從LLM到JEPA，中國團隊正在把“世界模型”搬進細胞內部

Amy 發自 凹非寺
量子位 | 公眾號 QbitAI

最近，AI虛擬細胞（AIVC）賽道，迎來關鍵突破！

作為全球最早布局該領域的企業之一，百曜科技正式發布全球首個基于LLM-JEPA架構的AI虛擬細胞世界模型——AURA CellOS。

該模型是目前公開報道中參數規模最大的單細胞基礎模型，基于3.905億個人類單細胞轉錄組訓練，覆蓋了幾乎所有重要的人類細胞：40余種人體組織、260余種細胞類型。

其最受關注的突破在于，它首次將JEPA（聯合嵌入預測架構）與世界模型理念系統性引入單細胞研究。

當前，世界模型已經是自動駕駛、機器人和生成式AI的重要技術方向。

CellOS的出現讓外界好奇，在高度復雜的生命科學領域，世界模型能否真正落地，并產生實質價值？

從目前公開的評測結果看，CellOS在預測精度、擾動建模等多個核心指標上與多款主流模型拉開倍數差距，達到當前國際領先（SOTA）水平。

但想要看清它的技術邏輯與商業價值，一切還要從一顆細胞說起。

AIVC走到十字路口

理解細胞變化，是生命科學最核心的問題之一。

疾病發生、藥物作用、細胞治療，本質上都是細胞狀態發生變化的過程。

過去，科學家只能通過細胞培養、動物實驗乃至人體驗證來探究細胞在藥物、基因擾動等刺激下的變化。

高昂的研發成本和漫長的試驗周期，讓大量潛在新藥和細胞療法陷入漫長試錯，“十年研發周期、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。

△圖片由AI生成

“虛擬細胞”的出現，為新藥發現開辟了全新的路徑。

在計算機里“復刻”細胞的想法，早在20世紀90年代就有學者探索，并開發了最早的細胞建模軟件之一VCell。之后斯坦福大學研究團隊發布了全球首個全細胞計算模型。

但此前的虛擬細胞，不是一個學習型的模擬器，不能模擬細胞在不同條件和變化環境下的運作。

無法預測細胞功能、行為和動力學，無法揭示其背后的機制，也就無法在藥物開發應用中發揮最大價值。

直到近些年AI技術的突飛猛進，疊加組學技術的迅猛發展，才讓虛擬細胞更接近生命科學的“模擬沙盤”：

• 單細胞測序技術的指數級進步及成本降低，顯著提升了數據采集能力，過去幾年中，這些數據每6個月翻一番，為建模提供了底層基礎；
• AI技術的進步則顯著增強了細胞數據的處理、學習和推理的能力。

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

AI虛擬細胞（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，只是業內還沒有統一AIVC的叫法。

這些AIVC模型解決了細胞類型識別等基礎需求，但在預測細胞動態變化上存在明顯局限。

例如，在敲除基因、給藥或誘導分化后，細胞會如何演化？第一代AIVC模型在這類動態預測任務上仍存在明顯局限。

核心在于，它們的訓練目標主要是學習基因表達模式本身，而非細胞狀態變化的內在機制，因此難以區分哪些表達變化只是背景噪聲，哪些才是真正驅動細胞狀態演化的關鍵信號。

進一步地，由于模型主要基于單一表達視角學習靜態基因表達模式，難以刻畫基因調控關系及細胞狀態演化的動態規律。

許多只有在特定擾動條件下才顯現的關鍵生物學信號，也容易被大量穩定表達的背景信號所淹沒。

因此，僅靠不斷擴大數據規模和模型參數，并不能顯著提升模型對細胞狀態演化軌跡的預測能力，也難以學習細胞變化背后的內在生物學規律。

2026年6月，《Nature Methods》刊發的一項研究非常扎心：

研究人員基于2220萬個細胞的scTab語料庫，預訓練了400個模型，完成6400次評估。結果顯示，在多項任務中，模型性能往往在使用約1%的預訓練數據后便進入平臺期。

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

這讓行業開始重新思考：現有技術路線是否還能持續受益于Scaling Law（縮放規律）？

或者說，問題究竟出在數據規模不足，還是第一代AIVC的建模范式已經觸及瓶頸？

CellOS給出的答案是后者：

真正限制模型持續提升的，并非Scaling Law本身，而是傳統語言模型架構與細胞數據特性的系統性錯配。

只有讓模型真正學習細胞狀態演化規律，而不僅僅是靜態表達模式，數據規模擴展才能持續轉化為模型能力的提升。

從“看懂”到“理解”細胞，CellOS的“三板斧”

世界不是由文字構成的。

李飛飛最新長文如是說。

而細胞世界，更不由文字定義。

說到底，AIVC領域需要的是AI對細胞狀態有理解，而非單純的表達模式復現。

只有這樣的模型，才能支撐動態預測（如擾動響應）和可遷移的虛擬細胞能力。

站在業內角度看，CellOS這次的打法其實挺狠的。

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

因為人工智能領域的普遍共識是：「世界模型」最擅長感知規律、推演環境動態變化。

在自動駕駛、機器人領域，世界模型已經被用來預測環境變化。

現在，細胞領域也要一試。而CellOS是第一個“吃螃蟹”的。

CellOS是率先將世界模型理念引入AI虛擬細胞領域的模型。

同時，它也是目前公開信息中規模最大的單細胞Foundation Model，是基于3.905億個人類單細胞轉錄組數據訓練的12B參數模型。

什么概念？這幾乎覆蓋所有已知人類細胞類型。

CellOS核心創新有三點：多視角表征學習、JEPA聯合嵌入預測、無損擴容。咱們一個個看。

創新一：多視角表征學習

它讓模型在進入更復雜的訓練階段前，就先獲得更豐富、更敏銳的細胞特征辨別能力。

傳統單細胞基礎模型通常只依賴單一的“表達視角”，即根據基因在單個細胞中的表達豐度來判斷細胞狀態。

這種方式容易忽略那些表達量不高、但在生物學上具有重要標志意義的基因（如調控基因、應激響應基因），導致關鍵信號易被背景噪聲淹沒。

于是，CellOS引入「雙視角互補機制」，在表達視角之外，增加群體感知視角。相當于給模型裝了兩雙「眼睛」：

• 一雙眼睛看表達豐度（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信號。

結果就是：模型對細胞狀態變化的敏感度大幅提升，并且為第二層創新打下基礎。

創新二：引入JEPA架構

在創新一（雙視角）給模型提供高質量的互補表征后，CellOS引入JEPA（聯合嵌入預測架構），在隱空間利用這些互補表征進行跨視角預測和對齊。

傳統模型的訓練方式是：給你一個細胞的基因表達數據，讓你盡量把它“原樣復述”出來。

這就像讓學生死記硬背課文，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述輸入，而是讓模型用“一種視角”去預測“另一種視角”看到的結果。

簡單說，就是逼著模型在腦子里建立一個“細胞狀態的內在模型”，去抓住那些真正穩定的生物學規律。

舉個例子，傳統模型看的是“這個細胞現在長什么樣”；JEPA則在學“如果從不同角度看這個細胞，它的狀態本質是什么？如果發生變化，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”。

特別是在預測“敲除某個基因細胞會怎樣”“加藥物后細胞如何反應”這類動態問題上，效果提升非常明顯。

創新三：無損擴容訓練方案

模型越大越聰明，但有個問題：參數變多之后，它經常把以前學到的東西忘掉。

業內管這叫「災難性遺忘」。

CellOS在這一點上做了特別的設計——無損擴容機制。

具體做法：先好好訓練一個“中小型”稠密模型，打牢基礎；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，保留原來學到的核心知識，同時新增很多“專家”去學習更復雜的內容。

這樣一來，模型既能變得更大、更強，又不會把之前辛苦學會的細胞表達規律忘掉。

到這里，我們忽然發現，這三大創新不是各自為政，而是息息相關啊！

雙視角是基礎，負責提供“好原料”；JEPA架構是核心，負責“深度思考”；無損擴容是保障，讓模型變大后，性能“不掉鏈子”。

不過，模型搭好了，接下來該怎么訓練？

CellOS提出Dense-to-MoE三階段訓練策略。

它沒有把上述創新一股腦塞進一次訓練，而是拆成三個循序漸進的階段。

• 第一階段（Dense）：先用傳統的“表達視角”，訓練一個扎實的中小型稠密模型。
• 第二階段（MoE）：模型基礎打好后，開始擴容，把模型平穩擴容到12B參數規模。
• 第三階段（多視角聯合訓練）：等模型長大后，再加入第二套“群體感知視角”，同時開啟JEPA對齊訓練。

這種分階段訓練的設計非常務實，既降低了訓練風險，又讓每一層創新都能在最合適的時機發揮最大作用。

在三層創新+三階段訓練的加持下，多基準測試顯示，在細胞狀態注釋和擾動響應預測任務上，CellOS達到SOTA水平。

在衡量細胞狀態預測能力的核心指標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。

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

另外，在細胞狀態注釋任務中，它在聚合注釋基準上取得了0.792的生物學保守分數，全面超越UCE、scGPT、TranscriptFormer等主流單細胞基礎模型。

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“看懂細胞表達”走向“理解細胞狀態”。

而這種轉變，也為虛擬細胞的實際應用奠定了基礎。

全球競速，AIVC迎來爆發前夜

過去兩年，AIVC已經從概念驗證進入技術競速階段。

標志是2025年6月，知名研究機構Arc Institute發起的虛擬細胞挑戰賽（Virtual Cell Challenge，簡稱VCC），集齊了英偉達、10x Genomics等贊助方，Cell鼎力支持。

這被認為是細胞版的“圖靈測試”，吸引了全球五百余支團隊參賽，華人科學家團隊強勢霸榜。

其中，預賽全球第一，決賽全能榜全球第二、國內第一的x.Compass團隊核心成員，也是本次發布CellOS的研發團隊。

當然，比技術競速更激烈的，還有資本方和產業界的較量。

比如成立僅1年單輪融資10億美元的Xaira Therapeutics，創下了當年全球醫療健康領域最大的單筆融資紀錄；

2024年前后，Somite.ai，Noetik，Turbine等生物科技公司也陸續拿到知名機構的投資……

△圖片由AI生成

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

宏觀來看，除了資本和產業，監管也在發生變化：

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

歐洲、中國等監管機構開始加強AI輔助藥物研發相關研究，為數字化研發提供更明確的發展方向；

國內也已將“細胞編程與調控”“先進組學研究”“生命工程設計軟件工具”列為前沿攻關方向。

微觀來看，隨著AI虛擬細胞賽道持續升溫，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、同濟大學等科研機構為代表的基礎研究團隊。這類團隊更多推動算法創新和公開Benchmark建設，例如STATE、AlphaCell等模型，為行業建立統一評價體系和開放生態。

第二類，是以Xaira、Noetik、Cellular Intelligence、Tahoe Therapeutics、百曜科技等為代表的平臺型創業公司。這類企業通常擁有專有數據、濕實驗平臺以及藥企合作能力，希望構建覆蓋數據、模型和實驗驗證的完整研發平臺。

第三類，則是以Recursion、Owkin、Isomorphic Labs等AI制藥公司為代表，它們更關注AI如何直接進入藥物研發流程，通過長期合作、自研管線和平臺授權實現商業化。

△圖片由AI生成

要在喧鬧中持續保持敏銳和領先，就要關注長期價值的復利，而非短期熱點的狂歡。

事實上，觀察近年來獲得較大融資、商業合作的平臺公司可以發現，它們幾乎都具有共同特點：不僅擁有AI模型，更擁有持續積累數據和驗證模型的實驗體系。

也就是說，行業對AIVC的期待已經不只是一個算法，而是希望其成為連接AI、生物數據、實驗平臺和藥物研發的新型基礎設施，大家開始關注：

• 誰擁有持續產生高質量數據的能力？
• 誰能夠形成“模型—實驗—數據”持續迭代的閉環？
• 誰真正進入了藥物研發決策流程？

這些能力，往往比單一模型性能更難建立，也更難復制。

值得關注的是，在這一輪AI虛擬細胞競賽中，中國團隊開始逐漸從“跟隨者”轉向“規則參與者”。

過去幾年，全球AI制藥領域的重要創新主要集中于歐美。

從AlphaFold到生成式分子模型，再到虛擬細胞，國際頭部機構率先完成了基礎設施布局。

但隨著國內單細胞組學、生物計算以及大模型技術不斷發展，一批中國原生AI生物科技公司開始強勢進入這一賽道：

比如CellOS背后的百曜科技，先發優勢明顯，已經搭建了覆蓋單細胞數據處理、高通量擾動實驗和AI模型訓練的技術體系，構建“數據—模型—實驗”持續迭代的研發閉環。

這一路線與海外頭部平臺公司不謀而合。

據公開報道，百曜科技目前布局了管線資產和模型服務兩大應用落地方向，前者進一步延展到細胞治療、工程細胞，后者則涵蓋靶點發現、虛擬藥篩及虛擬臨床全周期。

整體來看，盡管行業發展迅速，但AIVC還處于產業早期，仍有四大挑戰橫亙在行業面前。

一是高質量擾動數據仍然稀缺。

相比互聯網行業擁有海量文本數據，生命科學的數據獲取成本極高。

二是多模態融合仍有待突破。

目前多數模型主要依賴單細胞轉錄組數據，而真實生命活動同時涉及蛋白組、空間組學、代謝組、細胞形態等多個層面。

三是模型可解釋性仍需提升。

對于科研人員而言，一個預測結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機制，是否能夠提出可驗證的新假設。

四是商業價值仍需持續驗證。

目前，大多數AI虛擬細胞企業仍以平臺合作、聯合研發或技術服務作為主要商業模式。

未來，只有真正幫助藥企大幅縮短研發周期、降低研發成本、提高臨床成功率，AI虛擬細胞才能成為新藥研發不可或缺的基礎設施。

對于整個生命科學產業而言，這場圍繞AIVC商業化落地而展開的新競賽，才剛剛開始。

當所有人都在談論世界模型的時候，或許，最值得建模的那個「世界」，就藏在36萬億個細胞里。