AI for Science的下一座金山在哪里？一个重量级联盟给出了答案：细胞。10月上旬，多家外媒披露，由扎克伯格生物Hub牵头、总规模18亿美元的巨型计划启动，目标是训练出能够预测细胞行为的AI模型，Meta、谷歌DeepMind、同构实验室与美国能源部悉数出现在资助与支持名单里，首份数据集预计在约一年后发布。
这个计划的核心目标可以概括为一句话：让AI学会预测一个细胞在不同条件下的行为。细胞是生命的基本单元，它会分裂、分化、迁移、凋亡，对药物、温度、信号分子做出千变万化的响应。今天的生物学家可以测定细胞在某几个时间点、某几个条件下的状态，但要把这些离散观测拼成连续的行为预测，缺少的正是两样东西：规模化的高质量数据，和能消化这些数据的模型。18亿美元的计划明确对准了这个缺口，资金与算力由Meta、谷歌DeepMind、专注药物发现的同构实验室以及美国能源部共同提供，实验设备与计算资源同步到位。
计划的时间表也很务实：首份数据集约一年后发布。这个节奏意味着它不是短跑项目，而是按年规划的长期科学基建。选在生物Hub这个机构牵头也有讲究，作为业界知名的公益科研机构，它既有运营大规模生物数据项目的经验，又能把多方资助者协调到统一的技术路线图上，这种公私合营的科研组织形式，正是超大型科学项目的主流打法。
从目标设定看，计划要做的不是改良某个单点工具，而是给整个领域换地基：当细胞行为的预测能力成为公共基础设施，从基础研究到药物开发的调用成本都会大幅下降，这类投资的回报周期长，但天花板极高。
把这次布局放进AI for Science的演进史里看，脉络非常清晰。过去几年，这个领域最辉煌的成果集中在结构预测：以阿尔法折叠为代表的模型把蛋白质三维结构预测做成了准基础设施，改变了结构生物学的日常。但结构只是生命的静态照片，真正决定健康与疾病的是动力学，细胞如何响应药物、免疫系统如何识别病变、一个突变如何改变细胞命运，这些都是动态过程。从结构到行为，是生命科学AI化的必然下一步，也是难度指数级上升的一步。
难度恰恰意味着价值。如果模型能够可靠预测细胞行为，药物发现将获得一个前所未有的虚拟试验场：候选分子对病变细胞的作用可以在计算机里先行推演，湿实验的重点从大海捞针转向验证最优候选。同构实验室的参与尤其值得玩味，这家专注AI制药的公司最清楚验证环节的成本压力，它加入资助行列，等于用真金白银为细胞行为数据的价值背书。美国能源部的角色则大概率与大规模计算资源及国家级实验室体系相关，为计划提供基础设施纵深。
对照结构预测时代的经验，这个领域的成熟路径已经比较清晰：先由权威机构发布评测基准与验证集，再由多方模型在公开比拼中迭代，最后把最优能力封装成易用工具下沉到实验室。细胞行为方向大概率会重走这条被验证过的路，区别只是数据更难采、标注更专业、周期更长。
这个计划最容易被低估的部分，是数据集本身。AI for Science的实践反复证明，领域里最稀缺的往往不是模型架构，而是带标注、可复用、规模化的高质量数据集。细胞行为数据的采集依赖昂贵的成像设备、标准化培养条件与专业标注，单个实验室产出的数据量级远不足以训练通用模型。18亿美元铺下去，真正的产出物不只是模型，还有一套按统一标准生产的细胞行为数据资产，而首份数据集一年后发布的承诺，暗示这套数据将对外共享。
如果数据开放成真，其外溢效应会远超计划本身。全球的科研团队可以在同一份数据底座上训练与比较模型，形成类似结构预测领域那样的开放竞赛生态；评测基准随之建立，模型进步可以被客观度量；下游的制药、合成生物学、细胞治疗公司则获得一个新的工具层。对照历史上基因组计划催生的整条生物信息产业，细胞行为数据集有机会扮演同等级别的公共品角色。
对国内的科研团队，这类开放数据集是低成本切入前沿的抓手，围绕公开数据做方法创新与基准评测，是学术界建立存在感的高效路径。
对科研界，这个计划确认了一个趋势：生命科学的AI基建正在从单点突破走向体系化投入，巨头们不再满足于用现成模型做应用，而是直接下场制造数据资产。对国内科研机构与产业界，有三点启示值得记录。其一，数据工程是AI4S的主战场，谁的标注体系与数据标准立得住，谁就有机会成为领域基础设施；其二，跨机构协作的机制设计比单点技术更关键，资助方、实验方与算力方的分工契约值得研究借鉴；其三，应用侧可以提前布局，细胞行为模型一旦成熟，最先受益的将是药物筛选、毒理预测与细胞治疗质控这些对预测精度极度敏感的场景。
一年后，当首份数据集发布，这个计划是兑现承诺还是停留在愿景，将迎来第一次检验。但无论如何，18亿美元的规模、四家重量级机构的站台、加上细胞动力学这个足够纵深的问题域，已经让它成为AI for Science版图上无法忽视的新地标。生命的代码正在被另一种方式读取，这一次读的是它的行为。