DeepSeek-V4-Flash正式版刚刚在全球通用大模型圈掀起波澜，中国生命科学领域的DeepSeek紧随其后。近日，由四位牛津大学归国学霸共同创立的津渡生科，自主研发的生命科学垂类GeneLLM多组学大模型，接连登上国际顶级学术期刊《Nature Communications》与《Advanced Science》。作为全球首个直接使用组学原始数据进行预训练的多组学大模型，GeneLLM继谷歌AlphaFold和斯坦福大学EVO 2之后的又一重磅模型，填补了中国生命科学基础大模型的空白，被誉为中国生命科学版DeepSeek，让AI开始理解生命的多个语言与整个系统。
像预测下一个token一样预测下一条生命信息。疾病识别只是GeneLLM的一个应用场景，津渡生科真正想做的，是打造生命科学领域的Claude Code。ChatGPT、Claude、DeepSeek等大语言模型的核心，是下一个token预测。GeneLLM思路类似，但它预测的不是文字，而是生命信息。RNA序列中的四种碱基——腺嘌呤、尿嘧啶、鸟嘌呤、胞嘧啶，成为GeneLLM理解生命语言的基本Token。传统生物信息学分析通常依赖基因注释、序列比对和人工定义标签。这种方法虽然准确，但会提前限定模型的认知范围，也可能丢失大量隐藏在原始数据中的未知生物信号。GeneLLM则另辟蹊径，直接从未经加工的原始测序数据中学习生命规律。它以RNA组、蛋白质组、代谢组等多组学原始数据作为训练数据，让模型自主发现疾病相关模式。目前，GeneLLM已完成15亿参数和3.5万亿碱基序列的模型预训练，XLarge版本实现300亿参数模型预训练，持续扩大技术壁垒。
作为全球首个基于原始测序数据预训练的多组学大模型，GeneLLM包括两大阶段：无监督预训练与原型挖掘，以及患者级疾病微调。GeneLLM首先需要解决一个问题：如何把复杂的生命数据变成AI可以理解的语言？在自然语言处理中，BPE算法会把句子切分成Token；而GeneLLM则将约150bp长度的RNA测序片段，通过7个碱基组成的滑动窗口切分为生命Token。随后，模型利用Transformer架构，在没有基因注释和人工标签的情况下，直接预测下一个碱基。这意味着AI不是先看人类整理好的字典，而是直接从生命原始信号中学习。在训练过程中，GeneLLM处理了约数十万亿条RNA reads，在百卡集群NVIDIA A100 GPU上训练。至此，GeneLLM泛化等能力开始涌现。
作为生科领域的重大创新突破，GeneLLM这一国产生科模型可以应用于新药研发、精准医疗、合成生物、环境监测、微生物与生物农业、蛋白质与分子设计等多个领域，是全球范围内少有实现实际场景落地的大模型。当我们审视完GeneLLM在数据、架构、训练等底层创新后，才能真正理解为何它代表了中国生物版DeepSeek。硅谷以数万张H100堆砌万亿参数，DeepSeek则以算法创新提高算力效率，GeneLLM同样四两拨千斤，撬动亿万生命科学数据。如果说AlphaFold让AI第一次看懂生命的结构，EVO2让AI开始理解生命的代码，那么GeneLLM试图进一步理解生命的系统。更狠的是效率。传统方法依赖6Gb深度测序，成本高企，难以落地。GeneLLM在1Gb极浅深度下仍保持AUC大于0.8，这意味着真正有希望让普惠精准医疗成为现实。一种新的科研范式开始浮现：让AI从生命数据中学习，让生命科学进入可预测、可计算、可规模化探索的新阶段。
不只是模型，还是最后一公里的智能基础设施。但津渡生科的布局不仅在基础模型。以GeneLLM多组学大模型为生命认知底座，津渡生科进一步构建连接AI智能与物理世界的执行体系，通过Harness智能实验执行层与DBTL数据闭环，实现从生命规律理解、科学假设生成，到自动化实验验证和持续迭代优化的完整AI for Science闭环。正如前OpenAI VP、后训练负责人Liam Fedus所说，当前LLM已经耗尽了互联网上有限的文本和代码，下一步的科学发现的重大进展必须依赖实验迭代。也就是说，不能只靠读人类已写下的内容来发现新知识，AI必须自己做实验。可问题来了，互联网服务天生有API，网络信息天生是数字化的，但科研设备来自不同厂商，协议各不相同，既复杂又昂贵，没有人能在几个月内推倒重建。今天大多数实验室是专为人类设计：仪器面板、移液动作、样本状态、临场判断，绝大多数没有变成机器可理解的信号。AI进入实验室，当前不只是模型能力的问题，还需要一套新的基础设施。因此，AI进入实验室，当前不只是模型能力问题，还需要物理Harness：把实验室变成一个可编译、可调度、可观测、可追溯的系统。这，才是AI4S真正的最后一公里。
BioFord Harness，让实验室开始自己动。为此，津渡开发了一套名为BioFord Harness的系统。这是一套把AI和物理实验室打通的基础设施。他们不是让机械臂模仿人手，而是把实验室变成一个可编译、可调度、可观测、可追溯的系统。这个过程中，物理Harness至少要完成三件事：第一，把科学意图或实验DSL，编译为不同设备能够执行的指令；第二，在多设备之间完成调度、资源与安全约束管理，并处理异常；第三，让实验结果、设备日志和环境参数回流，成为下一轮模型与实验设计的输入。科学问题、AI理解、实验方案、设备调度、执行、数据回流、模型优化、下一轮，一套科学实验数据的飞轮，就这样启动了。BioFord Agent具身智能科研平台，则向下连接实验室物理层，向上承载科学家认知层，中间用物理AI打通推理与执行的断层。在认知层，BioFord Agent有五大智能体组成协同网络，打通了生命科学研究全流程，可数倍提高科研效率。这五大智能体分别是文献检索智能体、实验设计智能体、科学智能体、实验调度智能体、数据分析智能体。举个例子，文献检索智能体可以快速帮你检索和阅读海量文献，完成文献综述并辅助提出假设。实验设计智能体让科研团队把原本数月的实验设计周期缩短至一周。而津渡生科推出的实验调度智能体，依托通用仪器抽象层，打破了多类异构设备之间的协议壁垒。无论是PCR仪、酶标仪、流式细胞仪，还是自动化移液工作站，均可实现统一纳管与统一调度。系统内置动态调度算法，可自动批量排程、实时冲突规避，并全程记录实验参数，形成可追溯的审计链条。这意味着，AI不再停留出谋划策的阶段，而是真正走进实验室，操纵设备、执行任务，成为一位可信赖的科研助手。
失败数据，也许比成功数据更珍贵。这套系统解决的更深层的价值在于，让每一次实验——无论成功还是失败——都变成系统可以消化的数据。传统实验室里，一次失败的记录可能只是一行结果不符合预期，经验存在人的脑子里，人走了，经验也没了。而在BioFord系统里，每一次失败都是宝贵的训练数据——参数选择的逻辑、环境条件的记录、错误路径的证明——全部沉淀下来，成为系统经验的一部分。下一次，AI就知道，此路不通。耐人寻味的是，在这个赛道，不是算力最强的赢，也不是模型最大的赢。算力买得到，但科研数据买不到。津渡生科创始人兼CEO金泳成表示：在研发过程中，我们逐渐发现AI for BioScience不是简单地堆模型、堆数据。对做实验的人来说，要最终解决的仍然是算完不会做、做了又不对的困境。这，就是AI4S赛道最重要、也最难被复制的护城河。
四个牛津人，其中还有罗福莉的同门师兄。2022年，金泳成在拿到牛津大学生物工程博士学位的那一刻，面临着一个选择。他的导师是英国皇家学会会员、三代测序巨头英国上市公司Oxford Nanopore的创始人Hagan Bayley，实验室里成果落地的传统深厚。留在英国，是一条清晰的坦途。但他选择了另一条路——把实验室里的一个原型技术装进行李箱，带回国。与他同行的，还有三位牛津校友：生物学博士邓司伟、计算机学院副研究员沙磊（北京大学计算机博士，小米大模型负责人罗福莉的同门师兄），以及擅长做产品落地的周天尧。四人具备生物工程、人工智能、计算生物学、商业运营等相关知识背景，缺一不可。他们曾组队开展联合科研项目，通过结合AI和转录组技术实现疾病预测检测。四个人像拼图一样恰好互补，可以完成高度交叉的学科研究。公司名字津渡生科，津取自牛津，寓意他们从牛津的顶尖实验室等学术高地出发，渡意在渡人，那是他们认为AI for Science应该抵达的终点。目前，津渡生科的BioFord Agent物理AI科研平台已在国内一些知名高校落地，成效显著，将科研周期从原本的数月缩短至一周。
起风了：1年4轮融资，资本真香现场。然而，走一条前无古人的路，必然伴随着孤独。创业初期，困难重重。彼时AI创业如火如荼，但生物科学领域的AI尝试寥寥无几。懂AI的不一定懂生物科学，懂生物科学的大部分不懂AI。金泳成坦言，投资方一度无法理解他们在做什么。团队选择了一条最难的路：从生物基础大模型切入，全球做此方向的公司屈指可数。2025年，转机出现了。当时，国务院印发关于深入实施人工智能加行动的意见，AI for Science位列其中，赛道起风了。津渡生科创下一年完成4轮融资的战绩。公司的主要融资时间线堪称行业标杆。天使加轮获红杉中国种子基金领投，Pre-A加轮获创东方投资千万级领投，Pre-A加轮获南山战新投千万级投资，A轮获高特佳投资近亿元领投。高特佳投资执行合伙人滕宇航表示，津渡生科把生命科学基础研究变成了可订阅、可扩张的算力加实验基础设施。而金泳成的目标更远，我们不满足于卖软件，要搭建生命科学领域的智能操作系统。就像英特尔定义了PC时代的算力，我们希望定义AI时代生命科学的研发新范式。从牛津实验室到深圳，从无人理解到获一线资本重注，四个牛津人的故事，不只是创业传奇，更是一场关于我们能为人类做什么的灵魂拷问。当AI学会自己通宵科研，科学发现或许不再依赖天才的偶然灵感，而成为可预期的必然。这条路，他们才刚刚开始。
行业地图：津渡走出轻量化物理AI路线。在更大的AI for BioScience地图上，津渡并不孤单，但切入点截然不同。第一类是数字端的AI科学家。斯坦福孵化的Biomni已商业化为Phylo，拥有150多个专业工具，能自动执行文献回顾、假设生成和生物信息分析。Eric Schmidt支持的FutureHouse，致力于构建能自主生成假设、撰写论文的AI科学家。然而，它们虽然强大，却仍然局限在数字世界。第二类是全栈自主路线。晶泰科技以AI加机器人在全球部署超300台工站。Flagship Pioneering孵化的Lila Sciences，5.5亿美元融资，试图让AI完全接管实验的设计、执行与重新设计，目标是科学超级智能。但这些，都太烧钱了。第三类是端到端管线路线。英矽智能将AI直接推进自有创新药物管线，首款AI药物已进入III期临床，但他们是造车人而非修路人。而津渡生科的选择是：专注构建物理Harness，做模型与实体实验系统之间最后一公里的基础设施。不做底座竞赛，不做端到端管线，不做纯数字世界的AI科学家。只做那一公里，无疑是更加轻量化的打法。金泳成把这个判断说得很清楚：AI for Science真正的分水岭，不是模型回答得多像科学家，而是实验室能否开始像一个持续学习的系统。而且，在全球AI for Science领域，津渡并非简单地只做最后一公里。更准确地说，它以最后一公里为入口，争夺整条科研工作流的编排权。相比纯数字AI科学家，它能够触碰物理世界；相比自建重资产科学工厂，它有机会接管客户已有实验室；相比端到端AI制药公司，它不必把命运押在某一条临床管线上。它真正的护城河，将不是参数量，而是不断积累的实验轨迹、设备接口、失败经验和跨实验室执行网络。正如金泳成所言，生物体内数以万计的信号通路和充满未知的反应机理令人着迷。生物学有多丰富，AI for Science的前景就有多美。以AI的智能探索生命之谜，这群牛津学霸的星辰大海，才刚刚拉开序幕。