Amy 发自 凹非寺
量子位 | 公众号 QbitAI
最近，AI虚拟细胞（AIVC）赛道，迎来关键突破！
作为全球最早布局该领域的企业之一，百曜科技正式发布全球首个基于LLM-JEPA架构的AI虚拟细胞世界模型——AURA CellOS。
该模型是目前公开报道中参数规模最大的单细胞基础模型，基于3.905亿个人类单细胞转录组训练，覆盖了几乎所有重要的人类细胞：40余种人体组织、260余种细胞类型。
其最受关注的突破在于，它首次将JEPA（联合嵌入预测架构）与世界模型理念系统性引入单细胞研究。
当前，世界模型已经是自动驾驶、机器人和生成式AI的重要技术方向。
CellOS的出现让外界好奇，在高度复杂的生命科学领域，世界模型能否真正落地，并产生实质价值？
从目前公开的评测结果看，CellOS在预测精度、扰动建模等多个核心指标上与多款主流模型拉开倍数差距，达到当前国际领先（SOTA）水平。
但想要看清它的技术逻辑与商业价值，一切还要从一颗细胞说起。
AIVC走到十字路口
理解细胞变化，是生命科学最核心的问题之一。
疾病发生、药物作用、细胞治疗，本质上都是细胞状态发生变化的过程。
过去，科学家只能通过细胞培养、动物实验乃至人体验证来探究细胞在药物、基因扰动等刺激下的变化。
高昂的研发成本和漫长的试验周期，让大量潜在新药和细胞疗法陷入漫长试错，“十年研发周期、十亿美元投入，临床成功率却不足10%”的“双十定律”亟待被终结。
“虚拟细胞”的出现，为新药发现开辟了全新的路径。
在计算机里“复刻”细胞的想法，早在20世纪90年代就有学者探索，并开发了最早的细胞建模软件之一VCell。之后斯坦福大学研究团队发布了全球首个全细胞计算模型。
但此前的虚拟细胞，不是一个学习型的模拟器，不能模拟细胞在不同条件和变化环境下的运作。
无法预测细胞功能、行为和动力学，无法揭示其背后的机制，也就无法在药物开发应用中发挥最大价值。
直到近些年AI技术的突飞猛进，叠加组学技术的迅猛发展，才让虚拟细胞更接近生命科学的“模拟沙盘”：
- 单细胞测序技术的指数级进步及成本降低，显著提升了数据采集能力，过去几年中，这些数据每6个月翻一番，为建模提供了底层基础；
- AI技术的进步则显著增强了细胞数据的处理、学习和推理的能力。
2024年12月，美国斯坦福大学、基因泰克制药公司与陈—扎克伯格基金会组成的联合科研团队在顶级期刊《Cell》发表的重磅论文，点燃了全球的研发热潮：
AI虚拟细胞（AIVC）的时代，正式宣告到来。
其实在此之前，Geneformer、scGPT、scFoundation、GeneCompass等一批模型就已相继问世，只是业内还没有统一AIVC的叫法。
这些AIVC模型解决了细胞类型识别等基础需求，但在预测细胞动态变化上存在明显局限。
例如，在敲除基因、给药或诱导分化后，细胞会如何演化？第一代AIVC模型在这类动态预测任务上仍存在明显局限。
核心在于，它们的训练目标主要是学习基因表达模式本身，而非细胞状态变化的内在机制，因此难以区分哪些表达变化只是背景噪声，哪些才是真正驱动细胞状态演化的关键信号。
进一步地，由于模型主要基于单一表达视角学习静态基因表达模式，难以刻画基因调控关系及细胞状态演化的动态规律。
许多只有在特定扰动条件下才显现的关键生物学信号，也容易被大量稳定表达的背景信号所淹没。
因此，仅靠不断扩大数据规模和模型参数，并不能显著提升模型对细胞状态演化轨迹的预测能力，也难以学习细胞变化背后的内在生物学规律。
2026年6月，《Nature Methods》刊发的一项研究非常扎心：
研究人员基于2220万个细胞的scTab语料库，预训练了400个模型，完成6400次评估。结果显示，在多项任务中，模型性能往往在使用约1%的预训练数据后便进入平台期。
换句话说，仅用约22万细胞训练模型性能就基本拉满，再多喂海量同质细胞样本，模型效果也不会明显提升。
这让行业开始重新思考：现有技术路线是否还能持续受益于Scaling Law（缩放规律）？
或者说，问题究竟出在数据规模不足，还是第一代AIVC的建模范式已经触及瓶颈？
CellOS给出的答案是后者：
真正限制模型持续提升的，并非Scaling Law本身，而是传统语言模型架构与细胞数据特性的系统性错配。
只有让模型真正学习细胞状态演化规律，而不仅仅是静态表达模式，数据规模扩展才能持续转化为模型能力的提升。
从“看懂”到“理解”细胞，CellOS的“三板斧”
世界不是由文字构成的。
李飞飞最新长文如是说。
而细胞世界，更不由文字定义。
说到底，AIVC领域需要的是AI对细胞状态有理解，而非单纯的表达模式复现。
只有这样的模型，才能支撑动态预测（如扰动响应）和可迁移的虚拟细胞能力。
站在业内角度看，CellOS这次的打法其实挺狠的。
它没有选择大多数团队还在走的“安全路线”——继续在大语言模型上卷参数、卷数据，而是直接站队JEPA这条更难、但潜在天花板更高的路。
因为人工智能领域的普遍共识是：「世界模型」最擅长感知规律、推演环境动态变化。
在自动驾驶、机器人领域，世界模型已经被用来预测环境变化。
现在，细胞领域也要一试。而CellOS是第一个“吃螃蟹”的。
CellOS是率先将世界模型理念引入AI虚拟细胞领域的模型。
同时，它也是目前公开信息中规模最大的单细胞Foundation Model，是基于3.905亿个人类单细胞转录组数据训练的12B参数模型。
什么概念？这几乎覆盖所有已知人类细胞类型。
CellOS核心创新有三点：多视角表征学习、JEPA联合嵌入预测、无损扩容。咱们一个个看。
创新一：多视角表征学习
它让模型在进入更复杂的训练阶段前，就先获得更丰富、更敏锐的细胞特征辨别能力。
传统单细胞基础模型通常只依赖单一的“表达视角”，即根据基因在单个细胞中的表达丰度来判断细胞状态。
这种方式容易忽略那些表达量不高、但在生物学上具有重要标志意义的基因（如调控基因、应激响应基因），导致关键信号易被背景噪声淹没。
于是，CellOS引入「双视角互补机制」，在表达视角之外，增加群体感知视角。相当于给模型装了两双「眼睛」：
- 一双眼睛看表达丰度（即这个基因活跃程度如何）；
- 另一双眼睛看群体特异性（这个基因在整个细胞群体里有多特别、有多少信息量）。
把这两个维度拆开、同时并行分析后，模型就像突然开了“透视挂”，能更容易抓住那些隐藏的重要生物学信号。
结果就是：模型对细胞状态变化的敏感度大幅提升，并且为第二层创新打下基础。
创新二：引入JEPA架构
在创新一（双视角）给模型提供高质量的互补表征后，CellOS引入JEPA（联合嵌入预测架构），在隐空间利用这些互补表征进行跨视角预测和对齐。
传统模型的训练方式是：给你一个细胞的基因表达数据，让你尽量把它“原样复述”出来。
这就像让学生死记硬背课文，容易只记住表面文字，却不懂背后的意思。
CellOS引入了JEPA，则是彻底换了一种玩法：
它不再让模型简单复述输入，而是让模型用“一种视角”去预测“另一种视角”看到的结果。
简单说，就是逼着模型在脑子里建立一个“细胞状态的内在模型”，去抓住那些真正稳定的生物学规律。
举个例子，传统模型看的是“这个细胞现在长什么样”；JEPA则在学“如果从不同角度看这个细胞，它的状态本质是什么？如果发生变化，它会往哪个方向走？”
这一招直接让模型的能力从“看懂表面”升级到“理解本质”。
特别是在预测“敲除某个基因细胞会怎样”“加药物后细胞如何反应”这类动态问题上，效果提升非常明显。
创新三：无损扩容训练方案
模型越大越聪明，但有个问题：参数变多之后，它经常把以前学到的东西忘掉。
业内管这叫「灾难性遗忘」。
CellOS在这一点上做了特别的设计——无损扩容机制。
具体做法：先好好训练一个“中小型”稠密模型，打牢基础；然后用一种平滑的方式，把它升级成超级大的MoE模型（混合专家模型）。
在升级过程中，保留原来学到的核心知识，同时新增很多“专家”去学习更复杂的内容。
这样一来，模型既能变得更大、更强，又不会把之前辛苦学会的细胞表达规律忘掉。
到这里，我们忽然发现，这三大创新不是各自为政，而是息息相关啊！
双视角是基础，负责提供“好原料”；JEPA架构是核心，负责“深度思考”；无损扩容是保障，让模型变大后，性能“不掉链子”。
不过，模型搭好了，接下来该怎么训练？
CellOS提出Dense-to-MoE三阶段训练策略。
它没有把上述创新一股脑塞进一次训练，而是拆成三个循序渐进的阶段。
- 第一阶段（Dense）：先用传统的“表达视角”，训练一个扎实的中小型稠密模型。
- 第二阶段（MoE）：模型基础打好后，开始扩容，把模型平稳扩容到12B参数规模。
- 第三阶段（多视角联合训练）：等模型长大后，再加入第二套“群体感知视角”，同时开启JEPA对齐训练。
这种分阶段训练的设计非常务实，既降低了训练风险，又让每一层创新都能在最合适的时机发挥最大作用。
在三层创新+三阶段训练的加持下，多基准测试显示，在细胞状态注释和扰动响应预测任务上，CellOS达到SOTA水平。
在衡量细胞状态预测能力的核心指标Pearson_edist上，CellOS取得0.619的成绩，不仅位列所有模型第一，也是唯一突破0.6的模型。
相比目前表现最好的开源模型TranscriptFormer（0.373），拉开66%的性能差距。
另外，在细胞状态注释任务中，它在聚合注释基准上取得了0.792的生物学保守分数，全面超越UCE、scGPT、TranscriptFormer等主流单细胞基础模型。
CellOS不只是一个新的大模型，更是一种研究范式的升级。它让AI从“看懂细胞表达”走向“理解细胞状态”。
而这种转变，也为虚拟细胞的实际应用奠定了基础。
全球竞速，AIVC迎来爆发前夜
过去两年，AIVC已经从概念验证进入技术竞速阶段。
标志是2025年6月，知名研究机构Arc Institute发起的虚拟细胞挑战赛（Virtual Cell Challenge，简称VCC），集齐了英伟达、10x Genomics等赞助方，Cell鼎力支持。
这被认为是细胞版的“图灵测试”，吸引了全球五百余支团队参赛，华人科学家团队强势霸榜。
其中，预赛全球第一，决赛全能榜全球第二、国内第一的x.Compass团队核心成员，也是本次发布CellOS的研发团队。
当然，比技术竞速更激烈的，还有资本方和产业界的较量。
比如成立仅1年单轮融资10亿美元的Xaira Therapeutics，创下了当年全球医疗健康领域最大的单笔融资纪录；
2024年前后，Somite.ai，Noetik，Turbine等生物科技公司也陆续拿到知名机构的投资……
同时，Big Pharma（大型制药巨头）也相继向AIVC公司抛出业务合作的橄榄枝。
宏观来看，除了资本和产业，监管也在发生变化：
美国FDA持续推动New Approach Methodologies（NAMs），鼓励采用计算模型、类器官、器官芯片等新方法补充甚至替代部分动物实验；
欧洲、中国等监管机构开始加强AI辅助药物研发相关研究，为数字化研发提供更明确的发展方向；
国内也已将“细胞编程与调控”“先进组学研究”“生命工程设计软件工具”列为前沿攻关方向。
微观来看，随着AI虚拟细胞赛道持续升温，全球入局者快速增加，并逐渐分化出三类核心玩家：
第一类，是以Arc Institute、同济大学等科研机构为代表的基础研究团队。这类团队更多推动算法创新和公开Benchmark建设，例如STATE、AlphaCell等模型，为行业建立统一评价体系和开放生态。
第二类，是以Xaira、Noetik、Cellular Intelligence、Tahoe Therapeutics、百曜科技等为代表的平台型创业公司。这类企业通常拥有专有数据、湿实验平台以及药企合作能力，希望构建覆盖数据、模型和实验验证的完整研发平台。
第三类，则是以Recursion、Owkin、Isomorphic Labs等AI制药公司为代表，它们更关注AI如何直接进入药物研发流程，通过长期合作、自研管线和平台授权实现商业化。
要在喧闹中持续保持敏锐和领先，就要关注长期价值的复利，而非短期热点的狂欢。
事实上，观察近年来获得较大融资、商业合作的平台公司可以发现，它们几乎都具有共同特点：不仅拥有AI模型，更拥有持续积累数据和验证模型的实验体系。
也就是说，行业对AIVC的期待已经不只是一个算法，而是希望其成为连接AI、生物数据、实验平台和药物研发的新型基础设施，大家开始关注：
- 谁拥有持续产生高质量数据的能力？
- 谁能够形成“模型—实验—数据”持续迭代的闭环？
- 谁真正进入了药物研发决策流程？
这些能力，往往比单一模型性能更难建立，也更难复制。
值得关注的是，在这一轮AI虚拟细胞竞赛中，中国团队开始逐渐从“跟随者”转向“规则参与者”。
过去几年，全球AI制药领域的重要创新主要集中于欧美。
从AlphaFold到生成式分子模型，再到虚拟细胞，国际头部机构率先完成了基础设施布局。
但随着国内单细胞组学、生物计算以及大模型技术不断发展，一批中国原生AI生物科技公司开始强势进入这一赛道：
比如CellOS背后的百曜科技，先发优势明显，已经搭建了覆盖单细胞数据处理、高通量扰动实验和AI模型训练的技术体系，构建“数据—模型—实验”持续迭代的研发闭环。
这一路线与海外头部平台公司不谋而合。
据公开报道，百曜科技目前布局了管线资产和模型服务两大应用落地方向，前者进一步延展到细胞治疗、工程细胞，后者则涵盖靶点发现、虚拟药筛及虚拟临床全周期。
整体来看，尽管行业发展迅速，但AIVC还处于产业早期，仍有四大挑战横亘在行业面前。
一是高质量扰动数据仍然稀缺。
相比互联网行业拥有海量文本数据，生命科学的数据获取成本极高。
二是多模态融合仍有待突破。
目前多数模型主要依赖单细胞转录组数据，而真实生命活动同时涉及蛋白组、空间组学、代谢组、细胞形态等多个层面。
三是模型可解释性仍需提升。
对于科研人员而言，一个预测结果是否正确固然重要，但更重要的是模型能否解释其背后的生物学机制，是否能够提出可验证的新假设。
四是商业价值仍需持续验证。
目前，大多数AI虚拟细胞企业仍以平台合作、联合研发或技术服务作为主要商业模式。
未来，只有真正帮助药企大幅缩短研发周期、降低研发成本、提高临床成功率，AI虚拟细胞才能成为新药研发不可或缺的基础设施。
对于整个生命科学产业而言，这场围绕AIVC商业化落地而展开的新竞赛，才刚刚开始。
当所有人都在谈论世界模型的时候，或许，最值得建模的那个「世界」，就藏在36万亿个细胞里。
热门跟贴