推出Quine：专为生物学复杂性设计的AI研究系统

微软研究院近日发布了一个名为Quine的AI研究系统，目标直指生物学研究中最棘手的难题：如何让AI跨越从基因到蛋白质、从细胞到组织、从文献到湿实验的层层壁垒，真正参与到科学发现的迭代过程中。Quine由两部分构成——一个生物学的“世界模型”（world model），以及一套连接模型、科学工具、文献和研究人员之间的交互框架。微软研究院与哈佛大学和麻省理工学院布罗德研究所合作，利用该系统筛选出可能驱动肿瘤状态转变的候选化合物，并在多个湿实验（wet-lab assay，即需要在实验室实际操作验证的实验）中验证了若干排名靠前的候选物。与此同时，微软还推出了Quine Fellows计划，将向一批科学家开放该系统，让他们在加速自身研究的同时为系统提供科学反馈。 这件事的背景值得展开。微软研究院在计算与生物学的交叉领域已经深耕了二十多年，研究覆盖免疫学、病毒学、基因组学、生物医学成像、细胞生物学和蛋白质工程，成果从罕见病和传染病诊断一路延伸到癌症生物标志物检测。但在这漫长的积累中，一个教训越来越清晰：生物学本身并不按照人类模型和工具所划定的整齐边界来运作。基因影响蛋白质，蛋白质在细胞内相互作用，细胞组织成组织，而实验又不断重塑科学家已知的东西和他们接下来要问的问题。换句话说，想在最难的生物学问题上取得突破，光靠针对单一数据集或单一任务训练出更强的模型远远不够，需要的是能跨尺度和跨模态连接知识、能对实验和证据进行推理、并能参与科学迭代过程的系统。 Quine正是为这个目标设计的。微软研究院指出，即便实验技术和湿实验室的通量不断提升，生物学本质上仍受限于时间和复杂性——自然规律无法被催促，也无法仅从第一性原理推导出来。实验慢、迭代周期长，而许多最重要的问题涉及交互作用、组合设计空间和下游效应，其规模大到单靠实验根本无法穷尽。与此同时，大规模机器学习尤其是通用基础模型和推理模型的进展，让AI开始展现出超越模式识别能力：跨领域整合信息、对抽象概念进行推理、支持迭代式问题求解。更关键的是，许多为人类语言开发的技术被证明能很好地适配生物学，使模型能够跨多种数据类型和尺度学习生物系统的表征。这引出了一个大胆的问题：要构建一个生物学的世界模型，需要什么？按照微软的定义，世界模型是能够表征生物系统状态、预测该状态在干预下如何演变、并对干预后果进行多步推理的系统。它不会取代实验，而是让计算成为实验的放大器。目前Quine仍属于实验性研究技术，仅限研究用途，不适用于临床或医疗场景，其输出可能不完整或不准确，需要合格研究人员审查并经过适当的科学和实验验证。微软表示，随着技术成熟，预计将通过Microsoft Discovery等产品扩大访问范围。