10 月 17 日,哲源科技正式发布 WHIRLPO 计算医学平台。
2026 年的 AI 赛道,正在发生一个耐人寻味的转向:当行业目光仍聚焦在大模型参数规模、智能体(Agent)和通用人工智能(AGI)时,扎克伯格已将资金押注于一个更为棘手的领域——生命系统。
今年 4 月,扎克伯格与妻子普莉希拉·陈创立的陈-扎克伯格倡议(Biohub)启动了“虚拟生物学计划”,计划投入 5 亿美元搭建配套的数据与实验能力,专门训练能够预测生物学现象的 AI 模型。到了 10 月,该项目规模进一步扩大:美国能源部、美国国立卫生研究院(NIH)与 Biohub 携手,共同搭建生命预测模型的数据底座,Meta、谷歌 DeepMind、Isomorphic Labs 等顶级团队悉数参与。整个项目承诺投入资金总额达 18 亿美元,其中美国能源部未来五年将出资超 5 亿美元,NIH 则全面开放其长期积累的大规模生物医学数据。

该项目的目标非常直接:打造一套能够精准预测生命行为的 AI 体系,Biohub 将其称为“虚拟生物学”。通俗而言,即构建从分子、基因、细胞直至完整生命系统的高保真数字孪生版本。科研人员未来可以像向大语言模型提问一样,在电脑中对生命进行假设与干预推演,先在数字空间完成模拟验证,再进入实验室开展真实实验。
这一布局不仅源于扎克伯格对生物医药前景的看好,从更深层来看,生命科学正在成为 AI 竞争的第二战场。通用大模型赛道已进入白热化的“军备竞赛”,算力、人才与资本的门槛持续高企;而对生命系统的认知与建模,仍是一片未被定义的蓝海。谁能让 AI 真正读懂生命,谁就能建立起比聊天机器人更难以逾越的技术壁垒。
AI 擅长设计分子,但新药研发依旧艰难
AI 与生物医药的结合由来已久,亦是人工智能最早被寄予产业化厚望的领域之一。然而历经十余年演进,一个核心疑问始终横亘在行业面前:我们真的离新药更近了吗?
近年来,AI 制药最亮眼的突破多集中在分子层面:蛋白质结构预测、候选分子筛选、分子从头生成、药物安全性预测以及药物-靶点相互作用等。AI 能够一次性生成成千上万个候选分子,大幅拓展了可供探索的化学空间,研发效率的提升毋庸置疑。
但如果将评判标准从“算法跑分”转移到“一款新药成功获批上市”,现实依然十分严峻。今年 8 月,《Nature Reviews Drug Discovery》发文系统复盘了十余年 AI 制药的发展历程:尽管各类 AI 算法层出不穷,但真正能够创造实质临床价值的成果依然寥寥。大量 AI 药企的项目长期停滞在临床前或 I 期、II 期临床阶段,真正能够挺进 III 期临床的屈指可数。

在小分子生成方向上,AI 确实更容易筛选出与靶点蛋白结合能力强的分子,但这仅仅是“配体设计”,远非完整的“药物设计”。找到一个能结合靶点的分子,与打造一款在人体内兼具安全性与有效性的成药,完全是两个维度的难题。
这也是整个行业当前亟须反思之处。过去,我们往往将高度复杂的生命过程过度简化:AI 极其擅长解答“什么分子能够结合这一靶点”,但新药研发真正攻坚的,是一连串深层的系统性问题:
- 该靶点为何会诱发疾病?
- 干预靶点后,人体生命系统会引发哪些复杂的级联反应?
- 为什么同一种药物,在不同患者身上的疗效截然不同?
- 为什么在细胞培养和动物模型中表现优异的药物,一进入人体临床试验便宣告失败?
药物分子从不孤立起效。它进入的是一个动态而极其复杂的庞大系统——基因、蛋白质、细胞、组织、器官、免疫系统与代谢网络相互交织,并受到外部环境的持续影响。新药研发的成败关键,恰恰深植于这套系统之中。这就引出了一个根本性命题:如果 AI 只能看懂分子,却无法理解完整的生命系统,它究竟能将新药研发推向多远?
从单点分子模型,走向生命世界模型
这正是 2026 年 AI 生命科学发生范式转移的核心原因:建模尺度不再局限于单一蛋白质、分子或细胞,而是向上延伸至系统层级,致力于构建生命预测模型。其目标不再是单纯预测空间结构,而是动态刻画生命状态、预测系统遭受干预后的演变趋势、模拟细胞抵御外界扰动时的应激反应——这便是业内所定义的生命世界模型。
如果说大语言模型学习的是人类语言的语法与逻辑,物理世界模型学习的是物体运动与时空规律,那么生命世界模型所面对的规则机制则要复杂得多:基因突变会改变蛋白表达,蛋白网络会调控信号通路,信号传导会重塑细胞状态;细胞间的相互作用构成组织微环境,并层层递进影响器官功能乃至整个人体。生命本身绝非静态构件,它处在生长、衰老、代偿、突变的动态演化中,并对外部干预做出持续反馈。
因此,生命世界模型绝非一本静态的生命百科全书。其核心使命在于解析生命运转的底层机制,精准推演当某一变量发生改变时,整个复杂系统将如何演化。
一旦该模型实现落地,AI 在医药研发中的定位将被彻底重塑:
- 旧模式:给定已知靶点,快速高通量筛选候选分子。
- 新模式:面向特定疾病,先厘清发病机制与根源,再评估干预靶点、筛选获益人群,并预判干预可能引发的全身性连锁反应。
同样是 AI 赋能新药研发,两种模式所要解决的底层问题已不可同日而语。
国内同步布局:计算医学写入国家规划
这场深刻的技术转型并非仅发生在海外,国内 AI 生命科学领域同样在经历由“单点算法攻关”向“系统性疾病建模”的跃迁。
今年 9 月,工信部、国家发改委等十部门联合印发《医药工业发展“十五五”规划》,计算医学首次与人工智能、量子计算、超算并列,被纳入未来五年医药工业的重点技术方向。其中,AI 与超算提供强大的通用算力底座,而计算医学的核心价值,正是将这些算力对接到复杂的生命系统中,用于解决真实的临床疾病难题。
国内的哲源科技便是这一技术路径的践行者。团队并未单纯追求训练参数量更大的生物大模型,而是聚焦疾病本身,全面整合基因组学、细胞特征、致病机制、患者表型及药物干预等多维数据,搭建多层级计算模型,力求构建一套可实现持续推演、训练与验证的生命世界模型体系。

10 月 17 日,哲源科技正式发布 WHIRLPO 计算医学平台。该平台并非一个独立的生物垂直模型,而是旨在解决更底层的工程化难题:若生命世界模型将成为下一代生命科学的基石,行业便需要一套坚实的基础底座,以支撑此类复合模型的持续训练与高效运转。
搭建生命世界模型,难度远超训练大语言模型
构建生命世界模型的工程难度,往往容易被外界低估:
- 多模态与异构数据难题:大语言模型依赖海量互联网文本作为养料,但生命科学领域缺乏标准化、统一化的公共数据集。基因组学、单细胞测序、空间组学、病理切片、医学影像与临床队列数据高度分散,且数据格式、质量标准及观测尺度跨度极大,诸多高价值数据必须依赖湿实验定制产出。Biohub 投入的 18 亿美元资金中,相当一部分便是用于高质量生物数据的标准化生产,而非单纯用于模型推理与算力消耗。
- 多尺度跨层级建模难题:生命科学领域不存在一个包罗万象的“大一统”单一模型。解析 DNA 突变、细胞状态跃迁、组织微环境演变以及人体疾病进展,均需要不同尺度专业模型的有机协同。未来成熟的生命世界模型,大概率不是单体巨型网络,而是一套融合多尺度模型、结构化知识库与专业工具链的复合协同系统。
- 异构科学计算工程挑战:模型预训练、多组学联合分析、疾病演化推演与数字患者模拟等任务的计算特征截然不同,亟须在底层对 CPU、GPU 等各类异构算力资源进行弹性调度与优化配置,涉及大量传统通用大模型极少涉足的高性能科学计算工程难题。
- 虚拟计算与湿实验闭环难题:大语言模型若输出错误,只需通过算法迭代重新训练;但生命模型推导出的靶点假说与机制判断,必须进入实验室进行生物学实证,实验结果再反向修正模型参数,最终还需接受临床试验的严格检验。模型的推理逻辑绝不能仅仅停留在计算机内部的虚拟自洽。
WHIRLPO 平台正是聚焦于上述痛点:通过整合异构算力集群、多组学生命数据中心、专业模型矩阵、前沿科研工具、智能 Agent 以及实验闭环链路,构筑起从模型训练、科学计算到湿实验闭环验证的全流程基础设施。简而言之,哲源科技不仅是在构建模型,更是在为生命世界模型打造工业化生产底座。
AI 生命科学,进入基础设施竞争阶段
2026 年,全球生命科学计算领域展现出强烈的行业共振:
- 在美国,Biohub 联合能源部、NIH、Meta 与 DeepMind 等机构,合力搭建生命 AI 所需的数据、算力和实验基础设施;
- 在中国,“计算医学”被正式写入国家“十五五”医药工业规划,本土团队亦加速构建生命世界模型的底层工程平台。
这两大动态看似独立,实质上指向了同一个行业共识:AI 生命科学,已经从单纯比拼单一算法指标,全面进入底层基础设施的竞争时代。
过去,行业关注的是谁的蛋白质结构预测更精准、谁的分子生成算法表现更优、谁能为某个孤立的研发环节提质增效;而下一阶段的核心竞争壁垒,已转变为:
- 能否获取大规模、高维度的优质生命科学数据;
- 能否实现跨越基因、细胞、组织与器官多尺度的系统建模;
- 能否高效调度并协同异构模型群与多源算力;
- 能否实现计算预测与湿实验体系的无缝闭环验证;
- 最终,能否推动 AI 从“处理离散的生命数据”,真正跃迁至“深刻理解生命动态系统”。
回顾 AI 制药走过的十余年历程,其探索方向并无偏差,只是此前攻克的主要是生命机制中计算复杂度相对可控的部分。分子结构固然是新药研发的关键基础,但药物最终治疗的目标是整体的人,而非孤立的分子。从一个候选活性分子,到在真实人体内产生确切的临床获益,中间横亘着一整套高度精密且复杂的动态生命系统。
生命世界模型有望成为继语言模型、物理世界模型之后,人工智能的下一个战略制高点。在这一全新演进阶段,行业最大的机遇或许不再属于微幅刷新跑分榜单的团队;真正稀缺的核心资产,将是一套能够支撑 AI 真正走进并理解真实生命世界的完整基础设施。