一个年利润790亿美元的公司，联邦所得税率3.5%。同一时期，创始人宣布捐5亿美元研究"治愈所有疾病"。这笔账怎么算，可能比细胞模拟器本身更值得拆解。

正方：这是技术理想主义的顶配版本

打开网易新闻 查看精彩图片

陈-扎克伯格生物中心（Chan Zuckerberg Biohub）的野心写在明处：用人工智能构建人类细胞的预测模型，从分子层面到组织层面，最终理解整个生物体的细胞互动。

科学负责人亚历克斯·里夫斯（Alex Rives）的原话是：「要构建能准确代表生物全部复杂性的人工智能，我们需要比现有数据量大几个数量级的数据。」

这不是空谈。5亿美元中的4亿用于生物中心自研AI，剩余1亿分给第三方研究者。五年周期，目标明确——让医学研究人员和生物学家拥有"虚拟细胞实验室"，理论上加速疾病治疗与预防。

从纯技术视角看，这个路径有其合理性。细胞层面的生物模拟一直是计算生物学的圣杯。如果AI能预测细胞在健康与疾病状态下的行为，药物研发周期可能大幅缩短，副作用预测会更精准。对于25-40岁的科技从业者来说，这类似于用数字孪生（digital twin）思路重构生命科学的基础设施。

普莉希拉·陈的参与也提供了专业背书。作为儿科医生，她的角色不仅是联合创始人，更是需求端的代表——知道哪些疾病研究最缺工具，哪些数据最难以获取。

反方：这是教科书级的"慈善洗白"（philanthropy laundering）

原文用了个直接的词：laundering his untold billions through a health research prestige project。洗钱是刑事指控，但"洗白"在这里是精准的描述。

2025年，Meta联邦所得税率3.5%，创历史新低。同年公司利润790亿美元。按21%的法定企业税率计算，差额137亿美元。

5亿美元的细胞模拟器项目，恰好是137亿美元的3.6%。换句话说，如果Meta按标准税率纳税，联邦政府获得的医疗研究资金或医保项目拨款，将是这个私人基金会投入的27倍。

这不是反对私人资助科研。问题是结构性的：当公共税收被系统性规避，私人慈善成为替代方案，谁决定研究方向？谁设定优先级？"治愈所有疾病"的宏大叙事，是否遮蔽了更基础、更紧迫但不够"前沿"的公共卫生需求？

原文提到的一个细节值得注意：联邦食品与营养服务局（Food and Nutrition Service）为数百万低收入美国人提供营养支持。137亿美元中的任何一部分，都能直接改善这些人群的健康状况——而不需要等待一个五年期的AI模型。

技术路径的诚实评估

抛开资金来源的争议，单看项目本身，有几个硬问题。

第一，数据瓶颈。里夫斯坦承需要"几个数量级"的新数据。但细胞观测技术的突破速度能否跟上AI模型的需求？从分子到组织的跨尺度建模，计算复杂度是指数级增长的。

第二，验证闭环。细胞模拟器的输出如何与真实生物实验对照？如果模型预测某种药物组合有效，但体外实验失败，责任归属和迭代成本谁承担？

第三，"所有疾病"的承诺。这是营销语言还是技术路线图？癌症、阿尔茨海默病、罕见遗传病的细胞机制差异极大，一个通用模型是否可行，还是最终会分裂为多个垂直项目？

原文没有提供技术细节，但这些问号悬在5亿美元之上。

billionaire 科学资助的范式困境

扎克伯格不是孤例。原文点出比尔·盖茨和沃伦·巴菲特的相似路径：通过健康研究"声望项目"处理巨额财富。这种模式有几个共同特征。

目标宏大且可传播。"治愈所有疾病"比"改进胰腺癌早期筛查"更适合 headlines。技术驱动，强调AI、前沿研究、最先进工具——符合科技行业的成功叙事。时间尺度长，五年、十年，允许延迟问责。

对比传统科研资助（NIH拨款、大学基金），私人基金会的优势是决策快、风险承受度高、能押注长期项目。劣势是透明度低、公众参与少、研究方向反映捐赠者偏好而非社会需求。

对于科技从业者，这个案例的启示可能是：技术解决方案主义的边界在哪里？当我们习惯用"更大算力+更多数据"回应复杂问题，是否忽略了制度性、分配性的更优解？

5亿美元建细胞模拟器，137亿美元未缴税款。两个数字并置，不是简单的道德指控，而是一个关于创新资源配置的真实问题。如果同样的资金通过公共渠道进入科研体系，产出会更差还是更好？没人能给出确定性答案，但这个问题本身，应该比任何AI模型的发布会更值得讨论。