深一层看，生命科学正在变成 AI 竞争的第二战场。通用大模型赛道已经烧钱白热化，算力、人才、资本门槛越来越高；而理解生命系统，还是一片没有定型的前沿。谁能让 AI 真正读懂生命，就能建立起比聊天机器人难复制得多的壁垒。

AI 擅长设计分子，但新药研发依旧艰难

AI 和生物医药的结合，并不是新鲜事，也是 AI 最早被寄予产业化期待的方向之一。但十几年走下来，一个核心疑问始终摆在眼前：我们真的离新药更近了吗？

近几年 AI 制药最亮眼的成果，基本都集中在分子层面：蛋白质结构预测、候选分子筛选、分子生成、药物安全性预测、药物靶点相互作用等等。AI 能够一次性产出成千上万候选分子，大幅拓展可供筛选的化学空间，效率提升是实实在在的。

可如果把评判标准从模型跑分，落到一款新药成功上市，现实就没有那么乐观。今年 8 月《Nature Reviews Drug Discovery》发文复盘十多年 AI 制药的发展：虽然各类 AI 算法层出不穷，但真正能产生临床价值的成果依旧有限。很多 AI 药企的项目停留在临床前或者一期、二期临床，进入三期临床的项目很少。

小分子生成方向上，AI 确实更容易找到能和蛋白结合的分子，但这只是配体设计，不等于药物设计。找到一个能绑定靶点的分子，和找到一个在人体内安全有效的药物，完全是两码事。

这也是行业当下最值得反思的地方。过去我们把复杂的生命问题做了简化。AI 擅长回答 “什么分子可以结合这个靶点”，但新药研发真正难的是一连串系统问题：这个靶点为什么会引发疾病？干预靶点之后，人体整套生命系统会产生哪些连锁反应？为什么同一种药，有的人有效，有的人无效？为什么细胞、动物实验效果很好，到人体临床试验就失败？

药物分子不是孤立起效。它进入的是一套动态复杂系统，基因、蛋白、细胞、组织、器官、免疫、代谢，再加上外部环境，所有因素互相影响。药物能不能成功，关键恰恰就在这套系统里。由此带来一个根本性问题：如果 AI 只能看懂分子，看不懂完整生命系统，那它能把新药研发带到哪一步？

从单点分子模型，走向生命世界模型

这也解释了 2026 年 AI 生命科学的核心变化：建模尺度不再局限于单个蛋白、分子或者细胞，开始向上延伸，构建生命预测模型。目标不再只是预测蛋白结构，而是刻画生命状态，预判系统受到干预后的变化，模拟细胞面对扰动时的反应，也就是业内所说的生命世界模型。

大语言模型学习语言的规律，物理世界模型学习物体运动与空间规则，生命世界模型面对的规则要复杂得多。基因变异改变蛋白表达，蛋白调控信号通路，信号改变细胞状态；细胞之间相互作用形成组织微环境，层层向上影响器官乃至人体。生命本身不是静止的，会生长、衰老、产生代偿、发生突变，还会对外界干预持续反馈。

所以生命世界模型，不是一本静态的生命百科。它的核心是弄懂生命如何运转，预测当某一个变量被改变之后，整个系统后续会如何演变。

一旦这套模型落地，AI 在医药研发里的定位会彻底改变。旧模式：给定靶点，快速寻找候选分子。新模式：给定一种疾病，先搞清楚发病根源，再判断该干预哪个位置、哪些患者能从中获益，预判干预带来的全身连锁反应。同样是 AI 赋能新药，两种模式要解决的问题已经完全不一样。

国内同步布局：计算医学写入国家规划

这场转型不是美国独有，国内 AI 生命科学也在从单点算法，转向系统性疾病建模。

今年 9 月，工信部、发改委等十部门发布《医药工业发展 “十五五” 规划》，计算医学首次和 AI、量子计算、超算并列，纳入医药工业未来五年重点技术方向。 AI、超算提供强大的通用计算能力；而计算医学解决的是，怎么把这些算力对接生命系统，用来解决真实疾病问题。

国内哲源科技就是走这条路线的团队。它没有单纯去训练一个更大的生物大模型，而是围绕疾病本身，整合基因组、细胞特征、疾病机制、患者数据、药物干预信息，搭建多层级计算模型，尝试构建一套可以持续推演、训练、验证的生命世界模型体系。

10 月 17 日，哲源科技发布 WHIRLPO 计算医学平台。它并不是一款独立的生物大模型，而是解决更底层的工程难题：如果生命世界模型是下一代生命科学的基础设施，我们需要一套底座，支撑这类模型的训练和运行。

搭建生命世界模型，难度远超训练大语言模型

生命世界模型的落地难度，很容易被低估。第一是数据难题。大语言模型有海量互联网文本作为养料，但生命领域没有统一的数据集。基因组、单细胞、空间组学、病理、影像、临床数据来源分散，格式、质量、观测尺度差异巨大。很多高价值数据，还需要专门做实验才能产出。Biohub 投入的 18 亿美元，很大一部分资金就是用来生产生物数据，而不是单纯训练模型。

第二是多尺度建模难题。不存在一个大一统的生命模型。研究 DNA 突变、细胞状态、组织微环境、人体疾病，需要不同模型配合。未来完整的生命世界模型，大概率不是单一巨型模型，而是多模型、知识库、工具协同工作的复合系统。

第三是异构算力工程挑战。模型预训练、组学分析、疾病演化模拟、数字患者推演，计算方式各不相同，需要灵活调度 CPU、GPU 等各类算力资源，会遇到传统大模型很少面对的大型科学计算工程问题。

第四，生命模型必须打通计算世界和真实实验世界。语言模型回答出错，可以直接重新训练；但生命模型给出的靶点假说，必须进入实验室验证，实验结果再反过来修正模型，最终还要接受临床检验，模型结论不能只在电脑里自洽。

WHIRLPO 平台正是瞄准这个痛点：整合异构算力、多组学生命数据、模型矩阵、科研工具、智能 Agent 和实验验证链路，搭建从模型训练、科学计算到湿实验闭环验证的基础设施。简单来讲，哲源不是只做模型，而是为生命世界模型打造生产底座。

AI 生命科学，进入基础设施竞争阶段

2026 年，中美两地出现了行业共振。美国这边，Biohub 联合能源部、NIH、Meta、DeepMind 一起搭建生命 AI 所需的数据、算力、实验基础设施；国内这边，计算医学写入十五五医药规划，本土团队开始搭建生命世界模型的工程平台。

两件事看似独立，本质指向同一个判断：AI 生命科学，已经从比拼模型指标，进入基础设施竞争时代。

过去行业比拼的，是谁的蛋白预测更准、谁生成分子效果更好、谁能把某一个研发环节提速。下一阶段比拼的核心，变成：能不能拿到大规模高质量生命数据；能不能跨越基因、细胞、组织、人体不同尺度建模；能不能把多个模型协同调度；能不能让模型持续和真实实验闭环验证；最终实现 AI 从处理生命数据，升级为理解生命系统。

AI 制药过去十几年，方向并没有错。我们此前攻克的，只是生命问题里相对容易计算的那一部分。分子固然重要，但药物治疗的对象不是分子，是人。从一个候选分子，到在人体上产生疗效，中间隔着一整套完整复杂的生命系统。

如果生命世界模型成为继语言模型、物理世界模型之后，AI 的下一个核心方向。未来最大的机会，未必属于那些小幅刷新模型指标的团队。真正稀缺的资产，不是又一个生物 AI 模型，而是一套能够让 AI 走进真实生命世界的完整基础设施。