生命科学长期以来被称为“集邮式科学”（Stamp Collecting Science）——它充斥着海量的自然语言叙述、非标准化的显微图像、碎片化的湿实验论文、手工调配的试剂配方以及充满模糊经验的机理猜想。 这种高度“非形式化（Informal）”的本质，正是过去生物科研突破周期长、试错成本极高、且无法像芯片设计或物理学那样实现自动化编译的根本原因。 AI 的核心进化能力之一是，将非形式化问题转化为形式化问题（Formalization）。 因此，AI 对生命科学的加速将不是简单的“找靶点速度加快”，而是一场从底层表征、实验执行到假设验证的全局编译化革命。 生命科学长期作为一门“经验科学”，根本原因确实在很大程度上是“有效数据规模和高保真计算量严重不足”。本质上是被以下三个极度缺乏 Scale 的现实所迫： 1、观察到的数据只是冰山一角（稀疏与长尾） 人类现有的公共生物数据，大部分是“结果快照”而非“动力学过程”。例如全球蛋白质数据库（PDB）几十年来积累的结构仅有 20 多万个，且绝大多数是结晶状态下的单一静态构象。面对大自然数以亿计的动态蛋白互作，样本量少得可怜。 2、严重的观测偏差与批次效应（Batch Effects） 过往生物学论文中的数据，来自全球数万个实验室、不同操作人员、不同批次试剂和不同显微设备。这种数据充满了系统性噪音和“幸存者偏差”（往往只报道阳性结果，海量阴性失败数据从未被记录）。用充满噪音的异构数据训练模型，很容易遭遇“垃圾进，垃圾出”。 3、维度的诅咒（Curse of Dimensionality） 一个文本 token 的嵌入维度是几千维；但一个活细胞不仅有 30 亿对碱基的 DNA，还有表观遗传修饰、数万种转录本的时空丰度、数万种蛋白质的翻译后修饰以及微环境动力学——这是一个横跨皮秒（分子运动）到数十年（衰老、疾病）的时空连续多尺度系统。在数据规模没有覆盖这个高维流形前，人类科学家只能退守到经验法则、动物实验和手工对照。 而对比大模型（LLM）的涌现依赖于 Transformer 架构 + 互联网级文本 + 自动回归自监督任务。生命科学要实现同等级别的泛化突破，其底层要素必须对齐： 1. 规模化生成“无批次效应”的原生数据（Biofoundry 工业化） 纯靠人工在高校实验室里移液，永远不可能凑齐大模型所需的自监督 Tokens。生命科学的 GPT-3 时刻，前提必须是数据生产的工业化——利用全自动化的生物铸造厂（Biofoundry）、硅基高通量芯片合成和标准化液体处理机器人，在完全一致的物理环境下，规模化、连续性地生成数十亿级的单细胞扰动、突变体结合与高内涵表型图谱。没有自动化的物理数据工厂，生命科学就没有训练集。 2. 自监督预训练任务的重构：从“掩码预测”到“物理能量与因果扰动” 在文本中，“预测下一个词”极其有效。但在生物学中，单纯的掩码语言模型（Masked Language Modeling）有其天花板。未来的基础模型需要将几何等变性、非平衡态统计物理和热力学约束直接编入注意力先验中。正如人类大脑理解物理世界不是靠背诵文字，而是靠视觉和触觉的连续交互，生命大模型需要直接在连续的时空流形中学习因果演化。 3. 闭环主动学习（Active Learning Loop） 生命系统太庞大，随机或暴力采集全部数据在物理上不可行（分子组合空间超过 10的60次方。大模型必须扮演“科学假设生成器”，自动计算出认知不确定性最高的领域，自动指挥物理机器人去合成、测试并回传数据。这种“模型假设 -》自动化实验-〉权重更新”的循环加速，是催生 Scaling 质变的关键催化剂。 当然，生命科学的发展终局，可能也不会彻底变成纯粹的数学推演，而会演化为一种“极高置信度推演 + 物理不可约验证”的新范式： 大模型确实能把目前人类难以理解的万级基因互作网络，压缩为高度精准的潜空间向量变换，人类不用再手工去画繁琐的通路图。从这个角度看，传统的“经验直觉”会被强大的高维统计几何彻底取代。 正如物理世界的计算不可约性时规律所告诉我们的，哪怕大模型在数字空间里给出了 99.9% 确定性的抗癌药设计方案，药物在真实复杂活体（包含免疫系统、肠道微生物、全身循环系统）中的毒副作用与代谢，仍受微观随机多体动力学统治。它依然需要活体或器官芯片运行自身的物理时钟来进行终极校验。 从科学发展史来看，化学在门捷列夫之前也是纯粹的“炼金经验科学”，直到元素周期律和量子力学奠定了物理底座；生命科学当前正处在类似的拐点——它过往的“经验属性”，在很大程度上确实是因为我们只能用肉眼和试管观察局部。当数据通量和算力 Scale 越过特定相变阈值时，生命科学将从一门靠经验归纳的描述性学科，质变为一门具备高预测精度的形式化工程科学。