懂AI，也懂生物。

如果把人体比作一个复杂的“生命王国”，基因、RNA、蛋白质等分子，就是王国里日夜不停运转的工作人员。它们的工作内容、协作方式，全部记录在一种特殊的“语言”里——也就是我们常说的组学数据。

这门“生命语言”决定着人类的生老病死，比任何一种人类语言都要复杂亿万倍。数百年来，无数科学家试图直接破译它，但进展缓慢。

近期，津渡生科自研的GeneLLM系列多组学大模型，接连登上《Nature Communications》和《Advanced Science》等国际顶级期刊，“读懂生命原声”似乎不再是遥不可及的幻想。

津渡生科介绍称，GeneLLM基于原始数据进行预训练，可直接读取原始RNA序列，不依赖参考基因组和人工标签“翻译”。这条路极“重”，需要消化海量未经处理的生物噪音，可谓科学智能的最重一公里。

但对创始人金泳成来说，这还不够。

“科学智能的最后一公里，是它能不能把一个假设送进物理世界，再把结果带回来。”金泳成说。他和三位牛津校友创办的津渡生科，不只走通了GeneLLM这最重一公里，还要再走一步——通过BioFord Agent平台，为AI装上物理“双手”，打通模型与实验室之间的最后一公里。

截至目前，成立不到四年的津渡生科，已在海外积累了近100万注册用户，并在过去14个月内完成6轮融资，获得红杉中国种子基金、创东方投资、高特佳投资等知名机构押注。

以下是36氪Pro与金泳成的对话。

金泳成（津渡生科供图）

“基于原始数据预训练多组学大模型”

36氪Pro：“GeneLLM大模型基于原始数据进行预训练”，如何理解这种方法的创新之处？

金泳成：传统的方法是先把测序数据翻译成已知基因，由人去打上标签再喂给模型。每多一道加工，原始信号就损失一分，AI也被困在人类的认知边界里，出来的结果也带着人的主观偏见。

但是GeneLLM没有走这条捷径，它绕过了人类打标签这一步，直接处理原始的RNA序列本身，相当于让AI去读“原声”，而不是读“翻译版”。

36氪Pro：GeneLLM可用于哪些方向的科研？

金泳成：它本质上是一个生物学领域的通用底座，它可以接各种各样的任务。长远来看，可以应用到疾病诊疗、新药研发、合成生物、工业生物制造、农业和育种等场景中。

比如想看某个基因突变和疾病的关系，还是想设计一种新的功能酶，它都能提供一个底层的理解能力。上面跑什么应用，取决于我们和合作伙伴想解决什么问题。

图源：津渡生科

我们现在初步取得了部分成果。比如在多癌种的早期识别上（比如结直肠癌、胃癌、肝癌、肺癌），准确率（AUC）最高能到0.9962；在早产风险预测上，AUC能达到0.85，准确率是行业平均的1.4倍。更重要的是，完成这些判断所需的测序成本，可能只需要传统方法的六分之一。一些科研成果也得到了《Nature Communications》和《Advanced Science》《npj digital medicine》这样的国际权威期刊的认可。

36氪Pro：GeneLLM直接处理原始序列，会不会带来更高的计算成本？

金泳成：确实，直接处理原始序列的计算量更大。我们的做法是用自监督学习的方式做预训练，让模型自己去发现序列里的模式，而不是告诉它“这个是基因A，那个是基因B”。前期投入确实不小，但换来的是模型能看见人类还没定义过的东西。

至于成本，我们在模型架构上做了优化，不是那种动不动上千亿的大模型，成本相对可控。

不是实验室的适配器，而是“Windows”

36氪Pro：很多人听到“AI for Science”，第一反应是AlphaFold、ChatGPT帮科学家查文献。你会怎么跟一个完全不懂这个领域的人解释津渡生科在做的事？

金泳成：打个比方，你找了个超级厉害的厨师，他给你设计了一道菜谱，写得特别详细，食材、火候、步骤都有。但问题是厨房里没有炉子，没有人动手，这道菜永远做不出来。

现在大部分AI科学工具做的是“设计菜谱”的事，帮你读文献、提假设、写方案。这件事有价值，但价值到此为止。我们当然也设计菜谱，只不过还要多做一步，就是把炉子点起来，让这道菜真的被做出来，而且要完整记录做菜的过程，这样，下次可以做得更好。

36氪Pro：你们研发了一个叫BioFord的AI平台，它是什么？

金泳成：GeneLLM就像“大脑”，让AI有了更好地理解生物学的能力，比如理解科学问题、提出假设、做预测。在传统流程里，科学家下一步就要开始设计实验方案和动手做实验了，但这里有个关键问题，难道还是要人去做实验吗？

只要科研环节中还有人类的手动参与，速度必然会比较慢。

所以我们进一步整合了模型、多智能体和Harness相关技术，研发BioFord物理级AI生物智研平台。

图源：津渡生科 

它并不是单纯让机械臂去模仿人手操作实验，而是把实验室变成一个可编译、可调度、可观测、可追溯的数字化系统，以此向上承接科学家认知层，向下连接实验室物理层。

具体来说，BioFord由5个智能体组成。其中，认知层面由文献检索智能体、实验设计智能体、科学智能体与数据分析智能体4个智能体组成协同网络，模拟顶尖科研团队的思维分工，把碎片化工作流整合为自动化流水，可以读文献、设计实验方案、一键调用各类模型以及在实验后分析数据和生成图表、结论等，极大地提高科研效率。

在实验室物理层面，实验调度智能体则会根据实验方案和工单，调度实验室里异构的设备，7×24小时不间断地进行实验，用机械臂、灵巧手、移动小车等与实验室现有设备配合完成整个实验操作，在这过程中，实时记录、反馈，实现全生命周期追踪、参数调整等。

图源：津渡生科

36氪Pro：这过程中的最难点是什么？

金泳成：实验室里有赛默飞的离心机、Opentrons的移液机器人、国产的发酵罐，使用的都是不同的私有代码，这些异构的设备没办法协同。我们专攻的通用设备抽象层，就像电脑的“USB驱动”，把接口统一、规范。机械臂把试管从A厂牌的移液站抓出来，无缝递送给B厂牌的离心机，再放入C厂牌的检测仪，实现全流程的设备大一统。

所有过程数据，比如设备状态、操作记录、环境参数等，全部回收，成为下一次实验的input。

这个操作系统要解决“连上”设备的问题，还要解决连上之后干活和收集数据、实时调整的问题，它不只是适配器，更像是实验室里的Windows。目前，BioFord已经可以覆盖高通量测序设备、液体处理工作站、生化分析仪器（PCR/酶标仪）、质谱分析仪器（LC-MS/TOF）等许多硬件，基本满足生科实验室需求。

36氪Pro：这个操作系统需要像人吗？

金泳成：人有很多优势，比如临场判断、直觉、创造力，AI目前还做不到这些；但人也有局限，会累、会漏细节，没办法同时盯着十台设备。

因此，与其造一个人形机器人去模仿人，不如造一个能给人做互补的AI，把人做不好的那部分工作（比如稳定、精确、全程记录）做到极致。

当前，BioFord相关技术已在知名高校、医院、科研院所落地。从结果上看，一些实验室的手动操作比原本直降40%、运营成本降低30%、实验通量扩大5倍。以前一个博士生一年才能干完的活，有了BioFord的辅助，可能只需要几周。

36氪Pro：实验室里最难被数字化的东西是什么？

金泳成：最难的是临场判断和异常处理。实验室里经常出现各种意外：样本颜色不对，设备读数突然跳了，某个步骤时间比预期长。有经验的科研人员会凭直觉判断要不要干预，但这种判断很难被规则化。

我们的思路是，不试图完全替代这种判断，而是把所有异常信号完整记录下来，让系统能识别“这次和上次哪里不一样”，再结合模型来辅助判断。数据积累越多，系统的判断能力就越强。

36氪Pro：对于市场上现有的“AI+自动化”的解决方案，你们怎么看？

金泳成：当前，一些定位“AI+自动化”的解决方案许多属于半封闭生态。自研智能体、硬件设备仅服务于自有的工业体系和研发管线，适配限定研发路径。在这种情况下，就只能在固定实验流程内采集数据，无法在开放科研场景获取多元数据，AI会陷入封闭迭代循环，同时研发成本较高。

津渡生科的思路是走全链路开放、轻量化部署的路线。整套AI系统可以规模化复制落地到各类企业和科研机构实验室，大大降低智能化升级成本，同时更新迭代加速。

36氪Pro：现在很多大厂也开始涉足AI for Science，你们的优势在哪里？

金泳成：简单地说，通用模型公司可能在争夺的是计算规模，但津渡要争夺的是现实世界产生新知识的接口。我们要专注解决的是，模型怎样进入实验现场、获得真实反馈的问题，AI for Science的行业壁垒，可能从现在才开始形成。

实验室里，失败也许比成功更宝贵

36氪Pro：你有一个判断，我觉得很反直觉——你说科研里最被浪费的，不是失败本身，而是没有被保存下来的失败。能展开说说吗？

金泳成：对，我觉得这是整个科研体系里最大的浪费。全球科研团队每天产生的假说，90%会在验证环节被淘汰。这些失败的实验消耗了巨量的人力物力，但它们留下了什么？通常什么都没有。研究员在本子上记了几行字，或者什么都没记，就去做下一个实验了。

其实，这些失败里有大量有价值的信息：这条路为什么走不通、在什么条件下会失败、失败的边界在哪里？如果这些信息被完整保存下来，对下一次实验的价值可能远超那些成功结果。论文系统擅长保存结论，但科研AI要保存的是全过程的上下文。

36氪Pro：一个失败实验，如果被完整记录下来，它的价值具体体现在哪里？

金泳成：举个药物研发的例子。一个化合物在细胞实验里失败了，研究员记下“无效”就放弃了。但如果我们完整记录了当时的实验条件，比如细胞系的批次、培养基的成分、温度、处理时间、设备的具体状态……可能会发现，这个化合物在某个特定的条件组合下，其实出现了一个有意思的副反应。当时被当噪声忽略了，但它可能是另一个方向的线索。没有完整记录，这个信息永远消失了，有了完整记录，三年后可能被另一个研究员发现，成为一个新的突破口。

36氪Pro：现在的科研体系，为什么天然倾向于只保存结论？

金泳成：根本上是机制问题。科研的评价体系是以发论文为核心的，论文只需要报告结论和支撑结论的数据，不需要报告所有失败过程。所以研究员没有动力去完整记录失败，因为这对他们的职业发展没有直接帮助。

技术上以前也没有方便的工具——你不可能让研究员每次实验后花两个小时填几十项表格。我们现在做的，是用自动化的方式在实验过程中就把这些信息捕捉下来，不需要研究员额外做任何事。当记录的成本趋近于零，保存失败就变成一件自然而然的事了。

解题配置：既懂AI也懂生物科研

36氪Pro：你自己会怎么用一句话定义津渡？

金泳成：在Bio—AGI时代，打造出能动手做实验的，泛生物通用AI科学家的公司。

36氪Pro：2022年你从牛津博士毕业，那时候ChatGPT刚出来，AI创业热潮刚开始。当时很多从海外回来的博士，都去了AI制药、AI诊断这些热门方向。你为什么没有选这些路？

金泳成：这跟我们对未来的趋势判断有关。

我们认为，AI领域的发展会经历单点智能、域基础大模型、物理具身智能、通用AGI这4个阶段。做AI分子设计、单一药物管线，本质上是在单点智能环节“打转”。事实证明我们的判断也是对的，现在“单点智能”这个阶段已逐渐过去，行业的核心需求转向全技术链条打通。

就好比AlphaFold再强大，也只能做蛋白质结构预测，科学探索需要的是一个完整的生态闭环，从数据层到认知层、物理执行层，以及最后的数据回流、迭代优化，缺一不可。某种程度上，这也是一个工程实现的问题。

36氪Pro：有哪个具体的瞬间，让你意识到“AI进实验室”这件事是必须发生的？

金泳成：我自己做博士生的时候，可能一年365天有300天是待在实验室里做实验。每天拿着微量移液枪重复几百次移液操作，有时候只要有一步手抖、试剂加错、或者枪头交叉污染，就全部报废，第二天重来。这种瞬间太常见了，但它本不应该发生。

每次遭遇这样的瞬间，我就会捶胸顿足，希望自己的双手能获得解放。

我们4个创始人都是牛津大学毕业的校友，分工互补。CSO沙磊博士是小米大模型团队负责人罗福莉的同门师兄，之前是牛津大学副研究员，现在是北航的人工智能教授，主要负责大模型设计、构建、优化。邓司伟是我们的CTO，是牛津大学计算生物学博士，他主要负责整个公司的技术和产品的研发与实施、技术体系管理。他们主要是主导垂类模型训练，用计算的多样性去匹配生物系统的复杂性，以及认知智能的“编译”等技术研发和工程实现。周天尧更多是负责商业运营、企业端的业务拓展层面的事务。

在这个领域，懂AI的不一定懂生物，懂生物的大部分不懂AI，我们几个人的专业背景是生物工程、人工智能、计算生物学等，恰好是解这道题适合的配置。

36氪Pro：当时投资人是什么反应？

金泳成：早期比较难。很多人听完就问：“你到底是做AI的还是做实验室设备的？”他们不理解为什么一家AI公司要去碰那么“重”的东西。大家更习惯投一个纯软件的故事，轻、快、好讲。

一开始可能大家还不太理解我们在做什么，听着好像很高大上。后来AI for Science被国务院列为“人工智能+”行动的第一条，大家才开始真正理解我们在做什么。

36氪Pro：你怎么判断自己看到的是真机会，而不是自己的偏见？

金泳成：现在所有的科学家在抱怨什么。他们不是抱怨模型不够聪明，他们抱怨的是做实验。做一个实验要等设备，等到设备了一做就是好几个月，还经常会因为各种手动操作失误而推倒重来。这些抱怨是真实的、普遍的，而且没有人在系统性地解决它。看到这种情况，我觉得这就是机会。

模型可能只是起点，科学智能的最后一公里，是它能不能把一个假设送进物理世界，再把结果带回来。

5年后，科研工作“将由AI驱动”

36氪Pro：你们的创业和创业方向是基于什么样的判断？

金泳成：我们刚开始创业时，会问，这个问题足够大吗？足够难吗？我们有没有独特的能力去解决它？很幸运的是，我们4个人组合起来后，都觉得这三个问题是可以回答的。

36氪Pro：你觉得五年后，AI for Science这个赛道会是什么格局？谁会活下来？

金泳成：未来三到五年，AI不再只是一个辅助人类进行科学发现的小帮手，而是会进入一个“自主驱动科研”的新时代。实验室里，你看不到多少操作员的身影，取而代之的是机器人、机械臂和小车。人类科学家在一边喝着咖啡，只负责给AI出题目、提假说，剩下的繁杂琐碎，像读文献、设计方案、实验和验证等等都可以交给AI去完成，AI才是科学实验室里最好用的“牛马”。

从公司层面讲，能活下来的一定在某个领域积累大量真实实验数据、建立完整闭环。光靠模型能力是不够的，因为模型会越来越便宜、越来越通用。

真正的壁垒是，你有没有别人拿不到的、来自真实实验的数据，以及你有没有那个能持续产生这些数据的系统。我认为，AI for Science真正的行业壁垒，可能从现在才开始形成。

36氪Pro：能不能描述一个具体画面，能让人感受到这件事真正发生之后，世界会有什么不一样？

金泳成：我经常举例的是青霉素。拯救了无数人的青霉素，是英国细菌学家弗莱明忘了洗葡萄球菌培养皿，又忘了在湿热的夏天关窗，阴差阳错发现的。那么，如果没有忘记关窗、没有夏天的那阵风，青霉素还能被发现吗？

过去，科学发现依靠运气和汗水；但AI“长出双手”后，让AI去熬通宵、穷尽所有可能性，或许也能在几小时内通过计算和自动化实验将它推演出来。

这是我们现阶段所期望和正在努力实现的，至少它已经不是天方夜谭。科学发现不单纯依赖某个天才的偶然灵感，而是成为必然。新药研发周期大大缩短，重大的疗法会被更快发明出来，更多的生命被拯救，各行各业迎来全新的科技爆发期。这才是科学智能真正的意义。

36氪Pro：AI会取代人类科学家吗？

金泳成：AI会深刻地改变人类科学家的科研方式。科学家最有价值的能力是提出好问题，这是AI还做不到的。未来，最好的科学家是能和AI系统深度协作的人——他们提方向，AI负责执行和记录，他们再根据结果调整方向。这不是被取代，是被解放。