微软研究院在9月29日联合哈佛大学与麻省理工学院博德研究所发布了实验性AI研究系统Project Quine。这是业界首次将「世界模型」概念真正落地到生物学实验科学领域——将基因组学、蛋白质结构、分子化学、细胞状态和生物成像等多维数据统一映射到同一表征空间，实现跨模态综合推理，把原本需要数月的药物筛选与验证周期压缩至数天。
一句话结论：Quine用「联合表征跨模态推理」代替「多个单域专家模型编排」，在胰腺癌化合物筛选中仅用一个周末就定位到有效候选物，且发现了此前被忽略的第三种细胞状态。
一、什么是生物学世界模型
「世界模型」在AI领域并不新鲜——它通常指能够表示环境状态、预测干预后果、并推理多步下游影响的系统。微软对Quine的定义更具体：它要能表示生物系统的状态、预测该状态在干预下的变化，并推理若干步骤之后的后果。关键词是「若干步骤之后」，这意味着Quine不只是给一个蛋白质结构打分的静态评估器，而是一个能够模拟因果链条的动态推理系统。
Quine的核心模型学习了跨生物尺度和数据类型的联合表征，涵盖序列（sequence）、结构（structure）、功能（function）、细胞状态（cellular state）和成像（imaging）五个维度。训练模态横跨基因组学、蛋白质组学、化学、RNA与细胞状态、以及生物成像。微软特别强调，这五种模态的联合训练「增强而非稀释」了性能——一种模态的证据可以为另一种模态的预测提供信息，这在单独调用各领域专家模型时是做不到的。
二、与AlphaFold们的本质区别
外界容易把Quine和AlphaFold、ESMFold等蛋白质结构预测模型划等号。但两者在定位上有根本差异：AlphaFold解决的是「给定序列，预测三维结构」这一单点问题；Quine解决的是「给定一个生物学问题，系统如何帮助科学家设计实验并优先排序候选方向」这一链路问题。
AlphaFold是单域专家模型，只看蛋白质结构；Quine是跨模态联合推理系统，能够同时处理基因组、蛋白质、化学分子、细胞表型和显微图像等多源异构数据。这类似于「一个掌握五门语言的译者」和「五个各只会一门语言的译者」之间的差别——前者能捕捉跨语言的文化隐喻，后者只能传递字面信息。
AlphaFold无法回答：「这个化合物在细胞层面会引起什么反应？」Quine的设计目标正是这类跨越多个生物学层级的推理问题。
三、胰腺癌验证：一个周末筛出候选物
Quine的第一个真实世界验证来自胰腺导管腺癌（PDAC）研究。PDAC是胰腺癌中最常见的类型，也是最难治疗的实体瘤之一——五年生存率约13%。长期以来医学界有一个假说：肿瘤行为和药物反应不仅取决于基因变异，还取决于细胞的转录状态（cell state）。PDAC肿瘤细胞可以处于不同细胞状态，这些状态与治疗响应直接相关。
微软与博德研究所合作，用Quine对数千种化合物进行评分和排序，预测它们推动肿瘤细胞在治疗相关状态之间转移的潜力。在聚焦于「经典型→基底型」状态转移的湿实验室研究中，Quine排名最高的化合物在实验中产生了最大的预期转录变化。值得注意的是，部分效果最强的化合物具有意想不到的作用机制——这正是AI辅助药物重定位的早期证据。
整个过程——从快速缩小化合物搜索空间到选出值得在实验室验证的候选物——只花了一个周末。微软估计这可能节省了数月的实验工作和大量研究成本。
Quine还预测了反向转移（基底型→经典型）会更加困难，因为可用化合物在这个方向上效果较弱——实验结果与预测一致。此外，实验还证实了Quine的另一个预测：若干化合物会持续推动细胞进入一个独特的第三表型，这意味着胰腺癌的细胞状态格局比简单的「经典型-基底型」二元轴更复杂。
| 指标 | 数据 |
|---|---|
| 验证癌种 | 胰腺导管腺癌（PDAC） |
| 合作伙伴 | 哈佛+MIT博德研究所+Dana-Farber癌症研究所 |
| 化合物筛选范围 | 数千种 |
| 状态转移方向 | 经典型→基底型（主）；基底型→经典型（反向） |
| 筛选+验证周期 | 一个周末 |
| 发现的新细胞状态 | 第三种独立表型（此前未被识别） |
| 意外发现 | 部分最强化合物具有非预期作用机制（AI驱动药物重定位证据） |
| 项目周期 | 2021年研究线→2026年9月29日发布 |
四、Quine Fellows：首批外部科学家如何拿到使用权
微软在发布Quine的同时开放了Quine Fellows项目申请，首批学员将在2027年6月7日至9月24日期间在微软研究院剑桥（马萨诸塞州）参与为期16周的驻留研究。项目提供资金支持，面向博士生、博士后、研究科学家和独立研究人员开放。
申请于2026年9月29日开放，11月2日截止。选拔标准中值得关注的方向包括：蛋白质设计与工程、酶设计发现与优化、细胞状态的遗传与化学扰动、资源不足疾病领域的早期治疗研究（含假设和化合物优先排序）、以及设计与实验之间能实现快速迭代的相邻问题。
商业化路径也已明确：微软预计在技术成熟后通过Microsoft Discovery产品线向更广泛的外部用户开放访问。眼下优先科研、后续商业，这个顺序对计算生物学社区是一个明确信号——短期内这套系统不会变成付费API。
五、为什么这不只是「又一个大模型」
Quine的出现标志着AI for Science领域出现了一个值得注意的路径分化。在它之前，大多数AI生物模型遵循的是「单点任务→benchmark刷榜→API化」的商业路径。AlphaFold3虽然扩展到蛋白质以外，但仍然是单点任务驱动的工具。
Quine的思路是「让AI成为科学家的研究操作系统」。它不追求在某个特定任务上超越现有最佳模型，而是追求在「问题→假设→实验设计→验证→下一轮问题」这个完整循环中提供导航价值。这与DeepMind早期做AlphaGo的逻辑有相通之处——不是为了在某个封闭测试上击败人类，而是为了改变一个领域的迭代速度。
对于AI从业者，Quine的真正价值在于它展示了「跨模态联合表征」在科学推理中的可行性——不是把多个专家模型串起来调用，而是真正训练一个能够同时理解和推理多种生物数据类型的统一模型。
FAQ：关于Project Quine的三个核心问题
Q1：Quine和已有的AI药物发现工具（如AlphaFold、DeepChem）有什么本质区别？
最大区别在于推理粒度。AlphaFold解决「结构预测」这个封闭问题；Quine解决「给定一个生物学问题，优先做哪个实验」这个开放问题。Quine不输出「这个蛋白质长什么样」，而输出「如果我想验证这个假设，应该按这个顺序测试这些候选物」。它把计算变成了实验设计的导航仪，而不是结果预测的裁判。
Q2：一个周末筛出候选物，听起来很快——实际意义有多大？
药物发现中「化合物筛选」这一步，传统上需要先建立细胞模型、再逐一测试数千种化合物，每步都需要数周到数月。Quine的价值是把「从数月到周末」这一步压缩掉。但需要注意：Quine给出的是「优先候选」而非「临床候选」，这些候选物仍需经过完整的临床前验证。微软也明确声明Quine是「实验性研究技术，不用于临床或医疗决策」。
Q3：Quine Fellows项目对中国AI科研社区有什么参考价值？
Quine Fellows对国内AI for Science从业者的直接意义有两层：一是技术路径参考——「联合表征跨模态推理」在生物数据上的成功验证了这条路线的工程可行性；二是研究文化参考——微软把「让外部科学家用上系统并反馈」作为系统迭代的核心机制，这对国内偏封闭开发的AI科研生态是一个对照。
相关阅读
- OpenAI一次公布722篇数学论文：黎曼、霍奇、BSD三大千禧难题均有涉及——AI for Science在数学领域的系统性输出
- DeepSeek融资至少120亿美元：腾讯/CATL领投，估值750亿冲刺科创板IPO——计算生物学正成为头部AI公司的标配能力
- 美国国防部封杀Anthropic：拒绝移除安全护栏，Claude全面撤出Maven——AI安全与实际部署之间的真实张力
相关阅读：微软MAI Code1.1Flash：GitHub Copilot支持本地与云端混合推理
延伸阅读
- 智象未来 HiDream-O1-Video-1.0 发布：全模态输入一键直出 5-20 秒 1080p，图生视频榜全球第四3 周前
- Loopit 开源实时交互视频世界模型 Zing-0.5：5B 参数支持键盘操控，单卡 RTX 5090 超 24 FPS3 周前
- 微软MAI Code1.1Flash：GitHub Copilot支持本地与云端混合推理20 小时前
- 微软RTX Spark电脑正式开订：Dev Box 5999美元起19 小时前