当大模型在文本、图像领域不断刷新性能上限，但把 Transformer、Pre-training、Scaling Law 直接“拿来主义”照搬到生命组学（Omics）领域，却频繁遭遇现实壁垒。组学数据高维、稀疏、动态、异质、标签稀缺，和文本、图像等 AI 适配的经典数据类型相比存在巨大鸿沟。面向组学数据，大量 AI4S 项目停留在论文原型，似乎难以真正走进实际的产业研发场景。
近期，国内 AI for Science 初创企业扰动之心（PerturbMind AI）正式走出隐匿模式，打造几何世界模型驱动的 PerturbSeek™ 数字生命世界模型生态系统，全力探索适配生命组学并有效驱动药物研发的可工程落地的 AI 技术路线。
扰动之心孵化于同济大学数字生命智能体实验室（DELTA Lab），CEO 啜国晖博士是该实验室的 90 后毕业生，首席科学家正是实验室负责人刘琦教授。团队同时发布业内首个虚拟细胞状态推演世界模型 AlphaCell 1.0 Pro，其前身是今年 3 月发布的 AlphaCell 1.0 Preview，Nature 也对其学术版本做了相关报道。
DeepTech 近日在上海与啜国晖博士与刘琦教授进行了对话。访谈中了解到，该模型的构建思路是对生物隐空间流形进行塑造，模型不死记硬背训练样本，而是在生物隐空间流形上直接学习细胞状态的迁移规律，从而在训练样本有限、面对未见过的生物背景时仍能展现出有效的泛化能力。团队介绍，Pro 版在上一代基础上重点升级了扰动轨迹推演能力，并可进行参数的弹性伸缩，以适配不同产业应用场景。
刘琦认为，在组学领域，尺度法则（Scaling Law）可能只在一定条件和边界内成立：组学数据规模不及文本，任务又高度异质，靠堆数据、堆参数换不来稳定的性能提升。啜国晖从产业端补充，许多模型在公开基准上表现亮眼，一到企业的真实数据上就存在落差。需要发展可落地以及场景适配的生命组学 AI 技术路径。
对数据和实验验证环节，刘琦认为，干湿闭环会成为行业标配，难以再作为卖点，而实验验证无论如何自动化，都压缩不了细胞生长所需的时间，提升模型精度往往比扩建自动化实验室更划算；数据也应围绕具体研发场景定向产生，而非无目标地大规模铺开。
落到药物研发，啜国晖希望用以“状态”为中心的人工智能药物研发（AIDD）思路，补足传统靶点模式难以覆盖的复杂疾病靶点识别和新模态（New Modality）药物研发，既为已知的锁配钥匙，也去寻找新的锁。
以下为 DeepTech 与刘琦教授、啜国晖博士的对话，经编辑整理。
DeepTech：现在很多项目把适用于文本、图像数据的 AI 框架迁移到组学数据上。从你们的观察来看，这种迁移会遇到哪些问题？
刘琦：这也是我们团队一直在思考的核心问题。组学数据和文本、图像这类经典 AI 处理的数据，在底层逻辑上存在巨大差异。
首先，文本的基本单元是词元，图像是像素，都是单一尺度层级，组学的基本单元则可以是从分子（DNA、RNA、蛋白质）到细胞、组织再到个体的多尺度层级；其次，从特征上看，文本和图像是一维序列或二维网格，组学数据则涉及序列、结构、空间等多种表现形式；再次，文本和图像是静态快照，不涉及空间原位信息，组学数据天然具有时序轨迹特性，比如发育过程和疾病演进，同时还涉及对原位空间和微环境的描述。
在数据治理层面，差距同样很现实。组学数据信噪比低，批次效应（batch effect，指不同实验批次之间的系统性技术偏差）突出；标签稀缺，标注成本很高，很难像文本、图像那样轻易获取大规模的监督标签。
如果照搬处理文本、图像的主流 AI 架构去分析组学数据，往往会遇到三道“拿来主义”鸿沟。
第一是数据形态鸿沟，当前主流的 AI 框架，比如大语言模型，往往建立在海量、静态、同质的数据之上，组学数据却是稀疏、动态、异质的；第二是任务目标鸿沟，文本、图像建模的任务多聚焦于关联与判别，生命组学建模的目标更复杂，本质上要做科学机制的解析和发现；第三是验证闭环鸿沟，文本、图像模型可以在线快速评测，组学模型的预测结果需要回到生物实验中验证，个体差异大，验证成本高，反馈周期被大大拉长。
面向文本、图像等 AI 模型的预测建模一般需要满足若干隐含前提，才能取得比较好的效果，我总结为四个前提：海量大数据、静态快照、独立同分布（i.i.d.，指样本彼此独立且来自同一分布）、标注易获取。但这些前提，在生命组学场景几乎全部不成立。
啜国晖：产业端对此体会更深。很多套用文本、图像架构的组学预训练模型，在公开基准数据集上效果亮眼，企业拿真实场景的数据一跑，性能断崖式下跌。根源就在于这些前提被打破了，批次效应和样本异质性破坏了独立同分布假设。很多项目把通用模型的输入输出改一改，框架稍做适配，就叫“生命大模型”，没有针对组学固有的特性做底层改造，本质只是套壳。
DeepTech：经常被讨论的尺度法则（Scaling Law），也就是模型性能随数据量和参数量增长而提升的规律，在生命组学里到底成不成立？
刘琦：无论是 AI 领域还是生命科学领域，都很关注这个问题，它在很长一段时间内可能都没有定论。我个人倾向于认为，它不是简单的成立或不成立，在生命组学领域，尺度法则可能是有条件、有边界约束的。像 Geneformer、scGPT 这类在千万到上亿个细胞上预训练的单细胞模型，确实在部分任务上能看到性能提升，但大量基准测试表明，尺度带来的增益高度依赖具体的任务类型和场景。
语言大模型的尺度法则成立有三个前提：万亿级词元的海量数据，“预测下一个词元”（“Next-Token”）这样单一同质的任务，以及静态且容易获取的语料库。反观组学，单细胞数据规模比文本低 2 到 3 个数量级；任务高度异质，细胞轨迹推演、扰动响应、时空建模完全不是同一类任务；批次效应破坏数据分布，标签又极度稀缺。
所以，在这里不能简单照搬通用 AI“堆数据、堆参数就会变好”的逻辑。生命组学需要探索属于自己的尺度法则，不能直接套用自然语言处理（NLP）和计算机视觉（CV）的经验。
啜国晖：这也是我们技术路径的出发点。我们提出“参数量甜点”（sweet spot）的概念：参数并非越大越好，性能、算力成本和泛化能力之间存在一个平衡点。我们开发的 AlphaCell 系列模型因此做了弹性伸缩：标准版为 1B（10 亿）参数级别；轻量版 300M（3 亿）参数，适配轻量级和私有化部署需求；最大可扩展到 50B（500 亿）参数，应对复杂场景下高精度轨迹推演的需求。我们会先明确应用场景的定义和边界，再根据生物任务本身选择合适的模型规模，不会默认去堆参数。
DeepTech：既然不能照抄通用 AI 的作业，一套真正适配生命组学的 AI 方法学，应该抓住哪些核心方向？
刘琦：我总结为四个方向：多尺度跨模态、生物语义低秩、时空动态变化、监督信号稀缺。
第一是多尺度跨模态整合。生命系统横跨分子、细胞、组织、个体多个尺度，组学模态多且相互混杂，模型需要打通不同尺度的生物信息。
第二是生物语义低秩。高维的组学原始数据噪声巨大，但重要的生物语义，比如功能模块和信号通路，往往集中在由少数几个维度构成的低秩空间里。我们需要把数据映射到合理的生物流形隐空间，也就是一个能反映细胞内在结构的低维空间，在其中做度量、嵌入和生成建模。
第三是时空动态变化。生命不是静态快照，疾病和发育都是动态演化过程，这就对应“世界模型”的概念，需要推演状态在时间和空间上的转移。
第四是监督信号稀缺。组学场景的强标签很少，要大力发展弱监督、半监督、迁移学习、元学习这类适用于低数据资源的学习范式。图灵奖得主杨立昆（Yann LeCun）有个很形象的比喻：“强化学习是樱桃，监督学习是糖霜，但蛋糕本体是无监督学习”，在组学领域尤其贴切。我们团队写过一本《组学机器学习》，对这几方面都有介绍。
更进一步，我们不能止步于“识别关联”，要走向“因果发现”。现在绝大多数 AI 模型学到的是相关性，但药物研发需要回答干预和反事实问题：如果对这个细胞施加某个扰动，系统状态会发生什么改变？这就是因果建模的价值，也是我们聚焦扰动组学的原因。
我们团队前期的大量工作都围绕这一点展开，比如 2025 年我们和微软亚洲研究院合作开发了虚拟细胞因果反事实推断的原型系统 CausCell，在反事实生成方面做了初步探索。公司名 “PerturbMind” 也由此而来：“Perturb” 即扰动，对应扰动干预；“Mind” 代表对生命系统复杂动态的建模与理解。中文名“扰动之心”，寓意以扰动干预作为理解复杂生命系统的钥匙。
DeepTech：你们是如何把这套方法学落地成产业可用的平台的？
啜国晖：我们以扰动组学、几何深度学习、世界模型理论三大支柱构建技术底座，核心是对生物隐空间流形进行塑造，并用这种底层技术驱动药物研发。传统 AIDD 是“靶点中心化”的，有了锁去配钥匙，盯着已知靶点筛分子。
但疾病本质上是生命系统稳态失衡带来的整体状态偏移，很多复杂疾病没有单一的决定性靶点；到了新型模态（New Modality）药物研发的诸多场景，复杂的耐药现象更是层出不穷。这就需要对整个系统有建模能力，所以我们的目标是探索“以状态为中心”的世界模型 AIDD 范式。这种范式不光可以做药物分子的设计和发现，同时也可以做复杂疾病机制的解析和全新靶点的挖掘，我们给了锁可以找钥匙，同时我们也可以找新的锁。
我们正在打造 PerturbSeek™ 生态系统，通过几何深度学习算法学习，对于生物隐空间流形进行有效学习和塑造，持续学习各类扰动干预条件下完整的生物动力学演化规律，并在特定疾病、特定临床约束条件下识别有效的干预手段。模型不是去记住训练集样本，而是学习流形之上的状态迁移规律，即便面对有限的训练样本和未见过的生物背景，依然具备泛化推理能力。
AlphaCell 系列就是这套体系下的虚拟细胞状态推演世界模型。今年 3 月我们发布了 AlphaCell 1.0 Preview 的学术版本，被《自然》（Nature）作为虚拟细胞世界模型典型代表进行报道。现在发布的 AlphaCell 1.0 Pro 在此基础上对扰动轨迹推演做了重要升级。
图 | 几何世界模型：连续、可微的生物几何流形（来源：受访者提供）
我们的底层技术创新在一定程度上受到 DeepMind 的 Alpha 系列工作启发。DeepMind 联合创始人、诺贝尔化学奖得主戴密斯·哈萨比斯（Demis Hassabis）在不同场合多次提到，特定问题求解的本质，是存在某种可以被学习和识别的低维流形。
生命系统经过进化选择，不是随机模式，有其内在语义和结构，所以也存在这样可以学习的低维流形。但 AlphaGo、AlphaFold 的成功，在于问题边界非常清晰，约束条件也很明确。放到生命组学领域，问题会复杂很多，我们首先要做的，是在明确问题边界条件的前提下，探索适配生命组学的尺度法则，学习这种潜在的低维流形。前沿技术创新与生物医药产业落地之间仍有很大鸿沟，我们希望缩小这个鸿沟，让技术真正落地。
在落地上，PerturbSeek™ 是一套完整、可复用的平台，AlphaCell 提供不同参数规格的模型家族，适配从科研机构、中小型药企到跨国药企的不同需求。目前我们已经和国内特定领域的头部药企签署战略合作协议，在特定场景构建自有数据和干湿闭环。
同时，PerturbSeek™ 引擎也已实现对国产 GPU 芯片的全栈适配，我们和国内一家头部国产芯片公司签署了战略合作协议，深度适配国内信创软硬件生态，期望真正做到中国原生（China-Native）。
DeepTech：生物技术公司和虚拟细胞公司都在说数据和干湿闭环。对一家 AI 创业公司来说，你怎么看这些点？
刘琦：组学 AI 有一个绕不开的点，计算预测结果必须回到生物实验中验证，这已经是整个行业的共识。“实验在环”（Lab in the Loop）未来是一个缺省项，而不是可以拿来宣传的卖点。
现在的 CRO 企业和实验验证体系都很成熟，自动化实验和物理 AI 也在快速发展，干湿闭环只要有资金投入，大家都可以做，无非是自己做还是花钱让别人做。
但生物实验验证的速度和 AI 产生假设的速度高度不匹配，即使是自动化实验室，也只能缩小这种差距，没办法做到实时快速的在线反馈。例如，在实验验证中，你永远没有办法缩短一个细胞需要生长的时间。同时，生物系统非常多样，涉及的验证体系也很多，所以谈自动化验证需要明确边界条件。有时候提升模型的精度，远比让 AI 产生大量科学假设或者搭建自动化实验室来做反馈，更能提升投入的边际效益。
数据也是一样。单细胞测序技术快速发展，未来测序成本会越来越低，技术会越来越成熟。数据对构建模型非常重要，这点毋庸置疑。但我个人倾向于认为，在测序技术快速发展、成本快速下降的时代，整个领域的数据在快速积累，只是很分散、很脏，没有被用好，也缺乏合适的 AI 技术路径去最大程度地发挥它们的价值。
只要有投入，大家都可以做数据，关键在于把数据放在药物研发的哪个阶段来做。我们不太感冒无目标的数据产出模式，我们称之为“散弹”模式。这种模式比较适合由大型非营利组织、政府或国家层面来推动，比如最近美国的“虚拟生物学计划”，把做数据变成一项基建工程。
对一家 AI 创业公司来说，从商业投入最大化的角度，更应该把数据的产生放在特定的应用场景中，我们称之为“定向”模式。我们也认为数据治理本身非常重要，应该先通过数据治理，利用已有数据最大程度地发挥基础模型的价值，让有限的训练样本发挥最大的泛化性能，然后在特定场景下产生数据，借助基础模型的迁移能力，加上数据微调和验证闭环，解决具体的应用问题。
对一家 AI 创业公司来说，数据、模型、干湿闭环三者应该整体来看。首先要问的是：如何在有限的资金投入下，最大程度地提高资本费效比，快速有效地解决一个实际的药物研发问题？统计学里有句老话，“所有模型都是错的，但有些是有用的”（“All models are wrong, but some are useful”），关键是要落地。
数据层面，我们需要去重视数据治理，以及考虑在什么阶段去做，去结合具体的模型和场景去产生数据，而不是一股脑无目标的先去做一批数据；干湿闭环也要考虑如何融入模型、明确边界条件、最大化成本收益，而不是盲目的上自动化实验。机器学习里有一种思想叫主动学习（Active Learning），让 AI 来判断应该优先产生哪些数据、做哪些实验验证，从而使边际效益最大化。从这个角度说，AI 原生（AI-Native）才是最重要的。
啜国晖：这也是扰动之心的研发逻辑。我们认为一家 AIDD 公司最重要的有两点，一是立项，二是 AI-Native。立项非常重要，我们需要 Know -How（行业专业知识与经验），需要找到真正未被满足的临床需求以及具有巨大商业价值的药物研发场景。我们团队本身已经是一个非常交叉的团队了，但我们非常开放，正在引入其他方面更加专业的人员。
AI-Native 同样重要，需要贯穿数据、模型、闭环整个链条。模型层面，我们前期就已经洞察到在组学领域模型参数并非越大越好，而是存在一个模型性能与成本支出的边际效益平衡点，即参数量甜点（Sweet Spot）。
所以扰动之心的商业逻辑也是围绕这些核心研发原则展开，追求资本投入的边际效益最大化，依托我们的 PerturbSeek™ 平台生态持续保持高研发“算效”来做管线的敏捷开发，最大程度提升资本费效比，希望跳出单纯依靠无目标的数据产出以及参数堆叠的模型内卷怪圈。
大家都说我们正处在 AI 时代的工业革命，但工业革命的本质是什么？是“降本增效”。现在基于大模型做开发，效率似乎提高了，成本却没有降下来，大量成本消耗在模型训练和盲目的参数扩张等方面上。我们期望真正能够做到“降本增效”，去做到药物研发时代的“工业革命”。
DeepTech：站在现在这个时间点，你们怎么看 AIDD 的走向？
啜国晖：过去的 AIDD 大多聚焦分子层面，围绕已知靶点筛选药物分子。而下一代世界模型范式 AIDD，会把重心提升到生命系统“状态”层面。药物干预本质就是对生命系统施加扰动。当疾病来自系统稳态偏移，我们就应当在系统状态空间寻找有效的干预，而不是局限个别分子、个别基因。
这不是否定“以靶点为中心”的药物研发模式，而是去解决传统靶点模式难以解决的那部分复杂疾病场景，去攻坚复杂疾病机制解析、全新靶点挖掘以及新型模态药物研发。这个市场空间是巨大的，当然挑战也巨大：生物系统高度复杂。但这也是一个机会，有望回应大量临床上“无药可治”的未被满足需求。
刘琦：未来学界和产业界要形成合力，既要有基础方法学创新，也要把技术落到真实的临床与药物研发场景。我们不追求空中楼阁式的通用生命大模型，而是面向具体疾病、具体临床问题做技术突破，真正用数字生命技术赋能临床病患和药物研发。
著名统计学家约翰·图基（John Tukey）有句话值得行业品读：“方向找对了，哪怕眼下的答案还模糊！”（“Towards the right question and right path —— Even though the current answer is vague!”）——我们要先找对问题，再迭代答案！
文中部分观点来源于同济大学数字生命智能体实验室公开学术报告与扰动之心官方发布材料，访谈内容经过编辑整理。
参考资料：
https://www.biorxiv.org/content/10.64898/2026.03.02.709176
https://www.nature.com/articles/d41586-026-01731-1
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成
