ARTICLE · 1243802
王兴兴说物理 AI 有望被击穿——虚拟细胞的构建,正在颠覆生物学研究
他说的是机器人——当模型真正理解了重力、摩擦、碰撞这些物理规律，机器人就能像人一样在真实世界里干活，而不是靠工程师一条条写规则。
我看完的第一反应不是「机器人要来抢饭碗了」，而是：这不就是生物学一直在等的东西吗？
因为生物学家也一直有个执念：能不能不真的做实验，就「算」出细胞下一步会干什么？
🧬 虚拟细胞（Virtual Cell） 就是生物学版的「物理 AI」——它不再把细胞当成一堆要一个个测的分子，而是给细胞建一个可计算的世界模型：输入「我现在敲掉这个基因」，输出「细胞会在 24 小时后变成什么样」。
换句话说，物理 AI 让机器理解物理世界，虚拟细胞让模型理解生命世界。
先说清楚：虚拟细胞到底在做什么
传统生物学研究有个朴素但痛苦的循环：假设 → 做实验 → 看结果 → 再假设。一个基因一个基因地敲，一个条件一个条件地试，一篇论文背后往往是几年的移液枪。
而虚拟细胞想干的事是：把这个循环搬进计算机里先跑一遍。
你告诉它「我想知道抑制某个激酶后，细胞的转录组会怎么变」，它不用养细胞、不用测序，几秒钟给你一个预测；你挑出最有希望的几条，再去湿实验验证。试错成本从「几个月的博士生」降到「几秒钟的 GPU」。
听起来像科幻？但它已经是顶级期刊的正式议程了。2024 年底，Cell 刊登了一篇由 Bunne、Regev、Quake、Leskovec 等 40 余位学者联合署名的路线图文章，标题非常直白：《如何用人工智能构建虚拟细胞》。
📄 How to Build the Virtual Cell with Artificial Intelligence: Priorities and Opportunities
Cell, 2024 · 187(25):7045–7063
Bunne C, Roohani Y, Rosen Y, … Regev A, Lundberg E, Leskovec J, Quake SR.
DOI: 10.1016/j.cell.2024.11.015 ｜ arXiv: 2409.11654
💡 虚拟细胞领域的"总纲"：提出用「多尺度通用细胞表征 + 虚拟仪器做 in silico 实验」的路线，把散落在各处的组学数据整合成一个可计算的细胞模型。
到了 2026 年，这个话题已经从"倡议"变成了"模型竞赛"。同一年 Cell 又发了评论《虚拟细胞的世界模型》，把虚拟细胞正式类比为「细胞的世界模型」——你会发现，这个词和物理 AI 里的 world model，是同一个词。
📄 A world model of the virtual cell
Cell, 2026 · 189(19):5831–5844
Xing CP, Song L.
DOI: 10.1016/j.cell.2026.08.042 ｜ PMID: 42753692
💡 把虚拟细胞定位为"细胞的世界模型"：不仅能预测，还要能模拟反事实（"如果当时没敲这个基因会怎样"）。
三块拼图：虚拟细胞是怎么搭起来的
如果把虚拟细胞拆开看，它其实由三个部件组成——正好对应物理 AI 的"感知—建模—预测"。
1细胞表征：把细胞变成向量
第一步是"读懂细胞"。做法是用海量单细胞转录组训练一个基础模型，把每个细胞压缩成一个高维向量（embedding）——相似状态的细胞在向量空间里靠得近。
代表工作是 scGPT（Nature Methods 2024）和 Geneformer（Nature 2023）。前者在三千余万个细胞上预训练，把基因表达当成"语言"来建模；后者用约 3000 万单细胞做迁移学习，直接预测基因网络里的扰动效应。
2扰动图谱：喂给模型"因果"的训练数据
光知道细胞长什么样还不够，模型还得知道"动了某个基因，细胞会怎么变"。这就需要扰动图谱。
里程碑是 Perturb-seq：Replogle 等人 2022 年在 Cell 上用全基因组 CRISPRi 干扰 + 单细胞测序，一次性拿到上百万细胞、数千个基因敲低后的转录组快照。这份数据至今仍是虚拟细胞扰动预测的"金标准"训练集。
3状态转移：预测"下一步"
有了表征和扰动数据，最后一步是学一个"状态转移函数"：给定当前细胞状态 + 干预，输出新状态。
Arc Institute 的 State 模型（2025 年预印本，2026 年正式发表于 Cell），用了 1.67 亿观测细胞 + 超过 1 亿扰动细胞训练，专门做跨情境的扰动响应预测——这是目前最接近"虚拟细胞"工程化落地的系统之一。
不吹不黑：它现在能做什么、还不能做什么
📄 Virtual Cell Challenge: Toward a Turing test for the virtual cell
Cell, 2025 · 188(13):3370–3374
Roohani YH, … Hsu PD, Goodarzi H, Burke DP.
DOI: 10.1016/j.cell.2025.06.008 ｜ PMID: 40578317
💡 虚拟细胞界的"图灵测试"：把"预测未见扰动下的转录组"做成公开竞赛与统一评测基准。没有基准的领域，都是在自说自话。
泼一盆冷水：它真的有用吗？
作为一个被各种"AI 颠覆"标题轰炸过的人，我得诚实地说：这个领域自己也有人在泼冷水。
2026 年，Bereket 与 Leskovec 发了一篇预印本，标题就问得很直接：《当前的 AI 虚拟细胞模型，对科学发现真的有用吗？》核心质疑是：现有评测指标与"真实科学发现"之间的相关性到底有多强——预测得准，不等于能改变实验决策。
📄 Are Current AI Virtual Cell Models Useful for Scientific Discovery?
bioRxiv, 2026（预印本）
Bereket M, Leskovec J.
bioRxiv 预印本 · 2026（预印本 DOI 以 bioRxiv 页面为准）
💡 冷静剂：评测指标漂亮 ≠ 科学发现有用。这篇文章提醒我们，虚拟细胞需要的是"能改变实验决策"的证据，而不是漂亮的 R²。
同样在 2026 年，Nature Reviews Genetics 的短评《重访可解释虚拟细胞的蓝图》也指出：目前的路线图在"可解释性"上留了个大洞——如果模型只会给答案、说不出理由，生物学家很难真正信任它。
📄 Revisiting the blueprint for an interpretable virtual cell
Nature Reviews Genetics, 2026 · 27(5):347
Wu AR.
DOI: 10.1038/s41576-026-00940-8 ｜ PMID: 41644840
💡 虚拟细胞下一步的胜负手，可能不是预测得更准，而是"能讲清楚为什么"。
···
那它到底值不值得做？——五个真正的价值点
吐槽归吐槽，虚拟细胞的价值并不虚。至少在这五件事上，它的逻辑是站得住的：
🔑 关键认知：虚拟细胞不是要"取代"生物学家，而是要当那个永不疲倦的预实验助手。它的目标不是给出真理，而是把"值得做的实验"从 1000 个筛到 10 个。
···
未来往哪走？五个方向最值得盯
方向一：从"转录组"走向"多尺度"
现在的虚拟细胞基本只覆盖转录组一个尺度。但真实细胞还有蛋白、代谢物、空间结构、形态学。Bunne 等人的路线图里，"多尺度统一表征"被列为核心目标——只有把蛋白和代谢也纳入，模型才能算"表型"而不只是"表达量"。
方向二：从"预测"走向"可解释"
如前所述，可解释性是当前的公认短板。下一步的竞争点，可能是能指出"是哪个通路、哪个调控因子在起作用"的模型，而不是更黑箱的模型。
方向三：基准与"图灵测试"
Virtual Cell Challenge 已经连续举办，2026 年的主题直接就是"跨细胞情境的零样本泛化"。一个领域成熟与否，看它有没有公认的、防作弊的评测基准——这一点虚拟细胞正在补齐。
方向四：从"细胞"走向"组织与个体"
细胞只是起点。更长远的图景是"虚拟组织""虚拟器官"，最终到"虚拟病人"。这条路很长，但方向已经清晰。
方向五（加分项）：从"人"走向"万物"
值得一提的是，已有细菌体系的工作被媒体以「虚拟细胞捕捉生命最基本过程」为题报道过。这说明虚拟细胞的野心并不限于人类细胞——只要数据够，物种并不是硬边界。
···
最后说点人话
王兴兴说物理 AI 有望被"击穿"，我理解那种兴奋：一旦模型真的理解了世界的规律，很多原本只能靠人力堆的事，会突然变得便宜。
虚拟细胞对生物学，大概就是同一种冲击。它现在还很粗糙——预测不准、解释不清、离替代实验还远——但它的方向是对的：让生物学从"描述现象"走向"预测现象"。
至于它会不会真的"颠覆"？我的判断是：会改变研究方式，但不会改变科学本质。 湿实验永远是裁判，虚拟细胞只是让裁判少跑几趟。
毕竟，一个能帮你把 1000 个假设筛到 10 个的工具，已经足够让人心动了。
···
附录：本文引用的真实文献
Bunne C, Roohani Y, Rosen Y, et al. How to Build the Virtual Cell with Artificial Intelligence: Priorities and Opportunities. Cell. 2024;187(25):7045–7063. DOI: 10.1016/j.cell.2024.11.015 Xing CP, Song L. A world model of the virtual cell. Cell. 2026;189(19):5831–5844. DOI: 10.1016/j.cell.2026.08.042 Wu AR. Revisiting the blueprint for an interpretable virtual cell. Nat Rev Genet. 2026;27(5):347. DOI: 10.1038/s41576-026-00940-8 Adduri AK, et al. Predicting cellular responses to perturbation across diverse contexts with State. Cell. 2026;189(19):5914–5931.e20. DOI: 10.1016/j.cell.2026.07.052 Roohani YH, et al. Virtual Cell Challenge: Toward a Turing test for the virtual cell. Cell. 2025;188(13):3370–3374. DOI: 10.1016/j.cell.2025.06.008 Cui H, Wang C, Maan H, et al. scGPT: toward building a foundation model for single-cell multi-omics using generative AI. Nat Methods. 2024;21(8):1470–1480. DOI: 10.1038/s41592-024-02201-0 Theodoris CV, et al. Transfer learning enables predictions in network biology. Nature. 2023;618:616–624. DOI: 10.1038/s41586-023-06139-9 Replogle JM, Saunders RA, et al. Mapping information-rich genotype-phenotype landscapes with genome-scale Perturb-seq. Cell. 2022;185(14):2559–2575.e28. DOI: 10.1016/j.cell.2022.05.013 Bereket M, Leskovec J. Are Current AI Virtual Cell Models Useful for Scientific Discovery? bioRxiv（预印本）. 2026. Sun R, et al. An operational perturbation proteomics-based virtual cell model. Nature. 2026;658(8137):1066–1076. DOI: 10.1038/s41586-026-11001-9
🚀 AiHi Research
虚拟细胞不是科幻，它正在成为生物学家的"第二个实验室"。
关注公众号，获取更多 AI 科研实战与前沿解读
© 2026 AiHi Research · 除标注"预印本"者外，引用文献均可通过 PubMed / DOI 检索验证
