AI转向生命科学 中美布局生命世界模型
2026年的AI赛道正出现明显转向：当行业普遍聚焦大模型参数、智能体与通用超级智能等方向时，科技巨头的资金已转向更具挑战性的生命系统领域。
今年4月，由某科技巨头创始人及其配偶创立的生物科研机构启动虚拟生物学计划，投入5亿美元搭建配套的数据与实验能力，用于训练可预测生物现象的AI模型。至10月，该项目进一步扩大合作范围：相关国家能源部门、该国国立卫生机构与该机构联手搭建生命预测模型的数据底座，多家科技巨头共同参与，项目合计承诺投入18亿美元，其中能源部门未来五年将提供超5亿美元，国立卫生机构则开放其积累的大量生物医学数据。
该项目的核心目标是打造可预测生命行为的AI系统，业内称之为虚拟生物学，本质是搭建从分子、基因、细胞到完整生命系统的高保真数字版本。未来科研人员可像向大模型提问一样，在计算机中对生命系统进行假设、模拟干预，先完成数字层面的试验，再推进至实验室的真实实验。
这一布局并非单一的生物医药投资，更标志着生命科学成为AI竞争的第二战场。当前通用大模型赛道已进入白热化阶段，算力、人才、资本门槛持续走高；而理解生命系统仍是尚未定型的前沿领域，若能让AI真正读懂生命，将建立起比聊天机器人更难复制的核心壁垒。
AI分子设计亮眼，新药研发仍存瓶颈
AI与生物医药的结合并非新鲜事，曾被视为AI最早具备产业化潜力的方向之一。但经过十余年发展，核心疑问始终未得到彻底解答：我们是否真的距离新药研发更近了？
近年AI制药最突出的成果集中在分子层面：包括蛋白质结构预测、候选分子筛选、分子生成、药物安全性预测及药物靶点相互作用分析等，AI可一次性产出数千甚至上万个候选分子，大幅拓展了可供筛选的化学空间，效率提升的效果十分显著。
但将评判标准从模型性能转向新药上市结果时，现实却不容乐观。今年8月，某权威学术期刊发文复盘AI制药十余年发展：尽管各类AI算法层出不穷，但真正具备临床价值的成果依然有限，多数AI药企的项目停留在临床前或一、二期临床阶段，进入三期临床的项目占比极低。
在小分子生成领域，AI确实更容易找到可与蛋白结合的分子，但这仅属于配体设计范畴，与真正的药物设计存在本质差异。找到能绑定靶点的分子，和找到在人体内安全有效的药物，是完全不同的两个命题。
这也是行业当前需要深刻反思的问题：过去我们将复杂的生命问题过度简化。AI擅长回答“什么分子可结合该靶点”，但新药研发的真正难点在于一系列系统性问题：该靶点为何会引发疾病？干预靶点后，人体整套生命系统会产生哪些连锁反应？为何同一种药物对不同患者的疗效存在差异？为何细胞、动物实验效果良好的药物，在人体临床试验中会失败？
药物分子并非孤立起效，而是作用于基因、蛋白、细胞、组织、器官、免疫、代谢及外部环境共同构成的动态复杂系统中，药物能否成功的关键恰恰隐藏在这套系统内。这也引出一个根本性问题：若AI仅能理解分子，却无法读懂完整的生命系统，它能将新药研发推进到哪一步？
从单点分子模型，走向生命世界模型
这一现状也解释了2026年AI生命科学的核心变化：建模尺度不再局限于单个蛋白、分子或细胞，而是向上延伸至构建生命预测模型。目标不再只是预测蛋白结构，而是刻画生命状态、预判系统受干预后的变化、模拟细胞面对扰动时的反应，这便是业内所说的生命世界模型。
大语言模型学习语言规律，物理世界模型掌握物体运动与空间规则，而生命世界模型需要面对的规则则复杂得多：基因变异改变蛋白表达，蛋白调控信号通路，信号调整细胞状态；细胞间相互作用形成组织微环境，层层向上影响器官乃至人体。生命本身并非静止，会生长、衰老、产生代偿、发生突变，并对外界干预持续反馈。
因此，生命世界模型并非静态的生命百科，其核心是理解生命如何运转，预测某一变量改变后，整个系统后续的演变路径。
一旦这类模型落地，AI在医药研发中的定位将发生彻底改变：旧模式是给定靶点后快速寻找候选分子，新模式则是给定疾病后，先明确发病根源，再判断需干预的靶点、哪些患者能从中获益，并预判干预带来的全身连锁反应。同样是AI赋能新药研发，两种模式要解决的问题已完全不同。
国内同步布局：计算医学纳入国家重点规划
这一转型趋势并非美国独有，国内AI生命科学领域也正从单点算法转向系统性疾病建模。
今年9月，国内多部门联合发布医药工业发展规划，计算医学首次与AI、量子计算、超算并列，成为医药工业未来五年的重点技术方向。AI与超算提供通用计算能力，而计算医学则解决如何将这些算力对接生命系统，用于解决真实疾病问题。
国内某科技企业正是沿着这一路线布局，未单纯训练更大的生物大模型，而是围绕疾病本身整合基因组、细胞特征、疾病机制、患者数据与药物干预信息，搭建多层级计算模型，尝试构建可持续推演、训练与验证的生命世界模型体系。
10月17日，该企业发布旋涡计算医学平台。它并非一款独立的生物大模型，而是解决更底层的工程难题：若生命世界模型是下一代生命科学的基础设施，则需要一套底座支撑这类模型的训练与运行。
搭建生命世界模型，难度远超训练大语言模型
生命世界模型的落地难度极易被低估，主要面临四大挑战：第一是数据难题，大语言模型拥有海量互联网文本作为数据来源，但生命领域缺乏统一数据集，基因组、单细胞、空间组学、病理、影像、临床数据分散，格式、质量与观测尺度差异巨大，许多高价值数据需通过专门实验产出，前述项目投入的18亿美元中，很大一部分用于生产生物数据，而非单纯训练模型；第二是多尺度建模难题，不存在大一统的生命模型，研究DNA突变、细胞状态、组织微环境与人体疾病需不同模型配合，未来完整的生命世界模型大概率是多模型、知识库与工具协同的复合系统，而非单一巨型模型；第三是异构算力工程挑战，模型预训练、组学分析、疾病演化模拟与数字患者推演等计算方式各异，需灵活调度CPU、GPU等各类算力资源，会遇到传统大模型极少面对的大型科学计算工程问题；第四是计算与实验的闭环难题，语言模型出错可直接重新训练，但生命模型给出的靶点假说必须进入实验室验证，实验结果再修正模型，最终还需接受临床检验，模型结论不能仅在计算机中自洽。
前述旋涡平台正是瞄准这一痛点，整合异构算力、多组学生命数据、模型矩阵、科研工具、智能代理与实验验证链路，搭建从模型训练、科学计算到湿实验闭环验证的基础设施，本质是为生命世界模型打造生产底座，而非仅开发单一模型。
AI生命科学，进入基础设施竞争阶段
2026年，中美两地出现行业共振：美国方面，相关机构联合搭建生命AI所需的数据、算力与实验基础设施；国内方面，计算医学纳入医药规划，本土团队开始搭建生命世界模型的工程平台。
这两件事看似独立，本质指向同一判断：AI生命科学已从比拼模型指标的阶段，进入基础设施竞争时代。
过去行业比拼的是谁的蛋白预测更准确、谁生成的分子效果更好、谁能提速某一研发环节；下一阶段比拼的核心则是：能否获取大规模高质量生命数据、能否跨越基因、细胞、组织、人体的不同尺度建模、能否协同调度多个模型、能否让模型持续与真实实验闭环验证，最终实现AI从处理生命数据升级为理解生命系统。
AI制药过去十余年的方向并无错误，只是此前攻克的是生命问题中相对容易计算的部分。分子固然重要，但药物治疗的对象是人，从候选分子到人体产生疗效，中间隔着一整套完整复杂的生命系统。
若生命世界模型成为继语言模型、物理世界模型之后AI的下一个核心方向，未来最大的机会未必属于小幅刷新模型指标的团队，真正稀缺的资产不是又一个生物AI模型，而是一套能让AI走进真实生命世界的完整基础设施。
