技術上嚟講，AIDO 係由一疊互相連接嘅基礎模型組成，每個模型專注一個生物層面：

• DNA/RNA 層面 – 例如 AIDO.RNA（16 億參數，用 4200 萬條非編碼 RNA 序列以單核苷酸分辨率訓練）
• 蛋白質結構層面 – 例如 AIDO.StructureTokenizer（3 億參數嘅 VQ-VAE 用於蛋白質結構編碼）
• 細胞層面 – 例如 AIDO.Cell（3M 到 650M 參數嘅密集 Transformer 編碼器，用於基因表達同細胞狀態）
• 組織同器官層面
• 健康結果同臨床層面

呢啲模塊係可以組合嘅：資訊可以喺唔同尺度之間流動，所以一個 DNA 層面嘅改動（例如 CRISPR 編輯）可以向上傳播到蛋白質功能、細胞行為、組織反應，最終預測臨床結果 。

GenBio AI 嘅短期目標同 NVIDIA 合作

GenBio AI 目前嘅實際重點係建立一個**「虛擬細胞」**——一個可以預測、模擬同最終編程跨生物尺度細胞行為嘅 AI 世界模型 。佢哋嘅主要短期交付成果包括：

• VCHarness，一個自主代理系統，可以自動建立、測試同完善人類細胞嘅 AI 模型。公司話 VCHarness 可以喺幾日內搵到新嘅模型架構，而唔係幾個月 。
• 2026 年 6 月宣布同 NVIDIA 正式合作。GenBio AI 計劃利用 NVIDIA 嘅晶片、模型開發工具同代理框架——特別係整合 NVIDIA BioNeMo 平台、Megatron 分布式訓練同 BioNeMo Agent Toolkit——嚟加速虛擬細胞世界模型嘅開發 。

同 Chan Zuckerberg BioHub 虛擬細胞平台嘅比較

簡單嚟講： AIDO 目標係更垂直整合嘅完整生物體堆疊，但由初創公司支持且部分專有。CZI 嘅做法更集中喺細胞層面，極度開放科學，並有更大規模嘅慈善資金支持。

承認嘅限制同挑戰

AIDO 嘅《自然醫學》前瞻論文同相關技術文檔承認咗幾個主要挑戰：

• 偏差同唔完整嘅訓練數據。 模型嘅表現取決於訓練所用嘅數據集。如果訓練數據低估咗某啲族群、祖先或疾病狀態，數碼生物體就會產生偏差或不可靠嘅預測。AI 醫學文獻指出，某啲病人群組嘅樣本量不足會導致表現欠佳同臨床上冇意義嘅預測 。
• 病人變異性。 個人嘅基因背景、環境、生活方式同共病造成巨大嘅異質性。一個可以適用於所有人類嘅「數碼生物體」係極大嘅挑戰；研究人員指出病人特定適應依然係一個未解決嘅問題 。
• 因果推斷。 基礎模型本質上係相關性引擎——佢哋學習數據入面嘅統計模式，而唔係因果機制。作者承認從「預測會發生乜事」過渡到「理解點解會發生同乜嘢干預可以改變結果」需要整合因果推斷框架，而傳統機器學習喺呢方面好困難 。更廣泛嘅文獻確認，生物學入面基於相關性嘅 AI 通常係「黑箱」，量化干預嘅因果效應係一個獨立且未解決嘅挑戰 。
• 規模同運算能力。 以足夠嘅保真度模擬成個生物體需要龐大嘅運算資源同數據，而家呢啲資源同數據仲未達到所需嘅規模 。
• 驗證。 證明數碼生物體嘅預測喺真實生物系統入面成立——而且可以推廣到訓練數據分布之外——係一個基本障礙，呢個領域啱啱開始處理呢個問題 。

技術上嚟講，AIDO 係由一疊互相連接嘅基礎模型組成，每個模型專注一個生物層面：

• DNA/RNA 層面 – 例如 AIDO.RNA（16 億參數，用 4200 萬條非編碼 RNA 序列以單核苷酸分辨率訓練）
• 蛋白質結構層面 – 例如 AIDO.StructureTokenizer（3 億參數嘅 VQ-VAE 用於蛋白質結構編碼）
• 細胞層面 – 例如 AIDO.Cell（3M 到 650M 參數嘅密集 Transformer 編碼器，用於基因表達同細胞狀態）
• 組織同器官層面
• 健康結果同臨床層面

呢啲模塊係可以組合嘅：資訊可以喺唔同尺度之間流動，所以一個 DNA 層面嘅改動（例如 CRISPR 編輯）可以向上傳播到蛋白質功能、細胞行為、組織反應，最終預測臨床結果 。

GenBio AI 嘅短期目標同 NVIDIA 合作

GenBio AI 目前嘅實際重點係建立一個**「虛擬細胞」**——一個可以預測、模擬同最終編程跨生物尺度細胞行為嘅 AI 世界模型 。佢哋嘅主要短期交付成果包括：

• VCHarness，一個自主代理系統，可以自動建立、測試同完善人類細胞嘅 AI 模型。公司話 VCHarness 可以喺幾日內搵到新嘅模型架構，而唔係幾個月 。
• 2026 年 6 月宣布同 NVIDIA 正式合作。GenBio AI 計劃利用 NVIDIA 嘅晶片、模型開發工具同代理框架——特別係整合 NVIDIA BioNeMo 平台、Megatron 分布式訓練同 BioNeMo Agent Toolkit——嚟加速虛擬細胞世界模型嘅開發 。

同 Chan Zuckerberg BioHub 虛擬細胞平台嘅比較

簡單嚟講： AIDO 目標係更垂直整合嘅完整生物體堆疊，但由初創公司支持且部分專有。CZI 嘅做法更集中喺細胞層面，極度開放科學，並有更大規模嘅慈善資金支持。

承認嘅限制同挑戰

AIDO 嘅《自然醫學》前瞻論文同相關技術文檔承認咗幾個主要挑戰：

• 偏差同唔完整嘅訓練數據。 模型嘅表現取決於訓練所用嘅數據集。如果訓練數據低估咗某啲族群、祖先或疾病狀態，數碼生物體就會產生偏差或不可靠嘅預測。AI 醫學文獻指出，某啲病人群組嘅樣本量不足會導致表現欠佳同臨床上冇意義嘅預測 。
• 病人變異性。 個人嘅基因背景、環境、生活方式同共病造成巨大嘅異質性。一個可以適用於所有人類嘅「數碼生物體」係極大嘅挑戰；研究人員指出病人特定適應依然係一個未解決嘅問題 。
• 因果推斷。 基礎模型本質上係相關性引擎——佢哋學習數據入面嘅統計模式，而唔係因果機制。作者承認從「預測會發生乜事」過渡到「理解點解會發生同乜嘢干預可以改變結果」需要整合因果推斷框架，而傳統機器學習喺呢方面好困難 。更廣泛嘅文獻確認，生物學入面基於相關性嘅 AI 通常係「黑箱」，量化干預嘅因果效應係一個獨立且未解決嘅挑戰 。
• 規模同運算能力。 以足夠嘅保真度模擬成個生物體需要龐大嘅運算資源同數據，而家呢啲資源同數據仲未達到所需嘅規模 。
• 驗證。 證明數碼生物體嘅預測喺真實生物系統入面成立——而且可以推廣到訓練數據分布之外——係一個基本障礙，呢個領域啱啱開始處理呢個問題 。