Amy 发自 凹非寺 | 量子位 | 公众号 QbitAI

近期，世界模型AI虚拟细胞（AIVC）赛道迎来里程碑式突破。到J队正

作为全球该领域的国团先行者之一，百曜科技正式发布了全球首个基于 LLM-JEPA 架构的把搬胞内部 AI 虚拟细胞世界模型——AURA CellOS。

该模型是进细目前公开报道中参数规模最大的单细胞基础模型。它基于 3.905 亿个人类单细胞转录组数据进行训练，世界模型覆盖了几乎所有重要的到J队正人类细胞类型，包括 40 余种人体组织和 260 余种细胞亚型。国团

其核心突破在于，把搬胞内部首次将 JEPA（联合嵌入预测架构）与 世界模型（World Model）理念系统性引入单细胞研究。进细

当前，世界模型世界模型已是到J队正自动驾驶、机器人及生成式 AI 的国团关键技术方向。CellOS 的把搬胞内部问世引发了行业深思：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？进细

从已公开的评测结果来看，CellOS 在预测精度、扰动建模等核心指标上，以倍数优势领先多款主流模型，达到了当前国际领先水平（SOTA）。

但要看清其技术逻辑与商业潜力，一切还得从一颗细胞说起。

AIVC 站在十字路口

理解细胞状态的动态变化，是生命科学的核心命题。

无论是疾病发生、药物作用机制，还是细胞疗法，本质上都是细胞状态演变的过程。

过去，科学家主要依赖细胞培养、动物实验乃至人体验证来探究细胞在药物或基因扰动下的反应。高昂的研发成本与漫长的试验周期，导致大量潜在新药和疗法陷入试错困境，“十年研发周期、十亿美元投入，临床成功率不足 10%”的“双十定律”亟待打破。

△图片由AI生成

“虚拟细胞”概念的提出，为新药发现开辟了新路径。

早在 20 世纪 90 年代，学者们便开始探索在计算机中“复刻”细胞，并开发了如 VCell 等早期建模软件。随后，斯坦福大学团队发布了全球首个全细胞计算模型。

然而，早期的虚拟细胞并非学习型模拟器，无法模拟细胞在不同环境下的动态运作。由于无法预测细胞功能、行为及动力学，也无法揭示其背后机制，其在药物开发中的价值受限。

直到近年，AI 技术的飞跃与组学技术的爆发，让虚拟细胞更接近生命科学的“模拟沙盘”：

• 数据爆发：单细胞测序技术的进步与成本降低，使得数据采集能力指数级提升，过去几年中，相关数据每 6 个月翻一番，为建模奠定了底层基础。
• 算力增强：AI 技术显著提升了细胞数据的处理、学习与推理能力。

2024 年 12 月，斯坦福大学、基因泰克制药公司与陈—扎克伯格基金会联合在顶级期刊《Cell》发表重磅论文，标志着 AI 虚拟细胞（AIVC）时代正式到来。

△图片由AI生成

在此之前，Geneformer、scGPT、scFoundation、GeneCompass 等模型相继问世，但业内尚未形成统一的 AIVC 定义。

这些早期模型虽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，在基因敲除、给药或诱导分化后，细胞将如何演化？第一代 AIVC 模型在此类动态预测任务上表现不佳。

核心痛点在于：
1. 训练目标偏差：主要学习基因表达模式本身，而非细胞状态变化的内在机制，难以区分背景噪声与驱动细胞演化的关键信号。
2. 静态视角局限：基于单一表达视角学习静态模式，难以刻画基因调控关系及动态演化规律。
3. 信号淹没：特定扰动下的关键生物学信号易被大量稳定表达的背景信号掩盖。

因此，仅靠扩大数据规模和模型参数，无法显著提升对细胞状态演化轨迹的预测能力，也难以习得背后的生物学规律。

2026 年 6 月，《Nature Methods》刊发的一项研究揭示了这一困境：
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，模型性能在使用约 1%的预训练数据后便进入平台期。

这意味着，仅用约 22 万细胞训练，模型性能即可基本拉满；继续喂入海量同质样本，效果提升微乎其微。

这迫使行业重新思考：现有技术路线是否还能持续受益于 Scaling Law（缩放规律）？瓶颈究竟在数据规模，还是建模范式？

CellOS 给出的答案是后者：传统语言模型架构与细胞数据特性存在系统性错配。只有让模型真正学习细胞状态演化规律，而非静态表达模式，数据规模的扩展才能转化为模型能力的提升。

从“看懂”到“理解”：CellOS 的“三板斧”

李飞飞曾言：“世界不是由文字构成的。”
同理，细胞世界也不由文字定义。

AIVC 领域亟需 AI 对细胞状态具备理解力，而非单纯的表达模式复现。唯有如此，才能支撑动态预测（如扰动响应）和可迁移的虚拟细胞能力。

CellOS 摒弃了大多数团队仍在走的“安全路线”（在大语言模型上卷参数、卷数据），转而选择更具挑战性但天花板更高的 JEPA路线。

业界共识认为，世界模型最擅长感知规律、推演环境动态变化。在自动驾驶和机器人领域，世界模型已被用于预测环境变化。CellOS 是首个将这一理念引入细胞领域的模型。

作为目前公开信息中规模最大的单细胞 Foundation Model，CellOS 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，几乎覆盖所有已知人类细胞类型。

CellOS 的核心创新体现在三个方面：多视角表征学习、JEPA 联合嵌入预测、无损扩容。

创新一：多视角表征学习

在复杂训练前，赋予模型更丰富、敏锐的细胞特征辨别能力。

传统单细胞基础模型通常仅依赖单一的“表达视角”（即基因在单个细胞中的表达丰度）。这种方式易忽略表达量低但生物学意义重大的基因（如调控基因、应激响应基因），导致关键信号被噪声淹没。

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，相当于给模型装上两双“眼睛”：

• 第一双眼睛：看表达丰度（基因活跃程度）；
• 第二双眼睛：看群体特异性（基因在整个细胞群体中的独特性与信息量）。

通过并行分析这两个维度，模型能更轻易捕捉隐藏的重要生物学信号，大幅提升对细胞状态变化的敏感度，为后续创新奠定基础。

创新二：引入 JEPA 架构

在双视角提供高质量互补表征后，CellOS 引入 JEPA（联合嵌入预测架构），在隐空间利用这些表征进行跨视角预测和对齐。

• 传统模型：类似“死记硬背”，要求模型尽可能原样复述输入的基因表达数据，易陷入表面文字而忽略深层含义。
• JEPA 架构：彻底改变玩法，让模型用“一种视角”去预测“另一种视角”的结果。

简言之，JEPA 迫使模型在内部建立“细胞状态的内在模型”，捕捉稳定的生物学规律。

• 传统模型关注“这个细胞现在长什么样”；
• JEPA关注“如果从不同角度看，细胞本质状态是什么？若发生变化，它将向哪个方向演化？”

这一转变使模型能力从“看懂表面”升级为“理解本质”，尤其在预测基因敲除、药物反应等动态问题上，效果显著提升。

创新三：无损扩容训练方案

模型越大越聪明，但参数增加常导致“灾难性遗忘”（即忘记已学知识）。

CellOS 设计了无损扩容机制：
1. 先训练一个扎实的中小型稠密模型，打牢基础；
2. 通过平滑方式将其升级为超大规模 MoE（混合专家模型）；
3. 在升级过程中保留核心知识，同时新增“专家”模块学习更复杂内容。

此举确保模型在变大变强的同时，不丢失已习得的细胞表达规律。

三大创新的协同效应：
* 双视角是基础，提供“好原料”；
* JEPA 架构是核心，负责“深度思考”；
* 无损扩容是保障，确保模型变大后“不掉链子”。

Dense-to-MoE 三阶段训练策略

模型搭建完成后，CellOS 提出了务实的三阶段训练策略，避免将创新点堆砌于一次训练中：

1. 第一阶段（Dense）：使用传统“表达视角”，训练扎实的中小型稠密模型。
2. 第二阶段（MoE）：基础打好后，平稳扩容至 12B 参数规模。
3. 第三阶段（多视角联合训练）：模型扩容完成后，引入“群体感知视角”，并开启 JEPA 对齐训练。

这种分阶段设计降低了训练风险，使每项创新在最佳时机发挥最大效用。

性能表现：SOTA 水平

在多层创新与三阶段训练的加持下，多基准测试显示，CellOS 在细胞状态注释和扰动响应预测任务上达到 SOTA 水平。

• Pearson_edist 指标：CellOS 取得 0.619的成绩，位列所有模型第一，也是唯一突破 0.6 的模型。相比目前表现最佳的开源模型 TranscriptFormer（0.373），性能差距达 66%。
• 细胞状态注释：在聚合注释基准上，取得 0.792的生物学保守分数，全面超越 UCE、scGPT、TranscriptFormer 等主流模型。

CellOS 不仅是一个新的大模型，更是研究范式的升级——推动 AI 从“看懂细胞表达”走向“理解细胞状态”，为虚拟细胞的实际应用奠定基础。

全球竞速：AIVC 迎来爆发前夜

过去两年，AIVC 已从概念验证进入技术竞速阶段。

标志性事件是 2025 年 6 月，知名研究机构 Arc Institute发起的虚拟细胞挑战赛（VCC），获得英伟达、10x Genomics 等赞助及 Cell 鼎力支持。这被视为“细胞版的图灵测试”，吸引全球 500 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，正是本次 CellOS 的研发团队。

比技术竞速更激烈的，是资本与产业界的较量。

• 资本涌入：成立仅 1 年的 Xaira Therapeutics单轮融资 10 亿美元，创下当年全球医疗健康领域最大单笔融资纪录。2024 年前后，Somite.ai、Noetik、Turbine 等生物科技公司也陆续获得知名机构投资。
• 药企合作：Big Pharma（大型制药巨头）纷纷向 AIVC 公司抛出合作橄榄枝。

宏观层面，监管环境也在变化：
* 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或替代动物实验。
* 欧洲与中国：监管机构加强 AI 辅助药物研发研究，为数字化研发提供更明确方向。国内已将“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。

微观层面，全球入局者快速增加，分化出三类核心玩家：

1. 科研机构（如 Arc Institute、同济大学）：推动算法创新和公开 Benchmark 建设（如 STATE、AlphaCell），建立统一评价体系与开放生态。
2. 平台型创业公司（如 Xaira、Noetik、Cellular Intelligence、Tahoe Therapeutics、百曜科技）：拥有专有数据、湿实验平台及药企合作能力，旨在构建覆盖数据、模型和实验验证的完整研发平台。
3. AI 制药公司（如 Recursion、Owkin、Isomorphic Labs）：关注 AI 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。

△图片由AI生成

要在喧嚣中保持领先，需关注长期价值的复利，而非短期热点。观察近年获得大额融资与商业合作的平台公司，其共同特点是：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。

行业对 AIVC 的期待已超越单一算法，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。关键竞争力在于：
* 谁拥有持续产生高质量数据的能力？
* 谁能形成“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？

这些能力比单一模型性能更难建立，也更难复制。

中国团队：从“跟随者”到“规则参与者”

在这一轮 AI 虚拟细胞竞赛中，中国团队正逐渐从“跟随者”转向“规则参与者”。

过去几年，全球 AI 制药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、生物计算及大模型技术的发展，一批中国原生 AI 生物科技公司强势入局：

以 百曜科技（CellOS 背后团队）为例，其先发优势明显，已搭建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，构建了“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两大应用落地方向：
1. 管线资产：延伸至细胞治疗、工程细胞领域；
2. 模型服务：涵盖靶点发现、虚拟药筛及虚拟临床全周期。

结语：挑战与未来

尽管行业发展迅速，但 AIVC 仍处于产业早期，面临四大挑战：

1. 高质量扰动数据稀缺：相比互联网海量文本，生命科学数据获取成本极高。
2. 多模态融合待突破：目前多数模型依赖单细胞转录组数据，而真实生命活动涉及蛋白组、空间组学、代谢组、细胞形态等多层面。
3. 模型可解释性需提升：科研人员不仅关注预测结果的正确性，更看重模型能否解释背后的生物学机制，并提出可验证的新假设。
4. 商业价值需持续验证：目前多数企业以平台合作、联合研发或技术服务为主。未来，只有真正帮助药企大幅缩短研发周期、降低成本、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 商业化落地展开的新竞赛，才刚刚开始。

当所有人都在谈论世界模型时，或许，最值得建模的那个「世界」，就藏在 36 万亿个细胞里。