AI虚拟细胞CellOS：世界模型+3.9亿单细胞突破预测瓶颈

近期，AI虚拟细胞（AI Virtual Cell, AIVC）领域迎来了里程碑式的技术突破。国内企业百曜科技作为该赛道的早期布局者之一，正式推出全球首款基于LLM-JEPA架构的AI虚拟细胞世界模型：AURA CellOS。

这款模型是目前公开报道中参数规模最大的单细胞基础模型，基于3.905亿个人类单细胞转录组数据训练完成，覆盖了40余种人体组织、260余种细胞类型，几乎囊括了所有已知的人类细胞类别。其最受行业关注的突破，在于首次将JEPA（联合嵌入预测架构）与世界模型理念系统性引入单细胞研究领域。

当前，世界模型已经成为自动驾驶、机器人与生成式AI的核心技术方向，能够精准感知规律、推演环境动态变化。CellOS的问世让行业不禁思考：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？

从公开的评测结果来看，CellOS在预测精度、扰动建模等多项核心指标上与主流模型拉开了倍数差距，达到了当前国际领先（SOTA）水平。但要理清其技术逻辑与商业价值，还要从生命科学最核心的命题——理解细胞变化说起。

疾病发生、药物作用、细胞治疗的本质，都是细胞状态发生改变的过程。在过去，科学家只能通过细胞培养、动物实验乃至人体验证来探究细胞在药物、基因扰动等刺激下的变化，高昂的研发成本与漫长的试验周期让大量潜在新药和细胞疗法陷入漫长试错，“十年研发周期、十亿美元投入，临床成功率却不足10%”的“双十定律”亟待被打破。

虚拟细胞的出现为新药发现开辟了全新路径。早在20世纪90年代，就有学者开始探索在计算机中“复刻”细胞的技术，并开发了早期的细胞建模工具VCell，之后斯坦福大学研究团队发布了全球首个全细胞计算模型。但早期的虚拟细胞并非学习型模拟器，无法模拟细胞在不同条件和变化环境下的运作，既不能预测细胞功能、行为和动力学，也无法揭示背后的生物学机制，自然难以在药物开发中发挥最大价值。

直到近年来，单细胞测序技术的指数级进步与成本降低，让细胞数据采集能力大幅提升——过去几年中，这类数据每6个月就会翻一番，为建模提供了底层基础；同时AI技术的突破也显著增强了细胞数据的处理、学习和推理能力，让虚拟细胞逐渐接近生命科学的“模拟沙盘”。

2024年12月，美国斯坦福大学、基因泰克制药公司与陈—扎克伯格基金会组成的联合科研团队在顶级期刊《Cell》发表重磅论文，正式宣告AI虚拟细胞时代的到来。在此之前，Geneformer、scGPT、scFoundation、GeneCompass等一批模型就已相继问世，只是业内尚未形成统一的AIVC叫法。

这些早期的AIVC模型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。比如在敲除基因、给药或诱导分化后，细胞会如何演化？第一代AIVC模型在这类动态预测任务上表现不佳，核心原因在于其训练目标主要是学习基因表达模式本身，而非细胞状态变化的内在机制，因此难以区分哪些表达变化只是背景噪声，哪些才是真正驱动细胞状态演化的关键信号。

进一步来看，由于模型主要基于单一表达视角学习静态基因表达模式，难以刻画基因调控关系及细胞状态演化的动态规律，许多只有在特定扰动条件下才显现的关键生物学信号，也容易被大量稳定表达的背景信号所淹没。因此，仅靠不断扩大数据规模和模型参数，无法显著提升模型对细胞状态演化轨迹的预测能力，也难以学习细胞变化背后的内在生物学规律。

2026年6月发表在《Nature Methods》的一项研究印证了这一点：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次评估后发现，在多项任务中，模型性能往往在使用约1%的预训练数据后便进入平台期——换句话说，仅用约22万细胞训练，模型性能就基本拉满，再多投喂海量同质细胞样本，模型效果也不会明显提升。这让行业开始重新思考：现有技术路线是否还能持续受益于Scaling Law（缩放规律）？抑或是第一代AIVC的建模范式已经触及瓶颈？

CellOS给出的答案是后者：真正限制模型持续提升的，并非Scaling Law本身，而是传统语言模型架构与细胞数据特性的系统性错配。只有让模型真正学习细胞状态演化规律，而非仅仅复刻静态表达模式，数据规模扩展才能持续转化为模型能力的提升。正如李飞飞在最新长文中所言：“世界不是由文字构成的。”而细胞的世界，更不由文字定义，AIVC领域需要的是AI对细胞状态的理解，而非单纯的表达模式复现，只有这样的模型，才能支撑动态预测（如扰动响应）和可迁移的虚拟细胞能力。

站在业内角度来看，CellOS的技术路线选择颇具突破性：它没有选择大多数团队仍在沿用的“安全路线”——继续在大语言模型上卷参数、卷数据，而是直接站队JEPA这条难度更高但潜在天花板也更高的技术路径。因为人工智能领域的普遍共识是，世界模型最擅长感知规律、推演环境动态变化，而CellOS正是首个将世界模型理念引入AI虚拟细胞领域的模型。

同时，CellOS也是目前公开信息中规模最大的单细胞Foundation Model，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，几乎覆盖了所有已知人类细胞类型。

CellOS的核心创新主要有三点：多视角表征学习、JEPA联合嵌入预测、无损扩容。

首先是双视角互补的多视角表征学习。传统单细胞基础模型通常只依赖单一的“表达视角”，即根据基因在单个细胞中的表达丰度来判断细胞状态，这种方式容易忽略那些表达量不高但在生物学上具有重要标志意义的基因（如调控基因、应激响应基因），导致关键信号易被背景噪声淹没。CellOS则引入了「双视角互补机制」，在表达视角之外增加了群体感知视角，相当于给模型装了两双“眼睛”：一双眼睛看表达丰度，即基因的活跃程度；另一双眼睛看群体特异性，即该基因在整个细胞群体中的独特性与信息权重。将两个维度并行分析后，模型能够更容易捕捉到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，为后续的技术创新打下了基础。

其次是JEPA联合嵌入预测架构。传统模型的训练方式是让模型尽量“原样复述”输入的细胞基因表达数据，这就像让学生死记硬背课文，容易只记住表面文字，却不懂背后的含义。而CellOS引入JEPA后，彻底改变了训练逻辑：不再让模型简单复述输入内容，而是让模型用“一种视角”去预测“另一种视角”的观测结果，倒逼模型在内部构建细胞状态的内在逻辑模型，真正抓住稳定的生物学规律。举个例子，传统模型只能看到“这个细胞现在长什么样”，而JEPA则让模型学习“如果从不同角度观察这个细胞，它的状态本质是什么？如果发生变化，它会往哪个方向走？”这一升级让模型的能力从“看懂表面”升级到“理解本质”，在基因敲除、药物响应等动态预测任务上的效果提升尤为明显。

第三是无损扩容机制。大模型普遍面临“灾难性遗忘”的问题，即参数规模扩大后容易丢失之前学习到的核心知识。CellOS的解决方案是：先训练一个基础的中小型稠密模型打牢根基，再通过平滑过渡的方式将其升级为12B参数的混合专家（MoE）模型，在升级过程中完整保留原有的核心知识，同时新增多个“专家”模块学习更复杂的内容。这一设计让模型既能扩大规模、提升性能，又不会遗忘已掌握的细胞表达规律。

这三大创新并非各自为政，而是形成了完整的技术闭环：双视角表征是基础，负责提供高质量的互补特征；JEPA架构是核心，负责深度挖掘生物学规律；无损扩容是保障，确保模型在扩大规模后性能不会下滑。

除了技术创新，CellOS还提出了Dense-to-MoE三阶段训练策略，没有将所有创新一次性投入训练，而是拆分为循序渐进的三个阶段：第一阶段（Dense）先用传统的“表达视角”训练一个扎实的中小型稠密模型；第二阶段（MoE）在模型基础打好后，将其平滑扩容至12B参数规模；第三阶段（多视角联合训练）加入群体感知视角并启动JEPA对齐训练。这种分阶段的训练设计非常务实，既降低了训练风险，又让每一层创新都能在最合适的时机发挥最大作用。

在三层技术创新与三阶段训练策略的加持下，多项基准测试显示，CellOS在细胞状态注释和扰动响应预测任务上均达到SOTA水平。在衡量细胞状态预测能力的核心指标Pearson_edist上，CellOS取得0.619的成绩，不仅位列所有模型第一，也是全球首个突破0.6的同类模型，相比目前表现最好的开源模型TranscriptFormer（0.373）拉开了66%的性能差距。另外，在细胞状态注释任务中，它在聚合注释基准上取得了0.792的生物学保守分数，全面超越UCE、scGPT、TranscriptFormer等主流单细胞基础模型。

CellOS不只是一款全新的大模型，更是一种研究范式的升级，它让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了坚实基础。

过去两年，AIVC赛道已经从概念验证阶段进入技术竞速周期。2025年6月，知名研究机构Arc Institute发起的虚拟细胞挑战赛（Virtual Cell Challenge，简称VCC），集齐了英伟达、10x Genomics等赞助方，被称为“细胞版的图灵测试”，吸引了全球五百余支团队参赛，华人科学家团队表现强势，其中预赛全球第一、决赛全能榜全球第二的x.Compass团队，正是本次发布CellOS的研发核心团队。

比技术竞速更激烈的，是资本与产业界的较量。成立仅1年的Xaira Therapeutics完成10亿美元单轮融资，创下当年全球医疗健康领域最大的单笔融资纪录；2024年前后，Somite.ai、Noetik、Turbine等生物科技公司也陆续拿到知名机构的投资；全球大型制药巨头也相继向AIVC企业抛出业务合作的橄榄枝。

宏观来看，除了资本和产业，监管环境也在发生积极变化：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甚至替代部分动物实验；欧洲、中国等监管机构也开始加强AI辅助药物研发相关研究，为数字化研发提供更明确的发展方向；国内更是将“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。

微观来看，随着AIVC赛道持续升温，全球入局者快速增加，并逐渐分化出三类核心玩家：第一类是以Arc Institute、同济大学等科研机构为代表的基础研究团队，这类团队更多推动算法创新和公开Benchmark建设，例如STATE、AlphaCell等模型，为行业建立统一评价体系和开放生态；第二类是以Xaira、Noetik、Cellular Intelligence、Tahoe Therapeutics、百曜科技等为代表的平台型创业公司，这类企业通常拥有专有数据、湿实验平台以及药企合作能力，希望构建覆盖数据、模型和实验验证的完整研发平台；第三类则是以Recursion、Owkin、Isomorphic Labs等为代表的AI制药公司，它们更关注AI如何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。

要在喧闹的赛道中持续保持敏锐和领先，就要关注长期价值的复利，而非短期热点的狂欢。事实上，观察近年来获得较大融资、商业合作的平台公司可以发现，它们几乎都具有共同特点：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。也就是说，行业对AIVC的期待已经不只是一个算法，而是希望其成为连接AI、生物数据、实验平台和药物研发的新型基础设施，大家开始关注：谁拥有持续产生高质量数据的能力？谁能够形成“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，往往比单一模型性能更难建立，也更难复制。

值得关注的是，在这一轮AI虚拟细胞竞赛中，中国团队开始逐渐从“跟随者”转向“规则参与者”。过去几年，全球AI制药领域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、生物计算以及大模型技术不断发展，一批中国原生AI生物科技公司开始强势进入这一赛道：比如CellOS背后的百曜科技，先发优势明显，已经搭建了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“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管线资产和模型服务两大应用落地方向，前者进一步延展到细胞治疗、工程细胞领域，后者则涵盖靶点发现、虚拟药筛及虚拟临床全周期。

整体来看，尽管行业发展迅速，但AIVC还处于产业早期，仍有四大挑战横亘在行业面前：一是高质量扰动数据仍然稀缺，相比互联网行业拥有海量文本数据，生命科学的数据获取成本极高；二是多模态融合仍有待突破，目前多数模型主要依赖单细胞转录组数据，而真实生命活动同时涉及蛋白组、空间组学、代谢组、细胞形态等多个层面；三是模型可解释性仍需提升，对于科研人员而言，一个预测结果是否正确固然重要，但更重要的是模型能否解释其背后的生物学机制，是否能够提出可验证的新假设；四是商业价值仍需持续验证，目前大多数AI虚拟细胞企业仍以平台合作、联合研发或技术服务作为主要商业模式，未来只有真正帮助药企大幅缩短研发周期、降低研发成本、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商业化落地而展开的新竞赛，才刚刚开始。当所有人都在谈论世界模型的时候，或许，最值得建模的那个「世界」，就藏在36万亿个细胞里。

塔猴是一个专注于为用户提供系统学习、内容创作与商业连接的AIGC综合服务平台，致力于为每一位AI探索者打造理想的创作、成长家园。在塔猴，你不仅可以学习众多AIGC类实战课程，获得与时俱进的AIGC技能和视野，还有机会获得长期商业合作和接单机会！点击进入：https://www.tahou.com/