GenBio AI宋乐：在虚拟细胞中寻找 AI 制药的 AlphaFold 时刻 | 达沃斯观察

宋乐在2026夏季达沃斯现场

在2026年大连夏季达沃斯的会场里，GenBio AI联合创始人兼首席技术官、MBZUAI机器学习全职教授宋乐，聊起了他这些年的轨迹。从蚂蚁金服的金融风控，到百图生科的蛋白质预训练，再到硅谷创办GenBio AI，用“世界模型”模拟细胞对药物的反应——这条路径听起来跨度颇大，但背后却有根清晰的逻辑线。

早在2017年，他就开始与中国互联网巨头合作，把深度学习、图神经网络和预训练模型用于金融风控和产品推荐。这些技术和今天的AI制药乍看毫无关联，底层逻辑却高度相通：“后面的技术有很多相同点，医药行业既有它的特性，也需要对AI方法有深层理解，然后有针对性地迁移和创新。” 换句话说，那套金融场景里锤炼出来的算法能力，换了个舞台，反而因为“师傅领进门”的背景而更能触类旁通。

疫情之后，中美科技合作的气氛一度紧张，宋乐最终选择去硅谷进行虚拟细胞世界模型方向的创业，同时与阿联酋的穆罕默德·本·扎耶德人工智能大学（MBZUAI）深度合作。这个选择，折射出他对全球AI for Science生态格局的一套成熟判断。

虚拟细胞：为世界模型找一个生物宿主

药物研发的痛点，其实远不止“设计不出好分子”这么简单。更大的瓶颈在于，即使找到了看似不错的分子，也必须在实验室里反复进行湿实验，去验证它在疾病细胞、组织、器官甚至个体里到底有没有效果。从生成模型造出的分子，到传统方法筛出的候选物，无一例外都要过这一关。验证一个分子在某种疾病细胞（比如癌细胞）中是否产生对应效应，周期很长。如果还要考虑后面的组织、器官甚至临床个体，时间跨度就要拉长到十年左右。

GenBio AI想做的，正是用AI把细胞、组织、器官乃至临床个体对药物的响应，变成一场“数字孪生”。这个系统的第一步，就是虚拟细胞——一个能够预测细胞在药物扰动下如何变化的世界模型。它不仅能模拟单个分子的行为，还能模拟细胞层面的整体反应，从而把大量原本必须在湿实验中完成的验证工作，搬到计算机里完成。

这种思路与当下多数AI制药公司的单点打法截然不同。宋乐用一个很形象的比喻来解释：“药物作用在一个靶点上，就像一个人；但这个人生活在一个群体里，群体又在组织里，组织又在更大的社会结构里。你想治愈的，不只是这个人，而是整个系统。” 所以，虚拟细胞的关键，不只是预测一个蛋白和一个小分子的结合强度，而是要把药物作用从靶点扩散到细胞，再扩散到细胞的整体状态。这种系统性世界观，正是世界模型提供的核心价值。

不过，宋乐对虚拟细胞的成熟度保持清醒。他把现阶段比作AlphaFold 1前夜的那个时间点：“它展示了世界模型能把事情做得更好，但还没有做到对现有方法有明显优势。真正到达AlphaFold 2甚至AlphaFold 3的阶段，可能还需要三到五年。”

构建虚拟细胞的三重挑战

虚拟细胞的雄心，建立在数据和算法这两条腿之上。

数据是第一步。宋乐指出，生命科学过去积累的数据虽然多，但往往像“随机探索美食”，缺乏多样性和代表性。要训练出一个有泛化能力的世界模型，必须系统性地产生更有针对性的数据。但数据并非越多越好——他很直白地说：“越多数据越好，但越多数据也意味着越高的成本。” 所以GenBio AI的研发方向，是在深度模型架构和训练方式上创新，用更少的数据实现更好的效果。

这就来到了第二条腿：算法架构。宋乐区分了两种思维方式。一种是“快思维”：深度学习擅长直接做像素级、数据驱动的生成，即使没有真正理解物理规律，也能生成逼真的图像。另一种是“慢思维”：像中学做物理题那样，基于符号抽象和已知规律进行推理。虚拟细胞需要把两者结合起来——既要能吸收海量数据做预训练，又要把生命科学已知的正负反馈、基因调控、蛋白质相互作用等规律，通过推理形式融合进去。

此外，为了让模型能适配不同合作方的细胞类型和疾病数据，GenBio AI还构建了一套名为Virtual Cell Harness的Agent系统。宋乐解释，大模型本身“不够聪明，不能长时间运行”，Harness就像是一个外部记忆和自动化工具，帮助世界模型记录历史信息、整理上下文，并自动生成代码来适配新的虚拟细胞。

在产品形态上，这家成立不久的公司仍处于种子阶段。他们正与英伟达和多家药企开展试点合作——英伟达提供计算资源和底层SDK支撑，药企提供数据和问题，GenBio AI则提供虚拟细胞模型和软件系统。宋乐坦言：“我们不需要一千个客户，现阶段更主要的是和Pharma做一些pilot study，从0到1，从1到10。”

AI for Science的全球地图

宋乐之所以把公司放在硅谷、把研究合作放在阿联酋，是基于对不同生态位的深入考量。

在他看来，美国/欧美在原创性创新和人才完备度上仍然得天独厚。“做AI for Science的创新探索，以及资本对这种探索的理解，都是最好的。” 美国有大量NeoLabs式的公司、跨学科培养体系以及愿意投入前沿研发的大药企，计算生物学的毕业生能找到对口工作——这种产业链的完整度，是中国尚不具备的。

中国真正的优势，则在于工程师文化。“很务实，工作也很努力。一旦看到清晰方向，可以集中意志把事情做得更快、更大规模。” 宋乐认为，在CRO服务、管线落地、临床试验资源上，中国有明显的成本和效率优势。成熟的CRO产业链、庞大的医院患者资源，都让药物后期开发更便宜、更快。但问题在于，很多学生毕业后找不到AI for Science的对口工作，反而流向互联网公司，这会导致原创性人才断层。

阿联酋则是一个新兴的战略支点。得益于王室支持，MBZUAI由现任总统创办，宋乐自2024年起就在该校任教。阿联酋还有一个国家战略级的基因计划：已测序近100万人的基因组，并与医疗记录关联。宋乐希望借此构建“虚拟细胞库”，为每个人的数据适配一个虚拟细胞，预测药物对这个人的响应。数据不会离开当地，而是在受控环境中完成适配和微调。“阿联酋有点像中东的瑞士，”宋乐说，“比较中立，和中国、美国都比较友好。它在AI方面的投资，已经能排进世界前五。”

面对这场漫长的技术马拉松，宋乐保持耐心。他相信虚拟细胞会有自己的“AlphaFold 2时刻”——未来的某个瞬间，模型的准确度突然接近实验水平，从而替代大量湿实验。他的保守预测是：大约五年。而在此之前，GenBio AI要做的是继续迭代虚拟细胞与构建技术，继续把数据、架构、Agent和商业化pilot打磨清楚。在宋乐眼中，AI制药的下一阶段，不是再做更好看的分子生成器，而是让世界模型真正理解生命系统。“让细胞先活在计算机里”，或许比让药物先上市更重要。