10 月 7 日，Chan Zuckerberg Biohub 扩展其虚拟生物学计划；DOE、NIH、Google DeepMind、Isomorphic Labs 和 Meta 加入，使合计金额达到 18 亿美元，约合人民币 120 亿元。
该数字汇集了新的资金承诺与现有数据集、算力和实验室资产的估值。它不是一笔现金转账。
所述理由：蛋白质结构预测已经可行，但细胞层面的疗效、毒性和药物反应预测仍然失败，主要原因是缺乏大型、经过验证的训练数据。
商业贡献方获得大约一年的数据禁运期；政府资助的数据将公开发布。
首个大型数据集目标在一年内完成；可用的预测模型是五年目标。不涉及患者、终点或临床结局。
实际宣布了什么
10 月 7 日，由 Mark Zuckerberg 和 Priscilla Chan 创立的非营利研究组织 Chan Zuckerberg Biohub 宣布扩展其虚拟生物学计划。美国能源部（DOE）、美国国立卫生研究院（NIH）、Google DeepMind、Isomorphic Labs 和 Meta 加入该行动，参与方将新投资、贡献的数据、算力和实验室能力的合计价值定为 18 亿美元，约合人民币 120 亿元。
精确性在这里很重要。这不是临床试验、药物批准或同行评议结果。没有入组参与者，没有主要终点，也没有疗效或安全性数据。这是一项研究基础设施公告：一项旨在生成和共享生物数据的计划，其规模意在训练预测细胞如何行为及如何响应扰动的模型。
本文的源材料是一篇中文行业评论，而非一手文件，并且它明确指出 18 亿美元是一个资金池——新资金加上对现有数据资源和算力资产所赋予的价值——而不是一次性现金注入。带着这一警示来看，这项公告仍因参与方是谁，以及参与方称 AI 驱动药物发现所缺失的内容而值得关注。
18 亿美元从何而来
源报道中描述的构成如下。
参与方 | 所述贡献 |
|---|---|
Chan Zuckerberg Biohub | 4 月承诺 5 亿美元，涵盖数据生成、下一代测量技术，以及细胞观察和扰动工具 |
美国能源部 | 五年内超过 5 亿美元，用于数据收集、AI 分析、测量与成像，以及建模算力；DOE 还带来百亿亿次超级计算、中子散射、冷冻电子显微镜和自动化实验室资源 |
NIH | 超过 5 亿美元的现有数据集和知识库，将进行协调并使其可供 AI 使用，利用与美国国家医学图书馆、NCBI 以及联盟构建的生物图谱相关的馆藏 |
DeepMind、Isomorphic Labs、Meta | 合计 3 亿美元，用于预测性生命科学模型所需的技术和多模态数据集 |
生态伙伴 | Allen Institute、Broad Institute、Human Cell Atlas 和 Human Protein Atlas 贡献数据；NVIDIA 提供加速计算；Renaissance Philanthropy 基金会提供额外资金 |
从 5 亿美元到 18 亿美元，用时 161 天
Biohub 最初于 4 月 29 日宣布该项目，承诺五年投入 5 亿美元：1 亿美元用于全球协调的数据生成系统，4 亿美元用于大规模数据生成、下一代测量技术，以及细胞观察和扰动工具。161 天后宣布了此次扩展。
将实物数据与算力计入头条资金是否是描述该行动最有信息量的方式，是一个合理问题。无可争议的是这一联盟的形态：政府实验室和超级计算机、数十年的公共生物医学数据库、公司构建的模型和工程能力，以及非营利组织的召集能力，围绕一个共享投入汇集在一起。
为什么瓶颈已从模型转向数据
参与方提出的论点很直接。蛋白质结构预测已变得非常强大，但当同一代模型被问及细胞层面的药物疗效、毒性或代谢反应时，性能就消失了——所述原因是训练数据既不够大，也不够经过验证。
源文引用 Google DeepMind 的 AI 副总裁 Pushmeet Kohli 的话说，构建虚拟细胞是人类最伟大的科学挑战之一，如果没有记录活细胞如何行为及如何响应变化的大规模开放实验数据，就无法解决。该措辞是从源文中文文本再次转译而来，因此应理解为含义转述，而非逐字引语。
所述数量差距很大。现有细胞数据集仅覆盖数亿个细胞，而高精度预测模型需要数十亿到数万亿次测量，涵盖细胞状态、基因表达、蛋白质变化和药物反应动态。任何单一公司或机构都无法独自生成这一体量，这就是所述结盟逻辑。
Biohub 想构建的回路
预期工作流是一个设计—构建—测试—学习循环：实验生成数据；数据训练模型；模型预测细胞反应；细胞被重编程；实验验证预测；结果反馈给模型。自动化实验室和标准化测量技术与算法一样，是该回路的核心。
所提供的时间表刻意保守。首个大型数据集预计在约一年内完成。可用的预测模型是五年目标。长期愿景——一个足够准确的虚拟细胞，使实验可在数字空间中运行，只有最有前景的候选者被送往实体实验台——被表述为愿景，而非可交付成果。
开放数据外加一年的商业先行期
对行业读者而言，治理机制可能是该公告影响最大的部分。根据源文，所有数据集最终都打算作为共享科学资产公开发布。商业资助方——DeepMind、Isomorphic Labs 和 Meta——获得大约一年的禁运期，在此期间他们可以在数据向所有人开放之前研究数据。通过 NIH 和 DOE 以政府资金生成的数据被描述为公开可用，不受该限制。
源文引用 Biohub 的科学负责人 Alex Rives 说，商业参与方需要激励，禁运期正是为此存在；同样，这是再次转译。该设计以十二个月的信息优势，换取补贴公共科学的私人资本。源文指出，Biohub 计划与制药公司和慈善基金会进一步讨论，并提出，为在限定数据窗口内获得早期访问权付费，可能成为 AI 药物发现中反复出现的商业结构。
同一天，其他几条战线
源文将这一公告置于更广泛的一组同日或几乎同时的行动中，每一项都针对数据或实验能力，而非模型架构：
Rivercell 宣布融资 2500 万美元，用于构建数据平台和预测人体细胞对治疗反应的 AI 模型——与虚拟细胞论点直接平行。
据报道，Isomorphic Labs 正就至少 400 亿美元估值的新融资进行洽谈。该数字未经证实，应视为报道内容，而非已确立事实。
Anthropic 建立了湿实验室，在内部增加实验生物学能力。
OpenAI Foundation 启动了一项超过 1.25 亿美元的资助计划，专门用于构建 AI 研究所需的生物学和医学数据集。
源文指出的共同线索是，这些行动没有一项主要在模型能力上竞争；它们竞争的是数据生成和实验通量。
源文为医学 AI 得出的五点影响
以下要点是源文作者的行业分析，而非研究结果或参与组织的声明。
数据资产变得可授权。 过去公司授权的是管线与分子，未来它们可能越来越多地就精选数据集的优先访问权进行谈判。来源、同意、质量审计和合规从后台职能走向交易桌。
湿实验室和自动化是下一道护城河。 如果模型架构趋同，差异化因素就变成谁能更快、更便宜地生成经过验证的实验数据。纯算法公司需要对其数据来源给出可信答案。
制药公司面临锁定数据源的窗口。 如果数字预筛选后接实验台确认能压缩开发时间线，收益将归于拥有管线和临床验证能力的组织——但前提是它们在数据生成桌上占有一席。
合同研究和实验室自动化获得结构性机会。 这类支出中有相当一部分流向测量技术、扰动工具和数据收集——创造对标准化、结构化、可供模型使用的实验输出而非仅实验本身的需求。
投资者应将真实数据护城河与数据叙事区分开。 尽职调查现在需要询问：数据集是否有闭环实验验证；访问是排他还是限时；注释质量能否支持细胞层面预测。
该公告未能确立什么
有几条边界值得强调。18 亿美元是参与方汇总的承诺数字，而非经独立审计的现金。目前尚未发布任何数据，未展示任何模型性能，也没有外部基准支持由此产生的数据集将实现准确细胞层面预测的说法。五年模型目标是所述目标，没有公布的里程碑框架，任何延迟从外部都无法看见。
禁运安排提出了尚未解决的问题：政府资助和商业资助的数据流在实践中将如何分离；排他窗口在商业压力下能维持多久；以及没有计算资源的学术团体在数据开放后是否能用得上这些数据。
最后，该公告没有任何内容涉及临床结局。一个能更准确预测毒性或疗效的虚拟细胞，会改变试验前候选者的优先级排序方式，但它不会取代人体试验，而且本文未描述针对模型引导候选选择的监管路径。公共数据、政府算力和私人资本的整合，是一个关于该领域认为其约束所在的信号；它还不是该约束已被消除的证据。
