Priscilla Chan

Biohub承诺投入5亿美元发展虚拟生物学，是一笔押注“耐心资本”的投资，核心判断是生物学的主要瓶颈在于专门构建的数据，而不只是更大的模型。 与互联网文本不同，生物学所需的大量数据并不存在：研究者必须发明新的成像、细胞工程和传感方法，先把这些数据生产出来。Zuckerberg认为，这需要“前沿生物学与前沿AI”，并以10至15年的时间跨度为支撑。

Biohub有意将AI与湿实验室融为一体，沿着蛋白质、细胞到完整系统的层级搭建生物学模型。 每一层可能都需要性质完全不同的数据和建模方法，但蛋白质相互作用构成细胞的基础，细胞又有助于解释免疫、炎症等系统。这样的架构试图闭合实验循环：定向实验生成跨层数据，模型则支持预测和设计。

最新发布的ESMfold是本期最有力的验证：这一通用蛋白质模型预测了超过11亿种蛋白质的结构，并在没有接受抗体专项训练的情况下支持了设计能力。 团队从数十万条数字轨迹中筛选并合成96种蛋白质，装入96孔板后发现纳摩尔级结合分子。Rives说：“我们刚刚设计出了一个能够理解蛋白质的模型”；蛋白质设计正是这种理解自然涌现出的能力。

开源既是Biohub的分发策略，也是其核心非营利逻辑，而不是研究之外的附属选择。 Zuckerberg认为，让更多人更快获得这些模型所产生的影响，会超过模型商业化带来的收益；Chan则认为，中立基础设施能够吸引学术界、生物科技公司和罕见病群体，而这些对象往往会被商业优先级排除在外。唯一明确的前提是：开放生物学模型会带来生物安全问题，仍需在影响力与风险之间取得平衡。

Biohub的临床终点是机制驱动的个体化医疗：把一个人的遗传信息连接到蛋白质、疾病过程和定制化干预方案。 Chan将其与今天基于队列的猜测式医疗作对比——患者只能问“我在这篇论文里有代表性吗？”——并表示，单细胞图谱最终可能帮助研究者在人类试验前预测肾毒性等脱靶效应。她的目标是“把每个人当作独立的个体来治疗”。

药物设计的成本可能大幅下降，但嘉宾并未假设分子研发提速就能自动解决临床开发问题。 主持人将现有流程概括为约15年、15亿美元，其中分子发现和临床前工作只有约5000万美元，开发阶段则要花费14.5亿美元。Chan认为更不清晰的是，临床研究、药物递送、监管和安全部署本身需要如何改变，才能缩短从实验台到患者之间的距离。

Biohub在执行层面的押注是：一支由12名或20多名顶尖研究者组成的稳定团队，可以在不扩张到数百或数千人的情况下取得实质进展，前提是将前沿AI、前沿生物学、算力、实验和新数据生成能力结合起来。 5年后的成功标准，是产出“明显更好”的分层生物学世界模型，以及独特的知识贡献；Zuckerberg预计，此后下游创意会自然涌现。他更广泛的判断是，AI仍然“按计划推进”于一条加速曲线上，即便这条轨迹在心理上已经难以承受。

🔗 原始收听与视频来源： Biohub：生物学的未来是开源的——联合创始人 Mark Zuckerberg、Priscilla Chan 与科学负责人 Alex Rives

CZI正将未来10年的慈善事业集中于Biohub，因为科学——尤其是AI与生物学的结合——已证明是其前10年影响力最大的方向。 Chan说，他们先后尝试了教育、社区支持和科学，最终得出结论：“天啊，就是这个。” Zuckerberg如今称Biohub是这项慈善事业的核心，同时谨慎界定其使命：帮助科学家治愈或预防疾病，而不是宣称由自身完成治愈。

制度性瓶颈在于，变革性科学工具可能需要10至15年、数亿美元投入，而传统资助体系主要支持规模更小、彼此独立的团队。 因此，CZI运营研究机构，让生物学家、工程师和AI研究人员共同办公，并连接 Stanford、UCSF 与 Berkeley。其押注是，新型观测工具能够像望远镜和显微镜当年那样，打开整个领域。

Biohub的核心资产是不断复利的数据飞轮，而不只是模型集合。 其单细胞项目已达到1.25亿个细胞，CZI约贡献25%，更广泛的生态贡献75%；如今，10亿细胞项目只需数月即可推进，成本也仅为此前的一小部分。AlphaFold依赖30年公共数据的经历说明了战略约束：“这些数据集不会自己生成。”

一个真正有用的虚拟细胞，必须连接分子、蛋白质、细胞、空间结构、时间，以及最终包括免疫系统在内的各类系统。 Biohub的潜在优势，是让“前沿生物学与前沿AI同步推进”，围绕模型所需的数据来设计仪器和实验。对投资者而言，这条产业链从仪器和算力，延伸到数据集、模型、湿实验验证及临床合作方。

即使AI大幅提升科研效率，湿实验室仍将是验证闭环。 Chan不知道验证能力是否会成为瓶颈；生物学目前还无法像语言模型那样，低成本完成数万次测试。近期更现实的收益，是由模型生成假设并降低试错风险，让受制于资助规模的科学家不再只能尝试“单打或双打”。

EvolutionaryScale团队的加入，使AI在Biohub下一阶段的组织架构中居于核心位置。 ESM3蛋白质模型团队将与Biohub现有研究人员合并，由 Alex 领导整个项目——一名AI研究人员与顶尖生物学家并肩负责总体研究。Zuckerberg也承诺投入前沿模型和大规模生物学算力，但 Chan 强调，单有模型并不足以构成一个令人满意的10年结果。

临床终点是N-of-one医疗：预测个体的遗传因素和暴露经历如何改变细胞、疾病通路及治疗反应。 Chan给出的典型案例是抑郁症：患者可能要先用数月熟悉的抗抑郁药，之后才知道是否有效：“与此同时，如果药物无效，就意味着这个人在持续受苦。”这并不是要打造一个“CZI应用”，而是由Biohub建设基础工具，再由合作方将其转化为临床影响。

这项使命需要多长时间，或许更多取决于AI进展而非生物学，但AI无法绕过缺失的实证数据。 Zuckerberg说，目标需要10年、20年还是40年，可能取决于强AI的发展速度，前提是前沿生物学投资持续推进。现实中的桥梁包括虚拟免疫系统和工程化细胞，但“治愈和预防所有疾病”意味着让疾病能够被早期发现并得到控制，而不是消灭每一种感染。至于长生不老，双方没有给出结论。

🔗 原始收听与视频来源： AI驱动的Biohub：Mark Zuckerberg 与 Priscilla Chan为何投资数据——来自 Latent.Space

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。」

🔗 原始收听与视频来源： Mark Zuckerberg 与 Priscilla Chan：AI 将如何治愈所有疾病