生命的世界模型：Biohub 的 Alex Rives 談虛擬細胞、量測與 18 億美元資料推進計畫

Biohub 科學總監 Alex Rives 主張，虛擬細胞模型至今仍未改變醫學，原因在於生物學最關鍵的瓶頸是量測，而非模型架構；要縮小這個落差，需要全新的觀測技術，以及達到新近宣佈的 18 億美元「虛擬生物學計畫」（Virtual Biology Initiative）規模的協同資料生成。整段對話大多圍繞這個資料與量測問題：為何今日的「虛擬細胞」仍不到位、新的顯微技術與細胞圖譜如何補上缺失的因果訊號，以及真正的「生命世界模型」必須做到什麼。標題所稱的 18 億美元推動計畫只花了幾分鐘帶過；本集大部分時間是 Rives 說明多尺度的生物複雜性、模式生物，以及 LLM 式的預訓練與經實驗室驗證的強化學習可能如何轉移到細胞上。

Rives 共同創辦了 Evolutionary Scale，並在加入 Biohub 之前主導 ESM 蛋白質模型的研究工作。Biohub 是陳·祖克柏倡議支援的機構，其公開使命是治癒或預防所有疾病。這段背景之所以重要，是因為他的論點建立在一個對比之上：蛋白質模型之所以成功，正是因為定序讓生物學擁有近乎無限的資料，而細胞生物學沒有這樣的條件。讀者讀完應該能清楚掌握：Rives 認為這個領域卡在哪裡、Biohub 正在打造什麼來突破僵局，以及他的哪些預測具體到足以日後驗證。

瓶頸在觀測，不在模型架構

Rives 的核心主張是：細胞在介觀尺度上「極其複雜」，原子層級的事件決定了更大尺度的行為；而今日的模型之所以失敗，有三個可分別處理的原因：建模範式、資料生成的規模，以及觀測真正關鍵之物的工具。實務上他把第三項擺在最前面。「細胞有太多東西，我們根本量不到，」他說，而「科學與生物學的許多進展……其實都來自於出現了改變我們量測能力的新技術。」至於模型本身，他懷疑 transformer 原封不動就是對的選擇，因為「transformer 並沒有那種多尺度結構，無法表徵這些不同層次的複雜性。」

他確實承認長期而言架構會趨同。在資料與算力無限的極限下，「所有模型架構大概最後都會變得一樣……它們終究只是函式逼近器。」差別在於距離那個極限有多遠。蛋白質生物學有規模化的基因定序，離極限很近；細胞生物學則「現在離那裡太遠了」，這正是歸納偏誤（inductive bias）在此更重要的原因。他以 AlphaFold 式地引入物理知識為例，說明在資料稀缺時，深思熟慮的歸納偏誤確實能帶來回報。

| 限制 | Rives 的診斷 | 什麼能推動它 |
|---|---|---|
| 建模範式 | Transformer 缺乏表徵細胞複雜性所需的多尺度結構 | 具生物學歸納偏誤的架構；架構趨同只在資料無限的極限下成立 |
| 資料生成 | 細胞資料離蛋白質所享有的「資料無限」狀態還很遠 | 跨情境、協同的大規模圖譜生成 |
| 量測 | 許多細胞特性根本看不到、量不到 | 能開啟新模態的新儀器（例如雷射相位板） |

目標是生命世界模型，近期則是資訊理論式的細胞模型

Rives 把企圖心分成三層。終點是「生命的世界模型、生物學的世界模型」，能將細胞狀態一路投射到其組成部分原子解析度的結構、在細胞程式層級對細胞建模，並讓發育與組織間的互動作用可預測地展開。他說這還「非常遙遠」。他認為「透過 AI 在未來五年左右」可以達成的是「細胞的資訊理論模型」——一種基因體所編碼之程式的模型，從連結基因、轉錄體與蛋白質層級資訊到可觀測細胞反應的統計模式中學習而來。

具體的第一步是轉移函式：給定一個細胞或組織狀態與一組輸入，預測下一個狀態的分佈。Rives 強調這是機率性的，不是確定性的——「細胞會轉移……到一組可能的下游狀態分佈。」最有價值的應用場景，正是主持人反覆回到的那個：給定一個病理狀態，問該如何介入才能把它推回健康狀態。

flowchart TD
    A["基因體編碼的程式"] --> B["資訊理論細胞模型"]
    C["分子讀數：轉錄體、表觀遺傳、定序"] --> B
    D["影像：空間生物學、活細胞顯微術"] --> B
    B --> E["轉移函式：狀態加輸入，得出下一狀態的分佈"]
    E --> F["生命世界模型：從原子到生物體的多尺度"]
    F --> G["介入查詢：把病理狀態推回健康狀態"]

18 億美元的虛擬生物學計畫是一場資料協調戰

Biohub 於 2026 年 4 月與一群科研機構及聯盟共同宣佈虛擬生物學計畫，目標是廣泛建立虛擬生物學所需的資料集，並先從細胞生物學的通用模型著手。在本集錄製前兩天（2026 年 10 月中）宣佈的旗艦合作案，集結了美國能源部、NIH、Google DeepMind、Isomorphic 與 Meta，共同協調資料生成。Biohub 已向全球科學社群及其他資助者發出公開徵求，並有一個核心小組專注於協調跨科學界的努力、召集各方共同制定長期路線圖。

點名的近期成果，是大規模擴充細胞生物學的情境圖譜——空間生物學能在組織情境中呈現細胞、把分子量測與影像連結起來，並擴充套件「到數千億顆以上的細胞」，涵蓋健康與疾病狀態。Rives 把目標定調為速度：先做出第一批資料集，讓情境式資訊理論細胞模型的訓練得以開始。

新儀器開啟新模態，範式轉移正是由此而來

2026 年稍早發表的雷射相位板，是 Rives 用來闡述量測論點的代表作。柏克萊的 Holger Mueller 數十年前就構想出這個概念；Biohub 多年前開始投入。它利用 Rives 所稱「全球最強的駐波雷射」為電子顯微鏡提供相位對比——一道光束與電子束干涉，改變其相位。主要應用是低溫電子斷層掃描：把細胞切片，用電子顯微鏡在原位、在活體情境中觀察蛋白質與其他大分子。重點在於對比，因為原始觀測「極度、極度嘈雜」；相位板讓研究者能辨識個別分子及其互動作用方式。

Rives 把這套做法推廣成 Biohub 的營運原則：拉高每顆細胞可量測的引數數量、擴大視野與同時觀測的細胞數、開啟時間維度以隨時間觀察細胞、開啟分子維度以看見細胞內部發生什麼事。這家機構的影像工作橫跨各尺度——用相位板取得細胞區域性原子解析度的影像、在培養中對受擾動細胞的視野做統計量測，以及利用透明的斑馬魚進行全生物體成像。Biohub 擁有能追蹤發育中斑馬魚胚胎從單一細胞到完整發育成體的顯微鏡，也有能標記特定細胞型別（例如所有免疫細胞）的系統，讓牠們在活魚體內的移動與互動作用可被追蹤。

模式生物之所以能轉移，是因為演化就是訓練集

Rives 為模式生物辯護，同時也承認其限制。我們對疾病路徑的大部分基礎分子理解，都來自模式系統，「甚至連酵母的實驗也算」，酵母是最簡單的真核生物。但過度依賴是雙面刃：可能出現只在老鼠身上有效的療法，也可能因為找不到老鼠的對應機制而漏掉與人類相關的機制。他認為類器官是目前在培養中重現組織複雜性的前沿。

他更犀利的論證來自蛋白質建模。ESM 與 AlphaFold「並不是隻用人類蛋白質訓練模型」而得，而是橫跨整個演化訓練——這種廣度不只是有幫助，而是「不可或缺」，因為只用人類蛋白質訓練的模型「不會……得到準確的預測模型」。在脊椎動物之間，核心分子機制，以及轉錄因子結合增強子與啟動子的「語言」，即使程式本身已被改寫，仍然保留。言下之意：該打造一個整合全生命界的預測模型，而不是追求一個完美的人類實驗替代品，因為那「真的就是不可能」。

預訓練能轉移到生物學，但 RLVR 需要實驗室參與迴路

Rives 預期 LLM 那套配方在結構上可以沿用。自監督預訓練之所以重要，用他的話說，是因為「你不必事先知道所有相關變數」——深度學習先驅押注網路能自己學到相關設定，如今則體現在 scaling law 上。生物學會有一個預訓練階段，學到驅動統計模式的潛在變數，接著是一個引導階段，把模型中與特定問題相關的部分引出來。他預期會出現帶回饋的「生物學版 RLVR」，最終則是「實證式 AI」：提出問題、執行實驗、從中學習，再提出更好的實驗，形成遞迴迴路。

障礙在於驗證速度。RLVR 在數學、程式與推理上進展飛快，因為「我們真的能在運算上做快速驗證」。生物學是實證性的，驗證機制必須在實驗室裡搭建。至於時間尺度，Rives 把老化這類長跨度問題視為可用現有技術處理的規模化問題：涵蓋健康與疾病的細胞生物學圖譜，「初稿……在未來一到兩年內」問世，若投入專注且協調的努力，「相當完整的圖譜」五年內可期。他預期大部分下游分析會是代理式的（agentic），把傳統分析擴充套件到極大的資料集。

語言與生物學可能融合，但關鍵事實目前無字可述

被問到語言推理與生物模型會共用同一個潛在空間，還是靠工具呼叫串接，Rives 坦承自己真的還沒定論。語言是強大的推理基底，承載了數百年的實證生物學知識，推理系統可以加以利用。但「我們最想知道的生物學事物，並沒有表現在文字裡」，也無法從第一原理推導——它們只能靠實驗取得的實證事實。這正是預測性生物模型之所以關鍵、而非可有可無的原因。

他認為融合有其道理，但預期初期會很困難，因為缺乏橋接資料。他最引人注目的觀察是關於尚未命名的概念：生物學已定序了橫跨全生命界的數十億個蛋白質，「而其中絕大多數我們不知道功能。所以我們甚至沒有一套語言去描述這一切。」蛋白質語言模型會發展出表徵整體蛋白質生物學的特徵，包括還沒有人命名過的生物學——「我們還沒有詞彙與名稱的新概念。」

「我想，事實是我也不確定。我認為語言在推理上非常強大……但我認為挑戰在於，我們最想知道的生物學事物，並沒有表現在文字裡。」

健康紀錄有助於照護交付，卻觸及不到因果核心

談到把細胞狀態連結到縱向的人類健康資料，Rives 坦白自己沒想太多，而他的理由是方法論上的。沒有正確的基礎，「你基本上學到的會是一堆相關性」——許多病人病史模型，卻無法把它們連結回更深層的因果因素。他承認健康紀錄的研究能創造實質價值，讓既有藥物與機制用在對的病人身上，包括那些可能受益於機制原本被認為與其無關的藥物的病人。但這觸及不到 Biohub 押注的基本面。

他對主持人提出的「一百萬個 Brian Johnson」構想較為認同——讓人定期接受微切片與連續感測——稱這類資料「極具價值」，並預期隨著連續監測技術量到更多分子引數、把由下而上與由上而下的視角連結起來，兩者終將匯流。Biohub 自身的定位在技術層。至於個人習慣，Rives 說自己「不是適合回答的人」，而且太專注於研究，「幾乎完全不去想這件事」；他唯一的追蹤裝置是一支監測睡眠的手錶。

貫穿這些線索的主軸，是對投入順序的一項押注：先儀器，再協同圖譜，然後模型，最後是經實驗室驗證的代理式迴路。尚未化解的張力在於時程。Rives 把完整的健康與疾病細胞圖譜放在五年內，資訊理論細胞模型也訂在相近的時間範圍，但真正能回答「我該如何逆轉這個疾病」的生命世界模型，遠在其後；而語言與生物潛在空間的融合——讓這種模型能用於日常推理的那一塊——他明確表示不願預測。最值得追蹤的，是他講得最具體的那項主張：初稿圖譜會在一到兩年內出現，這給了我們一個近期檢查點，用來判斷「量測優先」的論點是否真的開始收效。