上交大谢伟迪创业，他想打造让AI进入生命科学的“编译器”

发布时间：2026-11-06T10:00:23+08:00　来源：MITTR中国　分类：industry

10 月 31 日，在 2026 世界顶尖科学家论坛颁奖典礼上，上海交通大学人工智能学院副教授谢伟迪获颁首届世界顶尖科学家奖“青年科学家奖”，成为全球六位获奖者之一。本届论坛汇聚了包括诺贝尔奖、图灵奖、菲尔兹奖得主在内的近 300 位科学家及科创企业代表。谢伟迪博士毕业于牛津大学 VGG 组，回国四年多时间里先后获得海外优青、教育部 U40、国家杰出青年科学基金项目（A 类）。从计算机视觉到医学人工智能，再到如今的生命科学基础模型，谢伟迪在多个领域取得了研究成果。不过，回顾这些年的研究经历，他并不认为自己走的是一条事先规划好的路线。一个研究方向渐渐热闹起来，他有时反倒开始考虑离开。他最早学的是通信。

后来觉得，这个领域已有一套相当成熟的系统，许多工作是在上面“修修补补”，便转向了 AI。按他的回忆，那时 AI 还不像今天这样被普遍接受，在一些人眼里，甚至只是一个“泡沫词”。2014 年，他去牛津大学读博，毕业后留校做博后。那几年的研究，一头连着计算机视觉，一头连着医学影像。2022 年回国加入上海交通大学后，他渐渐觉得，视觉领域的一些核心算法已经比较成熟，接下来更重要的是把规模做大。他也开始想：既然语言模型、视觉模型这些工具已经在手，能不能用它们去解决一个具体的科学问题？此前在医学影像上的积累，让 AI 与生命科学的结合成了一个自然的切入点。不过，这些转向并非事先安排好的路线。谢伟迪坦言，谁也无法提前知道一个领域会在什么时候成熟，因此，他是在研究中不断调整自己的判断，再决定下一步去哪里。

今年，他与合作者发表了一系列的 AI 与生命科学深度融合的模型，比如罕见病辅助诊断系统 DeepRare，登上 Nature，肿瘤的病理基础模型，登上了 Cancer Cell，预测转录组和表型的虚拟细胞模型，分别登上了 Nature Machine Intelligence，和 Nature Chemical Biology。但谢伟迪想做的不止于此，他想要进一步探寻：疾病为什么发生，能从哪里干预，什么样的药物可能有效？为了回答这些问题，这位上海交通大学人工智能学院副教授，联合王延峰、张娅老师创办了观壹智能（OneX Intelligence），最近也完成了首轮商业化融资。观壹智能想训练的生命科学基础模型，可以把生物学知识与实验数据联系起来；

沿着问题提出假设，再交由实验检验。他期待这个探索能够找到新的疾病机制和治疗办法的可能性。10 月，DeepTech 与谢伟迪在上海进行了一次对话，聊到了他从计算机视觉走向生命科学的研究经历、创办观壹智能的原因，以及 AI 如何参与疾病机制与新药的探索。以下是 DeepTech 与谢伟迪的对话。让 AI 去探索下一个问题DeepTech：你早年做的是计算机视觉、视频预测和多模态学习。回头看，是什么时候你意识到，自己的兴趣从“把一个 AI 模型做得更好”，转向了让 AI 去理解更复杂的现实世界？谢伟迪：最早学的是通信，后来才转到 AI。那时候，大家还不太接受 AI，觉得它是个泡沫词。后来做计算机视觉时，也做医学影像，这些方向本来就有交叉。

当时研究的自监督学习，不只有视觉，也包括文本、语音等多种模态。后来我们觉得，计算机视觉的一些算法已经比较成熟，接下来很重要的是规模化。模型毕竟还是工具。既然已经有了大语言模型、视觉模型这些工具，或许可以选择一个具体的科学问题来解决。我正好有医学影像的背景，所以先进入医疗，再从疾病的外在表现，逐渐深入到生命科学底层的问题。DeepTech：你和团队做的 DeepRare，已经把 AI 带到了罕见病诊断中。你怎样用一两句话解释，它到底是什么？谢伟迪：它是一套用于罕见病诊断初筛的多智能体系统，也就是让多个各有分工的 AI 一起完成任务。我们想把它做成一套更符合医学需求、能够溯源的系统。以前可能是把患者的描述、症状输入大模型，模型就直接判断患者可能得了什么病。

但医学讲究循证，每个结论都应该有证据支持，能找到相应的文献、指南或者相似病例。之前有些做法，更像 AI 领域的人在自嗨：我们认为模型很强，能为患者诊断、治病。但医学并不接受这样的模型。如果做不到循证，最后谁来负责？医生也无法判断，模型究竟掌握了这些知识，还是出现了幻觉。所以我们希望它更符合医学领域的要求。DeepTech：做到辅助诊断以后，你为什么没沿着把 DeepRare 做成一个更成熟的医疗 AI 产品这条路走，而是继续往疾病机制、药物和生命科学基础模型走？谢伟迪：在我看来，AI 可以提高效率、节省人力，但我们最终希望它解决人类还解决不了的问题。比如发现一种新药，或一种新的疾病机制。人原本就能做的事，AI 做得更快，是提效；

如果它能发现人类原来不知道的东西，就是把我们能够探索的范围再往外推。对于还没有被研究清楚的疾病，我们希望模型能根据已经学到的知识，提出研究路径和假设，探索疾病的机理。理解机理以后，再寻找解决方案：针对哪个靶点开发药物，用什么药物，用什么递送方式，把药送到需要的地方。这是我们更想让模型做到的。DeepTech：在之前的交流里你说过，生命科学不能只靠数据驱动，因为数据里有很多噪音。结合你说的“理解生命”，模型怎样在这些噪音里减少干扰，更好地理解？为什么你认为，还需要大语言模型把知识引进来？谢伟迪：生命体的复杂性在于，它不是一成不变的。比如 RNA，你可以把它想象成一块“胶皮糖”，在不同环境里，它的结构可能都不一样。

一次实验测得的数据，在那个时间点、那个条件下可能很好，但它反映的只是当时的状态。如果完全依靠数据，模型很难学到底层规律。大语言模型的介入，可以弥补数据的一部分缺陷。它可以大规模地阅读已有文献，整合历史知识，也能调用工具，让数据和知识一起驱动模型。文献里还记录着科学家如何发现新机制、一步步展开推理的过程。我们也希望利用这些推理过程，让语言模型承担推理工作，连接不同类型的数据，再与后续实验联动。DeepTech：你还提到想做一个干湿闭环，让模型提出假设、设计实验，实验再产生数据去更新模型。为什么验证这一环，对你来说这么关键？谢伟迪：AI 在编程领域发展特别快，一个重要的优势是有编译器。代码写得不对，编译、运行时就会得到反馈，模型据此修改。

生命科学某种程度上也需要这样一个“编译器”。模型提出的各种假设是否成立，需要通过反馈来判断。不能提出一堆假设，却一个也不验证。所以我们需要湿实验，也就是真正的生物实验。我们希望模型能够设计实验，再根据实验结果更新模型。大部分数据会通过采购或合作获得，一小部分需要反复验证的数据，则由自己的实验室产生。DeepTech：这条路线里，你觉得最大的挑战是什么？此前有一些团队提到会卡在验证成本这一环，你怎么看？谢伟迪：验证成本确实是一个问题，但也在逐渐下降。现在有一些公司专门做生物数据，我们能看到这些变化。另一个现实是，生命科学的范围太大，一开始就想解决所有问题，肯定不现实。要先选一些有价值的子领域，跑通验证流程，证明这件事可行。

比如做核酸药，要考虑序列、毒性和递送。我们现在会先固定一些条件，看其中一部分能不能做得更好。等各部分分别得到验证，再同时放开这些条件，考虑整体优化，那是下一阶段的事。至于会不会失效，坦白讲，整条链路连接起来后，仍然可能无法奏效。但一些单点能力，比如 RNA 设计、蛋白质、虚拟细胞，我们自己已经验证过了。模型能继续进步，与它能否达到大家期待的程度，是两回事。如果要求模型在拿到患者数据后，就能直接给出一款安全、有效的药，我觉得三五年还解决不了。我们肯定是朝那个方向走，但这中间还有很多工作要做。不必等到共识出现DeepTech：你已经跨过几个研究方向，现在又开始创业。就像你说的，你并不“恋战”，这样的果决很难得，它也需要一种很强的判断力。

现在 AI 給大家都带来了很多冲击，你会觉得在这个背景下，我们该怎样判断什么问题值得自己去做？谢伟迪：我很认同马斯克谈到的第一性原理。他为什么能做这么多事？不在于他特别精通某一个领域，而在于他擅长从第一性原理出发思考。做研究也是一样。无论在哪个领域，寻找第一性原理都是最核心的方法。比如做计算机视觉，要判断不同阶段该做什么：一个阶段需要研究自监督学习、多模态自监督学习，探索算法；到了另一个阶段，重点则是扩大模型规模。做生命科学也是一个道理。哪个场景最需要 AI，什么情况下最需要，做成以后会带来什么样的改变？你要找到这些问题。我有时跟年轻人交流，会说现在写代码有 AI 帮忙，读论文也有大模型辅助，比我们那个时候方便得多。

我起初不太理解，大家每天的困扰在哪里。后来发现，可能是大家还不太擅长判断：到底应该去解决什么问题。所以，如果想转向 AI，或者希望用 AI 解决自己领域的问题，还是要找到其中最重要的几个问题。如果只是为了发论文，跟着别人“水”一篇论文，我觉得在今天这个时代，已经没有什么价值了。我很早就不太在乎单纯的论文数量了。关键还是你解决的问题能不能让人眼前一亮，能不能带来真正的进展。DeepTech：不过很多人会比较被动，习惯等待共识的出现。比如生命科学火了，大家才涌进来。但你的想法更倾向于，不必先等到共识出现，你可以自己去发现、去判断；如果判断对了，它就会成为共识。谢伟迪：是的，这一点也受到我在牛津的导师影响。

他既注重细节，也把握大的方向，知道在当下，我们该做什么。有些工作早期做出来，学术界并不认可，觉得没什么意义。但过了一段时间，大家又都开始做这件事。所以，你需要有一些预见性，也要接受它在前期可能不被认可。比如我最早转向医疗和生命科学，做基础模型、大模型、多模态模型时，与同行交流，大家会问：现在医院都是分科室的，你为什么要做通用大模型？通用大模型又慢，效果又不如专用模型。过了一两年，越来越多人开始做，我反而觉得，这件事对我来说没那么有意义了。我更愿意先把一个方向立起来，让大家看到可以做什么。一旦大家都来做，把这个方向发展起来了，我反而会觉得，这里不需要我了。先看看模型能走多远DeepTech：我们再聊聊观壹智能吧，现在很多 AI for Science 公司会做蛋白质、RNA、虚拟细胞中的一个方向，但你一直强调，要把这些“单点工具”串起来。

为什么你觉得，生命科学不能一直靠越来越强的单点模型解决？你希望模型最终能“理解生命”到什么程度？谢伟迪：这些工具很重要，已经解决了一些核心问题，但领域里仍有很多难题。可以用不同的专用模型逐一突破。另一条路，就是我们相信的基础模型：希望它能学到更多联系，涌现出新的能力，即使没有针对某些问题专门训练，也能解决这些问题。要做到这一点，就要把跨模态、跨层级的知识串起来。比如，它至少要理解从 DNA 到 RNA、再到蛋白质合成的过程，以及这一过程如何影响细胞状态；在不同环境下，受到药物或其他因素影响，细胞又会发生什么变化。我们在虚拟细胞上的研究，也是把药物结构、蛋白质靶点、生物学知识放在一起，去预测细胞受到药物扰动后的反应。

这让我们看到，把不同类型的信息结合起来，确实有继续做下去的价值。我们最终希望做到“一人一药”。每个人的 DNA、环境、疾病情况都不一样，即便是同一种病，每个人对药物的反应也会不同。我们希望模型能根据这些差异，帮助实现更精准的治疗。从一些罕见病切入，也有这方面的考虑。患者少，很多疾病还缺少有效的治疗办法。我们希望先看模型能不能在这些问题上发挥作用，再逐步扩大范围。DeepTech：从一个科研团队到成立公司，是什么契机让你觉得，这件事不能只靠论文和实验室继续做了？谢伟迪：大概是 2025 年的夏天，我和两位联创（王延峰老师和张娅老师）开始筹备成立公司。这个决定不只是出于个人意愿，更多还是基于对 AI 模型能力的判断。

当时我们自己也在训练生命科学领域的语言模型。测试了 DeepSeek 以后，我发现，学术界自己训练的语言模型，在能力上已经很难跟产业界相比。语言模型整体到了一个我认为“可用”的阶段。以前的模型读不懂这么专业的生命科学知识。到了那个阶段，虽然还没有完全成熟，但已经能看到不错的效果，也能预期它会持续提高。与此同时，多模态数据的采集方式在进步，采集成本也在下降。还有一点，有些值得探索的问题，只有把规模做大以后才能看见。常规科研经费很难支持那么大的投入，需要借助商业和资本，才能继续探索模型能力的上限。这几个条件共同促使我出来创业。DeepTech：你说创业是为了继续探索模型能力的上限，但公司也需要商业回报。

现阶段，你会怎样在这两件事之间做取舍？谢伟迪：不能只看商业价值。做药的商业价值当然很高，但如果只考虑商业闭环，有些原本做 AIDD（AI Drug Discovery，人工智能辅助药物发现）的公司，做着做着就变成了纯粹的药物研发公司，只剩下 DD（Drug Discovery，药物发现）了。大家都去推进药物管线，AI 和基础模型本身，反而未必继续发展。这是我很在意的一件事。我在想，是不是需要两三年的时间，先集中精力探索模型智能的上限，看看它还能提升多少。就像一些大模型公司早期，大家关心的是智能还能走多远。等模型的能力达到一定水平，才会有更多人主动来合作。所以不能只看眼前的商业回报。我希望基础模型本身还能往前走，能解决更多生命科学问题。

至于在哪些场景应用、通过什么方式变现，可以随着模型能力的提升再去探索。DeepTech：要把模型做大，又要与实验结合，资金和资源的需求都会很高。对初创公司来说，你准备怎样破局？你们最终更想做模型公司，还是自己推进药物研发？谢伟迪：我们主要还是一家模型公司。现阶段，我们不会从头大规模训练一个通用大语言模型，我们主要利用已经预训练好的模型，再做面向生命科学的后续训练和多模态整合。我们希望先在一些具体领域展示模型的能力，通过持续迭代逐步推进。团队里不少人是原来长期合作的学生和科研伙伴，在 AI 和生命科学的交叉领域已经有一些积累。做药也一样。假如模型找到十个有价值的靶点，我们没有足够的资金独自推进十条管线。

我们希望与药企合作，继续推进研发，最终共享收益。对我们来说，更有吸引力的是新的发现带来的价值，而不是单纯按模型调用量收费。DeepTech：你现在团队里不少人是过去长期合作的学生和科研伙伴。但从带课题组到带公司，很多事情也得重新学。面对外界对你创业的疑虑，你自己是怎么适应的？谢伟迪：说实话，创业以来，我也经常遇到不被理解的时候。我起初不太能接受：已经在一个领域证明过自己，为什么不能换一个行业再做一次？后来慢慢理解了，这很正常。你不能指望所有人都和你有同样的看法。很多时候，人对一件事的判断是主观的，你看见的东西，别人未必看得见。你得坦然接受外界的顾虑，也要学会排解自己的情绪。我在创业上就是一个新手，大家会有各种顾虑。

他们觉得你留在学术界，可能会做得很好，能继续往上走；但到了商业界，未必行。这些顾虑无法当场打消，只能用时间证明。运营/排版：何晨龙注：封面/首图由 AI 辅助生成

原文链接：https://www.mittrchina.com/news/detail/17200

更多AI行业深度分析，请访问 AI最前沿（aiforefront.cn）。