数据底座

10 月 7 日，由扎克伯格与普莉希拉·陈支持创立的非营利科研机构 Biohub 宣布进一步扩大「虚拟生物学计划」（Virtual Biology Initiative）。据 DeepTech 等报道，该计划将联合美国能源部（DOE）、美国国立卫生研究院（NIH）、Google DeepMind、Isomorphic Labs、Meta 等机构，汇集总计约 18 亿美元的资金、数据与算力，为 AI 生物学搭建公共的数据底座。 为什么是「数据底座」而不是又一个模型 AI for Science 跑了几年，行业逐渐形成一个共识：卡脖子的往往不是模型不够强，而是高质量、机器可读的生物数据太少、太碎。蛋白质结构预测之所以轰动，前提是有了大规模结构与序列数据；想再往药物、细胞、疾病机理走一步，缺的正是这样一层公共数据基础设施。 虚拟生物学计划的思路，是把分散在各机构的生物学实验数据标准化、打通，让 AI 模型在上面做可复现的预测与发现。这更像给后来者修一条公共高速，而不是某一家自己造一辆跑车。 过去几年，各家实验室各存各的数据，格式不统一、样本不对齐，AI 模型学出来的结论很难互相复现。这个计划想解决的，正是这个最基础也最磨人的问题。 为什么这些对手愿意坐到一桌 Google DeepMind（AlphaFold、Isomorphic Labs 团队）、Meta（FAIR 的基础模型）本是模型竞赛的对手，却愿意参与同一个数据计划。原因很现实：没有共享数据层，各家都在重复造轮子、用低质数据内卷；而生物学的公共价值，足够大到让竞争先让步于协作。 判断 18 亿美元买的不是立竿见影的新药，而是未来十年 AI 驱动生物学的「公共主干道」。对科研界，这是把 AI for Science 从单点突破推向平台化的关键一步；对产业，谁能在这层数据底座上先长出可落地的模型，谁就拿到下一轮药物研发的入场券。真正的成果不会明年就见效，但方向已经明确。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：虚拟生物学计划