AI正在重构新药研发范式，但生命科学底层机理的复杂性与未知性，仍是行业落地的核心瓶颈。

近日，百图生科联合创始人、CEO刘维接受《药创新》专访，围绕xTrimo生命科学基础大模型的差异化技术壁垒、跨模态与跨物种建模逻辑、数据飞轮及下一代高通量实验室展开，系统呈现百图生科五年多来在生命科学AI领域的持续探索与长期判断。

在刘维看来，百图生科要做的，是为生命科学研发打造一套底层“操作系统”，而不只是单点的AI工具。

以下是报道原文。

来源 | 药创新

撰文 | 柴妍

当AI重新定义生命科学的边界，药物研发正在经历一场百年未有之变局。从解析蛋白质折叠的历史性突破，到AI驱动的分子设计逐步走入临床，这场技术浪潮正在将过去动辄十年、十亿美元的新药开发周期加速压缩。而站在这场变革浪潮之中的，有一家走独特之路的公司——它不做单点工具，也不追逐某个爆款管线，而是要为整个行业铺一层谁都需要、却没人愿意重新造一遍的基础设施。

作为百图生科联合创始人、CEO，刘维将企业定位清晰概括为：给做药的人打造一套底层“操作系统”。这条路在五年前几乎没有先例可循，而今天，百图生科已服务全球800多家机构用户，作为系统底座的xTrimo大模型走到了2680亿参数，覆盖蛋白质、DNA、RNA等七大生命科学模态。

百图生科将给AI制药发展带来怎样的变革？在这次深入交流中，刘维给我们讲述了他关于“生物语言”的世界观，干湿实验闭环打造“数据飞轮”，同时展望了大模型推演能力将为行业开辟怎样的未来。

百图生科联合创始人、CEO刘维

“人类懂的知识，只是沧海一粟”

xTrimo的核心壁垒在哪？

不少人对AI制药的理解，停留在“用语言模型微调一下垂直场景”或者“用实验数据简单训练一个AI模型”的层面。但刘维认为，这条路在生命科学领域走不通。

他给出的理由很直接：在自动驾驶、文本创作这些领域，AI本质上是在学习“人类已经做得足够好”的能力，因为人类司机已经会开车，AI只是去逼近这个能力上限。但生命科学完全不是这个逻辑——人类所掌握的知识，比起需要被发现的问题，“只是沧海一粟”，“我们今天要去发现的问题，要去研究的机理，其实很多是人类目前所不知道的，实验数据也远远不足以支持AI建模”。这也是百图生科放弃“轻量”路线、选择用生命原生数据从底层训练模型的根本原因。

做生命科学大模型这条路到底难在哪？刘维用一个类比说明了状态空间的复杂度：一个蛋白质如果对应自然语言里的“词”，那么一些蛋白质对应的“词”可能长达上万个氨基酸字母；一个细胞如果对应一个“段落”，这个段落至少有上万个“词”。更麻烦的是，越往细胞、器官、人体这样的高维尺度走，数据反而越稀疏，而人类至今并没有像自然语言那样积累出一套现成的“语法规则”可供模型直接学习。

百图生科给出的解法是“跨模态”和“跨物种”。当某个物种的细胞数据不够用时，可以借助同源进化规律和不同模态的数据，把不同物种的细胞数据连接起来训练——因为即便物种不同，“它们的DNA序列的相似度也是很高的”，跨物种的数据集就能被有机整合成一个大得多的训练池。这正是百图生科能够在2025年的世界首届虚拟细胞挑战赛上，从来自全球114个国家、1200余支队伍中脱颖而出，拿到冠军的原因。

首届虚拟细胞挑战赛于2025年由Arc Institute正式启动，核心任务是要求模型预测某一基因扰动在从未训练过的细胞类型中会产生怎样的转录组效应。这本质上是在检验一个模型能否真正“理解”生物学规律，而不是死记硬背已有的实验结果。该挑战赛在业内被视为检验生命科学基础大模型泛化能力的重要标尺。

而百图生科取得第一，不是单一模态的数据量更大，而是七大模态彼此打通后,整体可用的数据丰富度远超同行。

刘维将xTrimo模型的核心壁垒归纳为两层：第一层是算法层面，公司构建了一整套能表征生命原生数据的“翻译”机制，实现基因、蛋白、细胞等不同类型生物数据的统一建模与底层规律挖掘；第二层则是数据层面，既包含多维度公共生物数据整合、产业端脱敏数据的长期沉淀，也依托自建高通量实验室完成的湿实验验证。这两层壁垒叠加，共同构成了百图生科至今仍难以被复制的护城河。

参数堆到2680亿

推演能力会怎样提升？

百图生科旗下xTrimo的参数规模演进，某种程度上也是过去两年AI+生命科学赛道技术路线变迁的一个缩影。2024年，谷歌DeepMind的Demis Hassabis与John Jumper因AI预测蛋白质结构获得诺贝尔化学奖，直接带动国内AI for Science赛道的关注度。同年10月，百图生科在第三届中国生物计算大会上发布xTrimo V3模型，率先在生命科学蛋白质大模型领域实现全球最早的MoE（混合专家）架构，DNA大模型序列长度突破128K。此后一年多的时间里，模型参数从2100亿扩展到2680亿，覆盖模态也从蛋白质、DNA拓展到RNA等七大类。这背后既是算力投入的持续加码，也是“跨模态数据打通”这条路线被验证有效后的自然延伸。

对于“参数规模扩大”，外界容易简单地理解成“模型更聪明”，但刘维给出的解释更精确：参数本身就是在记忆更复杂的规则，参数堆叠换来的，是模型记忆复杂、隐蔽规律的能力，尤其是在弱相关、跨物种数据之间做推演的能力。

他举了一个具体的例子：模型从深海生物的高稳定性蛋白序列中,学到了某种提高蛋白稳定性的隐藏规律——可能是替换序列中相隔很远的某些氨基酸,在原有的字母序列上做局部调整。这种规律从来没有人教过模型，几乎不存在于任何教科书里，但模型却能跨物种地把它学出来。

更值得思考的是刘维对“成功率”这个概念的重新定义。他坦言,如果按照任务的绝对成功率来衡量，生命科学基础大模型可能还处在“GPT 0.01”的阶段，很多任务依然不够成功。但他强调，AI for Science的评价逻辑是不同的：这个领域追求的不是百分之百的准确率，而是在前沿无人区里，能不能把人类原本“千万分之一、亿万分之一”的命中率，提升到“万分之一、千分之一”。哪怕只是这样的提升，结合后续实验验证，也足以是一次质变。“生命科学模型的准确率要考虑一个提升的倍数，这个更有意义。”他这样总结自己对“进步”的衡量标准。

从“消化数据”到“自己生产数据”

干湿闭环与下一代高通量实验室

干湿闭环，是当下全球AI制药公司公认的“胜负手”。AI制药发展初期多以靶点发现、分子生成等单点工具为主，而近年，“AI设计—自动化实验验证—数据反馈优化”的深度闭环生态正在成型，能否把“干实验”（计算模拟）与“湿实验”（生化实验）紧密耦合，已经成为衡量一家AI制药公司是否具备核心竞争力的关键指标。这也是百图生科在五年前就选择自建苏州高通量实验室、而非单纯做算法供应商的原因所在。

如果说算法和参数是AI的“大脑”，那么干湿实验闭环就是这套系统真正的“心脏”。刘维毫不讳言：AI今天面临的最大挑战，是卡在实验环节。

全球AI目前划分成三大类。信息世界（文字、图片、视频等）：验证闭环可以靠人工标注快速完成；物理世界（自动驾驶、具身智能等）：需要靠本体快速产生数据来闭环；而AI for Science面对的则是一个更庞大、更微观、人类原本知之更少的状态空间，模型预测的结果，必须靠实验本身去验证——这正是瓶颈最深的领域。

百图生科给出的解法，是从五年前就开始自建苏州高通量实验室，并在积极规划下一代实验室。这些实验室不是简单地“买一些设备放在那儿”，而是从底层重新定义设备本身。刘维把这种新一代设备类比为具身智能领域的“本体”、自动驾驶领域的“汽车”——生物计算也一定会有对应的生物设备，这些设备的高度智能化整合，会让数据生产效率持续提升，并与大模型训练形成越来越深的闭环。

过去五年，跨模态基础大模型的引入使人类首次把海量生命科学数据拉出了狭义场景，打破了各个狭义业务场景的数据孤岛，让海量沉淀的生命科学数据可以全域流转、跨任务迁移使用。但从“拉出数据”到“形成数据飞轮”，即模型产出的预测结果通过实验验证后反哺模型——中间还存在一定工程挑战。尤其是湿实验的效率能否跟上AI预测的速度，这个问题已经成为当前的工程瓶颈。

而如何解决这个瓶颈？刘维描述了其中一种理想状态：在细胞影像采集上，假设模型可以在采集到前几帧数据后就开始计算，判断这个细胞的后续走向是否值得继续关注——如果已经明显不可能产生有意义的结果，系统可以提前终止采集，把有限的物理和计算资源，集中投放到真正有价值的细胞上，甚至同步触发实验耗材的下一轮替换。这种下一代高通量实验室的理念以及“端侧可计算、按需触发”的实验体系，是他认为三五年内一定会落地的方向，百图生科也已经投身这些底层先进设备的研发，也将让“数据飞轮”更快地转起来。

苏州高通量实验室

创业五年与“领滑者的求索”

AI制药是一个充满不确定性的领域。从模型能否真正有效预测，到管线能否穿越临床的“死亡谷”，每一关都没有先例可循。在谈到“在那些不确定性最密集的时刻，是否有产生过‘这件事可能真的做不成’的恐惧”时，刘维没有回避这个问题。

他坦言，刚开始最大的担忧，是基础大模型即便带来了巨大的模型性能增量，依然存在一种可能——如果整个行业的基础技术都还不够成熟，即便效率提高了1000倍，仍然达不到一个可以稳定产出的准确度，就依然会落不了地。他把这种风险比作摩托罗拉当年押注的铱星计划：方向也许没错，但技术成熟度不够，后续再多投入也无法实用。“我们最开始的时候肯定是有这种担心的，这个东西到底行不行，和能不能找到合适的人才”，他这样回忆当年的心境——毕竟全世界没有人做过这件事，最初招募的人也都没有相关经验可以参照。

但他也透露了当时的一种应对策略：先小范围摸一摸，如果发现底层技术真的不成熟，就不会盲目地继续往应用层冲，而是转头去解决更底层的瓶颈问题，比如改造实验设备，让它能更快地产出数据。事实证明，这条路比他预想的更顺利：在蛋白质问题、靶点发现等方向上，团队很快做出了一些实质性成果，整个逻辑被验证是能跑通的。

而在创业过程中真正持续消耗他的，刘维认为不是某一个具体的困难,而是“探路者”身份本身带来的持续不确定性。他把这种感受类比成滑冰比赛里的领滑选手——领滑者总是要比跟随者耗费更多精力，因为你总是要去探索更多不同的路径。即便今天走的方向相对正确，也要不断试探有没有更快的方法，这种持续的试错和调整，会不断映射到整个组织的弹性变化中。“我们的长期战略路径非常坚决，我们不断地说我们在做难而正确的事儿，哪怕只有一束光我们也要冲过去，但是在战术上不可避免的要不断的去迂回和试探，不断在试错和调整，这对每一个百图人都非常不容易”，“因此我们的企业文化才叫挑战者精神”，这是他给出的最终总结。

写在最后

从“人类懂的知识只是沧海一粟”这句判断出发,刘维和百图生科用五年时间,在一个几乎没有先例的方向上，把算法、数据和实验拼成了一套完整的底层体系。在AI快速发展的当下，百图生科选择了这条难度更高、长期价值也更为厚重的发展路径——生命科学基础大模型。

时间或许不是这场长跑里最大的敌人，真正的考验，是能不能一直跑在最前面，把孤独熬成壁垒。