技術上，AIDO 建立在一系列的基礎模型之上，每個模型專精於一個生物層級：

• DNA/RNA 層級 – 例如 AIDO.RNA（16億參數，以單核苷酸解析度訓練於4200萬個非編碼RNA序列）
• 蛋白質結構層級 – 例如 AIDO.StructureTokenizer（3億參數的 VQ-VAE，用於蛋白質結構編碼）
• 細胞層級 – 例如 AIDO.Cell（密集Transformer編碼器，參數規模從300萬到6.5億，用於基因表現與細胞狀態分析）
• 組織與器官層級
• 健康結局與臨床層級

這些模組的設計理念是可組合的：資訊能在不同尺度間流動，使得在 DNA 層級的一次擾動（例如 CRISPR 基因編輯）的效果，可以向上傳遞至蛋白質功能、細胞行為、組織反應，並最終預測出臨床結果 。

GenBio AI 的近期目標與 NVIDIA 合作

GenBio AI 當前的具體實作重點是打造一個「虛擬細胞」——一種能預測、模擬，並最終程式化跨生物尺度細胞行為的 AI 世界模型 。他們的關鍵短期成果包含：

• VCHarness：一個自主代理系統，用於建構、測試及優化人類細胞的 AI 模型。該公司表示，VCHarness 能在數天內發現新穎架構，而非耗時數月 。
• 2026年6月宣布與 NVIDIA 正式合作。GenBio AI 計劃利用 NVIDIA 的晶片、模型開發工具與代理框架——特別是整合 NVIDIA BioNeMo 平台、用於分散式訓練的 Megatron，以及 BioNeMo Agent Toolkit——來加速虛擬細胞世界模型的開發 。

與 Chan Zuckerberg BioHub 虛擬細胞平台的比較

簡而言之： AIDO 旨在建構更垂直整合的全有機體模型堆疊，但由新創公司支持且部分專有。CZI 的方法則更聚焦於細胞層級、高度導向開放科學，並獲得規模大得多的慈善資金支持。

公認的限制與挑戰

AIDO 的《Nature Medicine》觀點論文及相關技術文件承認了數項重大挑戰：

• 偏誤且不完整的訓練資料。 模型的好壞取決於其訓練資料。如果訓練資料中某些族群、祖先或疾病狀態的代表性不足，數位有機體將產生偏差或不可靠的預測。一般的 AI 醫學文獻指出，特定病人群體的樣本數不足會導致效能不佳及臨床上無意義的預測 。
• 病人變異性。 個人的遺傳背景、環境、生活方式及共病症狀造成了巨大的異質性。建立一個能夠普遍適用於所有人的單一「數位有機體」是極大的挑戰；研究人員指出，針對特定病人的模型適應仍是一個待解決的問題 。
• 因果推論。 基礎模型本質上是相關性引擎——它們學習資料中的統計模式，而非因果機制。作者承認，從「預測會發生什麼事」進展到「理解為何發生以及需要何種干預才能改變結果」，需要整合因果推論框架，而這正是傳統機器學習難以克服的 。更廣泛的文獻也證實，生物學中以相關性為基礎的 AI 通常像個「黑盒子」，且量化干預措施的因果效應是一個獨特且尚未解決的挑戰 。
• 規模與算力。 以足夠的保真度模擬整個有機體需要龐大的運算資源，以及目前尚不存在於所需規模的資料 。
• 驗證。 證明數位有機體的預測在真實生物系統中成立，並且能推廣到其訓練分佈之外的資料，是該領域才剛開始面對的基本障礙 。

技術上，AIDO 建立在一系列的基礎模型之上，每個模型專精於一個生物層級：

• DNA/RNA 層級 – 例如 AIDO.RNA（16億參數，以單核苷酸解析度訓練於4200萬個非編碼RNA序列）
• 蛋白質結構層級 – 例如 AIDO.StructureTokenizer（3億參數的 VQ-VAE，用於蛋白質結構編碼）
• 細胞層級 – 例如 AIDO.Cell（密集Transformer編碼器，參數規模從300萬到6.5億，用於基因表現與細胞狀態分析）
• 組織與器官層級
• 健康結局與臨床層級

這些模組的設計理念是可組合的：資訊能在不同尺度間流動，使得在 DNA 層級的一次擾動（例如 CRISPR 基因編輯）的效果，可以向上傳遞至蛋白質功能、細胞行為、組織反應，並最終預測出臨床結果 。

GenBio AI 的近期目標與 NVIDIA 合作

GenBio AI 當前的具體實作重點是打造一個「虛擬細胞」——一種能預測、模擬，並最終程式化跨生物尺度細胞行為的 AI 世界模型 。他們的關鍵短期成果包含：

• VCHarness：一個自主代理系統，用於建構、測試及優化人類細胞的 AI 模型。該公司表示，VCHarness 能在數天內發現新穎架構，而非耗時數月 。
• 2026年6月宣布與 NVIDIA 正式合作。GenBio AI 計劃利用 NVIDIA 的晶片、模型開發工具與代理框架——特別是整合 NVIDIA BioNeMo 平台、用於分散式訓練的 Megatron，以及 BioNeMo Agent Toolkit——來加速虛擬細胞世界模型的開發 。

與 Chan Zuckerberg BioHub 虛擬細胞平台的比較

簡而言之： AIDO 旨在建構更垂直整合的全有機體模型堆疊，但由新創公司支持且部分專有。CZI 的方法則更聚焦於細胞層級、高度導向開放科學，並獲得規模大得多的慈善資金支持。

公認的限制與挑戰

AIDO 的《Nature Medicine》觀點論文及相關技術文件承認了數項重大挑戰：

• 偏誤且不完整的訓練資料。 模型的好壞取決於其訓練資料。如果訓練資料中某些族群、祖先或疾病狀態的代表性不足，數位有機體將產生偏差或不可靠的預測。一般的 AI 醫學文獻指出，特定病人群體的樣本數不足會導致效能不佳及臨床上無意義的預測 。
• 病人變異性。 個人的遺傳背景、環境、生活方式及共病症狀造成了巨大的異質性。建立一個能夠普遍適用於所有人的單一「數位有機體」是極大的挑戰；研究人員指出，針對特定病人的模型適應仍是一個待解決的問題 。
• 因果推論。 基礎模型本質上是相關性引擎——它們學習資料中的統計模式，而非因果機制。作者承認，從「預測會發生什麼事」進展到「理解為何發生以及需要何種干預才能改變結果」，需要整合因果推論框架，而這正是傳統機器學習難以克服的 。更廣泛的文獻也證實，生物學中以相關性為基礎的 AI 通常像個「黑盒子」，且量化干預措施的因果效應是一個獨特且尚未解決的挑戰 。
• 規模與算力。 以足夠的保真度模擬整個有機體需要龐大的運算資源，以及目前尚不存在於所需規模的資料 。
• 驗證。 證明數位有機體的預測在真實生物系統中成立，並且能推廣到其訓練分佈之外的資料，是該領域才剛開始面對的基本障礙 。