Mark Zuckerberg 与 Priscilla Chan：AI 将如何治愈所有疾病
摘要
Biohub 的核心判断是，共享科学工具——而不是再发一轮小额资助——才是加速治愈疾病的最高杠杆。 Mark Zuckerberg 表示，重大突破通常伴随着观察现象的新方法，但成像系统、虚拟细胞模型等工具，可能需要在10–15年内投入1亿美元至10亿美元。「我们不会治愈所有疾病」；Biohub 的策略是帮助科学界做到这一点。
只有当前沿模型与前沿生物学形成闭环数据飞轮，AI 才会真正改变时间表。 Biohub 计划围绕模型的盲区设计实验和仪器，生成专门数据，重新训练模型，再重复这一过程。这也弥合了两种截然不同的文化判断：生物学家认为治愈疾病「雄心大得近乎疯狂」，而 AI 研究者认为这「有点无聊——这件事本来就会自动发生」。
CELLxGENE 说明，开放基础设施可以形成超越最初出资方的网络效应。 它最初是为了解决细胞注释瓶颈，后来统一了单细胞实验室之间的格式和元数据；CZI 只为这一共享资源提供了25%的资金，整个社区贡献了75%。Vineeta Agarwala 的概括是：「为注释而来，因虚拟细胞模型留下」（Come for the annotation, stay for the virtual cell model）。
在昂贵的湿实验开始之前，虚拟细胞可能先扩大生物科技可承受的风险预算。 Vineeta Agarwala 认为，即便只能给出方向性预测，研究人员也可以先在计算机中检验更大胆的假设，不必拿数年的工作、论文或终身教职冒险。Zuckerberg 将这一模型比作「新的果蝇」，并表示不需要完美模拟；方向性信号同样可能有用。目标是建立与人类相关的模型，同时接受这一准则：「所有模型都是错的，但有些模型有用」。
这里所说的精准医疗，是把常见疾病视为一组分别罕见的生物学问题。 Chan 的表述非常明确：「大多数疾病都应该被视为罕见病」，因为今天对高血压和抑郁症的治疗仍高度依赖试错。若能把突变与下游细胞、蛋白表达、药物靶点以及预测的脱靶效应连接起来，就有望实现更精准的诊断和治疗。
CZI 正将慈善事业集中到一个统一运营的 Biohub，以整合 AI、数据生成和生物学研究。 EvolutionaryScale 的研究人员此前在 Meta 从事蛋白质折叠模型研究，如今将加入 Biohub；其负责人也将负责更广泛的科学项目。Chan 表示：「Biohub 确实将成为我们慈善事业的主线」，教育和本地社区工作仍会继续。他们并未将集中化描述为所有科学研究的模式；去中心化工作和外部实验室依然重要。
下一轮实验室扩张将发生在计算领域：Biohub 计划从大约1,000张 GPU 增加到10,000张左右。 外部科学家可以申请使用这部分算力，研究那些单个实验室仅有几十张 GPU、无法处理的问题。正如 Zuckerberg 所说：「GPU 在某种程度上是零和的，数据不是。」
精读
1. 从治愈一切到建设基础设施
Chan 将这项使命追溯到自己在 UCSF 接受儿科训练的经历：有些家庭得到的可能只是一个基因名称或一份泛泛的 PDF，却没有多少可执行的指导。基础科学缺失的，正是那条「希望的管线」：如果不了解疾病机制，临床治疗就无法超越对少数不确定事实的转译。
Zuckerberg 解释了双方的分工：「我们不会治愈所有疾病」；Biohub 的目标是帮助科学家治愈它们。他的历史判断是，显微镜、望远镜等工具通常先于重大突破出现；否则，研究人员就像「无法逐步执行代码、调试问题，却在写代码」。
传统资助不可能靠给每个实验室发下一笔最合适的基金，来兑现百年目标。共享工具、标准化数据集、成像系统和虚拟细胞模型，需要在10–15年内进行约1亿美元至10亿美元的协同投入；这正是短期 NIH 项目与百年尺度目标之间长期资金不足的地带。
2. 大挑战把雄心转化为可投资的时间周期
Chan 为 Biohub 挑战设定的筛选标准既严格又有边界：「我看得到一条路径」，要有可信的负责人，同时保留足够的不确定性来证明承担风险的合理性。一个已经完全解决的问题不够有雄心；一项成功的10–15年计划，最终应当带来超过最初预期的回报。
3个基地对应3种不同能力：纽约负责让细胞检测、记录或响应信号；芝加哥研究组织构建和细胞间通信，包括炎症；旧金山开发深度成像和转录组学。合作大学提供互补实验室，Biohub 团队则跨越传统边界协同工作。
成功的标准，是让精准医疗开发者出现一次「爆发」，而不是在内部制造每一种疗法。Chan 描述了从一个遗传变异——包括令人头疼的「意义未明变异」——到下游细胞效应和蛋白表达，再到药物靶点的完整链条，同时预测药物可能在身体其他部位与什么发生作用。
3. CELLxGENE 从修复注释问题变成共享基础设施
Zuckerberg 认为，到了2025年，生物学仍然没有一个「相当于元素周期表的东西」，这「很疯狂」。单细胞图谱始于10年前，当时重点是方法学资助和种子数据集；那时，虚拟细胞模型还没有成为明确终点。
CELLxGENE 本身源于一个再普通不过的工作流故障：研究人员生成单细胞数据的速度，超过了给数据做注释的速度。Biohub 搭建了注释界面，发布收集到的数据；由于参与实验室都采用同一工具，格式和元数据也在无意中实现了标准化。
随之形成的反馈循环超出了 CZI 自身的贡献。Mark Zuckerberg 表示，CZI 为这一共享资源提供了25%的资金，整个社区贡献了75%；由于共享变得有用且操作简单，社区贡献了数百万个细胞。
Vineeta Agarwala 提供了一个下游案例：一家研究特发性肺纤维化的被投公司，通过 CELLxGENE 图谱检索数百万个健康和患病细胞，识别出成纤维细胞，再分析其基因表达，寻找潜在药物靶点。这个案例说明，开放工具已经触达初创公司、药企和研发社区，而这些用户未必会专门发表论文介绍这些工具，或直接给予工具署名。
4. 虚拟细胞降低提出高风险生物学问题的成本
设想中的架构将从蛋白质延伸到细胞内结构，再到完整细胞，最终走向虚拟免疫系统等复杂系统。Biohub 各基地生成新数据，单个模型分别学习不同能力，再逐步将这些模型组合成更通用的模拟器，用于提出假设和发现药物。
Zuckerberg 介绍了几项早期能力：Variantformer 从经过 CRISPR 编辑的细胞中学习，并预测编辑后的状态；扩散模型根据要求生成某种细胞类型的合成版本；冷冻电镜模型则补充空间理解。目标不是打造一个单体模型，而是逐步整合对罕见细胞状态的不同视角。
Vineeta Agarwala 的论点既关乎科学，也关乎经济：湿实验消耗资金和时间，因此研究人员必须优先选择更可能保住经费、论文和职业生涯的项目。高质量模拟可以先在计算机中检验风险更高的想法。至于准确度，Zuckerberg 表示模型不需要达到100%准确；即便只是方向性信号，也可能帮助降低下一项实验的风险。
生物学推理模型不仅要返回相关性，还需要解释状态如何以及为何发生变化，不过 Zuckerberg 强调，这项工作「还处于非常早期」。他的层级判断很重要：没有蛋白质层面的理解，细胞预测仍然浅显；蛋白质模型与细胞模型结合后，才能支撑更复杂的模拟。
5. 团队统一，模型到实验的闭环得以形成
Biohub 的重组把此前分散的生物学研究、软件、数据集和 AI 纳入同一个运营团队。Chan 所说的机制是一套「完整飞轮」：当模型暴露出数据缺口或盲区，科学家就能设计下一批数据集，并将其中异常丰富的元数据直接反馈给模型训练。
主持人指出，即使数据开放，领域专用模型也已经展现出意外强的能力；明确问题和用户是谁，仍然重要。Biohub 将这一经验延伸到界面设计：CELLxGENE 有意降低计算门槛，未来的虚拟模型也应让免疫学家能够把自己的专业知识带入神经退行性疾病研究。
Zuckerberg 提醒说，这并不是认为所有科学都应当集中化。Biohub 模式要填补的是一个可以通过协作和共享资源释放价值的空间；去中心化工作和外部实验室仍不可或缺。
6. 算力与可衡量的使用场景，成为下一个10年的锚点
Biohub 可能继续增加基地并组建中央 AI 团队，但扩张的主要单位已经不再是建筑面积，而是「我们正在扩充算力」。单个学术实验室可能只有几十张 GPU；拥有1,000张、最终达到10,000张的共享集群，可以支持性质不同的问题，并与外部科学家建立合作。
Chan 承认，自己在慈善事业早期曾羡慕市场拥有清晰的反馈。10年过去，她看到了可用的信号：Biohub 实现了自己承诺的目标，而其项目往往交付了超出预期的结果。运营原则是，在模糊环境中快速迭代，做到「时间跨度要长，但行动要急」。
Zuckerberg 表示，AI 的进步应能让治愈疾病这一世纪目标「显著提前」实现，这也推动了他们继续集中投入科学。收尾讨论将 Biohub 放在基础研究、 biotech 疗法创造、规模化药企交付和公共卫生可及性之间的基础设施层。Ben Horowitz 的检验标准是：「如果我们不存在，这会成为一个问题吗？会。」