事件
百曜科技完成數千萬元融資，由中國國新創投基金領投，融資重點從「AI 分子篩選」升級到「虛擬細胞建模」。這個轉變背後反映的不是技術迭代、而是一場範式的轉身。
為什麼會從分子層跳到細胞層
過去 5-10 年，AI 製藥的熱點集中在「分子級」優化：給定一個疾病靶點，用機器學習篩選哪個小分子化合物的構型最匹配。OpenAI、DeepMind 的 AlphaFold 就是這個賽道的巔峰——預測蛋白質三維結構，精度逼近物理學極限。
但這裡出現了一個詭異的現象：分子層面預測越精準、臨床失敗率反而沒有顯著下降。美國食品藥品監督管理局（FDA）的數據顯示，進入臨床試驗的候選藥物中，仍有 90% 最終失敗。為什麼？
因為一個分子進入人體後，它的「表現」不只取決於它的化學結構——還取決於： - 細胞膜通透性：分子能否穿過細胞膜？ - 代謝酶反應：肝臟的細胞酶會不會把藥物分解掉？ - 免疫反應：周圍免疫細胞會不會攻擊它？ - 蛋白結合：它會不會跟血液中其他蛋白相互作用？ - 時空動力學：藥物到達患處需要多久？濃度會不會波動？
這些現象都不能從單個分子的「結構」推導出來。它們都是細胞與細胞之間的交互、細胞與藥物的動態對話。
還原論的邊界
這就是經典的「還原論陷阱」：
還原論說：「如果我完全理解了質子、中子、電子，我就能推導出所有化學現象。」——對，原則上對。
但實際上：質子層級的完美知識、不足以預測一個 10 億個原子的蛋白質在水溶液中的行為。因為複雜性、非線性、湧現特性會出現。
舉個更直白的例子：假設妳能完美預測每一個人的 DNA，妳還是無法完全預測他的性格。因為性格來自「環境 × 基因 × 隨機事件」的互動，這種交互產生的特性無法從 DNA 單獨推導。
系統論的登場
系統論（Systems Thinking）說的就是：當對象由許多相互作用的部分組成時，妳必須研究「整個系統」、而不只是各部分。
AIVC（AI 虛擬細胞）做的就是這個：不問「這個分子長什麼樣」，改問「當這個分子進入一個活的細胞、細胞會怎麼反應」。它用大量細胞層級的實驗數據，訓練一個模型來學習「細胞這個黑盒子的輸入-輸出規律」。
這樣做的好處： 1. 跳過「不可推導」的部分：不追求從分子完全推導細胞行為，改成用數據直接學習映射函數。 2. 涵蓋更多現實因素：細胞層的預測自動包含了代謝、免疫、膜通透等「下層看不見」的現象。 3. 臨床相關性更高：人體的患病單位本就是「細胞或組織」、不是「分子」。直接在細胞層建模，更接近真實醫學問題。
資本為什麼現在看好這條路
中國國新創投（國家隊）的介入，意味著這個方向被確認為「科技自主的關鍵卡點」。為什麼？
因為： - 分子層 AI 藥物發現 已經成為全球標配（OpenAI、Google、Roche 都在做），中國追不上。 - 細胞層系統建模 還在早期、是個新的競爭賽道，中國有機會「換道超車」。 - 獨家數據平台 是護城河——能積累到最多「細胞實驗數據」的團隊，訓練出的模型最準。
從經濟角度，這也符合「產業升級」的邏輯：從「元件級優化」升到「系統級設計」，價值量級往往能跳 10 倍。
這個轉變的深層意義
這不只是「藥物發現」的事。它反映的是一個更寬泛的原則：
當一個領域的「下層基礎」已經達到飽和或平台期時，突破點往往在上一層系統。
類比： - 半導體：1970 年代，單晶片功能優化到頭，轉向片上系統（SoC）設計。 - 機械工程：蒸汽機單機效率優化到頭，突破來自「動力系統設計」（多引擎、複合動力）。 - ：單個鋼架結構強度優化到頭，突破來自「整體結構工程」（懸索橋、阻尼系統）。