从LLM到JEPA，中国团队正在把“世界模型”搬进细胞内部

最近，AI虚拟细胞（AIVC）赛道迎来了一波关键性的突破。

作为全球最早布局该领域的企业之一，

正式发布了全球首个基于LLM-JEPA架构的AI虚拟细胞世界模型——AURA CellOS。

这个模型是目前公开报道中

的单细胞基础模型，基于3.905亿个人类单细胞转录组数据训练，覆盖了几乎所有重要的人类细胞，包括40余种人体组织和260余种细胞类型。

最值得关注的突破在于，它首次将JEPA（联合嵌入预测架构）与世界模型理念系统性引入单细胞研究。

世界模型已经是自动驾驶、机器人和生成式AI领域的重要技术方向。CellOS的亮相，让外界好奇：

从目前公开的评测结果看，CellOS在预测精度、扰动建模等多个核心指标上与多款主流模型拉开倍数差距，达到了当前国际领先（SOTA）水平。

不过，想要真正理解它的技术逻辑与商业价值，咱们还得从

说起。

AIVC走到十字路口

理解细胞变化，是生命科学最核心的问题之一。

疾病发生、药物作用、细胞治疗，本质上都是细胞状态发生变化的过程。

过去，科学家只能通过细胞培养、动物实验乃至人体验证来探究细胞在药物、基因扰动等刺激下的变化。高昂的研发成本和漫长的试验周期，让大量潜在新药和细胞疗法陷入漫长试错。"十年研发周期、十亿美元投入，临床成功率却不足10%"的"双十定律"，是时候被终结了。

△图片由AI生成

"虚拟细胞"的出现，为新药发现开辟了一条全新的路径。

在计算机里"复刻"细胞的想法，早在20世纪90年代就有学者探索，并开发了最早的细胞建模软件之一VCell。后来，斯坦福大学研究团队发布了全球首个全细胞计算模型。

但此前的虚拟细胞，并不是一个学习型的模拟器，无法模拟细胞在不同条件和变化环境下的运作。它不能预测细胞功能、行为和动力学，也就无法揭示背后的机制，最终难以在药物开发中发挥最大价值。

直到近些年AI技术的突飞猛进，加上组学技术的迅猛发展，才让虚拟细胞逐渐靠近生命科学的"模拟沙盘"：

• 单细胞测序技术的指数级进步及成本降低，显著提升了数据采集能力。过去几年中，

  这些数据每6个月翻一番
  ，为建模提供了底层基础。
• AI技术的进步则显著增强了细胞数据的处理、学习和推理能力。

2024年12月，美国斯坦福大学、基因泰克制药公司与陈—扎克伯格基金会组成的联合科研团队在顶级期刊《Cell》发表的重磅论文，点燃了全球的研发热潮：AI虚拟细胞（AIVC）的时代，正式宣告到来。

△图片由AI生成

其实在此之前，Geneformer、scGPT、scFoundation、GeneCompass等一批模型就已相继问世，只是业内还没有统一的"AIVC"叫法。

这些第一代AIVC模型解决了细胞类型识别等基础需求，但在预测细胞动态变化上存在明显局限。举个例子：

第一代AIVC模型在这类动态预测任务上，表现相当有限。

核心原因在于，它们的训练目标主要是学习基因表达模式本身，而非细胞状态变化的内在机制。因此，

，哪些才是真正驱动细胞状态演化的关键信号。

进一步来看，由于模型主要基于单一表达视角学习静态基因表达模式，很难刻画基因调控关系及细胞状态演化的动态规律。许多只有在特定扰动条件下才显现的关键生物学信号，也容易被大量稳定表达的背景信号所淹没。

所以，

2026年6月，《Nature Methods》刊发的一项研究结果相当扎心：研究人员基于2220万个细胞的scTab语料库，预训练了400个模型，完成了6400次评估。结果显示，在多项任务中，模型性能往往在使用约1%的预训练数据后便进入平台期。

换句话说，仅用约22万细胞训练模型性能就已基本拉满，再多

这让行业开始重新思考：

或者说，问题究竟出在数据规模不足，还是第一代AIVC的建模范式已经触及瓶颈？

CellOS给出的答案是后者：真正限制模型持续提升的，并非Scaling Law本身，而是

。

只有让模型真正学习细胞状态演化规律，而不仅仅是静态表达模式，数据规模扩展才能持续转化为模型能力的提升。

从"看懂"到"理解"细胞，CellOS的"三板斧"

世界不是由文字构成的。

李飞飞最新长文如是说。

而细胞世界，更不由文字定义。

说到底，AIVC领域需要的是AI对细胞状态有理解，而非单纯的表达模式复现。只有这样的模型，才能支撑动态预测（如扰动响应）和可迁移的虚拟细胞能力。

站在业内角度，CellOS这次的策略其实挺狠的。它没有选择大多数团队还在走的"安全路线"——继续在大语言模型上卷参数、卷数据，而是直接选择JEPA这条更难、但潜在天花板更高的路。

因为人工智能领域的普遍共识是：

在自动驾驶、机器人领域，世界模型已经被用来预测环境变化。现在，细胞领域也要一试。而CellOS是第一个"吃螃蟹"的。

CellOS是

的模型。同时，它也是目前公开信息中单细胞Foundation Model，是基于人类单细胞转录组数据训练的。什么概念？这几乎覆盖了所有已知人类细胞类型。

CellOS的核心创新有三点：多视角表征学习、JEPA联合嵌入预测、无损扩容。咱们一个个来看。

创新一：多视角表征学习

它让模型在进入更复杂的训练阶段前，就先获得更丰富、更敏锐的细胞特征辨别能力。

传统单细胞基础模型通常只依赖单一的"表达视角"，即根据基因在单个细胞中的表达丰度来判断细胞状态。这种方式容易忽略那些表达量不高、但在生物学上具有重要标志意义的基因（如调控基因、应激响应基因），导致关键信号易被背景噪声淹没。

于是，

，在表达视角之外，增加群体感知视角。

• 一双眼睛看表达丰度（即这个基因活跃程度如何）；
• 另一双眼睛看群体特异性（这个基因在整个细胞群体里有多特别、有多少信息量）。

把这两个维度拆开、同时并行分析后，模型就像突然开了"透视挂"，能更容易抓住那些隐藏的重要生物学信号。结果就是：模型对细胞状态变化的敏感度大幅提升，并且为第二层创新打下了坚实基础。

创新二：引入JEPA架构

在创新一（双视角）给模型提供高质量的互补表征后，CellOS引入JEPA（联合嵌入预测架构），在隐空间利用这些互补表征进行跨视角预测和对齐。

传统模型的训练方式是：给你一个细胞的基因表达数据，让你尽量把它"原样复述"出来。这就像让学生死记硬背课文，容易只记住表面文字，却不懂背后的意思。

CellOS引入JEPA，则是彻底换了一种玩法：

简单说，就是逼着模型在脑子里建立一个"细胞状态的内在模型"，去抓住那些真正稳定的生物学规律。举个例子，传统模型看的是"这个细胞现在长什么样"；JEPA则在学"如果从不同角度看这个细胞，它的状态本质是什么？如果发生变化，它会往哪个方向走？"

这一招直接让模型的能力从"看懂表面"升级到"理解本质"。特别是在预测"敲除某个基因细胞会怎样"、"加药物后细胞如何反应"这类动态问题上，效果提升非常明显。

创新三：无损扩容训练方案

模型越大越聪明，但有个问题：参数变多之后，它经常把以前学到的东西忘掉。业内管这叫「灾难性遗忘」。

CellOS在这一点上做了特别的设计——无损扩容机制。具体做法：先好好训练一个"中小型"稠密模型，打牢基础；然后用一种平滑的方式，将它升级成超级大的MoE模型（混合专家模型）。在升级过程中，保留原来学到的核心知识，同时新增很多"专家"去学习更复杂的内容。

这样一来，

到这里，我们忽然发现，这三大创新

，而是环环相扣啊！双视角是基础，负责提供"好原料"；JEPA架构是核心，负责"深度思考"；无损扩容是保障，让模型变大后，性能"不掉链子"。

不过，

CellOS提出三阶段训练策略。它没有把上述创新一股脑塞进一次训练，而是拆成三个循序渐进的阶段。

• 第一阶段（Dense）：先用传统的"表达视角"，训练一个扎实的中小型稠密模型。
• 第二阶段（MoE）：模型基础打好后，开始扩容，把模型平稳扩容到12B参数规模。
• 第三阶段（多视角联合训练）：等模型长大后，再加入第二套"群体感知视角"，同时开启JEPA对齐训练。

这种分阶段训练的设计

，既降低了训练风险，又让每一层创新都能在最合适的时机发挥最大作用。

在三层创新+三阶段训练的加持下，多基准测试显示，在细胞状态注释和扰动响应预测任务上，CellOS达到SOTA水平。

在衡量细胞状态预测能力的核心指标Pearson_edist上，CellOS取得0.619的成绩，不仅位列所有模型第一，也是唯一突破0.6的模型。相比目前表现最好的开源模型TranscriptFormer（0.373），拉开了66%的性能差距。

另外，在细胞状态注释任务中，它在聚合注释基准上取得了0.792的生物学保守分数，全面超越了UCE、scGPT、TranscriptFormer等主流单细胞基础模型。

CellOS不只是一个新的大模型，更是一种研究范式的升级。它让AI从"看懂细胞表达"走向了"理解细胞状态"。而这种转变，也为虚拟细胞的实际应用奠定了坚实基础。

全球竞速，AIVC迎来爆发前夜

过去两年，AIVC已经从概念验证进入了技术竞速阶段。

标志性事件是2025年6月，知名研究机构Arc Institute发起的虚拟细胞挑战赛（Virtual Cell Challenge，简称VCC），集齐了英伟达、10x Genomics等赞助方，Cell鼎力支持。这被认为是

，吸引了全球五百余支团队参赛，华人科学家团队强势霸榜。

其中，预赛全球第一，决赛全能榜全球第二、国内第一的x.Compass团队核心成员，正是本次发布CellOS的研发团队。

当然，

比如成立仅1年、单轮融资10亿美元的Xaira Therapeutics，创下了当年全球医疗健康领域最大的单笔融资纪录；2024年前后，Somite.ai、Noetik、Turbine等生物科技公司也陆续拿到了知名机构的投资……

△图片由AI生成

同时，Big Pharma（大型制药巨头）也相继向AIVC公司抛出业务合作的橄榄枝。

美国FDA持续推动New Approach Methodologies（NAMs），鼓励采用计算模型、类器官、器官芯片等新方法补充甚至替代部分动物实验；欧洲、中国等监管机构开始加强AI辅助药物研发相关研究，为数字化研发提供更明确的发展方向；国内也已将"细胞编程与调控""先进组学研究""生命工程设计软件工具"列为前沿攻关方向。

微观层面，随着AI虚拟细胞赛道持续升温，全球入局者快速增加，并逐渐分化出三类核心玩家：

第一类，是以Arc Institute、同济大学等

为代表的基础研究团队。这类团队更多推动算法创新和公开Benchmark建设，例如STATE、AlphaCell等模型，为行业建立统一评价体系和开放生态。

第二类，是以Xaira、Noetik、Cellular Intelligence、Tahoe Therapeutics、百曜科技等为代表的

。这类企业通常拥有专有数据、湿实验平台以及药企合作能力，希望构建覆盖数据、模型和实验验证的完整研发平台。

第三类，则是以Recursion、Owkin、Isomorphic Labs等

为代表，它们更关注AI如何直接进入药物研发流程，通过长期合作、自研管线和平台授权实现商业化。

△图片由AI生成

事实上，观察近年来获得较大融资、商业合作的平台公司可以发现，它们几乎都具有共同特点：不仅拥有AI模型，更拥有持续积累数据和验证模型的实验体系。

也就是说，行业对AIVC的期待已经不只是一个算法，而是希望其成为连接AI、生物数据、实验平台和药物研发的新型基础设施。大家开始关注：

• 谁拥有持续产生高质量数据的能力？
• 谁能够形成"模型—实验—数据"持续迭代的闭环？
• 谁真正进入了药物研发决策流程？

这些能力，往往比单一模型性能更难建立，也更难复制。

值得关注的是，在这一轮AI虚拟细胞竞赛中，

过去几年，全球AI制药领域的重要创新主要集中于欧美。从AlphaFold到生成式分子模型，再到虚拟细胞，国际头部机构率先完成了基础设施布局。但随着国内单细胞组学、生物计算以及大模型技术不断发展，一批中国原生AI生物科技公司开始强势进入这一赛道。

比如CellOS背后的百曜科技，先发优势明显，已经搭建了覆盖单细胞数据处理、高通量扰动实验和AI模型训练的技术体系，

这一路线与海外头部平台公司不谋而合。

据公开报道，百曜科技目前布局了管线资产和模型服务两大应用落地方向，前者进一步延展到细胞治疗、工程细胞，后者则涵盖靶点发现、虚拟药筛及虚拟临床全周期。

整体来看，尽管行业发展迅速，但

相比互联网行业拥有海量文本数据，生命科学的数据获取成本极高。

目前多数模型主要依赖单细胞转录组数据，而真实生命活动同时涉及蛋白组、空间组学、代谢组、细胞形态等多个层面。

对于科研人员而言，一个预测结果是否正确固然重要，但更重要的是模型能否解释其背后的生物学机制，是否能够提出可验证的新假设。

目前，大多数AI虚拟细胞企业仍以平台合作、联合研发或技术服务作为主要商业模式。未来，只有真正帮助药企大幅缩短研发周期、降低研发成本、提高临床成功率，AI虚拟细胞才能成为新药研发不可或缺的基础设施。

对于整个生命科学产业而言，这场围绕AIVC商业化落地而展开的新竞赛，才刚刚开始。当所有人都在谈论世界模型的时候，或许，最值得建模的那个「世界」，就藏在36万亿个细胞里。