魏茨曼科学研究所的 Yonatan Stelzer 与 Amos Tanay 在《Cell》发表观点文章，抛出一个可能让整个 AI 生物圈不太舒服的问题：光靠堆数据、堆算力、堆模型规模，真的能让 AI 理解生命吗？
这篇文章《Why machines don't speak biology》不是否定 AI 在生物学的价值，而是指出这个领域正在错误的维度上竞赛——真正的瓶颈不是算力或数据量，而是生物学的本质：它不像语言模型的训练语料那样"可学习"。
AlphaFold 为什么能成，以及为什么无法被简单复制
AlphaFold 的成功看起来像是"大力出奇迹"的证明，但作者拆解了它成功的真正原因：蛋白质折叠空间并非无序。天然蛋白受进化长期塑造，具有模块化、重复性和保守的结构规律；多序列比对（MSA）提供了进化约束，几十年实验解析的结构提供了可靠坐标。换句话说，AlphaFold 学会的不是"从头理解生物学"，而是进化留下的统计痕迹。
这也定义了它的边界——它擅长在进化已探索的结构空间里插值，却无法可靠判断哪些突变导致错误折叠，也无法天然解决大型复杂蛋白的从头设计。更一般的教训是：只有当问题具有丰富稳定的先验结构、且训练数据充分覆盖时，AI 才能泛化得好。
细胞和组织不是"更大的蛋白"
从蛋白走向基因组、细胞、组织，不是把训练数据扩大几个数量级就能解决的。一个蛋白只有几百个氨基酸；一个基因组含数万基因和百万级调控元件；一个细胞内有 10⁶–10¹⁰ 量级的蛋白分子；组织则涉及数十亿细胞的持续交互。系统的维度、组织方式、动力学复杂度都会随尺度发生质变。
更深的问题在于：生命不是静态零件拼成的机器。细胞和组织是在时空中持续展开的过程，层级之间通过反馈与调控不断产生新功能。这种跨尺度的组织方式，正是通用生物学 AI 的核心挑战，也是单纯 scaling 无法触及的部分。
生成不等于理解：物理引擎的类比
文章最锋利的类比是物理引擎。一个真正理解汽车的模型，不只是生成一段汽车在雪地加速的"很像"的视频，而是要能计算发动机输出、重力、摩擦力与环境的相互作用。按这个标准，今天的生物学基础模型大多只是在生成"很像"的视频——它们在进化留下的数据分布内插值，却无法重演产生这些数据的随机历史。
所以"模型够大就会涌现理解"只是愿望，不是策略。在明确定义的尺度内（从 DNA 预测表达、预测增强子变异影响、预测药物对通路的作用），AI 已经很有价值；但深度学习擅长插值、不擅长超出训练分布的外推。把更多基因、蛋白、细胞数据喂给更大的模型，并不能保证它自行"涌现"出对生命过程的理解。
出路：从"学习零件"转向"学习典型过程"
作者建议把建模的基本单位从孤立的组成部分转向典型生物过程——那些能在不同实验/系统中重复观察、具有相对稳定时空与机制结构的过程。典型过程为 AI 提供了天然坐标系：DNA 复制、转录、翻译，细胞周期，胚胎发育，乃至病毒感染和全脑连接组。
过程对齐建模有实打实的好处：你能拿到"关于过程本身"的数据而非静态快照；个体间变异可量化；不同实验的观测可映射到同一坐标轴；而突变、药物、环境扰动造成的偏离也因此有了可解释的意义。
这也重新定义了数据问题。未来真正稀缺的不是更多单细胞数据，而是过程对齐、时空解析、原位测量、包含扰动信息的多尺度数据。调控元件要在真实表观基因组环境中研究，细胞要尽量在原生组织中观察；数据要映射到明确时空坐标；要优先记录扰动后最早期的直接响应，而不是多级反馈后的终末状态。
走向有因果能力的生物学世界模型
终极目标是构建基于过程的生物学世界模型——不是复现现象，而是重建产生现象的机制与因果。从当前单尺度基础模型走向多尺度世界模型，作者给出三条原则：
- 蒸馏（Distillation）：去除模型中冗余的相关性，保留有因果意义的机制（例如区分真正驱动转录的调控元件与偶然共进化的突变）。
- 标准化（Standardization）：建立可复用的统一模块（标准化的蛋白模型作为细胞世界模型的组件，标准化的细胞响应模型作为组织世界模型的组件）。
- 重新连接（Reconnection）：把蒸馏、标准化后的不同尺度模型放回典型过程的时空坐标系，让蛋白、细胞、组织模型真正发生机制连接——作者认为这才是未来多尺度计算生物学的前沿。
对行业的启示
对虚拟细胞、AI 制药和"统一生物学模型"竞赛来说，这篇观点是一记警钟：单纯拼模型规模、数据量和 GPU 数量的团队，可能正在错误的维度上内卷。真正持久的壁垒将是过程对齐的实验基础设施——原位多组学、时间分辨的扰动数据、能连接分子-细胞-组织尺度的标准化过程体系。
它也重构了评估标准：如果你的模型只能复现训练数据，那你还拥有的不是一个生物学模型，而是一个昂贵的自编码器。进步的标尺是因果的、分布外的预测——模型能否正确预测它从未见过的扰动所引发的早期后果。
可落地的行动点
- 做生物学基础模型的团队：把投入转向扰动与时间序列数据采集，而不是只堆规模——早期直接响应优于终末状态。
- 评估模型的团队：要求分布外的因果预测结果，而不是重建类 benchmark。
- 选研究方向的团队：押注过程对齐、原位、多尺度数据基础设施——那里才是行业真正的稀缺点。
参考：Stelzer, Y. & Tanay, A. "Why machines don't speak biology: Toward native biological language models." Cell (2026). doi:10.1016/j.cell.2026.07.003
常见问题（FAQ）
AlphaFold 不是证明「AI 大力出奇迹」吗？
AlphaFold 成功的关键不是规模，而是蛋白质折叠空间本身有规律：进化塑造了模块化、重复、保守的结构，多序列比对提供进化约束，几十年实验结构提供可靠坐标。它学会的是进化的统计痕迹，而非从头理解生物学。
为什么 AI 还不会说「生物学语言」？
因为生物学的瓶颈不是数据或算力，而是过程。细胞和组织是时空持续展开的过程，跨尺度组织方式无法靠单纯 scaling 触及。作者建议从「学习零件」转向「学习典型过程」，并走向有因果能力的生物学世界模型。
这篇 Cell 观点对 AI 制药和虚拟细胞意味着什么？
它是一记警钟：单纯拼模型规模、数据量和 GPU 的团队可能在错误维度上内卷。持久壁垒是过程对齐的实验基础设施（原位多组学、时间分辨扰动数据），评估标准应从「复现训练数据」转向「分布外的因果预测」。
