Patrick Hsu-Evo2华人科学家：虚拟细胞迈向GPT-2阶段，合成生物学将深刻改变世界

访谈对象：Patrick Hsu（Arc Institute联合创始人、加州大学伯克利分校生物工程教授）
时间：2025年9月29日
来源：a16z深度访谈

---

前言

后AlphaFold时代，大模型正在重塑生物学。Evo2作为里程碑式成果，是目前最大的开源AI生物学模型，拥有超400亿参数，首次整合了DNA、RNA和蛋白质进行通用预测和设计任务，引发学术与工业界的强烈关注。

这个突破的背后，来自成立仅4年的非营利研究机构——Arc Institute。与传统高校研究不同，Arc以颠覆性的体制支持科学技术发展，解决生物学中最棘手的挑战。如今，Arc启动了”登月计划”：打造虚拟细胞，用AI模型预测细胞行为。

本文基于硅谷顶级风投a16z对Arc Institute联合创始人Patrick Hsu博士的深度访谈整理而成。Patrick Hsu师从基因编辑大牛张锋，现任加州大学伯克利分校生物工程教授，是Evo2的核心科学家和虚拟细胞项目的重要推动者。

---

核心观点

生物学基础模型的突破：Evo2的出现证实了生物学基础模型的Scaling Law能够实现，生物学有望复制GPT的发展轨迹

基础研究的重要性：太多AI制药公司的愿景走到了基础研究的前面，因此Arc真正投入的虚拟细胞，正是让这种基础突破成为可能

虚拟细胞的里程碑：虚拟细胞的”AlphaFold”时刻，意味着模型以90%高准确率预测出细胞状态，并且能被实验验证

AI基础设施化：AI最终会像互联网一样，成为药物研发中无处不在、不可或缺的基础设施，而不仅仅是营销噱头

未来技术融合：未来，脑机接口、合成生物与机器人只要一定程度上取得成功，将彻底改变人们的生活方式

---

一、Arc Institute的”登月计划”：构建虚拟细胞

1.1 科学研究加速的愿景

Patrick Hsu的核心观点：

“我想让科学研究变得更高效。科学研究是发生在现实世界中的，科学家必须培养细胞、组织和动物，这些都需要在现实世界中耗费大量时间完成。”

虚拟细胞的价值：

• 极大加速生物学研究过程
• 实现大规模并行化实验
• 用基础模型模拟人类生物学
• 成为细胞生物学家的第一选择工具

1.2 科学研究缓慢的根本原因

复杂的”戈尔迪之结”：

• 激励机制问题：如何激励长期职业发展？
• 资源分配：科研经费的充足性和分配合理性
• 跨学科挑战：研究团队很难同时精通多个领域
• 专业化局限：同时精通五个以上领域变得极其困难

Arc的组织实验：

• 聚集神经科学、免疫学、机器学习、化学生物学和基因组学人才
• 增加不同领域的碰撞频率
• 打开单个团队无法触及的巨大问题空间

两个旗舰项目：

1. 寻找阿尔茨海默症的药物靶点
2. 构建”虚拟细胞”

1.3 模型驱动的科学加速

“除了人才和基础设施，模型本身也能真正让科学变快——如果这些模型足够准确和实用，我们就能以神经网络前向传播的速度来做实验。”

二、虚拟细胞：从概念到实现

2.1 虚拟细胞的”AlphaFold时刻”

学习AlphaFold的成功经验：

“当前AI生物学中成功案例是AlphaFold，它解决了蛋白质折叠问题。虽然不完美，也无法模拟生物物理和分子动力学，但它能以90%以上的准确率给出最终结构的状态。”

虚拟细胞的目标：

• 达到与AlphaFold同样的地位和准确性
• 以90%高准确率预测细胞状态变化
• 能够被实验验证和应用

2.2 扰动预测：药物研发的新范式

核心概念：

• 细胞状态流形：心肌细胞、血细胞、肺细胞等多种细胞类型和状态
• 状态转换：细胞在流形上移动（发炎、凋亡、细胞周期停滞、应激等）
• 扰动识别：找出让细胞在空间中移动的关键”扰动”

药物研发的本质：

“无论是小分子药物还是抗体，我们本质上都在寻找越来越特异的’探针’。过去我们靠实验方法来制造这些探针，现在我们有了计算方法来’零样本’生成这些结合体。”

从单靶点到多靶点：

• 传统方式：药物偶然作用于多个靶点
• 新方式：有目的地、组合式地操纵靶点
• 时序控制：按时间顺序进行复杂的状态转换

2.3 实验室的AI副驾驶

实用性导向：

“我们想要打造一个湿实验室生物学家的’副驾驶’（Copilot），能帮他们决定明天实验室里该做什么。”

干湿实验室闭环：

1. 模型预测 →
2. 实验验证 →
3. 改进模型 →
4. 再次预测

最终目标：

• 实现”计算机内靶点识别”
• 发现新的药物靶点
• 设计药物组合方案
• 打造AI驱动的垂直整合制药公司

2.4 发展阶段：处于GPT-1到GPT-2之间

与GPT发展类比：

“可以用GPT-1、GPT-2、GPT-3、GPT-4、GPT-5的能力来类比。我认为我们现在大概处于GPT-1到GPT-2之间。”

当前成果：

• Evo系列DNA基础模型展示了规模法则的可行性
• “基因组生成”结果像是生命的”模糊图像”
• 虽然合成基因组还无法存活，但方向是正确的

全栈式攻克方法：

• 整理公共数据
• 生成海量内部私有数据
• 建立基准测试
• 训练新模型
• 开发新架构

三、技术挑战与解决方案

3.1 生物学建模的独特难点

语言理解的差异：

“自然语言和视频建模，确实比建模生物学要简单得多。如果你懂机器学习，你就已经’会说话’了，你也’会看图’。但我们并不’懂’生物学的语言，我们顶多是以非常浓重的口音在说。”

验证周期的挑战：

• 无法天然理解DNA模型的输入输出token
• 需要”实验室闭环”验证模型预测
• 真实实验数据验证拖慢迭代周期
• 提高验证过程的速度和维度至关重要

3.2 数据不完整性的应对策略

测量局限性：

• 无法以高通量、高空间分辨率测量代谢物
• 缺乏可扩展的蛋白组学测量技术
• 许多生物学现象无法直接观测

分阶段能力提升：

1. 单个细胞模拟
2. 细胞对交互
3. 组织中细胞行为
4. 完整生理系统建模

RNA作为”镜像”策略：

“RNA的表达是一种’镜像’——它可能是蛋白质层面发生事件的低分辨率映射。当我们有海量基因组数据时，大量RNA数据开始反映出蛋白质层面正在发生的事情，就像一种’镜像回声’。”

3.3 Arc的三层方法论

发明-工程-规模化框架：

• 发明（Invention）：开发全新的生物技术
• 工程（Engineering）：优化现有技术实现
• 规模化（Scaling）：大规模应用成熟技术

当前策略：

• 专注于可扩展的单细胞和转录信息
• 逐步加入蛋白质、空间和时间动态信息
• 投入大量资源开发新技术，为未来做准备

四、生物学的”GPT时刻”与评估体系

4.1 基于经典生物学发现的评估

生物学的知识优势：

“生物学的好处在于，我们拥有大量真实可靠的知识基础。有整本整本书籍详细描述了细胞信号传导、细胞生物学以及这些系统是如何运作的。”

经典案例重现能力：

1. 山中伸弥因子预测：

• 输入：干细胞状态 + 成纤维细胞状态
• 预测：四种转录因子的重编程能力
• 目标：从已有知识推出2009年诺贝尔奖成果

2. 细胞分化因子发现：

• 预测Neurogenin 2、Ascl1、MyoD等分化因子
• 预测干细胞向神经元、肌肉细胞转化
• 验证发育生物学经典案例

3. FDA药物机制重现：

• 乳腺癌细胞状态下HER2抑制效应
• 预测克隆的转移性和耐药性
• 微小残留病灶的形成机制

4.2 超越机器学习基准的评估体系

传统评估的局限：

• 仅依赖量化指标（如基因差异表达的平均绝对误差）
• 缺乏生物学意义的解释
• 无法被生物学家理解和接受

新评估体系的要求：

• 基于教科书中的经典案例
• 提升评估复杂度
• 让从未接触AI的老教授也能理解结果

4.3 知识体系的演进

教科书的本质：

“教科书是对知识的压缩。那些经典的细胞信号通路图示：A信号激活B，B抑制C，这非常二维化，是对复杂系统理解的简化表达。”

科学发现的机制：

• 教科书代表公认的可靠知识体系
• 存在无数例外等待发现
• 发现例外正是科学发现的本质

4.4 渐进式复杂性构建

从基本单元开始：

“为什么我们如此焦虑于模拟整个身体，却连单个细胞都还做不到？细胞被广泛认为是生物学的基本计算单元，我们应该从这里开始。”

发展路径类比：

• 早期AI从语言翻译、基础NLP任务开始
• 通过逐步积累最终构建超级智能
• 生物学AI也应复制这样的发展轨迹

长期愿景：

• 预测药物毒性
• 理解衰老过程
• 解释肝硬化发展机制
• 预测各种化学或环境扰动效应

五、药物研发的挑战与AI的角色

5.1 从SaaS竞争到研发预算竞争

商业模式的转变：

• 初期策略：向制药公司销售软件，竞争有限的SaaS预算
• 现实认知：必须转向竞争更大的研发预算
• 新一代定位：”生物智能体”取代人力，直接参与研发预算竞争

关键问题：

“这能否实现，取决于这些技术是否真能显著提升药物研发效率。我认为这是这个行业最重要的问题。”

5.2 药物失败的根本原因

90%失败率的两大原因：

1. 错误的靶点选择：最初选择了错误的药物靶点
2. 分子设计缺陷：设计的药物分子本身无法完成任务

问题的复杂性：

• 具体失败原因往往不清楚
• 可能是单一原因，也可能两者兼有
• 需要时间逐步厘清各种因素

5.3 精准靶向的技术挑战

虚拟细胞的建议vs现实限制：

“即使在’虚拟细胞’模型达到90%准确率的情况下，它可能会建议：你需要只在心脏中靶向某个GPCR受体，而在其他所有组织中都不作用。但目前我们根本没有能实现这种精准靶向的药物分子。”

技术发展需求：

• 研究新型化学物质
• 实现组织特异性调控
• 开发细胞类型特异性药物
• 对多重功能靶点的精准控制

5.4 生物学进展的”摩尔定律”

复杂性的层层嵌套：

“生物学进展缓慢的原因，就在于理解、干预和安全性评估方面存在一层又一层的’俄罗斯套娃’式复杂性。”

惊人的进步速度：

• 过去：早期单细胞测序论文只分析20或40个细胞
• 现在：即将生成包含数十亿次扰动的单细胞数据
• 技术融合：单细胞基因组学、人类遗传学、CRISPR基因编辑同步发展

生物学的”摩尔定律”： 数据生成和处理能力呈指数级增长，为AI在生物学领域的应用奠定基础

5.5 AI在生物学的炒作与现实

被炒作的领域：

• 毒性预测模型：存在过度炒作现象
• 多模态生物模型：概念模糊，实际价值有限

真正有进展的领域：

• 蛋白质相关技术：蛋白质结合和设计已有实质性进展
• 病理学AI：自动化病理学家和放射科医生工作，价值显著
• 文档处理：监管文件、报告撰写等，不需要复杂基础模型但很有价值

5.6 AI药物研发的现实挑战

“第一个AI药物”的争夺：

“AI用于药物研发是一个很奇怪的现象：业内每个人都试图宣称自己的药物是第一个由AI设计出来的分子。”

AI基础设施化的未来：

“再过几年，AI将成为整个研发流程中不可或缺的一部分，就像我们使用互联网和手机一样自然。它会融入到我们所做的每一个环节。”

药物研发的复杂性：

• 漫长且多因素参与的过程：设计、合成、测试、审批
• 安全性和有效性是两大支柱
• 需要更快预测分子的有效性和安全性

计算模拟的价值与限制：

• 可以模拟小分子与整个蛋白质组的对接情况
• 优化结合选择性和亲和力
• 但需要实验验证，形成反馈闭环
• 实验耗时长（几小时到几年）

5.7 数据不完整性的哲学思考

现实的局限性：

“很明显，当前生物学并没有测量到许多最重要的东西。生物学研究最终主要依赖两种高通量手段：成像和测序。”

两种模型范式：

1. 机制性模型：

• 试图解释生物学现象的原因机制
• 需要完整的数据和深度理解

2. 气象模拟类模型：

• 专注于预测结果，不解释原因
• 类似天气预测：不解释为什么下雨，但能预测是否下雨

AlphaFold的启示：

“虚拟细胞模型可能不会告诉我为什么细胞会这样反应，就像AlphaFold不会解释蛋白质’为什么’这样折叠，但它给出了准确的最终状态，这就已经非常重要了。”

六、未来技术融合：合成生物学、脑机接口与机器人

6.1 改变世界的三大技术方向

Patrick Hsu的投资哲学：

“我的目标是找到能改善人类体验的方法，而且是在我们有生之年就能实现的。如果我们这一代人能把几件事做好，就能彻底改变世界，以及我们未来的生活方式。”

三大重点领域：

1. 合成生物学：

• GLP-1类药物开发
• 改善睡眠的技术
• 延长寿命的方法
• 各种让人兴奋的生物技术应用

2. 脑机接口（BCI）：

• 未来几十年将取得重大突破
• 直接连接大脑与计算机
• 扩展人类认知能力

3. 工业和消费级机器人：

• 以有趣的方式扩展体力劳动规模
• 改变制造业和服务业形态
• 提升人类生产力

6.2 投资实践与使命感

关键投资项目：

• New Limit：抗衰老公司
• Nudge：脑机接口公司
• The Bot Company：机器人公司

投资驱动力：

“有些事，如果不是我们在正确的时间把正确的人聚集起来并提供资金，它就根本不会发生，这才是真正激励我的地方。这些是我认为必须发生的事，因此应该发生。”

6.3 AI智能体的革命性价值

真正的生产力替代：

“智能体（Agents）最酷的一点是，它们能完成真实工作。与之前的SaaS公司相比，智能体能真正替代生产力。”

发展时间线：

• 通用计算机操作智能体可能比代码生成智能体晚一年左右
• 从完成几分钟任务发展到几小时、几天
• 将出现完全不同的产品形态

应用领域：

• 法律服务
• 业务流程外包
• 医疗健康
• 其他服务行业

经济影响：

“全球经济中最大的开支是服务，而不是软件。我们之所以对AI如此兴奋，正是因为它能冲击服务经济。”

6.4 技术架构的变革需求

当前架构的局限：

• 现有架构可追溯到2017年
• 深度学习历史显示，大约每八年出现一次重大变革
• 2025年急需全新架构突破

机器学习”黄金时代”的复活：

• 2009-2015年许多被埋没的小众论文
• 引用次数仅二三十次的研究思路
• 随着算力成本下降，这些想法将被放大验证
• 在更大参数规模下验证扩展规律

新机遇的出现：

“这将为新的超级智能实验室创造大量机会，超越当前主流基础模型公司的做法。这些大公司正逐渐变成应用型AI企业。”

未来发展方向：

• 探索新的学习方式
• 开发新的奖励信号获取方法
• 超越当前强化学习环境的限制

结语

Patrick Hsu博士的深度访谈为我们揭示了AI生物学革命的全貌。从Arc Institute的”登月计划”到虚拟细胞的技术突破，从生物学建模的独特挑战到药物研发的现实困境，再到未来技术融合的宏大愿景，这场对话展现了一个科学家-投资人对于技术发展的深刻洞察。

关键启示：

1. 基础研究的重要性：在AI制药公司的愿景走在基础研究前面的时代，Arc真正投入虚拟细胞这样的基础突破，为整个行业奠定基础

2. 渐进式发展路径：从GPT-1到GPT-2的发展阶段类比，提醒我们虚拟细胞也需要循序渐进的能力提升

3. 实用性导向：不追求理论完美，而是专注于为实验科学家提供实际有用的工具

4. 技术融合的力量：合成生物学、脑机接口和机器人技术的融合，将在我们有生之年深刻改变世界

正如Patrick Hsu所言：”即使这些领域只是取得一定程度的成功，也会深刻地改变世界。”在AI生物学的黄金时代，我们正站在科学革命的起点，见证着计算生物学向虚拟细胞的历史性跨越。

---

本文基于a16z对Arc Institute联合创始人Patrick Hsu博士的深度访谈整理而成，展现了AI生物学领域的前沿思考与实践探索。