中國生命科學 AI 模型 GeneLLM 被譽為「生物學版 DeepSeek」

DeepSeek -V4-Flash 正式版剛炸翻全球通用大模型圈，中國生命科學版 Deepseek 就緊隨其後。

近日，津渡生科（由4位牛津大學歸國學霸創辦）自主研發的生命科學垂類 GeneLLM 多組學大模型，連續登上國際頂級學術期刊——《Nature Communications》與《Advanced Science》。

作為全球首個直接使用組學原始數據進行預訓練的多組學大模型，GeneLLM 是繼谷歌 AlphaFold 和史丹福大學的 EVO 2 之後的又一重磅模型，填補了中國生命科學基礎大模型的空白，堪稱中國生命科學版 Deepseek，讓 AI 開始理解生命的多個「語言」與整個「系統」。

像預測下一個 token 一樣，預測下一條生命資訊

疾病識別只是 GeneLLM 的一個應用場景，津渡生科真正想做的，是打造生命科學領域的「Claude Code」。

ChatGPT、Claude、 DeepSeek 大語言模型的核心是下一個 token 預測。

GeneLLM 的思路類似，但它預測的不是文字，而是生命資訊。

RNA序列中的四種鹼基——腺嘌呤（A）、尿嘧啶（U）、鳥嘌呤（G）、胞嘧啶（C），成為GeneLLM理解生命語言的基本Token。

傳統生物資訊學分析通常依賴基因註釋、序列比對和人工定義標籤。這種方法雖然準確，但會提前限定模型的認知範圍，也可能丟失大量隱藏在原始數據中的未知生物訊號。

GeneLLM 則另闢蹊徑，直接從未經加工的原始測序數據中學習生命規律。

它以 RNA 組、蛋白質組、代謝組等多組學原始數據作為訓練數據，讓模型自主發現疾病相關模式。

目前，GeneLLM 已完成 15 億參數和 3.5 萬億鹼基序列的模型預訓練，XLarge 版本實現 300 億參數模型預訓練，持續擴大技術壁壘。

作為全球首個基於原始測序數據預訓練的多組學大模型，GeneLLM 包括兩個階段：

(1) 無監督預訓練與原型挖掘

（2）患者級疾病微調（Disease Tuning）

GeneLLM 首先需要解決一個問題：

如何將複雜的生命數據轉化為 AI 可理解的語言？

在自然語言處理中，BPE 算法會把句子切分成 Token；而 GeneLLM 則將約 150 bp 長度的 RNA 測序片段，通過 7 個鹼基組成的滑動窗口（7-mer）切分為生命 Token。

隨後，模型利用 Transformer 架構，在沒有基因註釋和人工標籤的情況下，直接預測下一個鹼基。

這意味著 AI 不是先閱讀人類整理好的「字典」，而是直接從生命原始訊號中學習。

在訓練過程中，GeneLLM 在百卡集群 NVIDIA A100 GPU 上處理了約數十萬億條 RNA reads。

至此，GeneLLM 的泛化等能力開始「湧現」。

作為生科領域的重大創新突破，GeneLLM 這一國產生科模型可應用於新藥研發、精準醫療、合成生物、環境監測、微生物與生物農業、蛋白質與分子設計等多個領域，是全球少有實現實際場景落地的大模型。

當我們審視完 GeneLLM 在「數據、架構、訓練」等底層創新後，才能真正理解：為何它代表了中國的「生物版 DeepSeek 」。

矽谷以數萬張 H100 堆砌萬億參數， DeepSeek Through algorithmic innovation to enhance computational efficiency, GeneLLM similarly leverages a small force to move a great weight, unlocking billions of life science data.

如果 AlphaFold 讓 AI 第一次看懂生命的「結構」，EVO2 讓 AI 開始理解生命的「代碼」，那麼 GeneLLM 試圖進一步理解生命的「系統」。

更為關鍵的是效率。傳統方法依賴 6Gb 深度定序，成本高昂，難以落地。GeneLLM 在 1Gb 極淺深度（成本降低 83%）下仍能保持 AUC > 0.8。

這意味著真正有希望讓普惠精準醫療成為現實。

一種新的科研範式開始浮現：讓 AI 從生命數據中學習，讓生命科學進入可預測、可計算、可規模化探索的新階段。

不只是模型，還是「最後一公里」的智能基礎設施

但津渡生科的佈局不僅在基礎模型。

以 GeneLLM 多組學大模型為生命認知底座，津渡生科進一步構建連接 AI 智能與物理世界的執行體系，通過 Harness 智能實驗執行層與 DBTL（Design-Build-Test-Learn）數據閉環，實現從生命規律理解、科學假設生成，到自動化實驗驗證和持續迭代優化的完整 AI for Science 閉環。

正如前 OpenAI 副總裁、後訓練負責人 Liam Fedus 所說，當前的 LLM 已耗盡互聯網上有限的文本和代碼，下一步科學發現的重大進展必須依賴實驗迭代。

也就是說，不能只靠閱讀人類已寫下的內容來發現新知識，AI 必須自己做實驗。

但問題來了——

互聯網服務天生具有 API，網絡資訊天生是數位化的，但科研設備來自不同廠商，協議各不相同，既複雜又昂貴，沒有人能在幾個月內推倒重建。

今天大多數實驗室，是專為人類設計：儀器面板、移液動作、樣本狀態、臨場判斷，絕大多數沒有變成機器可理解的訊號。

AI 進入實驗室，當前不只是模型能力的問題，還需要一套新的基礎設施。

因此，AI 進入實驗室，當前不只是模型能力的問題，還需要物理 Harness：把實驗室變成一個可編譯、可調度、可觀測、可追溯的系統。

This, then, is the final mile of AI4S.

BioFord Harness，讓實驗室開始「自己動」

為此，Jin Du 開發了一套名為 BioFord Harness 的系統。

這是一套連接 AI 與物理實驗室的基礎設施。

他們並非讓機械臂模仿人手，而是將實驗室轉變為一個可編譯、可調度、可觀測、可追溯的系統。

在這個過程中，物理 Harness 至少要完成三件事：

1. 將科學意圖或實驗 DSL 編譯為不同設備可執行的指令；
2. 在多設備之間完成調度、資源與安全約束管理，並處理異常；
3. 將實驗結果、設備日誌和環境參數回流，作為下一轮模型與實驗設計的輸入。

科學問題 → AI 理解 → 實驗方案 → 設備調度 → 執行 → 數據回流 → 模型優化 → 下一輪

一套科學實驗數據的飛輪，就這樣啟動了。

五大智能體，把科研流程「卷」成流水線

BioFord Agent 具身智能科研平台，向下連接實驗室物理層，向上承載科學家認知層，中間以物理 AI 打通推理與執行的斷層。

在認知層面，BioFord Agent 由五大智能體組成協同網絡，貫通生命科學研究全流程，可將科研效率提升數倍。

文獻檢索智能體
實驗設計智能體
Scientific Agent
實驗調度智能體
數據分析智能體

例如，文獻檢索智能體可快速為您檢索並閱讀大量文獻，完成文獻綜述並協助提出假設。

The experimental design agent has enabled research teams to reduce their experimental design cycle from months to just one week.

而津渡生科推出的實驗調度智能體，依托通用儀器抽象層（Universal Instrument Abstraction Layer），打破了多類異構設備之間的協議壁壘。

無論是 PCR 機、酶標儀、流式細胞儀，還是自動化移液工作站，均可實現統一納管與統一調度。系統內置動態調度算法，可自動批量排程、實時衝突避讓，並全程記錄實驗參數，形成可追溯的審計鏈條。

This means that AI is no longer limited to the stage of “providing advice,” but has truly entered the laboratory, operating equipment and executing tasks, becoming a trustworthy “research assistant.”

失敗的數據，也許比成功的數據更珍貴

這個系統更深層的價值在於：讓每一次實驗——無論成功還是失敗——都變成系統可以消化的數據。

在傳統實驗室中，一次失敗的記錄可能只是一行「結果不符合預期」，經驗僅存於人的腦海中，人一離開，經驗也就消失了。

而在 BioFord 系統裡，每一次失敗都是寶貴的訓練數據——參數選擇的邏輯、環境條件的記錄、錯誤路徑的證明……全部沉澱下來，成為系統「經驗」的一部分。

下次，AI 就會知道：此路不通。

耐人尋味的是，在這個賽道，不是算力最強的贏，也不是模型最大的贏。

Computing power can be bought, but research data cannot.

Jin Yongcheng, founder and CEO of Jin Du Sheng Ke, said: "During the development process, we gradually realized that AI for BioScience is not simply about stacking models and data. For those conducting experiments, the ultimate challenge remains solving the dilemma of getting calculations right but being unable to perform the experiment, or performing it incorrectly despite the calculations."

This is the most important and hardest-to-replicate moat in the AI4S sector.

四名牛津大學學生，其中還包括羅福莉的同門師兄

2022 年，金泳成在獲得牛津大學生物工程博士學位的那一刻，面臨著一個選擇。

他的導師是英國皇家學會院士、三代測序巨頭英國上市公司Oxford Nanopore的創始人Hagan Bayley，實驗室裡「成果落地」的傳統深厚。留在英國，是一條清晰的坦途。

但他選擇了另一條路——將實驗室裡的一個「原型技術」裝進行李箱，帶回國。與他同行的，還有三位牛津校友：生物學博士鄧司偉、計算機學院副研究員沙磊（北京大學計算機博士，小米大模型負責人羅福莉的同門師兄），以及擅長產品落地的周天堯。四人具備生物工程、人工智慧、計算生物學、商業運營等相關知識背景，缺一不可。他們曾組隊開展聯合科研項目，透過結合 AI 和轉錄組技術實現疾病預測檢測。4 個人像拼圖一樣恰好互補，可以完成高度交叉的學科研究。

公司名稱「津渡生科」，「津」取自牛津，寓意他們從牛津的頂尖實驗室等學術高地出發，「渡」意在渡人，那是他們認為 AI for Science 應該抵達的終點。

目前，津渡生科的 BioFord Agent 物理 AI 科研平台已在国内一些知名高校落地，成效顯著，將科研週期從原本的數月縮短至一週。

風起：一年四輪融資，資本「真香」現場

然而，走一條「前無古人」的路，必然伴隨著孤獨。

創業初期，困難重重。彼時 AI 創業如火如荼，但生物科學領域的「AI+」嘗試寥寥無幾。「懂 AI 的不一定懂生物科學，懂生物科學的大部分不懂 AI。」

Kim Young-sung admitted: "Investors once couldn't understand what we were doing."

團隊選擇了一條「最難的路」：從生物基礎大模型切入，全球從事此方向的公司屈指可數。

2025 年，轉機出現了。

當時，國務院印發《關於深入實施「人工智能+」行動的意見》，AI for Science 列於其中，賽道起風了。

Jindu Shengke 創下「一年完成 4 輪融資」的紀錄。公司的主要融資時間線堪稱行業標竿。

Angel Plus Round: Led by Sequoia Capital China Seed Fund;

Pre-A+ 輪：獲創東方投資千萬級領投；

Pre-A+ 輪：獲南山戰新投千萬級投資；

Round A: Led by Gao Te Jia Investment with nearly RMB 100 million.

高特佳投資執行合夥人滕宇航表示：「津渡生科把生命科學基礎研究變成了可訂閱、可擴張的『算力+實驗』基礎設施。」

而金泳成的目標更遠：「我們不滿足於賣軟體，要搭建生命科學領域的智能操作系統。就像英特爾定義了PC時代的算力，我們希望定義AI時代生命科學的研發新範式。」

從牛津實驗室到深圳，從無人理解到獲得一線資本重注，四個牛津人的故事，不只是創業傳奇，更是一場關於「我們能為人類做什麼」的靈魂拷問。

當 AI 學會自己「通宵」科研，科學發現或許不再依賴天才的偶然靈感，而成為可預期的必然。這條路，他們才剛剛開始。

行業地圖：津渡走出輕量化物理AI路線

在更大的 AI for BioScience 地圖上，津渡並不孤單，但切入點截然不同。

第一類，是數字端的 AI 科學家。

由斯坦福孵化的 Biomni（已商業化為 Phylo）擁有 150 多個專業工具，可自動執行文獻回顧、假設生成和生物資訊分析。

Eric Schmidt 支持的 FutureHouse 致力於構建能自主生成假設、撰寫論文的 AI 科學家。

然而，它們雖然強大，卻仍然局限在數字世界。

第二類，是全棧自主路線。

晶泰科技已在全球部署超過300台基於「AI+機器人」的工站。

由 Flagship Pioneering 孵化的 Lila Sciences，獲得 5.5 億美元融資，致力於讓 AI 完全接管實驗的設計、執行與重新設計，目標為「科學超級智能」。

但這些，都太燒錢了。

Third category: end-to-end managed route.

英矽智能將 AI 直接推進自有創新藥物管線，首款 AI 藥物已進入 III 期臨床，但他們是「造車人」而非「修路人」。

而津渡生科的選擇是：專注構建物理 Harness，做模型與實體實驗系統之間「最後一公里」的基礎設施。

不參與底座競賽，不打造端到端流水線，不做純數字世界的AI科學家。只專注於那一公里，無疑是更輕量化的策略。

Kim Young-sung put it clearly: "The true watershed for AI for Science is not how closely the model mimics a scientist, but whether the laboratory can begin to function like a continuously learning system."

而且，在全球 AI for Science 領域，津渡並非簡單地「只做最後一公里」。

更準確地說，它以最後一公里為入口，爭奪整個科研工作流的編排權。

與純數位的 AI 科學家相比，它能接觸物理世界；與自建重資產科學工廠相比，它有機會接管客戶已有的實驗室；與端到端的 AI 藥物研發公司相比，它不必將命運押注於某一條臨床管線。