CellOS：当LeCun的JEPA世界模型遇见一颗细胞——百曜科技把"理解生命"从填空题变成了预测题

发布方：百曜科技（Vitaura）
模型：AURA CellOS —— 全球首个LLM-JEPA单细胞世界模型
核心突破：双视角表征 + JEPA联合嵌入预测 + Dense-to-MoE无损扩容
规模：12B参数，基于3.905亿个人类单细胞转录组
一句话：细胞不是测序表格，世界模型才是读懂它的正确姿势

一个行业的集体幻觉：Scaling Law在细胞领域"失灵"了

2024年12月，斯坦福+基因泰克+CZI在《Cell》发表的重磅论文，正式宣告了AI虚拟细胞（AIVC）时代的到来。

之后，赛道涌入大量玩家：Geneformer、scGPT、scFoundation、GeneCompass……参数越卷越大，数据越喂越多。

但一个扎心的事实是：模型能力没跟上。

2026年6月，《Nature Methods》刊发了一项更扎心的研究：

基于2220万个细胞的scTab语料库，预训练400个模型，完成6400次评估。结果显示，在多项任务中，模型性能往往在使用约1%的预训练数据后便进入平台期。

也就是说，喂22万个细胞后模型就"吃饱"了，再喂2000万个细胞也几乎没提升。

Scaling Law在细胞领域，失灵了。

不是因为数据不够多，而是因为算法架构和数据特性之间存在系统性错配。

传统AIVC模型照搬大语言模型的训练逻辑——遮挡一段基因，让模型猜答案（完形填空）。本质上是在"背诵测序表格"，学习的是静态表达模式，而不是细胞状态变化的动态规律。

真正决定疾病发展、药物反应、细胞分化的，往往是数十个基因叠加的微弱信号。它们表达量不突出，仅凭表层拟合的模型永远抓不住。

问题不是数据规模，是建模范式。

CellOS的三板斧：从"看懂"到"理解"细胞

百曜科技的解法，是直接把赛道从"LLM完形填空"切换到"世界模型预测"。

第一板斧：双视角表征学习——给模型装了两双眼睛

传统模型只有表达视角（Expression View）：看这个基因的活跃程度（表达丰度）。容易漏掉那些表达量不高、但生物学意义重大的基因（调控基因、应激响应基因）。

CellOS增加了感知视角（Perception View）：计算惊奇分数（Surprisal Score），筛选在细胞群体中具有高生物学价值的关键信号。

表达视角："这个基因现在有多活跃？"
感知视角："这个基因的信号在群体里有多特别、多有信息量？"

两套视角并行：先按表达量排序全部信息，再由感知视角过滤噪声，精准捕捉细胞分化、迁移、病变的关键转折节点。

这相当于给模型开了"透视挂"——那些在传统视角下被背景噪音淹没的微弱信号，在感知视角下突然变得清晰。

第二板斧：JEPA——从"背课文"到"建模型"

这是CellOS最核心的架构创新。

JEPA（Joint Embedding Predictive Architecture，联合嵌入预测架构） 是Yann LeCun在2022年提出的世界模型框架。它的核心思想是：

不重建输入，而是让模型学习不同视角/不同时间点的表征之间如何相互预测。

传统训练：给你细胞的基因表达数据，让它"原样复述"。
→ 这是死记硬背，记住了表面，没理解本质。

JEPA训练：用表达视角的表征去预测感知视角的表征，或反之。
→ 这是建立内在模型，模型必须理解"如果从另一个角度看这个细胞，会看到什么"，才能做好预测。

逼着模型在隐空间里建立细胞状态的统一表征——不是记住基因表达的数字，而是理解这些数字背后的生物学状态。

效果在动态预测任务上尤其明显：

• 敲除某个基因，细胞会怎样？
• 加药物后，细胞如何反应？
• 诱导分化，细胞往哪个方向走？

第三板斧：Dense-to-MoE无损扩容——从小学生到博士生不换脑子

模型越大越强，但扩容时经常"忘记"之前学过的东西（灾难性遗忘）。

CellOS的训练分三阶段，像是从小学一路升到博士，但核心知识不打折扣：

这种渐进式设计的聪明之处：每一阶段都在为下一阶段铺路，不会因为突然引入复杂机制而导致训练崩溃或知识丢失。

数据规模：这不是"大"，是"全覆盖"

CellOS的训练数据规模创下了全球公开模型的记录：

• 47,845组测序样本
• 3.905亿个人类单细胞转录组
• 3.46亿细胞附带完整精细注释
• 覆盖40余种人体组织、260余种细胞类型

这几乎覆盖了所有已知的人类细胞类型。不是"大"，是**"全"**。

性能：断崖式领先的SOTA

细胞状态预测（Pearson_edist）

CellOS是唯一突破0.6的模型，相比第二名领先66%。

细胞状态注释（生物学保守分数）

CellOS达到 0.792，在T细胞细分亚群、免疫衰老、iPSC诱导多能干细胞分化等极难区分细微差异的样本上，依旧精准识别细胞状态分层。

参数消融实验的关键发现

从0.2B → 2B → 12B，注释性能随参数增加呈近似对数线性增长。

但第三阶段引入多视角JEPA对齐后，细粒度与稀有细胞状态的区分能力进一步提升。

这说明：性能提升不是单纯靠堆参数，而是世界模型理念、多视角表征、JEPA架构的共同作用。

为什么JEPA是"正确"的路？

回答这个问题，需要回到一个更根本的问题：细胞数据和大语言数据的本质区别是什么？

LLM的完形填空训练，假设数据的"规律"存在于局部序列的共现模式中。这对语言有效，但对细胞无效——因为细胞的"规律"不是"基因A后面跟着基因B"，而是"基因A和基因B的表达水平如何协同变化来表征某个细胞状态"。

JEPA的世界模型理念，恰好匹配了细胞数据的特性：

• 不假设顺序 — 表征之间的预测不依赖序列位置
• 关注状态 — 学习的是"状态表征之间的对应关系"
• 跨视角预测 — 不同的观测视角（表达/感知）指向同一个底层状态

李飞飞在最近的长文中说："世界不是由文字构成的。"

而细胞世界，更不由文字定义。

商业化：从"技术验证"到"制药基础设施"

百曜科技围绕两大方向布局：

管线资产（Pipeline Assets）

• 细胞治疗 — CAR-T、干细胞疗法的设计优化
• 工程细胞 — 合成生物学中的细胞工厂设计

模型服务（Model-as-a-Service）

• 靶点发现 — 用虚拟细胞预测哪些基因是疾病的关键驱动
• 虚拟药筛 — 在计算机里测试药物对细胞的影响，减少湿实验
• 虚拟临床 — 预测细胞疗法在患者体内的行为

这是AI虚拟细胞从"能跑benchmark"走向"能省十亿美元"的关键一跃。

行业格局：AIVC的三类玩家

行业共识正在形成：AIVC不只是算法，而是"数据-模型-实验"的闭环基础设施。

谁拥有持续产生高质量数据的能力？谁能形成模型-实验-数据的迭代飞轮？谁真正进入了药物研发决策流程？

这些能力，比单一模型性能更难建立，也更难复制。

四大挑战

1. 高质量扰动数据稀缺 — 生命科学数据获取成本远高于互联网文本
2. 多模态融合待突破 — 真实生命活动涉及蛋白组、空间组学、代谢组、细胞形态
3. 模型可解释性 — 科研人员需要知道"为什么预测是这样"，而不只是"预测是什么"
4. 商业价值验证 — 只有真正缩短研发周期、降低成本、提高成功率，AIVC才能成基础设施

一句话总结

CellOS的核心洞察是：细胞不是测序表格，不能被当作语言来"背诵"。它是一座动态演化的城市，需要世界模型来"理解"。百曜科技用双视角表征+JEPA联合嵌入预测+Dense-to-MoE三阶段训练，把AI虚拟细胞从"完形填空时代"推进到"世界模型时代"。而这条路线的天花板，可能不在算法，而在能否建立"数据-模型-实验"的闭环飞轮。

当所有人都在谈论世界模型的时候，或许最值得建模的那个「世界」，就藏在36万亿个细胞里。

参考

• 发布方：百曜科技（Vitaura）
• 模型：AURA CellOS — 全球首个LLM-JEPA单细胞世界模型
• 架构：JEPA（Joint Embedding Predictive Architecture）+ 多视角表征 + Dense-to-MoE
• 规模：12B参数，3.905亿单细胞转录组，40+组织，260+细胞类型
• SOTA指标：Pearson_edist 0.619（领先66%），生物学保守分数0.792
• 商业化：管线资产（细胞治疗/工程细胞）+ 模型服务（靶点发现/虚拟药筛/虚拟临床）

#AI虚拟细胞 #JEPA #世界模型 #百曜科技 #CellOS #单细胞测序 #药物研发 #AIVC #生命科学