从技术上讲，AIDO被构建为一个 相互连接的基础模型堆栈，每个模型专门处理一个生物学层级：

• DNA/RNA层面——例如AIDO.RNA（16亿参数，在4200万个非编码RNA序列上以单核苷酸分辨率进行训练）
• 蛋白质结构层面——例如AIDO.StructureTokenizer（3亿参数的VQ-VAE，用于蛋白质结构编码）
• 细胞层面——例如AIDO.Cell（3M到6.5亿参数的密集Transformer编码器，用于基因表达和细胞状态）
• 组织和器官层面
• 健康结果和临床层面

这些模块被设计为可组合的：信息在尺度间流动，使得DNA层面的扰动（例如CRISPR编辑）可以向上传播，通过蛋白质功能、细胞行为、组织反应，并最终预测临床结果 。

GenBio AI的近期目标和英伟达合作

GenBio AI近期的实际重点是构建一个 “虚拟细胞”——一个能够跨生物尺度预测、模拟并最终编程细胞行为的世界模型 。他们的关键近期成果包括：

• VCHarness，一个自主智能体系统，用于构建、测试和完善人体细胞的AI模型。该公司报告称，VCHarness可以在几天而非几个月内发现新的架构 。
• 2026年6月宣布与 英伟达 的正式合作。GenBio AI计划利用英伟达的芯片、模型开发工具和智能体框架——特别是集成英伟达 BioNeMo 平台、Megatron 分布式训练框架和 BioNeMo Agent Toolkit——来加速虚拟细胞世界模型的开发 。

与扎克伯格基金会（CZI）虚拟细胞平台的对比

简而言之： AIDO旨在构建一个更垂直整合、覆盖全生物体的堆栈，但它由初创公司支持且部分专有。CZI的方法则更侧重于细胞层面，大力倡导开放科学，并得到规模大得多的慈善资金支持。

已知的局限与挑战

AIDO的《自然·医学》述评及相关技术论文承认了几个主要挑战：

• 有偏见和不完整的训练数据。 模型的质量取决于其训练数据集。如果训练数据中某些人群、祖源或疾病状态的代表性不足，数字有机体将产生有偏差或不可靠的预测。普遍的人工智能医学文献指出，某些患者群体的样本量不足会导致模型性能欠佳和临床无意义的预测 。
• 患者个体差异。 个体遗传背景、环境、生活方式和合并症造成了巨大的异质性。要创建一个能推广到所有人类的单一“数字有机体”，难度极大；研究人员指出，针对特定患者的模型适应仍是一个悬而未决的问题 。
• 因果推断。 基础模型本质上是关联引擎——它们学习数据中的统计模式，而不是因果机制。作者承认，从“预测会发生什么”到“理解为什么会发生以及什么干预措施会改变结果”，需要整合因果推断框架，而这正是传统机器学习难以做到的 。更广泛的文献也证实，基于相关性的生物学AI常常像一个“黑箱”，量化干预措施的因果效应是一个截然不同且尚未解决的挑战 。
• 规模与算力。 以足够的保真度模拟一个完整生物体需要巨大的计算资源，而目前尚不具备所需规模的数据 。
• 验证。 证明数字有机体的预测在真实生物系统中成立，并且能推广到其训练分布之外，这是一个根本性障碍，该领域才刚刚开始着手解决 。

从技术上讲，AIDO被构建为一个 相互连接的基础模型堆栈，每个模型专门处理一个生物学层级：

• DNA/RNA层面——例如AIDO.RNA（16亿参数，在4200万个非编码RNA序列上以单核苷酸分辨率进行训练）
• 蛋白质结构层面——例如AIDO.StructureTokenizer（3亿参数的VQ-VAE，用于蛋白质结构编码）
• 细胞层面——例如AIDO.Cell（3M到6.5亿参数的密集Transformer编码器，用于基因表达和细胞状态）
• 组织和器官层面
• 健康结果和临床层面

这些模块被设计为可组合的：信息在尺度间流动，使得DNA层面的扰动（例如CRISPR编辑）可以向上传播，通过蛋白质功能、细胞行为、组织反应，并最终预测临床结果 。

GenBio AI的近期目标和英伟达合作

GenBio AI近期的实际重点是构建一个 “虚拟细胞”——一个能够跨生物尺度预测、模拟并最终编程细胞行为的世界模型 。他们的关键近期成果包括：

• VCHarness，一个自主智能体系统，用于构建、测试和完善人体细胞的AI模型。该公司报告称，VCHarness可以在几天而非几个月内发现新的架构 。
• 2026年6月宣布与 英伟达 的正式合作。GenBio AI计划利用英伟达的芯片、模型开发工具和智能体框架——特别是集成英伟达 BioNeMo 平台、Megatron 分布式训练框架和 BioNeMo Agent Toolkit——来加速虚拟细胞世界模型的开发 。

与扎克伯格基金会（CZI）虚拟细胞平台的对比

简而言之： AIDO旨在构建一个更垂直整合、覆盖全生物体的堆栈，但它由初创公司支持且部分专有。CZI的方法则更侧重于细胞层面，大力倡导开放科学，并得到规模大得多的慈善资金支持。

已知的局限与挑战

AIDO的《自然·医学》述评及相关技术论文承认了几个主要挑战：

• 有偏见和不完整的训练数据。 模型的质量取决于其训练数据集。如果训练数据中某些人群、祖源或疾病状态的代表性不足，数字有机体将产生有偏差或不可靠的预测。普遍的人工智能医学文献指出，某些患者群体的样本量不足会导致模型性能欠佳和临床无意义的预测 。
• 患者个体差异。 个体遗传背景、环境、生活方式和合并症造成了巨大的异质性。要创建一个能推广到所有人类的单一“数字有机体”，难度极大；研究人员指出，针对特定患者的模型适应仍是一个悬而未决的问题 。
• 因果推断。 基础模型本质上是关联引擎——它们学习数据中的统计模式，而不是因果机制。作者承认，从“预测会发生什么”到“理解为什么会发生以及什么干预措施会改变结果”，需要整合因果推断框架，而这正是传统机器学习难以做到的 。更广泛的文献也证实，基于相关性的生物学AI常常像一个“黑箱”，量化干预措施的因果效应是一个截然不同且尚未解决的挑战 。
• 规模与算力。 以足够的保真度模拟一个完整生物体需要巨大的计算资源，而目前尚不具备所需规模的数据 。
• 验证。 证明数字有机体的预测在真实生物系统中成立，并且能推广到其训练分布之外，这是一个根本性障碍，该领域才刚刚开始着手解决 。