当我想用 AI 预测细胞变化，却先被实验流程卡住了

上周三晚上，我把一段关于“虚拟细胞”的访谈放给做生物科技的朋友听。她在清华附近的咖啡馆里笑着打断我：“模型再厉害，最后也得有人把细胞放进培养皿、拍下来、核对结果。”那一下让我意识到，AI 生物学离普通人的工作流，比想象中远，也比想象中更依赖真实实验数据。

Fabian Theis 是德国 Helmholtz Munich 的研究者，也是“Virtual Cell”概念的重要推动者。他和团队研究的，不只是设计某个蛋白，而是理解细胞在不同时间、不同层面的变化：基因怎么表达、细胞怎样变化、这些变化如何互相影响。过去，AI x Bio 的注意力多在 AlphaFold 等分子工具上；现在，Biohub、NIH、DOE、Google 和 Meta 等机构合计投入约 18 亿美元，把重点推向“虚拟细胞”。

一个更具体的场景是：2025 年 3 月，Biohub 在旧金山介绍其联合资助计划，金额达到 18 亿美元。Theis 团队此前已参与开发激光相差显微镜、光片显微镜，以及普通显微镜的后期处理能力。AI 在这里不是替科学家凭空预测答案，而是先从越来越大的图像和测量数据里找规律，再交给自动化实验室验证。

这也解释了为什么资金现在集中进场：新的成像设备、自动化实验设施和数据共享机制陆续成熟，大家终于不只是堆模型，而是补上了“让模型持续得到真实反馈”的那段路。不过，对“模拟一个细胞到底够不够有效”的质疑一直没有消失，规模更大并不自动等于结论可靠。

所谓“虚拟细胞”，究竟是什么

你可以把它理解成一套会持续更新的细胞模拟系统：喂给它细胞图像、分子测量和实验结果，它尝试预测某种干预会让细胞怎样变化；预测之后，机器人实验室再动手实验，新数据又回到系统里。Theis 和 Biohub 的核心目标，就是把过去靠研究者手工完成的循环，逐步变成可规模化的闭环。

谁能受益？暂时主要是研究机构、药企和拥有自动化实验条件的团队。Theis 本人还参与过多家创业公司和 Biohub 相关工作，因此他不只是一个旁观评论者，而是在推动这套基础设施落地。2024 年 9 月，Biohub 宣布与波士顿的 Schmidt Futures 合作建设“Virtual Cell”实验室，也把 AI 预测、自动化实验和生物数据放进同一个方向。

咱们今天复刻：钱、时间、门槛和第一步

复刻整套“虚拟细胞”，钱不是 18 亿美元预算这么抽象。按公开行业估算，建设一间中等规模自动化细胞实验室，设备与改造通常要数百万美元；运营一年，还要加人力、耗材和数据维护，可能达到数十万美元甚至更高。时间上，从采购设备、搭建流程到获得稳定训练数据，至少以年计算。技术门槛也很直白：需要懂细胞实验、影像分析、机器学习和自动化设备的团队，单靠提示词接不上。

如果你只是想低门槛了解，第一步不是买设备，而是打开 Biohub 的 Virtual Cell Challenge 页面，查看公开问题和数据集；费用可为 0 元，准备 1—3 小时，门槛是会读论文和整理实验数据。第一步点页面里的“参赛”或“数据集”入口，先完成一个公开基线任务。也可以先看 Theis 的完整访谈，但别急着订实验室设备。

这工具不是所有人都需要，也并非做个人 IP 或自由职业的实用生产力工具。现在不试也没事，尤其没有实验条件时，硬做只会增加成本。

如果你处在不同阶段，我会这样建议

如果你刚起步：我会先读公开案例、学基础生物学和 AI 评测，不投硬件；用 0 元和一周做一个小实验，先判断自己是否真的喜欢这类长周期工作。

如果你已有 1—2 个合作客户：我会把能力包装成“图像分析或实验数据整理服务”，找生物研究团队做一个小额付费试点；别一上来承诺预测细胞，先卖可验证的数据清洗与报告。

如果你正在扩规模：我会认真评估实验合作方和数据合作路径，核算设备利用率、实验重复成本与合规要求，再决定是否成立专门团队。现在说“虚拟细胞”很热，但收入和可靠结果要更慢。