2000亿美元的数据赌局：虚拟细胞公司的钱烧对了吗？

AI虚拟细胞（AIVC）融合人工智能、生物信息学、细胞组织工程学的前沿交叉技术，进一步通过计算建模与数据驱动方法，在数字空间中高保真模拟真实细胞的结构、功能与动态响应。核心价值在于将大量原本需要湿实验室完成的实验，转化为“硅基实验”，进而实现提质增效。

作为刚崛起的新兴赛道，跑马圈地必然伴随烧钱——抢数据、抢人才、搭平台，样样都要真金白银。但钱该往哪烧？

AIVC创新沙龙给出的共识是：钱不卷GPU，不堆参数，要烧在产生高质量、临床级真实生物数据上——数据是燃料，人才是引擎。

7月30日，围绕“从数据基座到应用落地：虚拟细胞引领的计算生物学新范式”，播禾创新中心联合动脉网、苏州国际科技园（SISPARK）举办AIVC创新沙龙。

圆桌抛出一个清醒判断：AI虚拟细胞不是下一个大语言模型，无法靠无上限烧钱“暴力出奇迹”。它的商业化未来，藏在“高质量数据+监管级验证+垂直场景小闭环”的务实组合里。资本只会押注那些能把钱花出效率、并持续融资的产业聚合者。

下半场，拼的是谁能把钱烧出效率、烧好质量。沙龙内容经编辑，以飨读者。

钱要花在哪儿？数据和人才是大头，合作与标准化是产业目标。

在《AI虚拟细胞筑基之战：构建数据+人才双底座》圆桌论坛中，薄荷天使基金水心稼与腾讯健康生命科学业务拓展专家张瑞瑶、珞米生物创始人＆CEO吴昊、新格元生物高级副总裁范珏、耀速科技科学事务与创新部负责人叶森、墨卓生物市场总监於佳乐展开深入交流。

围绕“数据基础设施建设”这一核心议题，珞米生物吴昊指出，相比PDB数据库耗资200亿美金的历史，构建AI虚拟细胞所需的超多维多模态数据，保守估计需要2000亿美元的投入，但这相较于具身智能的素材成本仍属“小巫见大巫”，却有着广阔的想象空间。

新格元生物范珏补充道，虚拟细胞模型的构建是一个长期过程，不仅需要覆盖海量疾病类型，更依赖于检测技术的持续突破；不能仅停留在利用现有的单细胞转录组数据，更需要囊括单细胞多组学数据。尤其，公开数据往往缺失病人的元数据，导致模型只能学会“预测细胞类型”，而无法理解疾病状态。

腾讯健康张瑞瑶描绘了理想中的“乌托邦式”数据基建形态：观测与扰动并存、同一多模态来自同一样本、带时间序列。同时，以失败实验、失败方法为代表的阴性数据当前被严重忽视，但对校准算法准确性至关重要。

吴昊在此基础上提出了数据质量的“九字真言”——高质量、高密度、跨尺度。没有元数据（readme file）支撑的基因表达量就是“沙上建城堡”，团队里若没有极度懂实验的人，模型极易被实验数据误导。而当前组学数据90%为空值的稀疏特性，更是对Transformer架构提出了根本性质疑。“今天人类的制药不是人类制药，是老鼠制药”，他呼吁研发必须跨越分子到组织的多尺度功能闭环，在接近人的环境中验证药物。

墨卓生物於佳乐强调，数据前处理必须规范、可追溯，未来方向是标准化的多模态，但单家公司技术有限，必须跨界合作。张瑞瑶谈到，数据孤岛不仅是隐私问题，更是权益分配问题、保护期与授权问题，机构间应先坐下来谈标准、谈治理。

耀速科技叶森从监管与产业落地视角出发，强调应围绕具体应用场景（如药物肝毒性预测）倒推数据需求，推动工具尽快被终端用户采信。

在人才底座上，产业端急需“桥梁型”、复合型人才。

张瑞瑶表示，产业界最想要的是“AI科学家+生物学家”的合体人才，但多自主创业或被海外高薪挖走，极度稀缺。因此，过渡阶段团队亟需能打通生物学与计算科学的“桥梁人物”，能将生物学需求转化为计算问题，再设计实验与算法验证。叶森认为，匹配度远胜学历，给新人充分信任与时间比唯学历论更重要。

范珏认为AIVC领域刚起步，经验差距不过“马拉松的100米”，好奇心与持续学习的心态才是拉开差距的关键。於佳乐表示认同，分享了墨卓一名生物学背景员工借助AI自主搭建百万级项目管理系统的实例。

吴昊则分享了避坑指南：AI人才与实验人才的节奏错配、比例失调将直接导致资源浪费，甚至团队解散；从业者需抓住窗口期“赶紧变现”，转化为公司、融资或理想职位。

进一步来看，以终为始、拉通标准是构建合作生态，寻找同行者的关键。

吴昊强调，合作伙伴的数据或工具先被药企认可，才能继续推进，“先在数据上达成共识，再卖模型”。於佳乐则指出，单家公司技术流派有限，要实现真正的多模态数据串联，必须与不同技术流派的团队深度绑定、跨界互补。

叶森提到，监管具体场景将驱动数据标准化，美国iSTAND计划推动虚拟肝脏用于药物肝损伤预测，正是瞄准了40%—50%动物实验未能检出的肝毒性风险。他还提出了创新性的“同行竞合”模式——多家技术路线不同的同行，接受终端客户的多中心盲样测试，汇总结果寻找标准化指标与红线，形成行业共识，加速终端用户的采信速度。

AI虚拟细胞究竟该如何从技术故事走向商业变现？

“资本之弈”圆桌中，探针资本执行董事王逸洲对谈aiPTO TechBio联合创始人张闲、创模生物联合创始人＆CEO康恺、淇嘉科技联合创始人＆COO万飞、源壹资本联合创始人＆董事李若冲，碰撞出诸多务实且具有启发性的观点。

aiPTO TechBio张闲率先抛出了“0和1”的犀利论断——虚拟细胞在靶点发现上具有突破实验限制的巨大潜力，但产业应用与科研探索存在本质区别：科研允许准确率从50%到60%的渐进式提升，而产业必须达到实际Pipeline要求的确定性阈值，达不到1就是0，不存在中间状态。

创模生物康恺指出，AI的价值正是通过工程化手段解析复杂生物网络，破除生物医药行业传统作坊式、依赖个人经验的痛点；将决策前移，在临床前就实现精准的“Yes/No”判断与患者分层，从而大幅降低临床后期失败风险。

在技术路线的选择上，“小模型专家”到“大模型集成”的务实路径成为共识。

张闲认为生物系统复杂度极高，通用模型通吃所有场景难以实现，基座模型配合细分场景的Fine-tuning才是正解。

康恺分享了一个实践发现：肿瘤异质性在传统生物学中是“研发噩梦”，但在算法中却因特征明确而极易标签化。这意味着，针对特定适应症或特异性的垂直小模型，单点突破效应显著。创模生物通过结构化的数据，以及AI深度数据挖掘的方式所建立的肿瘤AI模型，目前已经在患者分层、Biomarker发现、新靶点发现等领域实现突破，其中患者分层的临床一致性可达90%。

淇嘉科技万飞提出“灰盒理论”——指望AI完全从底层原理预测生物学机制近乎科幻。

更务实的路径是，基于临床一致性高的类器官数据训练“灰盒/半黑盒”的垂直小模型，每个垂直模型聚焦于特定疾病状态和药物评价场景。通过持续积累高质量、标准化、多模态生命数据，形成覆盖不同应用场景的专业模型体系。

未来，这些场景化模型与基础模型、生命科学知识体系结合，共同推动AI驱动的新药研发范式升级。此前，淇嘉科技利用iPSC类器官平台，助力信达生物管线IND申报，仅凭类器官数据便完成了临床前药效报告，并在与FDA长达一年的沟通中获得认可。

万飞谈到，选择iPSC类器官根源是其具备更强的工程化潜力和批次一致性——这正是AI训练对数据质量的刚性需求。在此基础上，淇嘉战略性地避开肿瘤红海，聚焦肺纤维化、药物肝毒性（DILI）等非肿瘤适应症，凭借iLung仿生肺微器官和iLiver等平台，成功构建了覆盖呼吸、消化、神经系统的20余种生理/病理模型库。

一方面，监管认可的数据本身就是高质量的AI训练语料。经FDA多批次考核的明场影像、RNA-Seq、蛋白质组及荧光图像等多模态数据，天然携带合规基因，不同于纯AI公司无法自产数据的信任瓶颈。

另一方面，快速切入产业支付场景，不陷入无底洞的基模算力竞赛。通过较少费用投入形成“评价服务产生数据——数据训练模型——模型反哺服务精度”的飞轮，打造产业链中不可替代的高质量生物数据底座。

源壹资本联合创始人＆董事李若冲认为，在资本市场，AIVC赛道是“拿锤子找钉子”——只关注谁先找到“可落地的钉子”。眼下最清晰的买方是科研高校/医院、大药企创新部门和互联网大厂；主流商业模式仍是“首付+里程碑+分成”的平台模式。

不过，早期VC关心的不仅是企业能否在短期商业化变现，还是团队能否在资本起伏中持续拿到钱、获取资源，熬到商业化黎明。

站在“烧钱”主体企业端，康恺与张闲均指出，大语言模型靠堆算力，但生物数据从基因组延伸到空间组学，成本反而递增；且生物医药强监管属性下，临床试验验证这道坎永远绕不开。

因此，虚拟细胞的烧钱投入上限取决于“能为临床试验提效多少”，当精度达到一定阈值后，无底洞式的算力堆砌将失去意义。

沙龙现场，7家产业链创新企业，分享在AIVC与AI4S领域的探索：

耀速科技科学事务与创新部负责人叶森

耀速科技以“3D BioIntelligence”为核心，致力于通过器官芯片与自动化超级工厂构建人源化数据闭环，解决药物临床前到临床的转化鸿沟。摒弃传统动物模型依赖，耀速科技利用器官芯片模拟体外微环境，结合自动化体系实现7×24小时多模态数据（形态、功能、组学等）高通量产出。

其技术已落地多个脏器模型（肝、血管、血脑屏障、皮肤等），并与美国FDA合作肝毒性预测，准确率达92.3%，完成NAMs跨平台验证，iSTAND资格认定工作持续推进。

创模生物联合创始人兼CEO康恺

创模生物基于海量类器官结构化数据与AI深度挖掘，致力于解决肿瘤治疗中人群细分与biomarker筛选难题。目前已与北京30余家三甲医院合作，积累超万份样本及数千个类器官模型，通过化合物测试构建多维向量空间，精准定位药物适用人群。

在结直肠癌和胰腺癌验证中，其平台临床一致性预测达90%，仅用2～3个月即可复现数十年临床探索结果。此外，创模生物发现AUC高达0.95的胰腺癌biomarker panel，并筛选出31个高成药性增敏靶点。该平台既可为虚拟细胞训练提供基石，也能在现有技术下切实解决研发与临床问题。

生寰未来CEO陈藤

生寰未来提出基于代谢组学的“虚拟代谢”范式，用于代谢扰动响应预测的GEM原生AI虚拟细胞。因代谢与表型最接近，在数据有限时更具生物仿真潜力。

依托内部跨学科团队的协作，生寰未来将数据驱动与机制驱动相结合，自主研发了CytoTwin架构。该架构将超图神经网络与经典基因组尺度代谢模型（GEM）融合，可实现样本级别的个体化建模，并兼顾模型的可解释性。

他提到，未来虚拟细胞需多组学融合与生态协作，数据成本需通过组学公司与模型公司的生态捆绑来降低。

aiPTO TechBio GmbH联合创始人张闲

aiPTO TechBio是一家瑞士初创科技公司，专注从真实肿瘤到虚拟肿瘤的闭环飞轮，通过虚拟肿瘤发现全新靶点，加速first-in-class管线开发，最终战胜脑癌。

其核心创新是保持完整肿瘤块的体外培养，最大程度保真肿瘤微环境与细胞比例，基于药敏数据准确预测临床患者反应。基于此真实数据，aiPTO TechBio自研全球领先的虚拟AI模型——从生物原理出发，自主学习药物处理后细胞的存活与死亡，积累细胞类型和基因表达层面的可解释性。

格物致和创始人许俊泉

格物致和致力于打造基于细胞状态调控的药物发现平台及超大规模药物扰动数据库，已积累3亿条Nature Methods数据，内部累计超30亿条涵盖神经、肿瘤、基因扰动等的多维度数据。

基于该数据库，格物致和已成功实现老药新用、中药方剂解析及生物标志物发现。未来重点布局神经退行性疾病和肿瘤领域，坚持干湿结合迭代，利用细胞状态特征谱与扰动大数据，更高效地挖掘药物和干预产品。

珞米科技创始人＆CEO吴昊

珞米科技旨在构建全球首个跨尺度多模态虚拟类器官世界模型。针对现有架构不适合组学噪声数据的问题，团队设计了三层架构：LLM负责高层语义推理与实验设计；JAPA模型构建隐空间表征细胞状态演化；湿实验形成闭环验证。

数据策略上，珞米科技采用公开数据清洗、全球蛋白组设备装机与自建黑灯实验室产生大队列数据；创新性地将血浆蛋白组数据与细胞类型状态耦合，未来患者只需抽血即可通过模型推断细胞状态，极大降低临床应用门槛。

目前已初步验证多种稳定细胞类型的信号，正持续推进多模态数据整合与模型迭代。

普百思生物创始人＆CEO包杨欢

普百思生物专注CNS药物研发，采用“Human First”路径，利用数据算法解决难治性抑郁症、青少年抑郁症及AD激越等疾病的药物研发困境。

针对CNS异质性高、动物模型易失效的痛点，普百思运用signature reversal和network proximity算法，结合疾病组学特征与靶点网络，寻找老药及新靶点。

数据方面，合作构建2000人青少年抑郁症纵向队列，并积累神经药物扰动数据集。通过发现老药在人体特定亚群的疗效、基于机制进行分子改良，后推进新分子。目前，已有多个项目进入人体验证或BD洽谈阶段。