《Nature》只是起点，Biological AI 赛道的中国黑马

跑进全球前沿竞赛的中国公司构建生命科学基础智能平台

继语言、图像和代码之后，AI的下一站，是学习生命本身。

想象一下，把一个从未做过细胞实验的新化合物扔进电脑。AI能不能告诉你：它进入细胞后，哪些基因会被打开，细胞会朝哪个方向发生变化？

过去这更像是科幻电影里的桥段。现在正在一步步走进现实。

8月26日，上海交通大学人工智能学院与哈佛大学团队在《Nature Machine Intelligence》上发表了一项研究，提出一个叫MAP的框架，瞄准的是当下AI生命科学领域最受关注的方向之一——虚拟细胞。观壹智能核心技术团队参与了研究框架设计及产业化方向探索。

所谓“虚拟细胞”，相当于为真实细胞建立一个可以计算的“数字替身”。先让AI在计算机中模拟药物、基因编辑会给细胞带来什么影响，再从海量方案中挑选最有可能成功的方案进行验证。即使一种药物从未出现在模型训练和相关知识图谱关系中，MAP仍可以结合其分子结构等信息，预测药物干预后的基因表达变化。

短短半年，观壹智能已是第N次以顶级期刊成果走入公众视野，高密度科研输出极具冲击力。

2026年2月，上海交通大学人工智能学院与医学院附属新华医院联合团队，在《Nature》发表题为“An agentic system for rare disease diagnosis with traceable reasoning”的研究成果。智能体系统DeepRare在罕见病循证诊断任务中取得了优于资深专科医生平均水平的表现。

2026年4月，观壹核心团队深度参与的科研成果KEEP模型发表于国际顶级期刊《Cancer Cell》。KEEP模型将全切片病理影像、医学文本与疾病知识图谱进行多模态对齐，使模型不仅识别图像特征，还能够理解不同肿瘤的疾病关系与形态学规律，在癌症检测、分型和罕见肿瘤识别中展现出领域最强的零样本泛化能力。

观壹智能成立还不到一年，由上海交通大学人工智能学院副教授谢伟迪担任创始人兼CEO。不同于解决生命科学某一类任务的公司，观壹智能的愿景更宏大。

“我们希望回答一个更根本的问题：能否构建一个真正理解生命共同规律的AI？”观壹智能CEO、上海交大人工智能学院副教授谢伟迪告诉「智能进化论」。

对一家成立不到一年的公司，半年内多篇顶刊论文足够亮眼。但从单项成果走向统一的生物智能底座，还有多远？观壹智能手里有哪些已经被验证的能力？当全球科技公司纷纷涌入Biological AI赛道，观壹凭什么占据一席之地？近日，我们采访了谢伟迪教授。

Biological AI已经成为AI for Science最热的方向之一，全球科技公司已经沿着不同路线入场。

AI原生药物研发，是让AI参与靶点发现、蛋白质结构预测和分子设计等环节，更快找到可能成药的分子。虚拟细胞，是让AI预演药物、基因编辑会让细胞发生什么变化。自动化科学发现平台是将科学推理模型与自动化实验室连接起来，让AI提出假设、设计并执行实验，再从实验结果中持续学习。

这些方向，大多从生命科学链条上的一个环节切入。但观壹智能做的事，范围比这几类公司都要大。

“观壹不是要做‘大模型在生命科学中的一个应用’，而是希望在生命世界中构建AGI。“谢伟迪表示。

这也是观壹智能将自己定义为一家面向“大生命科学”公司的原因。这里的“大”，不只是覆盖更多疾病或者更多药物，也意味着不把目光局限在人类医学。

“动物、植物、微生物与人类虽然形态各异，却共享DNA、RNA、蛋白质、细胞调控和进化选择等底层机制。观壹希望沿着这些共同规律，建立跨物种、跨模态、跨生命尺度的统一模型，理解生命状态如何形成、如何演化，以及外部干预将如何改变生命系统。“ 谢伟迪表示。

这就是观壹智能的目标——构建生物智能基础模型（Biological AI Foundation Model）。

可能有人会觉得这个目标过于宏大。的确，在过去这很难想象。但最近几年，生命科学领域正在同时发生几件事，让“大生命科学”的条件日益成熟。

首先，人类观测生命的能力发生了质变。

基因测序、单细胞测序、空间组学、蛋白质组学、高内涵成像、冷冻电镜和自动化实验等技术日趋成熟，人类正在以前所未有的精度和通量观测生命。生命科学正在从“观测能力不足”进入“如何理解海量、多模态、跨尺度观测”的新阶段。

其次，AI for Science正在改变科学发现的模式。AI已经从分析已有知识，走向预测未知结果。

“今天的大模型主要学习人类已经写下来的知识，但真正的通用智能不能只理解语言和数字世界。它必须能够面对尚无答案的真实世界，主动提出假设、设计实验、观察结果、修正认知，并发现从未存在于任何语料中的新知识。“ 谢伟迪表示。

第三个变化来自实验室。自动化设备正在把模型与真实实验连接起来。AI提出预测，实验验证结果。模型、数据和实验之间，开始形成一条不断迭代的链条。

观壹智能希望抓住的，正是三股力量交汇的机会：生命数据快速增长，AI开始具备跨模态建模和推理能力，自动化实验又让AI预测可以回到真实世界接受检验。

这也是“观壹”这个名字的由来。

“观”是观察。科学始于对真实世界的观测，最终也必须回到实验和证据。“壹”是第一性原理，是复杂世界背后的共同根基。正如《道德经》的“道生一，一生二，二生三，三生万物”。

谢伟迪用一句话概括：“观生命万象，求底层之壹；以壹为始，推演生命万物。”

英文名OneX Intelligence延续了这一含义。“One”是统一的生物智能基础，“X”是从这里延伸出的不同方向，也代表那些尚未有人知道答案的问题。

从罕见病诊断到虚拟细胞，

多项成果背后的统一能力底座

判断一家Biological AI公司的技术实力，关键要看它选择了什么问题，以及结果能否经得起检验。过去一年，观壹核心团队的多项成果覆盖临床诊断、病理分析和细胞预测等不同领域。

DeepRare：罕见病的第一道难关，是确诊

罕见病诊断像一场缺少线索的拼图游戏。全球已知病种超过7000种，不少疾病会同时影响神经、骨骼、代谢等多个系统；单个病种病例少，症状又不典型，相关知识还在飞速更新。再有经验的人类医生也很难在有限时间内想到所有可能。

DeepRare系统模拟了人类专家的“System 2 慢思考”逻辑，实现了“假设-验证-自我反思”的迭代循环，系统生成的每一个诊断结论，都附带一条清晰、完整的证据链条。

在新华医院163个病例的受控对比中，DeepRare将正确疾病排在首位的比例达到64.4%，高于5名具有至少10年罕见病诊疗经验医生54.6%的平均成绩。截至今年2月，DeepRare已吸引了超过1000名专业用户注册使用，覆盖全球600多家医疗及科研机构。

MAP：没见过的药物，实现零样本预测

人类已知的化学分子多达10的60次方，而真正做过细胞扰动实验的化合物只是其中极小一部分，“把每一种药都试一遍”不可能完成。

现有模型更像在背答案：训练时见过某种药物，才知道它可能带来什么反应。MAP则为模型补上了一张药物、基因、蛋白质和作用机制之间的“关系网”，让AI理解不同分子为什么可能产生相似影响。

在针对非小细胞肺癌细胞的一次虚拟筛选中，MAP对58个未见过的候选分子进行排序，前15名中出现了5款已获批抗癌药物中的4款。这验证了MAP具备了一定的零样本泛化能力，可以举一反三。

KEEP：让AI不只“看图”，还要理解肿瘤

病理切片是判断肿瘤的重要依据。发表于《Cancer Cell》的KEEP模型，为病理模型补上了一张“疾病关系地图”。

KEEP把病理影像、医学文本与包含11,454种疾病的知识图谱连接起来。在18个公开测试集和4个机构罕见肿瘤数据集上，其整体表现优于论文选取的已有病理基础模型，在罕见肿瘤识别上的提升尤为明显。

三篇论文分属临床诊断、病理分析和细胞预测，都是在解决生命科学中“数据少、未知多”的难题。观壹智能要让AI模型不能只记住训练时见过的答案，还要借助已有知识和生命机制，在罕见病例、陌生肿瘤或未知药物面前举一反三。

严格来说，这些成果还不足以证明观壹已经做成了统一的生物智能底座。但三项成果沿着不同尺度指向同一个目标：让AI不仅识别生命现象，也能理解现象之间的联系，并进一步预测生命系统的变化。

论文证明了一家公司能不能做出前沿成果，但要成为生命科学基础智能平台，还要回答另一个问题：这些不同领域的能力，能否汇入同一个底座，并被不同场景反复调用？

这是观壹接下来要验证的事。

目前DeepRare 已经在新华医院完成部署，正式用于罕见病诊疗的质控流程。

谢伟迪透露，观壹智能的下一步，不是为每个生命科学场景分别开发一套彼此割裂的系统，而是将底层能力封装成基础平台，通过“Model-as-a-Service”向外提供能力。简单来说，下游的医院、科研机构、药企、基因检测机构和生物技术公司不需要从头训练模型，通过接口调用、私有化部署或联合研发，即可获得诊断、病理分析、细胞预测等能力。

在竞争日益激烈的Biological AI领域，他强调观壹智能的壁垒来自四个维度的长期积累。

第一，对Science本身的理解。这是Biological AI企业必须具备的元能力。生命科学极其庞杂，真正稀缺的是判断哪些关键问题更值得解决，并将其转化为可计算、可证伪的模型问题。

第二，原生模型与算法能力。观壹智能不是简单调用通用大模型，而是围绕生命数据的多尺度、多模态、动态变化和因果干预，研发专门的模型架构、学习方法和评价体系。

第三，跨学科人才积累。Biological AI需要同时理解AI、生物机制、医学、实验和产业转化。将不同领域的人组织在同一套科学目标下，并形成长期协作的共同语言，本身就是极高的门槛。

第四，干湿实验闭环。算力可以买到，公开数据人人可以使用，论文发表后方法也会被同行追赶。真正难以复制的，是观壹智能大力投入的“建模与推理—实验设计—湿实验执行—数据回传—模型更新”的闭环。闭环形成，就会产生持续复利：更强的模型提出更有价值的实验，更好的实验产生更高质量的数据，更高质量的数据再次推动模型进化。

结语

Biological AI的全球竞赛正在加速，Nature等顶刊成果证明，以观壹智能为代表的中国公司已经拿到了入场券，有机会参与底层模型和科研范式的竞争。

观壹智能选择了一条更宽、也更难的路线。谁能率先打通模型、数据与实验的闭环，谁就更有可能掌握下一代生命科学基础设施的入口。观壹已经跑进赛场，但真正的比赛才刚刚开始。

本文为「智能进化论」原创作品，

转载请联系获得授权。