去年呢陣，全網最熱門嘅題目，仲係「大模型幾多億參數」「Agent 幾時可以獨立開工」。今年，有人開始問另一個問題：AI 可唔可以「讀懂」一條生命？
今年 4 月，扎克伯格同太太普莉希拉・陳成立嘅 Biohub，啟動「虛擬生物學」項目，投 5 億美元建數據同實驗底座，訓練能預測生物現象嘅 AI。10 月，美國能源部、美國國立衞生研究院（NIH）同 Biohub 聯手，Meta、谷歌 DeepMind、Isomorphic Labs 一齊入場。合資承諾 18 億美元，其間能源部未來五年撥超 5 億美元，NIH 開放大批已累積嘅生物醫學數據。目標係建一套由分子、基因、細胞到完整生命系統嘅高保真數字版本，讓科研人員可以喺電腦入面對生命做假設、模擬干預，先喺數碼世界做完實驗，再返實驗室驗證。
點解唔再單打分子層？
過去幾年 AI 製藥嘅成績，基本都集中喺分子層：蛋白質結構預測、候選分子篩選、分子生成、靶點互作。《Nature Reviews Drug Discovery》今年 8 月發表嘅複盤文指出，十多年行落嚟，真正產生臨床價值嘅成果有限，好多 AI 藥企項目停喺臨床前或一期、二期臨床，進到三期嘅很少。
文章指出，揾到一個能綁定靶點嘅分子，同揾到一個喺人體內安全有效嘅藥物，係完全兩樣嘢。靶點點解會引發疾病、干預後整套系統會有乜連鎖反應、點解同一副藥對人有効對人無效——呢啱先係真問題，同埋都關乎整套生命系統。
由此衍生出 2026 年嘅行業轉向：建模尺度由單個蛋白、分子、細胞，開始向上延伸到器官同整個人體，也就是業內所講嘅「生命世界模型」。同語言模型學語言規律、物理世界模型學物體運動不同，生命世界模型要處理嘅係基因、蛋白、細胞、組織、器官互相影響，同埋對外界干預持續反饋嘅動態系統。
呢個底座點做？
哲源科技 10 月 17 日發布嘅 WHIRLPO，佢自己定位唔係獨立嘅生物大模型，而係喺底層工程層面，解決四類難題：
一、生命領域冇統一嘅大規模數據集，基因組、單細胞、空間組學、病理、影像、臨床數據分散且格式差異大，好多高價值數據要專做實驗先出得嚟。Biohub 嘅 18 億，文章稱大部分用嚟生產生物數據，唔單純係訓練模型。
二、唔存在一個大一統嘅生命模型；DNA 突變、細胞狀態、組織微環境、人體疾病要唔同模型配搭。完整嘅生命世界模型，大概率會係多模型、知識庫同工具協同嘅複合系統。
三、預訓練、組學分析、疾病演化模擬、數字患者推演，計算方式各各唔同，要靈活調度 CPU、GPU 等異構算力，係傳統大模型鮮有面對嘅大規模科學計算工程。
四、生命模型嘅結論唔可以只喺電腦入面自洽，靶點假説要進實驗室驗證，實驗結果再反推修正模型，最後要通過臨床檢驗。
WHIRLPO 嘅賣點，就係整合異構算力、多組學數據、模型矩陣、科研工具、Agent 同實驗驗證鏈路，建一套由模型訓練、科學計算到濕實驗閉環驗證嘅基礎設施。
政策面
呢個轉向唔止喺美國。今年 9 月，工信部、發改委等十部門發布《醫藥工業發展「十五五」規劃》，計算醫學首次同 AI、量子計算、超算並列，寫入醫藥工業未來五年重點技術方向。文章將美國嘅 Biohub 項目，同國內呢個規劃同 WHIRLPO 嘅發布，並列作同一浪頭嘅「行業共振」，並判斷 AI 生命科學已經由比拼模型指標，進入基礎設施競爭。
呢段判斷，仲係文章嘅立場，仲冇獨立三方驗證。
阿調搞兩下
講到「生命世界模型」，聽落好似科幻，但背後就係一個老生常談嘅問題：模型幾勁，同最終有冇人受惠，中間隔咗幾步？過去十年 AI 製藥嘅教訓就擺喺度——跑分再靚，冇人真係吃過任何一款 AI 獨立開發成功上市嘅新藥。18 億美元、18 個月（如果真係有 18 個月嘅話）都未必夠。真係值得追問嘅，唔係「邊個模型參數最大」，而係：呢套底座開咗，數據由邊個攞走、模型結論點樣接受獨立驗證、最後臨床階段由邊個執手尾？呢啲，文章未答嘅部分，先留待後續跟進。
阿調｜深度調教
