2025年末，英偉達(dá)CEO黃仁勛在公開演講中表示，人工智能技術(shù)已邁過關(guān)鍵“臨界點(diǎn)”。

這句話，反映了業(yè)界對(duì)AI發(fā)展進(jìn)入新階段的普遍共識(shí)，也是對(duì)2025年生成式AI和大語(yǔ)言模型加速落地的最好詮釋。

剛剛過去的一年，人工智能技術(shù)各行各業(yè)實(shí)現(xiàn)突破性進(jìn)展，尤其是在生命科學(xué)領(lǐng)域，AI與基因測(cè)序、實(shí)驗(yàn)室自動(dòng)化、生物制造的融合創(chuàng)新引發(fā)了產(chǎn)業(yè)范式變革。

華大智造高級(jí)副總裁楊夢(mèng)對(duì)這一變化深有感觸。作為華大智造AI戰(zhàn)略布局的核心推動(dòng)者，他主導(dǎo)了公司BT+IT融合創(chuàng)新，并帶領(lǐng)團(tuán)隊(duì)開發(fā)出AI全棧接入的自發(fā)光半導(dǎo)體閃速測(cè)序儀，推動(dòng)AI驅(qū)動(dòng)的實(shí)驗(yàn)室自動(dòng)化系統(tǒng)等創(chuàng)新產(chǎn)品落地。

2025年初，在楊夢(mèng)的帶領(lǐng)下，華大智造完成了GLI（Generative Lab Intelligence，自發(fā)光測(cè)序儀研發(fā)和實(shí)驗(yàn)室智能自動(dòng)化）業(yè)務(wù)的戰(zhàn)略重構(gòu)，旨在幫助傳統(tǒng)的實(shí)驗(yàn)室自動(dòng)化用戶突破“數(shù)據(jù)-算法”的互哺瓶頸，更快落地實(shí)驗(yàn)室軟硬件和整體運(yùn)行效果，加快發(fā)揮“AI+生命科學(xué)”的無限潛能。

“測(cè)序循環(huán)效率方面，AI賦能前，單次循環(huán)需2-2.5分鐘，通過AI技術(shù)優(yōu)化原材料設(shè)計(jì)與信號(hào)處理方案后，單次循環(huán)時(shí)間可縮短至75秒，循環(huán)時(shí)間縮短約 40%–50%；靶向引物設(shè)計(jì)上，借助 AI 可以將單次研發(fā)循環(huán)從2-3周縮短至4-5天，成本下降60%-70%，效率提升2-3倍。”楊夢(mèng)在接受21世紀(jì)經(jīng)濟(jì)報(bào)道記者專訪時(shí)透露。

“從研發(fā)周期來看，傳統(tǒng)模式下，2-3名技術(shù)人員與1-2名博士需耗時(shí)半年完成原材料設(shè)計(jì)和驗(yàn)證，而在AI輔助蛋白設(shè)計(jì)+自動(dòng)化表征的流程下，可把‘每輪迭代’壓縮到周級(jí)，并顯著縮短整體周期。”楊夢(mèng)進(jìn)一步補(bǔ)充道。

近年來，隨著人工智能大語(yǔ)言模型的飛速發(fā)展，行業(yè)普遍認(rèn)為，基因組序列與自然語(yǔ)言在數(shù)據(jù)結(jié)構(gòu)上具有相似性。

在楊夢(mèng)看來，這一觀點(diǎn)主要是出于第一性原理的思維，即基因、蛋白質(zhì)均以序列形式存在，人類細(xì)胞包含60億個(gè)堿基，分布在23對(duì)染色體上，本質(zhì)上是連續(xù)的序列結(jié)構(gòu)，而大模型所學(xué)習(xí)的人類數(shù)字化文字信息，同樣以序列形式呈現(xiàn)。兩者的核心共性在于“序列”這一基礎(chǔ)形態(tài)。

這種共性催生了早期的技術(shù)探索——“Transformer模型在自然語(yǔ)言編碼中成功應(yīng)用后，研究者開始嘗試將其用于DNA序列編碼，利用注意力機(jī)制捕捉序列位點(diǎn)間的關(guān)聯(lián)關(guān)系。”但隨著研究深入，學(xué)界對(duì)這一觀點(diǎn)的邊界與適用范圍逐漸清晰。

Transformer 模型是一種基于自注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)架構(gòu)，最初在2017年由Google的論文《Attention Is All You Need》提出，徹底改變了自然語(yǔ)言處理（NLP）領(lǐng)域，并逐漸擴(kuò)展到計(jì)算機(jī)視覺、語(yǔ)音處理等多個(gè)領(lǐng)域。

“生命系統(tǒng)具有高度復(fù)雜性與動(dòng)態(tài)性，自然語(yǔ)言上下文表示的壓縮方法并不能直接等價(jià)遷移到生命序列。”楊夢(mèng)指出，兩者的核心差異在于生命序列受物理化學(xué)約束與進(jìn)化選擇共同塑形，“自然語(yǔ)言大模型核心是預(yù)測(cè)下一個(gè)字符，源于人類語(yǔ)言的上下文關(guān)聯(lián)；而DNA序列源于進(jìn)化過程中的選擇性突變，并非線性生成結(jié)果。計(jì)算機(jī)領(lǐng)域的Transformer思維可為解讀生命序列提供重要支撐，但僅依靠注意力機(jī)制或Transformer模型，難以完全解碼生命系統(tǒng)的復(fù)雜規(guī)律。”

對(duì)于深入探究生命序列內(nèi)在規(guī)律的研究方向，楊夢(mèng)提出三個(gè)核心路徑：一是在模型構(gòu)建中融入第一性原理，通過建模物理化學(xué)等底層規(guī)律，將相關(guān)約束條件與邊界條件注入大模型，使其能夠更精準(zhǔn)地理解生命進(jìn)化、發(fā)育、衰老等核心機(jī)制；

二是發(fā)揮智能體（Agent）的作用，通過構(gòu)建智能體（尤其是多智能體協(xié)作系統(tǒng)）解決生命科學(xué)復(fù)雜問題，這也是AI for Science領(lǐng)域的研究熱點(diǎn)；

三是堅(jiān)持“干濕閉環(huán)”原則，借助機(jī)器人與自動(dòng)化技術(shù)提升實(shí)驗(yàn)可重復(fù)性與效率，確保濕實(shí)驗(yàn)的可重復(fù)性與設(shè)計(jì)的合理性。這與近一年AI for Science的主流方向一致：包括美國(guó)的“創(chuàng)世紀(jì)”計(jì)劃，以Agent編排任務(wù)、以自動(dòng)化執(zhí)行實(shí)驗(yàn)、以閉環(huán)數(shù)據(jù)持續(xù)校準(zhǔn)模型，形成自驅(qū)動(dòng)實(shí)驗(yàn)室的規(guī)模化生產(chǎn)力。“落地層面，這意味著研發(fā)組織要從‘人寫方案、人做實(shí)驗(yàn)’變成‘人定義目標(biāo)與約束、Agent拆解任務(wù)與調(diào)度、自動(dòng)化執(zhí)行并回傳數(shù)據(jù)、人在關(guān)鍵節(jié)點(diǎn)審核與復(fù)盤’。”楊夢(mèng)說道。

作為產(chǎn)業(yè)端的研究者與管理者，楊夢(mèng)始終堅(jiān)持“AI技術(shù)落地導(dǎo)向”，避免為“技術(shù)而技術(shù)”。他帶領(lǐng)團(tuán)隊(duì)研發(fā)的全球領(lǐng)先自發(fā)光半導(dǎo)體閃速測(cè)序儀，正是AI全鏈條賦能的典型案例。這個(gè)閃速測(cè)序儀采用手機(jī)攝像頭圖像傳感器替代傳統(tǒng)激光器系統(tǒng)，實(shí)現(xiàn)成像與反應(yīng)模塊的小型化，顯著提升便攜性與成本優(yōu)勢(shì)，可廣泛適配小型實(shí)驗(yàn)室、基層醫(yī)院、教育等場(chǎng)景。

除測(cè)序儀外，團(tuán)隊(duì)研發(fā)的超聲儀器同樣融入AI技術(shù)，可通過提升圖像清晰度和自主導(dǎo)航輔助病情診斷。

楊夢(mèng)指出，不同產(chǎn)品線的AI應(yīng)用存在核心共性：“新產(chǎn)品無歷史包袱，擁抱AI技術(shù)的動(dòng)力更強(qiáng)、速度更快，一方面避免陷入競(jìng)爭(zhēng)劣勢(shì)，另一方面通過技術(shù)提升效率彌補(bǔ)資源投入不足。”而這種共性的核心在于工作方式與思維模式的轉(zhuǎn)型，“未來AI領(lǐng)域的核心競(jìng)爭(zhēng)力將是企業(yè)的AI原生能力，當(dāng)全行業(yè)都能以AI思維開展工作，將形成最核心的共性競(jìng)爭(zhēng)優(yōu)勢(shì)。”

展望未來五年測(cè)序儀等技術(shù)演變趨勢(shì)，楊夢(mèng)提出測(cè)序儀將朝著“樣本進(jìn)，洞察出”的方向發(fā)展：“臨床場(chǎng)景實(shí)現(xiàn)‘樣本進(jìn)，診斷出’，科研場(chǎng)景實(shí)現(xiàn)‘樣本進(jìn)，成果出’。”

要實(shí)現(xiàn)這一目標(biāo)，楊夢(mèng)認(rèn)為，需要依托自動(dòng)化工作流與任務(wù)編排技術(shù)，AI將全面賦能全流程質(zhì)量控制與溯源，且在實(shí)驗(yàn)開展前，對(duì)關(guān)鍵環(huán)節(jié)做虛擬仿真與參數(shù)校驗(yàn)（如流程排程、關(guān)鍵反應(yīng)條件、數(shù)據(jù)處理路徑與風(fēng)險(xiǎn)點(diǎn)），用數(shù)字孿生把失敗率前置壓降。“黃仁勛曾提到‘制造前先仿真’的理念，構(gòu)建工業(yè)數(shù)字孿生系統(tǒng)至關(guān)重要。”

談及AI應(yīng)用面臨的核心挑戰(zhàn)，楊夢(mèng)將“人機(jī)協(xié)作范式轉(zhuǎn)型”放在首位，“AI發(fā)展最大的障礙就是人類的認(rèn)知，對(duì)AI的認(rèn)知到底什么層面會(huì)決定AI將產(chǎn)生怎樣的影響，如果僅僅把AI當(dāng)成工具，其實(shí)是用不好的，必須把它變成完成任務(wù)的伙伴。不過，這必然會(huì)面臨組織架構(gòu)、協(xié)作模式甚至舊有生產(chǎn)關(guān)系的調(diào)整，阻力巨大。”

其次是技術(shù)層面的可追溯性與倫理安全問題，楊夢(mèng)認(rèn)為，“臨床問題不允許AI’暢想’，其輸出結(jié)果的可追溯性、證據(jù)鏈完整性至關(guān)重要；同時(shí)，DNA序列合成等場(chǎng)景的AI應(yīng)用還需防范生物安全風(fēng)險(xiǎn)。”

以下為部分訪談實(shí)錄。

AI落地實(shí)踐：全鏈條賦能生命科學(xué)裝備研發(fā)

21世紀(jì)：你帶領(lǐng)團(tuán)隊(duì)研發(fā)了全球領(lǐng)先的自發(fā)光半導(dǎo)體閃速測(cè)序儀。能否介紹該產(chǎn)品的核心技術(shù)壁壘？相較于傳統(tǒng)測(cè)序技術(shù)，其具備哪些不可替代的優(yōu)勢(shì)？

楊夢(mèng)：該測(cè)序儀的核心優(yōu)勢(shì)在于便捷性與小型化。我們采用手機(jī)攝像頭中的圖像傳感器替代傳統(tǒng)復(fù)雜的激光器系統(tǒng)，使成像與反應(yīng)模塊的尺寸縮減至圖像傳感器級(jí)別，顯著提升了產(chǎn)品的便攜性。其次，產(chǎn)品初始成本較低。傳統(tǒng)測(cè)序儀多用于大型醫(yī)院與科研機(jī)構(gòu)，單價(jià)高達(dá)數(shù)百萬(wàn)至數(shù)千萬(wàn)元；而該產(chǎn)品定位為入門級(jí)工具，具備小型化、高靈活性、低成本的特點(diǎn)，能夠廣泛適配小型實(shí)驗(yàn)室、疾控中心、海關(guān)、區(qū)縣級(jí)醫(yī)院及診所等場(chǎng)景。

此外，該產(chǎn)品在教育領(lǐng)域亦具有重要應(yīng)用價(jià)值，可作為高校生命科學(xué)專業(yè)本科生、研究生測(cè)序課程的實(shí)訓(xùn)教具——大型測(cè)序儀成本高、使用門檻高，學(xué)生難以快速上手，而該產(chǎn)品能夠?yàn)閷W(xué)生提供便捷的實(shí)操機(jī)會(huì)。從長(zhǎng)遠(yuǎn)來看，基因測(cè)序向臨床普及的過程中，亟需此類低成本、高靈活性的產(chǎn)品作為支撐。

另外，未來基因測(cè)序的普及，也需要一款入門成本低、能很好部署在醫(yī)院且非常靈活的產(chǎn)品。自發(fā)光半導(dǎo)體測(cè)序儀的整個(gè)設(shè)計(jì)邏輯就是圍繞易用、便捷、靈活構(gòu)造的。盡管該產(chǎn)品體量較小，但我們通過人工智能技術(shù)實(shí)現(xiàn)了全鏈條賦能，涵蓋生化原理優(yōu)化、信號(hào)處理、調(diào)度仿真及實(shí)驗(yàn)設(shè)計(jì)等關(guān)鍵環(huán)節(jié)，全面提升產(chǎn)品性能與使用效率。

21世紀(jì)：AI在臨床與科研場(chǎng)景中的應(yīng)用邏輯、智能體設(shè)計(jì)是否存在差異化？是否需要針對(duì)性開發(fā)不同的產(chǎn)品形態(tài)？

楊夢(mèng)：當(dāng)前兩者的差異化尚未完全顯現(xiàn)，但未來必然會(huì)形成明確的分野。基因測(cè)序在臨床場(chǎng)景中的應(yīng)用屬于分子診斷范疇，其智能體設(shè)計(jì)與AI應(yīng)用邏輯與科研場(chǎng)景存在約束條件不同。科研場(chǎng)景下的智能體需追求“覆蓋面與探索效率”，支撐研究者覆蓋更多研究假設(shè)、處理更大規(guī)模樣本；而臨床場(chǎng)景對(duì)智能體的核心要求是“穩(wěn)定、合規(guī)、可追溯與一次成功”，需適配多樣化的復(fù)雜工況。

復(fù)雜工況主要源于臨床樣本的多樣性，如血液及各類生物樣本的異質(zhì)性。科研場(chǎng)景中，研究者可通過多次嘗試優(yōu)化樣本適配性；而臨床場(chǎng)景要求“一次成功”，需達(dá)到血常規(guī)檢測(cè)般的便捷性與穩(wěn)定性，不允許反復(fù)試錯(cuò)。因此，質(zhì)量控制是臨床場(chǎng)景的核心關(guān)鍵。

基于此，AI在臨床測(cè)序場(chǎng)景中的核心應(yīng)用方向?yàn)槿鞒藤|(zhì)量控制與智能報(bào)告輸出，這兩點(diǎn)在科研場(chǎng)景中并非核心訴求——科研場(chǎng)景通常允許更高比例的人工介入與多輪迭代，容錯(cuò)空間更大；而臨床場(chǎng)景中則要求流程一次通過、質(zhì)控自動(dòng)化、證據(jù)鏈閉環(huán)。若樣本檢測(cè)出現(xiàn)問題，無法隨意召回患者重新采樣。因此，智能驅(qū)動(dòng)的全流程質(zhì)控、可追溯體系，以及針對(duì)不同工況樣本的適配性優(yōu)化，是臨床測(cè)序產(chǎn)品的核心設(shè)計(jì)要點(diǎn)，也是我們未來的重點(diǎn)研發(fā)方向。

21世紀(jì)：站在當(dāng)前發(fā)展節(jié)點(diǎn)，隨著 AI 技術(shù)的發(fā)展，你如何預(yù)判未來五年測(cè)序儀、實(shí)驗(yàn)室自動(dòng)化等領(lǐng)域的演變趨勢(shì)？

楊夢(mèng)：我認(rèn)為測(cè)序儀未來將朝著“樣本進(jìn)，洞察出”的方向發(fā)展——臨床場(chǎng)景實(shí)現(xiàn)“樣本進(jìn)，診斷出”，科研場(chǎng)景實(shí)現(xiàn)“樣本進(jìn)，成果出”。這一目標(biāo)的實(shí)現(xiàn)，需依托自動(dòng)化工作流與任務(wù)編排技術(shù)，AI將全面賦能全流程質(zhì)量控制與溯源，且在實(shí)驗(yàn)開展前完成虛擬仿真驗(yàn)證。這與黃仁勛提出的“制造前先仿真”（simulate it before manufacture it）理念一致，未來測(cè)序領(lǐng)域?qū)⑿纬?ldquo;測(cè)序前先仿真”（simulate it before sequence it）的技術(shù)范式。構(gòu)建圍繞測(cè)序過程的數(shù)字孿生系統(tǒng)至關(guān)重要，通過學(xué)習(xí)海量樣本的測(cè)序經(jīng)驗(yàn)，AI可精準(zhǔn)預(yù)判樣本偏差并優(yōu)化報(bào)告輸出邏輯。因此，我對(duì)測(cè)序技術(shù)的終極展望是實(shí)現(xiàn)“血常規(guī)級(jí)”的便捷性。但測(cè)序技術(shù)的信息復(fù)雜度遠(yuǎn)超血常規(guī)，必須依托AI技術(shù)才能實(shí)現(xiàn)“樣本進(jìn)，洞察出”的目標(biāo)。

我分管的華大智造的智能實(shí)驗(yàn)室自動(dòng)化業(yè)務(wù)線，是AI for Science領(lǐng)域的核心基礎(chǔ)設(shè)施，該業(yè)務(wù)線的核心目標(biāo)是替代傳統(tǒng)手工實(shí)驗(yàn)流程，解決我親身經(jīng)歷過的——本科階段曾面臨的重復(fù)性實(shí)驗(yàn)痛點(diǎn)。未來，我相信GLI業(yè)務(wù)線將實(shí)現(xiàn)模塊化、柔性化定制，通過標(biāo)準(zhǔn)化實(shí)驗(yàn)?zāi)K的快速拼接，像搭建樂高積木一樣適配多樣化的復(fù)雜生物工作流，大幅降低實(shí)驗(yàn)開展門檻。

AI原生能力將成生命科學(xué)裝備競(jìng)爭(zhēng)分水嶺

21世紀(jì)：從時(shí)間中看，AI賦能更多體現(xiàn)在研發(fā)過程中的技術(shù)優(yōu)化，還是配套軟件的智能化升級(jí)？

楊夢(mèng)：兩者均有體現(xiàn)。例如，我們利用人工智能技術(shù)設(shè)計(jì)了產(chǎn)品核心原材料（試劑盒），實(shí)現(xiàn)了研發(fā)過程的AI輔助優(yōu)化。在信號(hào)處理環(huán)節(jié)，該產(chǎn)品采用獨(dú)特的技術(shù)路徑——DNA含ATCG四種堿基，傳統(tǒng)測(cè)序技術(shù)需通過四通道解碼，而我們開發(fā)的AI算法可實(shí)現(xiàn)單循環(huán)四通道信號(hào)同步解碼，結(jié)合邊緣計(jì)算技術(shù)提升處理效率，使AI技術(shù)深度融入產(chǎn)品核心模塊。

此外，我們通過配套軟件的智能化升級(jí)，提升用戶使用體驗(yàn)。例如，用戶基于該產(chǎn)品開發(fā)靶向測(cè)序panel時(shí)，可借助我們提供的AI工具實(shí)現(xiàn)快速迭代與應(yīng)用落地。綜上，AI技術(shù)已全面滲透于產(chǎn)品研發(fā)、核心模塊設(shè)計(jì)、用戶服務(wù)及未來規(guī)劃等全流程。作為產(chǎn)業(yè)公司，我們的核心原則是“AI技術(shù)落地導(dǎo)向”，避免為“技術(shù)而技術(shù)”，只有將AI深度融入產(chǎn)品與業(yè)務(wù)流程，才能體現(xiàn)其商業(yè)價(jià)值，獲得資源投入支持。

21世紀(jì)：在生命科學(xué)領(lǐng)域，未來AI應(yīng)用存在哪些難點(diǎn)問題？怎么解決？

楊夢(mèng)：難點(diǎn)和挑戰(zhàn)肯定非常多。第一點(diǎn)還是我剛剛提到的AI時(shí)代的協(xié)作方式與組織機(jī)制，以及對(duì)AI原生組織、AI原生的理解。人類社會(huì)走到今天，如果僅僅把AI當(dāng)成一個(gè)工具，其實(shí)是用不好AI的，必須把AI變成完成一件事的伙伴。當(dāng)組織從上到下都能理解這件事的時(shí)候，才算是真正完成AI轉(zhuǎn)型。但問題是，當(dāng)你把AI從‘助手’升級(jí)為‘可托付任務(wù)的Agent伙伴，必然面臨組織架構(gòu)、分工流程、協(xié)作模式的調(diào)整，甚至舊有格局和生產(chǎn)關(guān)系的調(diào)整，這些是AI真正進(jìn)入每個(gè)領(lǐng)域的巨大困難。

第二點(diǎn)，從技術(shù)模型角度來看，還有很多工作要做。當(dāng)前很多生成式模型的輸出具有概率性，若缺少邊界約束與驗(yàn)證機(jī)制，就可能出現(xiàn)不符合事實(shí)的內(nèi)容。因此在臨床與嚴(yán)肅科研中，必須通過可追溯流程、證據(jù)鏈、評(píng)估與監(jiān)控來把幻覺風(fēng)險(xiǎn)壓到可控范圍。這既可以通過模型本身的知識(shí)注入解決，也可以通過我之前說的在上面做Agent架構(gòu)，包括做一些對(duì)齊的后訓(xùn)練或者微調(diào)來解決。

另外還有AI的安全倫理問題，比如在我們領(lǐng)域，不能讓每個(gè)實(shí)驗(yàn)室都能隨意合成一段DNA序列，這段序列會(huì)不會(huì)造成不可逆的生物安全影響？這些AI安全倫理也是很大的挑戰(zhàn)。

工程生物學(xué)時(shí)代，跨學(xué)科人才成核心競(jìng)爭(zhēng)力

21世紀(jì)：你擁有生物學(xué)、基因組學(xué)、人工智能與自動(dòng)化技術(shù)的跨學(xué)科背景，這種跨學(xué)科背景是如何形成的？

楊夢(mèng)：核心原因在于我本科接受的是生命科學(xué)訓(xùn)練，期間需開展大量濕實(shí)驗(yàn)，這類訓(xùn)練耗費(fèi)了大量精力用于重復(fù)性、冗余的手工操作，在早期生命科學(xué)培養(yǎng)體系中，存在大量技術(shù)性操作，如質(zhì)粒提取、克隆構(gòu)建、平板涂布等，但此類工作難以充分開發(fā)我的思辨能力，也無法為深度思考預(yù)留充足時(shí)間，另外計(jì)算機(jī)及理工科知識(shí)的融入，尤其是工程化思維的應(yīng)用較為欠缺。后來通過參加iGEM比賽， 我有幸?guī)煆闹袊?guó)合成生物學(xué)領(lǐng)域的元英進(jìn)院士，開始接觸在生命科學(xué)研究中引入計(jì)算工具與工程工具，即通過自動(dòng)化技術(shù)和計(jì)算機(jī)輔助仿真模擬角度提升研究效率。

合成生物學(xué)本身便隸屬于工程學(xué)科范疇。進(jìn)入工程領(lǐng)域后，除基礎(chǔ)化學(xué)工程知識(shí)外，對(duì)生命系統(tǒng)與工程技術(shù)的融合理解，還需依托計(jì)算機(jī)仿真模擬技術(shù)，博士階段進(jìn)一步系統(tǒng)學(xué)習(xí)了計(jì)算機(jī)相關(guān)專業(yè)知識(shí)。

21世紀(jì)：在人工智能與其他產(chǎn)業(yè)結(jié)合日益緊密的當(dāng)前，跨學(xué)科融合面臨哪些難點(diǎn)和挑戰(zhàn)？

楊夢(mèng)：英偉達(dá)創(chuàng)始人黃仁勛曾提出，行業(yè)已正式進(jìn)入工程生物學(xué)時(shí)代。人工智能等技術(shù)在提升生命科學(xué)研究效率、增強(qiáng)結(jié)果可重復(fù)性等方面的基礎(chǔ)條件已具備。現(xiàn)階段是推動(dòng)計(jì)算技術(shù)、自動(dòng)化技術(shù)與生命科學(xué)深度融合的關(guān)鍵時(shí)期。

但這一融合過程面臨顯著挑戰(zhàn)：人工智能、計(jì)算機(jī)領(lǐng)域與生命科學(xué)領(lǐng)域的研究者在問題拆解方式、數(shù)據(jù)與實(shí)驗(yàn)閉環(huán)方法、工具鏈與工程習(xí)慣上差異明顯。生命科學(xué)研究者的傳統(tǒng)訓(xùn)練體系中，缺乏以計(jì)算思維驅(qū)動(dòng)數(shù)據(jù)采集與研究設(shè)計(jì)的相關(guān)培養(yǎng)。而計(jì)算機(jī)領(lǐng)域研究者則難以充分理解生命系統(tǒng)的復(fù)雜性，以及實(shí)驗(yàn)驗(yàn)證在生命科學(xué)研究中的核心價(jià)值，尤其對(duì)生物化學(xué)過程的復(fù)雜性和不確定性理解存在差異。

不過，在當(dāng)前技術(shù)背景下，這種學(xué)科壁壘已具備打破的條件。大模型的知識(shí)覆蓋范圍已能夠涵蓋博士生階段前兩三年的核心知識(shí)體系，這為計(jì)算機(jī)領(lǐng)域研究者理解生命科學(xué)提供了重要支撐，無需再受限于基礎(chǔ)概念與專業(yè)術(shù)語(yǔ)的認(rèn)知壁壘。因此，未來的發(fā)展方向應(yīng)是推動(dòng)生命科學(xué)研究者主動(dòng)運(yùn)用計(jì)算工具與計(jì)算思維開展研究，同時(shí)助力計(jì)算機(jī)領(lǐng)域研究者借助大模型快速掌握生命科學(xué)的專業(yè)知識(shí)與術(shù)語(yǔ)，實(shí)現(xiàn)跨學(xué)科團(tuán)隊(duì)的深度協(xié)作，從而激發(fā)跨學(xué)科創(chuàng)新活力。