津渡生科GeneLLM登顶Nature子刊，四牛津学霸重构AI科研“最后一公里”

【科技纵览】当DeepSeek-V4-Flash在全球通用大模型领域掀起波澜时，中国生命科学界也迎来了一位重量级选手。近日，由四位牛津大学归国博士创立的津渡生科，其自主研发的生命科学垂类多组学大模型GeneLLM，接连在国际顶级学术期刊《Nature Communications》与《Advanced Science》上发表成果。作为全球首个直接利用组学原始数据进行预训练的多组学大模型，GeneLLM填补了国内该领域的空白，被业界誉为“中国生命科学版DeepSeek”。它标志着AI开始真正理解生命的复杂语言与系统逻辑，而不仅仅是识别疾病标签。

传统生物信息学往往依赖基因注释和人工定义标签，这虽能保证准确性，却可能遗漏原始数据中隐藏的未知信号。GeneLLM另辟蹊径，模仿大语言模型预测下一个Token的逻辑，将RNA序列中的碱基（A、U、G、C）视为基本单元。通过7个碱基组成的滑动窗口，模型将约150bp长度的RNA测序片段切分为生命Token，并在无监督环境下直接预测下一个碱基。这种基于Transformer架构的训练方式，让AI直接从未经加工的原始测序数据中学习规律。目前，GeneLLM已完成15亿参数及3.5万亿碱基序列的预训练，其XLarge版本更实现了300亿参数的突破。在百卡NVIDIA A100 GPU集群上处理数十万亿条RNA reads后，模型的泛化能力显著涌现。

值得注意的是，GeneLLM不仅追求模型规模的扩张，更注重实际落地的效率。在传统方法需要6Gb深度测序的高昂成本下，GeneLLM仅需1Gb极浅深度测序即可保持AUC大于0.8的性能，成本缩减高达83%。这一突破使得普惠精准医疗成为可能，也让新药研发、合成生物、环境监测等领域的应用门槛大幅降低。如果说AlphaFold让AI看懂了生命结构，EVO2让AI理解了生命代码，那么GeneLLM则试图进一步解析生命的整体系统。

然而，津渡生科的野心不止于基础模型。创始人金泳成指出，当前LLM已耗尽互联网文本资源，科学发现的下一步必须依赖实验迭代。但实验室设备协议各异、操作复杂，构成了AI进入物理世界的巨大障碍。为此，津渡开发了BioFord Harness系统，旨在将实验室转化为可编译、可调度、可观测的智能基础设施。该系统通过通用仪器抽象层，打破PCR仪、流式细胞仪等异构设备的协议壁垒，实现统一纳管。配合五大智能体——文献检索、实验设计、科学推理、实验调度及数据分析，BioFord Agent平台能将原本数月的实验设计周期缩短至一周，并自动完成从假设生成到自动化验证的全流程闭环。

更具深远意义的是，这套系统将每一次实验失败都转化为宝贵的训练数据。传统实验室中，失败经验往往随人员流动而流失；而在BioFord系统中，错误路径、环境参数及选择逻辑均被沉淀为系统经验，形成持续优化的数据飞轮。正如前OpenAI高管Liam Fedus所言，AI必须亲自做实验才能发现新知识。津渡生科正是通过构建这一“物理Harness”，解决了AI for Science中“算完不会做、做了又不对”的核心痛点。

回顾团队背景，2022年，拥有牛津大学生物工程博士学位的金泳成，放弃留在英国导师Hagan Bayley实验室的坦途，选择回国创业。他与生物学博士邓司伟、计算机专家沙磊（罗福莉同门师兄）及产品专家周天尧组成互补团队，取名“津渡”，寓意从学术高地出发，渡人抵达AI for Science的终点。尽管初期面临投资方对跨界技术的不解，但随着2025年国务院印发《关于深入实施人工智能+行动的意见》，赛道风口骤起。津渡生科在一年内完成天使+至A轮的四轮融资，获红杉中国、创东方、南山战新投及高特佳投资青睐，其中A轮由高特佳领投近亿元。

在AI for BioScience的全球版图中，津渡选择了独特的轻量化物理AI路线。不同于斯坦福Biomni等纯数字端AI科学家，也区别于晶泰科技等重资产全栈自主路线，津渡专注打通模型与实体实验间的“最后一公里”。这种策略使其既能触碰物理世界，又能灵活接管客户现有实验室，避免将命运押注在单一药物管线上。其真正的护城河，在于不断积累的实验轨迹、设备接口及跨实验室执行网络。随着AI学会通宵科研，科学发现正从依赖天才灵感的偶然事件，转变为可预期的必然过程。这群牛津学霸的故事，或许才刚刚拉开序幕。