微软研究院当地时间 9 月 29 日发布了一套实验性多模态 AI 研究系统叫Project Quine定位是面向生物学的世界模型合作方是哈佛大学和麻省理工学院博德研究所Broad Institute。一句话概括把基因组、蛋白质、化学、细胞状态、生物成像这几类数据塞进一个统一的表征里再配上一套能调度工具、查文献、连接实验室的系统帮科研人员先算出该做哪些实验。世界模型这个词到底指什么这两年世界模型被用得很泛。微软在博客里给了自己的定义我觉得是比较好懂的一版一个能表示某个生物系统当前状态、能预测这个状态在受到干预后如何演变、并且能推理干预后果的多步系统。关键词是**“不替代实验而是决定先做什么实验”**。实验室资源有限、周期漫长很多组合空间大到根本没法穷举。Quine 的思路是先用计算把候选排个优先级再把有限的实验资源砸到最值得验证的对象上。和之前的做法比变了什么、没变什么以前不同任务用不同的专家模型单模态、单任务跨领域数据是割裂的再用一层编排把几个模型拼起来。现在训练时就让模型在序列、结构、功能、细胞状态、成像等多个模态上联合学习共享表征用 A 模态的证据去帮 B 模态做预测。微软说这种跨模态训练不但没稀释效果反而让泛化更强。另一块常被忽略的是harness编排层它把世界模型、推理模型、科学工具、文献和湿实验wet lab串起来形成一个闭环——科学家提问 → 计算生成候选 → 实验室验证 → 测量数据回流 → 修正下一个问题。说白了真正难的不是单个模型而是把模型、工具、实验和人对齐成一圈能转起来的流程。这个判断对做工程的人其实挺有参考价值。一个周末筛出推动细胞状态转变的化合物最实在的案例是胰腺导管腺癌PDAC这是胰腺癌里最常见、也最难治的一种。团队长期验证的一个假设是肿瘤的行为和耐药性不只取决于基因还取决于转录层面的细胞状态。PDAC 肿瘤细胞可以处在不同的细胞状态对治疗的反应也不同。他们用 Quine 对数千个化合物做预测和优先级排序看哪些最有可能把肿瘤细胞在经典型和基底样型这两个治疗相关的状态之间推动。结果据报道在实验室湿实验里Quine 排名最高的化合物产生了最大的预期状态转变整个过程——从缩小搜索空间到锁定少数几个候选——只用了一个周末微软估计可能省下数月的实验工作和可观的研究成本一些效果最强的化合物来自意料之外的作用机制作者认为这是 AI 发现药物重定位机会的早期证据。反面结果也有意思从基底样型往经典型反向转变更难Quine 也预测了这一点。更意外的是实验发现几个化合物会把细胞推向第三种表型——胰腺癌的细胞状态图景比简单的经典型—基底样型一条轴要丰富。实验不只是验证了模型的假设还反过来生成了新假设这正是闭环想干的事。对从业者来说几点值得记边界很清楚仅供科研不用于临床。微软反复强调 AI 仍会犯错任何结果都必须经过严格的人工评估。这种把话说死的态度反而是负责任的做法。暂时不对外商用。想提前用的研究人员可以申请Quine Fellows项目后续会通过Microsoft Discovery等产品逐步扩大开放。个人目前能接触的入口就是 Fellows。AI for Science 的范式在变。从训一个模型解决一个任务转向建一个能跨模态推理、能接入真实实验闭环的系统。对做数据、平台的开发者来说这类科研 harness未来会是新的工程方向。别被一个周末带节奏。这套系统背后是多年的生物医学研究积累、patient-derived 模型和大规模算力不是一个周末从零跑出来的。短期能力是排序和提出假设不是造出药。收个尾Quine 现在还在很早期微软自己也没把它当成品。但它代表的方向挺明确让 AI 少一点替代人的叙事多一点帮人把实验做得更值的定位。科研里最贵的从来不是算力而是那些做错了的实验和浪费掉的时间。AI 能不能真的加速药物发现还是又一次实验室里的漂亮数字你怎么看评论区聊聊。