AI 开始挑战最复杂的系统：生命

2026 年的 AI 赛道，正在发生一个有意思的转向。当行业目光还聚焦在大模型参数、智能体和通用超级智能上时，扎克伯格把资金押向了一个更棘手的领域：生命系统。

今年 4 月，扎克伯格与妻子普莉希拉・陈创立的 Biohub，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，用来训练能预测生物现象的 AI 模型。到 10 月，这个项目进一步扩大。美国能源部、美国国立卫生研究院和 Biohub 联手，搭建生命预测模型的数据底座，Meta、谷歌 DeepMind、Isomorphic Labs 一同参与。整个项目合计承诺投入 18 亿美元，其中美国能源部未来五年拿出超 5 亿美元，NIH 开放大量已积累的生物医学数据。

这个项目的目标很直接：打造一套可以预测生命行为的 AI，Biohub 称之为虚拟生物学。简单说，就是搭建从分子、基因、细胞，一直到完整生命系统的高保真数字版本。科研人员未来可以像现在提问大模型一样，在电脑里对生命做假设、模拟干预，先完成数字试验，再去实验室做真实实验。

这件事不只是扎克伯格单纯看好生物医药。更深一层看，生命科学正在变成 AI 竞争的第二战场。通用大模型赛道已经烧钱白热化，算力、人才、资本门槛越来越高；而理解生命系统，还是一片没有定型的前沿。谁能让 AI 真正读懂生命，就能建立起比聊天机器人难复制得多的壁垒。

AI 和生物医药的结合，并不是新鲜事，也是 AI 最早被寄予产业化期待的方向之一。但十几年走下来，一个核心疑问始终摆在眼前：我们真的离新药更近了吗？

近几年 AI 制药最亮眼的成果，基本都集中在分子层面：蛋白质结构预测、候选分子筛选、分子生成、药物安全性预测、药物靶点相互作用等等。AI 能够一次性产出成千上万候选分子，大幅拓展可供筛选的化学空间，效率提升是实实在在的。

可如果把评判标准从模型跑分，落到一款新药成功上市，现实就没有那么乐观。今年 8 月《Nature Reviews Drug Discovery》发文复盘十多年 AI 制药的发展：虽然各类 AI 算法层出不穷，但真正能产生临床价值的成果依旧有限。很多 AI 药企的项目停留在临床前或者一期、二期临床，进入三期临床的项目很少。

小分子生成方向上，AI 确实更容易找到能和蛋白结合的分子，但这只是配体设计，不等于药物设计。找到一个能绑定靶点的分子，和找到一个在人体内安全有效的药物，完全是两码事。

这也是行业当下最值得反思的地方。过去我们把复杂的生命问题做了简化。AI 擅长回答 “什么分子可以结合这个靶点”，但新药研发真正难的是一连串系统问题：这个靶点为什么会引发疾病？干预靶点之后，人体整套生命系统会产生哪些连锁反应？为什么同一种药，有的人有效，有的人无效？为什么细胞、动物实验效果很好，到人体临床试验就失败？

药物分子不是孤立起效。它进入的是一套动态复杂系统，基因、蛋白、细胞、组织、器官、免疫、代谢，再加上外部环境，所有因素互相影响。药物能不能成功，关键恰恰就在这套系统里。 由此带来一个根本性问题：如果 AI 只能看懂分子，看不懂完整生命系统，那它能把新药研发带到哪一步？

这也解释了 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、分子或者细胞，开始向上延伸，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，预判系统受到干预后的变化，模拟细胞面对扰动时的反应，也就是业内所说的生命世界模型。

大语言模型学习语言的规律，物理世界模型学习物体运动与空间规则，生命世界模型面对的规则要复杂得多。基因变异改变蛋白表达，蛋白调控信号通路，信号改变细胞状态；细胞之间相互作用形成组织微环境，层层向上影响器官乃至人体。生命本身不是静止的，会生长、衰老、产生代偿、发生突变，还会对外界干预持续反馈。

所以生命世界模型，不是一本静态的生命百科。它的核心是弄懂生命如何运转，预测当某一个变量被改变之后，整个系统后续会如何演变。

一旦这套模型落地，AI 在医药研发里的定位会彻底改变。 旧模式：给定靶点，快速寻找候选分子。 新模式：给定一种疾病，先搞清楚发病根源，再判断该干预哪个位置、哪些患者能从中获益，预判干预带来的全身连锁反应。 同样是 AI 赋能新药，两种模式要解决的问题已经完全不一样。