津渡生科公布了其自主研发的生命科学垂类 GeneLLM 多组学大模型，并称该模型近日连续登上国际学术期刊《Nature Communications》与《Advanced Science》。这家由 4 名牛津大学归国背景创始人组建的公司，将 GeneLLM定位为中国生命科学基础大模型的一次突破，核心思路是让 AI 直接从组学原始数据中学习生命规律，而不是先依赖人工整理好的注释和标签。
按照津渡生科的说法，GeneLLM 是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。文章将其与谷歌 AlphaFold、斯坦福大学 EVO 2 并列，认为它试图让 AI 不只理解生命的结构或代码，还能进一步理解生命系统本身。
把生命信息当作可预测的 Token
大语言模型的核心机制之一，是预测下一个 token。GeneLLM延续了这一范式，但预测对象不再是自然语言文本，而是生命信息。
在该模型中，RNA 序列中的 4 种碱基——腺嘌呤 A、尿嘧啶 U、鸟嘌呤 G、胞嘧啶 C——构成模型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，这类方法虽然准确，却可能在分析起点就限定模型认知边界，也可能遗漏原始数据中的未知生物信号。
GeneLLM采用了另一条路径：直接从未经加工的原始测序数据中学习。其训练数据覆盖 RNA 组、蛋白质组、代谢组等多组学原始数据，目标是让模型自主发现与疾病相关的模式。
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 版本实现了 300 亿参数模型预训练。津渡生科称，这一过程仍在持续扩大其技术壁垒。
从原始测序数据出发的两阶段训练
作为一个基于原始测序数据预训练的多组学大模型，GeneLLM包括两个主要阶段：
- 无监督预训练与原型挖掘
- 患者级疾病微调（Disease Tuning）
模型首先要处理的，是把复杂的生命数据转换成 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；在 GeneLLM 里，约 150bp 长度的 RNA 测序片段会通过由 7 个碱基组成的滑动窗口，也就是 7-mer，被切分为生命 token。
随后，模型基于 Transformer 架构，在没有基因注释和人工标签的条件下，直接预测下一个碱基。换句话说，模型不是先看人类整理好的“字典”，而是直接从生命的原始信号中学习。
津渡生科称，训练过程中，GeneLLM处理了约数十万亿条 RNA reads，并在百卡集群 NVIDIA A100 GPU 上训练。公司表示，在这一过程中，模型的泛化等能力开始出现“涌现”。
应用方向覆盖新药研发到生物农业
文章称，GeneLLM 不只是疾病识别工具。津渡生科将其应用范围扩展到新药研发、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方向，并称其属于全球范围内少有已经在实际场景中落地的大模型。
在对比路径上，文章给出的脉络是：AlphaFold让 AI 第一次看懂生命“结构”，EVO 2 让 AI 开始理解生命“代码”，而 GeneLLM 试图进一步理解生命“系统”。
效率也是其强调的一点。文中称，传统方法依赖 6Gb 深度测序，成本高，落地困难；GeneLLM 在 1Gb 极浅深度下，成本缩减 83%，仍保持 AUC>0.8。文章据此认为，这让普惠精准医疗具备了更强的现实可能性。
在津渡生科的叙述中，一种新的科研范式正在形成：让 AI 直接从生命数据中学习，让生命科学进入可预测、可计算、可规模化探索的新阶段。
不只做模型，还要打通实验室执行层
津渡生科的布局并不止于基础模型。公司称，其以 GeneLLM 多组学大模型作为生命认知底座，进一步构建连接 AI 智能与物理世界的执行体系，并借助 Harness 智能实验执行层与 DBTL（Design-Build-Test-Learn）数据闭环，形成从生命规律理解、科学假设生成，到自动化实验验证、持续迭代优化的完整 AI for Science 闭环。
文中援引前 OpenAI VP、后训练负责人 Liam Fedus 的说法称，当前 LLM 已耗尽互联网上有限的文本和代码，下一步科学发现的重大进展必须依赖实验迭代。基于这一判断，文章认为，AI 不能只靠阅读人类已经写下的内容，还需要自己做实验。
问题在于，实验室长期不是为机器设计的。互联网服务天然具备 API，网络信息天然数字化，但科研设备来自不同厂商、协议不同，系统复杂且成本高，多数实验室仍然围绕人类操作设计：仪器面板、移液动作、样本状态、现场判断，大部分都没有转换成机器可理解的信号。
因此，文章把 AI 进入实验室的难点归纳为基础设施问题，而不只是模型能力问题。津渡生科给出的答案是物理 Harness：把实验室变成一个可编译、可调度、可观测、可追溯的系统。
BioFord Harness 试图把实验室变成可编排系统
为此，津渡生科开发了一套名为 BioFord Harness 的系统。公司将其描述为打通 AI 与物理实验室的基础设施，不是让机械臂简单模仿人手，而是让实验室本身成为一个可编译、可调度、可观测、可追溯的系统。
按文中介绍，这一物理 Harness 至少需要完成 3 项任务：
- 把科学意图或实验 DSL 编译为不同设备可执行的指令；
- 在多设备之间完成调度、资源与安全约束管理，并处理异常；
- 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。
对应的流程被概括为：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。津渡生科认为，这套链路能够启动科学实验数据的飞轮。
BioFord Agent 用五大智能体覆盖科研流程
在实验室物理层与科学家认知层之间，津渡生科还推出了 BioFord Agent 具身智能科研平台。文章称，这个平台通过物理 AI 打通推理与执行之间的断层，其认知层由 5 个智能体构成协同网络，可覆盖生命科学研究全流程，并将科研效率提升数倍。
- 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
其中，文献检索智能体被描述为可以快速检索和阅读海量文献，完成文献综述并辅助提出假设；实验设计智能体则把原本数月的实验设计周期缩短至一周。
实验调度智能体依托通用仪器抽象层（Universal Instrument Abstraction Layer），用于打破多类异构设备之间的协议壁垒。文章列举的设备包括 PCR 仪、酶标仪、流式细胞仪和自动化移液工作站，称这些设备都可被统一纳管和统一调度。
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。文章据此认为，AI 不再停留在“出谋划策”的阶段，而是开始真正进入实验室、操纵设备、执行任务，成为可信赖的科研助手。
失败实验也会沉淀为可复用数据
文章强调，这套系统更深层的价值在于，能让每一次实验——无论成功还是失败——都变成系统可以消化的数据。
在传统实验室里，一次失败记录可能只剩下一句“结果不符合预期”，相关经验保存在人的脑中，人员离开后经验也随之流失。按照津渡生科的描述，在 BioFord 系统中，每一次失败都会成为训练数据，参数选择逻辑、环境条件记录、错误路径证明等信息都会被保留下来，沉淀为系统经验的一部分，让 AI 在下一轮迭代中知道哪些路径不可行。
围绕这一点，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。”
文章将这种能力视为 AI4S 赛道中最重要、也最难复制的护城河之一。
4 名牛津背景创始人组建团队
津渡生科的创始背景也被放在了较大篇幅中。2022 年，金泳成拿到牛津大学生物工程博士学位后，选择回国创业。他的导师是英国皇家学会会员、三代测序公司 Oxford Nanopore 创始人 Hagan Bayley。
与金泳成同行回国的，还有 3 位牛津校友：生物学博士邓司伟、计算机学院副研究员沙磊，以及负责产品落地的周天尧。文章介绍，沙磊拥有北京大学计算机博士背景，也是小米大模型负责人罗福莉的同门师兄。
4 人的知识结构覆盖生物工程、人工智能、计算生物学和商业运营。文章称，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。
“津渡生科”这一名称中，“津”取自牛津，“渡”则被解释为“渡人”，体现了团队对 AI for Science 目标的理解。
目前，文章称，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，并将科研周期从原本的数月缩短至一周。
2025 年后融资节奏加快，一年完成 4 轮融资
文章称，津渡生科在创业早期曾面临理解门槛高的问题。彼时 AI 创业热度已起，但生物科学领域的“AI+”尝试仍较少。金泳成表示：“投资方一度无法理解我们在做什么。”
团队选择从生物基础大模型切入，文章称，全球做这一方向的公司屈指可数。到 2025 年，政策环境出现变化。文中提到，国务院印发《关于深入实施“人工智能+”行动的意见》，其中纳入了 AI for Science。
同一时期，津渡生科完成了“一年 4 轮融资”。文中列出的融资时间线如下：
- 天使+轮：获红杉中国种子基金领投；
- Pre-A+轮：获创东方投资千万级领投；
- Pre-A+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+实验’基础设施。”
金泳成则表示：“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。”
在 AI for BioScience 赛道选择“轻量化物理 AI”路线
文章还将津渡生科放入更大的 AI for BioScience 行业图谱中比较。
第一类是数字端的 AI 科学家。文中提到，斯坦福孵化的 Biomni（已商业化为 Phylo）拥有 150 多个专业工具，可自动执行文献回顾、假设生成和生物信息分析；Eric Schmidt 支持的 FutureHouse，则致力于构建能自主生成假设、撰写论文的 AI 科学家。文章认为，这类系统仍局限于数字世界。
第二类是全栈自主路线。晶泰科技以“AI+机器人”在全球部署超 300 台工站；Flagship Pioneering 孵化的 Lila Sciences 融资 5.5 亿美元，目标是让 AI 接管实验设计、执行与重新设计，追求“科学超级智能”。文章称，这类模式投入很高。
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，但文章指出，这类公司更像“造车人”，而非“修路人”。
相比之下，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。文章称，它不做底座竞赛，不做端到端管线，也不做纯数字世界的 AI 科学家，而是把入口放在实验执行层，并试图由此争夺整条科研工作流的编排权。
文中总结称，相比纯数字 AI 科学家，津渡生科能够触碰物理世界；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，它不必把命运押注在某一条临床管线上。其真正的护城河，不在参数量，而在持续积累的实验轨迹、设备接口、失败经验和跨实验室执行网络。
金泳成表示：“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。”他还说，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。”
本文来自微信公众号“新智元”，作者：新智元；编辑：Aeneas KingHZ。