津渡生科物理AI平台：牛津团队科研周期缩至周级

就在通用大模型领域的最新突破引发全球关注之际，国内生命科学AI领域也迎来了重磅进展——由四位牛津归国学者创办的津渡生科，其自主研发的GeneLLM多组学大模型接连登上《Nature Communications》与《Advanced Science》两大国际顶级学术期刊。

作为全球首个直接基于原始组学测序数据进行预训练的多组学大模型，GeneLLM是继谷歌AlphaFold、斯坦福EVO 2之后的又一里程碑产品，填补了国内生命科学基础大模型的空白，被称为国内生命科学领域的“DeepSeek”，让AI真正开始理解生命的多元语言与整体系统。

疾病检测只是GeneLLM的基础应用之一，津渡生科的长远目标，是构建生命科学领域的“代码解释器”：像通用大模型预测下一个token一样，预测生命的下一段信息。

通用大语言模型的核心逻辑是基于上下文预测下一个token，GeneLLM则将这一思路迁移到生命科学领域：RNA序列中的腺嘌呤（A）、尿嘧啶（U）、鸟嘌呤（G）、胞嘧啶（C）四种碱基，成为模型理解生命语言的基本单元。与传统生物信息学分析依赖基因注释、人工标签不同，GeneLLM直接从未经处理的原始测序数据中学习生命规律，避免了提前限定认知范围导致的未知信号丢失。

目前GeneLLM已完成15亿参数与3.5万亿碱基序列的预训练，XLarge版本更是实现了300亿参数的模型训练，持续构建技术壁垒。其训练流程分为两大阶段：无监督预训练与原型挖掘，以及患者级疾病微调（Disease Tuning）。

在技术实现上，GeneLLM将约150bp长度的RNA测序片段，通过7个碱基组成的滑动窗口（7-mer）切分为生命Token，随后利用Transformer架构在无基因注释与人工标签的情况下直接预测下一个碱基。训练过程中，模型处理了数十万亿条RNA reads，基于百卡集群NVIDIA A100 GPU完成训练，最终实现了泛化能力的“涌现”。

这款国产生科大模型的应用场景覆盖新药研发、精准医疗、合成生物、环境监测、微生物农业、蛋白质分子设计等多个领域，是全球范围内少数实现实际场景落地的AI生科模型。

更值得关注的是其效率优势：传统测序分析依赖6Gb深度测序，成本高企难以普及，而GeneLLM在1Gb极浅深度测序的情况下，仍能保持AUC>0.8的性能，成本降低83%，让普惠精准医疗成为可能。一种全新的科研范式正在浮现：让AI从生命数据中自主学习，推动生命科学进入可预测、可计算、可规模化探索的新阶段。

不过津渡生科的布局远不止基础模型本身。以GeneLLM多组学大模型为生命认知底座，团队进一步构建了连接AI智能与物理世界的执行体系，通过Harness智能实验执行层与DBTL（Design-Build-Test-Learn）数据闭环，实现从生命规律理解、科学假设生成，到自动化实验验证和持续迭代优化的完整AI for Science闭环。

正如前OpenAI副总裁、训练负责人Liam Fedus所言，当前大语言模型已经耗尽了互联网上有限的文本与代码资源，下一步的科学发现重大进展必须依赖实验迭代。也就是说，AI不能仅靠阅读人类已有的文字内容来发现新知识，必须亲自参与实验。

当前的科研实验室面临一个核心痛点：科研设备来自不同厂商，协议各不相同，既复杂又昂贵，很难在短时间内完成标准化改造；且大多数实验室的操作流程是为人类设计的，仪器面板、移液动作、样本状态等大多未转化为机器可识别的信号。因此，AI进入实验室不仅需要模型能力的突破，更需要一套全新的基础设施。

这正是AI4S领域的“最后一公里”：将实验室改造为可编译、可调度、可观测、可追溯的智能系统。津渡生科为此开发了BioFord Harness系统，作为打通AI与物理实验室的基础设施。

BioFord Harness并非简单让机械臂模仿人类操作，而是从底层重构实验室的运行逻辑，核心完成三件事：一是将科学意图或实验DSL编译为不同设备可执行的指令；二是在多设备间完成调度、资源与安全约束管理，并处理异常情况；三是将实验结果、设备日志和环境参数回流，作为下一轮模型与实验设计的训练数据。

通过这一流程，形成了“科学问题→AI理解→实验方案→设备调度→执行→数据回流→模型优化→下一轮”的完整科研数据飞轮，让实验室真正实现自主迭代。

在此基础上，津渡推出的BioFord Agent具身智能科研平台，向下连接实验室物理层，向上承载科学家认知层，通过物理AI打通推理与执行的断层。在认知层，五大智能体组成的协同网络覆盖了生命科学研究的全流程，可显著提升科研效率：

• 文献检索智能体：快速检索阅读海量文献，完成文献综述并辅助提出研究假设
• 实验设计智能体：将原本需要数月的实验设计周期缩短至一周
• 科学智能体：基于已有数据生成科学假设与优化方向
• 实验调度智能体：依托通用仪器抽象层打破异构设备协议壁垒，统一纳管PCR仪、酶标仪、流式细胞仪、自动化移液工作站等设备，通过动态调度算法实现批量排程、实时冲突规避，并形成可追溯的实验审计链条
• 数据分析智能体：自动处理实验数据，生成可视化报告与优化建议

这意味着AI不再停留在“出谋划策”的阶段，而是真正走进实验室，成为可信赖的科研助手，直接操纵设备完成实验任务。

这套系统更深层的价值在于，让每一次实验——无论成功还是失败——都成为系统可消化的训练数据。在传统实验室中，一次失败的实验可能仅被记录为“结果不符合预期”，相关经验仅存在于实验人员的脑海中，随着人员流动而流失。而在BioFord系统中，参数选择逻辑、环境条件记录、错误路径验证等所有细节都会被完整沉淀，成为系统的“经验”，让AI在下一次实验中主动规避无效路径。

津渡生科创始人兼CEO金泳成表示：“在研发过程中我们逐渐发现，AI for BioScience不是简单地堆砌模型和数据。对于科研人员来说，最终需要解决的依然是‘算完不会做、做了又不对’的困境。”这也正是AI4S赛道最核心、最难被复制的护城河。

津渡生科的核心团队由四位牛津校友组成：金泳成牛津大学生物工程博士毕业，其导师是英国皇家学会会员、Oxford Nanopore创始人Hagan Bayley；另有生物学博士邓司伟、北京大学计算机博士沙磊（小米大模型负责人罗福莉的同门师兄），以及擅长产品落地的周天尧。四人分别具备生物工程、人工智能、计算生物学、商业运营的专业背景，形成了完美的学科互补，曾联合开展AI与转录组技术结合的疾病预测检测研究。

公司名称“津渡生科”中，“津”取自牛津，寓意团队从牛津顶尖学术高地出发；“渡”则代表“渡人”，这也是团队认为AI for Science应该抵达的最终目标。目前，BioFord Agent物理AI科研平台已在国内多所知名高校落地，将科研周期从数月缩短至一周，成效显著。

创业初期，团队曾面临诸多困难：彼时AI创业热潮高涨，但生命科学领域的AI+尝试寥寥无几，“懂AI的不一定懂生物科学，懂生物科学的大部分不懂AI”，投资方也曾一度无法理解团队的方向。团队选择了一条极具挑战的路径：从生物基础大模型切入，全球范围内专注该方向的企业屈指可数。

2025年，随着国务院印发《关于深入实施“人工智能+”行动的意见》，AI for Science被纳入重点方向，赛道迎来发展机遇。津渡生科在一年内完成四轮融资，堪称行业标杆：天使+轮获红杉中国种子基金领投；Pre-A+轮先后获创东方投资千万级领投、南山战新投千万级投资；A轮获高特佳投资近亿元领投。

高特佳投资执行合伙人滕宇航评价：“津渡生科将生命科学基础研究转化为了可订阅、可扩张的‘算力+实验’基础设施。”金泳成的目标则更为长远：“我们不满足于仅销售软件，而是要搭建生命科学领域的智能操作系统，就像英特尔定义了PC时代的算力，我们希望定义AI时代生命科学的研发新范式。”

在全球AI for BioScience的赛道中，津渡生科的切入点与其他玩家截然不同：

• 第一类是数字端AI科学家：如斯坦福孵化的Biomni（已商业化为Phylo）拥有150+专业工具，可自动完成文献回顾、假设生成与生物信息分析；Eric Schmidt支持的FutureHouse致力于构建能自主生成假设、撰写论文的AI科学家，但这类方案均局限于数字世界，无法触碰物理实验场景。
• 第二类是全栈自主路线：如晶泰科技以“AI+机器人”在全球部署超300台工站；Flagship Pioneering孵化的Lila Sciences融资5.5亿美元，试图让AI完全接管实验的设计、执行与迭代，目标打造“科学超级智能”，但这类模式重资产投入，成本极高。
• 第三类是端到端管线路线：如英矽智能将AI直接推进自有创新药物管线，首款AI药物已进入III期临床，但这类企业更像“造车人”，需将命运押在单条临床管线之上。

津渡生科选择的是轻量化的“最后一公里”路线：专注构建物理Harness，作为模型与实体实验系统之间的桥梁基础设施。团队不参与底座模型竞赛，不做端到端管线，也不局限于纯数字AI科学家，而是以打通实验室与AI的最后一公里为入口，争夺整条科研工作流的编排权。

相比纯数字AI科学家，津渡的方案能够触碰物理世界；相比自建重资产科学工厂，团队有机会接管客户已有的实验室资源；相比端到端AI制药公司，团队无需将命运押在单条临床管线上。其真正的护城河并非模型参数量，而是不断积累的实验轨迹、设备接口、失败经验与跨实验室执行网络。

正如金泳成所言：“生物学有多丰富，AI for Science的前景就有多美。”以AI的智能探索生命之谜，这群牛津归国学者的星辰大海，才刚刚拉开序幕。