2026 年 2 月 3 日，斯坦福大學(xué)剛畢業(yè)的兩位博士 Kexin Huang（黃柯鑫）和 Yuanhao Qu（屈元昊）創(chuàng)立的 Phylo 公司宣布完成 1,350 萬美元種子輪融資，由 Andreessen Horowitz（簡稱 a16z）與 Menlo Ventures 旗下與 Anthropic 合作的 Anthology Fund 聯(lián)合領(lǐng)投。這筆投資的背后，是一款名為 Biomni 的開源生物醫(yī)學(xué) AI 智能體——它正試圖重新定義生物學(xué)家與計算工具之間的關(guān)系。

黃柯鑫師從斯坦福計算機科學(xué)教授 Jure Leskovec，后者的研究組在圖神經(jīng)網(wǎng)絡(luò)和大規(guī)模機器學(xué)習(xí)領(lǐng)域影響深遠(yuǎn)；屈元昊則師從斯坦福病理學(xué)教授、《麻省理工科技評論》“35 歲以下科技創(chuàng)新 35 人”中國區(qū)入選者叢樂（Le Cong），叢樂是 CRISPR 基因編輯技術(shù)的先驅(qū)之一，這兩位導(dǎo)師同時也是 Phylo 的科學(xué)聯(lián)合創(chuàng)始人。

此外，2022 年諾貝爾化學(xué)獎得主 Carolyn Bertozzi、CRISPR 技術(shù)先驅(qū)張鋒（Feng Zhang）、計算生物學(xué)領(lǐng)軍人物 Fabian Theis 等人也作為科學(xué)顧問加入了 Phylo。前 Benchling 首席戰(zhàn)略官 Malay Gandhi 擔(dān)任創(chuàng)始顧問，為公司的產(chǎn)品化和商業(yè)化路徑提供指導(dǎo)。

圖丨Phylo 創(chuàng)始團(tuán)隊（來源：Phylo）

在本輪融資宣布之前，我們與黃柯鑫進(jìn)行了一次深入對話。他談到了自己進(jìn)入 AI for Biology 領(lǐng)域的契機、Biomni 的核心理念，以及他對這個交叉學(xué)科未來走向的判斷。

從數(shù)學(xué)到 AI 科學(xué)家

黃柯鑫的研究興趣并非始于 AI 熱潮。他本科主修數(shù)學(xué)和計算機科學(xué)，大三時在洛克菲勒大學(xué)參與暑期實習(xí)，在 Lawrence Sirovich 教授指導(dǎo)下接觸了計算生物學(xué)。

但真正讓他下定決心深耕這個方向的，除了學(xué)術(shù)興趣，還有一些個人層面的考量。他意識到，如果計算方法真的能在生物醫(yī)藥領(lǐng)域產(chǎn)生影響，那它解決的可能不只是抽象的科學(xué)問題，而是與自己切身相關(guān)的健康命題。

“我當(dāng)時就想，能不能把自己的計算訓(xùn)練真正用到實際的事情上，做一些有影響力的工作，”他回憶道。這份對真實世界問題的關(guān)切，驅(qū)動他在此后近十年間持續(xù)探索 AI 在生物醫(yī)藥領(lǐng)域的應(yīng)用。他先后在輝瑞、基因泰克、GSK、IQVIA、丹娜法伯癌癥研究所等機構(gòu)從事研究，積累了對產(chǎn)業(yè)界需求的深入理解。

圖丨黃柯鑫（來源：受訪者）

在斯坦福攻讀博士期間，黃柯鑫師從圖機器學(xué)習(xí)領(lǐng)域的知名學(xué)者 Jure Leskovec，發(fā)表了一系列高影響力工作。其中 TxGNN 是一個用于藥物重定向（drug repurposing）的圖神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型，發(fā)表于《自然·醫(yī)學(xué)》，能夠在零樣本條件下為缺乏現(xiàn)有療法的疾病識別潛在治療藥物。

另一項名為 GEARS 的工作專注于基因擾動效應(yīng)預(yù)測。這些研究的共同特點是：用 AI 模型去理解和模擬生物系統(tǒng)中復(fù)雜的因果關(guān)系，而非僅僅擬合統(tǒng)計相關(guān)性。

但黃柯鑫坦言，他始終有一個困擾。這些模型在論文中表現(xiàn)優(yōu)異，卻很難真正被生物學(xué)家使用。他做了大量工作，發(fā)布了各種機器學(xué)習(xí)模型和基礎(chǔ)模型，在 benchmark 上效果都很好，但總覺得離“真的能用起來”還有距離。展示給生物學(xué)家看時，對方的反應(yīng)往往是“這很酷”，可真讓他們?nèi)粘Ｊ褂脜s無從下手。問題在于，這些預(yù)測模型對于科學(xué)家的日常研究任務(wù)來說是一種“增值服務(wù)”而非剛需，它們沒有融入既有的工作流程。

轉(zhuǎn)折點出現(xiàn)在 2024 年。大語言模型驅(qū)動的 AI 智能體（AI Agent）概念興起。黃柯鑫意識到，這或許是打通模型與實際應(yīng)用之間鴻溝的關(guān)鍵。智能體能夠直接影響生物學(xué)家的日常工作，因為它本質(zhì)上是在自動化那些繁瑣的常規(guī)任務(wù)——做生信分析、查數(shù)據(jù)庫、查文獻(xiàn)、匯總信息。這些事情占據(jù)了研究人員大量時間，卻并不需要太多創(chuàng)造性思維。

于是 Biomni 項目應(yīng)運而生。

Biomni：生物學(xué)的集成開發(fā)環(huán)境

軟件工程師有 IDE（Integrated Development Environment，集成開發(fā)環(huán)境），設(shè)計師有 Figma，分析師有 Excel，但生物學(xué)家從未擁有過一個真正屬于自己的統(tǒng)一工作環(huán)境?？茖W(xué)文獻(xiàn)分散在各種付費墻后面的 PDF 里，數(shù)據(jù)存儲在 Excel 表格中，分析流程依賴 R 和 Python 腳本，數(shù)據(jù)庫被困在形形色色的網(wǎng)頁門戶后面?？茖W(xué)家們不得不像急診室的外科醫(yī)生一樣，手動縫合來自不同來源的碎片化信息，這個過程既低效又難以復(fù)現(xiàn)。

Phylo 想要構(gòu)建的，是生物學(xué)領(lǐng)域的 IDE。Biomni 正是這一愿景的首個具體化產(chǎn)品。

Biomni 的技術(shù)架構(gòu)由兩部分組成。第一部分是 Biomni-E1，一個統(tǒng)一的生物醫(yī)學(xué)“行動空間”。研究團(tuán)隊系統(tǒng)分析了 bioRxiv 上 25 個生物醫(yī)學(xué)子領(lǐng)域的 2,500 篇近期論文，用 LLM 驅(qū)動的“行動發(fā)現(xiàn)智能體”從中提取完成各類研究任務(wù)所需的工具、數(shù)據(jù)庫和軟件。

經(jīng)過人工專家驗證后，他們構(gòu)建了一個包含 150 個專業(yè)生物學(xué)工具、105 個軟件包和 59 個數(shù)據(jù)庫的環(huán)境，涵蓋從濕實驗 protocol 設(shè)計、AI 預(yù)測模型到領(lǐng)域知識 know-how 的方方面面。

（來源：bioRxiv）

第二部分是 Biomni-A1，一個通用型智能體架構(gòu)。它接收用戶的自然語言查詢，通過檢索系統(tǒng)選取相關(guān)工具，運用 LLM 推理生成分步計劃，然后以可執(zhí)行代碼的形式完成每一步操作。與傳統(tǒng)的函數(shù)調(diào)用方式不同，這種代碼驅(qū)動的方法能夠靈活處理循環(huán)、并行和條件邏輯，適應(yīng)生物學(xué)研究中高度異質(zhì)化的工作流程。

在論文中，研究團(tuán)隊展示了 Biomni 在多個真實場景中的表現(xiàn)。一位研究人員將 458 個 Excel 文件，包含 30 位受試者數(shù)月的可穿戴設(shè)備數(shù)據(jù)交給 Biomni，要求分析餐后體溫變化模式。Biomni 自主生成并執(zhí)行了 10 步分析流程，發(fā)現(xiàn)受試者進(jìn)食后平均體溫上升 2.19°C，且個體間存在顯著差異。這項分析若由人工完成，預(yù)計需要三周；Biomni 用了 35 分鐘。

單細(xì)胞多組學(xué)數(shù)據(jù)的處理更能體現(xiàn)系統(tǒng)的復(fù)雜任務(wù)執(zhí)行能力。面對包含約 33.6 萬個細(xì)胞核的 snRNA-seq 和 snATAC-seq 數(shù)據(jù)集，Biomni 完成了從數(shù)據(jù)加載、基因調(diào)控網(wǎng)絡(luò)推斷到轉(zhuǎn)錄因子活性分析的完整流程。

它不僅重現(xiàn)了原論文中已知的調(diào)控關(guān)系，還發(fā)現(xiàn)了 AUTS2、ZFHX3 和 PBX1 等轉(zhuǎn)錄因子在骨骼發(fā)育中此前未被充分認(rèn)識的作用。整個過程耗時五個多小時，期間 Biomni 自行處理了變量名不匹配等執(zhí)行問題，所有中間輸出、代碼、圖表、日志，都被組織在可復(fù)現(xiàn)的文件夾結(jié)構(gòu)中。

另一個代表性的案例是一項分子克隆任務(wù)。在該任務(wù)中，Biomni 被要求設(shè)計將靶向人類 B2M 基因的 sgRNA 克隆到 lentiCRISPR v2 Blast 載體中的完整 protocol。它自主完成了質(zhì)粒分析、sgRNA 設(shè)計、引物設(shè)計、Golden Gate 組裝條件設(shè)定和菌落篩選策略制定。

一位科學(xué)家嚴(yán)格按照 Biomni 生成的 protocol 進(jìn)行實驗，次日便觀察到菌落生長，Sanger 測序確認(rèn) sgRNA 正確插入。在與人類專家的盲測對比中，Biomni 的表現(xiàn)與擁有 5 年以上經(jīng)驗的資深研究員相當(dāng)，遠(yuǎn)超初級研究人員。

圖丨Biomni 設(shè)計濕實驗室實驗方案（來源：bioRxiv）

通用架構(gòu)的邏輯

Biomni 選擇了通用型（general-purpose）架構(gòu)，而非為每個任務(wù)構(gòu)建專門的智能體。為什么不針對不同任務(wù)做專門優(yōu)化？

黃柯鑫向我們解釋了他的考量?！吧飳W(xué)里任務(wù)種類繁多，每個都不一樣，甚至同一個任務(wù)換個問法就完全不同了。可以給每個任務(wù)都做一個專門的智能體，但這種方式根本沒法規(guī)模化?！彼麄儺?dāng)時就在想，能不能設(shè)計一個通用型的架構(gòu)，用一套系統(tǒng)解決各種各樣的問題。

更深層的理由在于跨學(xué)科發(fā)現(xiàn)的可能性。他觀察到，很多重要的科學(xué)發(fā)現(xiàn)往往發(fā)生在兩個子領(lǐng)域的交界處，需要調(diào)用不同領(lǐng)域的知識和信息。專門化的智能體都是任務(wù)導(dǎo)向的，而通用型智能體可以橋接不同子學(xué)科，這樣就有機會做出一些新發(fā)現(xiàn)。這一觀點與科學(xué)史上的諸多案例相呼應(yīng)：

CRISPR 的發(fā)現(xiàn)源于對細(xì)菌免疫系統(tǒng)的基礎(chǔ)研究，而非定向的基因編輯技術(shù)開發(fā)；免疫檢查點療法的突破也來自對 T 細(xì)胞信號通路的基礎(chǔ)探索。

當(dāng)然，通用架構(gòu)也有局限。黃柯鑫承認(rèn)，在某些需要高度專業(yè) know-how 的任務(wù)上，比如只有資深專家才掌握的實驗技巧，當(dāng)前的 AI 智能體仍難以企及。那些高精尖任務(wù)，需要很強的隱性知識積累，目前還做不到。

當(dāng)然也有人質(zhì)疑，生物學(xué)強調(diào)因果鏈條，而大語言模型本質(zhì)上是在做模式匹配和相關(guān)性推斷，它真的能勝任科學(xué)發(fā)現(xiàn)嗎？

對于這一問題，黃柯鑫的看法是：“很多時候我們也不確定那是不是真正的因果關(guān)系。本質(zhì)上可能還是相關(guān)性，只不過當(dāng)相關(guān)性足夠強的時候，我們才認(rèn)為它是因果?！?/p>

生物學(xué)作為一門經(jīng)驗科學(xué)，知識增長本身就是通過大量證據(jù)的積累來實現(xiàn)的。今天發(fā)現(xiàn) A 與 B 強相關(guān)，明天發(fā)現(xiàn) B 與 C 強相關(guān)，逐步串聯(lián)起來才形成對疾病機理的理解。從這個角度看，當(dāng)前推理模型展現(xiàn)的能力或許已經(jīng)足夠支撐科學(xué)發(fā)現(xiàn)了。

讓 Biomni Lab 成為電腦上的標(biāo)簽頁

根據(jù)官方數(shù)據(jù)，自 Biomni 項目發(fā)布開源以來，其在不到一年已被超過 7,000 個實驗室采用，包括全球 20 大制藥公司中的 18 家。Phylo 的商業(yè)化路徑是在開源版本基礎(chǔ)上推出企業(yè)級產(chǎn)品 Biomni Lab，提供額外的安全控制、自定義 Agent 支持等功能。

a16z Bio + Health 團(tuán)隊領(lǐng)投此輪的合伙人 Jorge Conde 在投資備忘錄中寫道，他們認(rèn)為 Biomni Lab 可以成為每個實驗室、每臺電腦上永遠(yuǎn)打開的那個標(biāo)簽頁。當(dāng)一個統(tǒng)一的環(huán)境成為所有科學(xué)研究的窗口時，發(fā)現(xiàn)的速度和連貫性將發(fā)生根本性改變。

在采訪的最后，黃柯鑫談到了他的長期愿景：五年、十年后，生物學(xué)家打開電腦第一件事就是使用類似 Biomni 這樣的平臺。早上先看昨晚智能體完成的任務(wù)結(jié)果，然后用自然語言寫幾條指令讓它繼續(xù)分析，自己則去做實驗或者思考更有意思的問題。

這種人機協(xié)作模式類似于 PI（首席研究員）與研究團(tuán)隊的關(guān)系，一個科學(xué)家可以同時指揮十幾二十個 AI agent 并行執(zhí)行不同任務(wù)。常規(guī)分析都能被覆蓋，這樣，人類就可以專注在產(chǎn)生有意思的想法上。

這次融資距離 Biomni 論文發(fā)布僅八個月。從學(xué)術(shù)項目到商業(yè)公司的速度之快，也反映出當(dāng)下 AI for Science 賽道的火熱。但正如黃柯鑫所言，當(dāng)前最大的非技術(shù)瓶頸或許是教育和信任——讓更多生物學(xué)家理解并接受這種全新的研究方式，學(xué)會與 AI 智能體協(xié)作，并在過程中保持科學(xué)家應(yīng)有的審慎。這是一種完全不同的工作模式，需要時間。

參考資料：

1.https://phylo.bio/

2.https://biomni.stanford.edu/paper.pdf

運營/排版：何晨龍