a16z領投，7000個實驗室已在使用：獨家對話Biomni開發者黃柯鑫

2026 年 2 月 3 日，斯坦福大學剛畢業的兩位博士 Kexin Huang（黃柯鑫）和 Yuanhao Qu（屈元昊）創立的 Phylo 公司宣布完成 1,350 萬美元種子輪融資，由 Andreessen Horowitz（簡稱 a16z）與 Menlo Ventures 旗下與 Anthropic 合作的 Anthology Fund 聯合領投。這筆投資的背后，是一款名為 Biomni 的開源生物醫學 AI 智能體——它正試圖重新定義生物學家與計算工具之間的關系。

黃柯鑫師從斯坦福計算機科學教授 Jure Leskovec，后者的研究組在圖神經網絡和大規模機器學習領域影響深遠；屈元昊則師從斯坦福病理學教授、《麻省理工科技評論》“35 歲以下科技創新 35 人”中國區入選者叢樂（Le Cong），叢樂是 CRISPR 基因編輯技術的先驅之一，這兩位導師同時也是 Phylo 的科學聯合創始人。

此外，2022 年諾貝爾化學獎得主 Carolyn Bertozzi、CRISPR 技術先驅張鋒（Feng Zhang）、計算生物學領軍人物 Fabian Theis 等人也作為科學顧問加入了 Phylo。前 Benchling 首席戰略官 Malay Gandhi 擔任創始顧問，為公司的產品化和商業化路徑提供指導。

圖丨Phylo 創始團隊（來源：Phylo）

在本輪融資宣布之前，我們與黃柯鑫進行了一次深入對話。他談到了自己進入 AI for Biology 領域的契機、Biomni 的核心理念，以及他對這個交叉學科未來走向的判斷。

從數學到 AI 科學家

黃柯鑫的研究興趣并非始于 AI 熱潮。他本科主修數學和計算機科學，大三時在洛克菲勒大學參與暑期實習，在 Lawrence Sirovich 教授指導下接觸了計算生物學。

但真正讓他下定決心深耕這個方向的，除了學術興趣，還有一些個人層面的考量。他意識到，如果計算方法真的能在生物醫藥領域產生影響，那它解決的可能不只是抽象的科學問題，而是與自己切身相關的健康命題。

“我當時就想，能不能把自己的計算訓練真正用到實際的事情上，做一些有影響力的工作，”他回憶道。這份對真實世界問題的關切，驅動他在此后近十年間持續探索 AI 在生物醫藥領域的應用。他先后在輝瑞、基因泰克、GSK、IQVIA、丹娜法伯癌癥研究所等機構從事研究，積累了對產業界需求的深入理解。

圖丨黃柯鑫（來源：受訪者）

在斯坦福攻讀博士期間，黃柯鑫師從圖機器學習領域的知名學者 Jure Leskovec，發表了一系列高影響力工作。其中 TxGNN 是一個用于藥物重定向（drug repurposing）的圖神經網絡基礎模型，發表于《自然·醫學》，能夠在零樣本條件下為缺乏現有療法的疾病識別潛在治療藥物。

另一項名為 GEARS 的工作專注于基因擾動效應預測。這些研究的共同特點是：用 AI 模型去理解和模擬生物系統中復雜的因果關系，而非僅僅擬合統計相關性。

但黃柯鑫坦言，他始終有一個困擾。這些模型在論文中表現優異，卻很難真正被生物學家使用。他做了大量工作，發布了各種機器學習模型和基礎模型，在 benchmark 上效果都很好，但總覺得離“真的能用起來”還有距離。展示給生物學家看時，對方的反應往往是“這很酷”，可真讓他們日常使用卻無從下手。問題在于，這些預測模型對于科學家的日常研究任務來說是一種“增值服務”而非剛需，它們沒有融入既有的工作流程。

轉折點出現在 2024 年。大語言模型驅動的 AI 智能體（AI Agent）概念興起。黃柯鑫意識到，這或許是打通模型與實際應用之間鴻溝的關鍵。智能體能夠直接影響生物學家的日常工作，因為它本質上是在自動化那些繁瑣的常規任務——做生信分析、查數據庫、查文獻、匯總信息。這些事情占據了研究人員大量時間，卻并不需要太多創造性思維。

于是 Biomni 項目應運而生。

Biomni：生物學的集成開發環境

軟件工程師有 IDE（Integrated Development Environment，集成開發環境），設計師有 Figma，分析師有 Excel，但生物學家從未擁有過一個真正屬于自己的統一工作環境?？茖W文獻分散在各種付費墻后面的 PDF 里，數據存儲在 Excel 表格中，分析流程依賴 R 和 Python 腳本，數據庫被困在形形色色的網頁門戶后面?？茖W家們不得不像急診室的外科醫生一樣，手動縫合來自不同來源的碎片化信息，這個過程既低效又難以復現。

Phylo 想要構建的，是生物學領域的 IDE。Biomni 正是這一愿景的首個具體化產品。

Biomni 的技術架構由兩部分組成。第一部分是 Biomni-E1，一個統一的生物醫學“行動空間”。研究團隊系統分析了 bioRxiv 上 25 個生物醫學子領域的 2,500 篇近期論文，用 LLM 驅動的“行動發現智能體”從中提取完成各類研究任務所需的工具、數據庫和軟件。

經過人工專家驗證后，他們構建了一個包含 150 個專業生物學工具、105 個軟件包和 59 個數據庫的環境，涵蓋從濕實驗 protocol 設計、AI 預測模型到領域知識 know-how 的方方面面。

（來源：bioRxiv）

第二部分是 Biomni-A1，一個通用型智能體架構。它接收用戶的自然語言查詢，通過檢索系統選取相關工具，運用 LLM 推理生成分步計劃，然后以可執行代碼的形式完成每一步操作。與傳統的函數調用方式不同，這種代碼驅動的方法能夠靈活處理循環、并行和條件邏輯，適應生物學研究中高度異質化的工作流程。

在論文中，研究團隊展示了 Biomni 在多個真實場景中的表現。一位研究人員將 458 個 Excel 文件，包含 30 位受試者數月的可穿戴設備數據交給 Biomni，要求分析餐后體溫變化模式。Biomni 自主生成并執行了 10 步分析流程，發現受試者進食后平均體溫上升 2.19°C，且個體間存在顯著差異。這項分析若由人工完成，預計需要三周；Biomni 用了 35 分鐘。

單細胞多組學數據的處理更能體現系統的復雜任務執行能力。面對包含約 33.6 萬個細胞核的 snRNA-seq 和 snATAC-seq 數據集，Biomni 完成了從數據加載、基因調控網絡推斷到轉錄因子活性分析的完整流程。

它不僅重現了原論文中已知的調控關系，還發現了 AUTS2、ZFHX3 和 PBX1 等轉錄因子在骨骼發育中此前未被充分認識的作用。整個過程耗時五個多小時，期間 Biomni 自行處理了變量名不匹配等執行問題，所有中間輸出、代碼、圖表、日志，都被組織在可復現的文件夾結構中。

另一個代表性的案例是一項分子克隆任務。在該任務中，Biomni 被要求設計將靶向人類 B2M 基因的 sgRNA 克隆到 lentiCRISPR v2 Blast 載體中的完整 protocol。它自主完成了質粒分析、sgRNA 設計、引物設計、Golden Gate 組裝條件設定和菌落篩選策略制定。

一位科學家嚴格按照 Biomni 生成的 protocol 進行實驗，次日便觀察到菌落生長，Sanger 測序確認 sgRNA 正確插入。在與人類專家的盲測對比中，Biomni 的表現與擁有 5 年以上經驗的資深研究員相當，遠超初級研究人員。

圖丨Biomni 設計濕實驗室實驗方案（來源：bioRxiv）

通用架構的邏輯

Biomni 選擇了通用型（general-purpose）架構，而非為每個任務構建專門的智能體。為什么不針對不同任務做專門優化？

黃柯鑫向我們解釋了他的考量?！吧飳W里任務種類繁多，每個都不一樣，甚至同一個任務換個問法就完全不同了?？梢越o每個任務都做一個專門的智能體，但這種方式根本沒法規?；?。”他們當時就在想，能不能設計一個通用型的架構，用一套系統解決各種各樣的問題。

更深層的理由在于跨學科發現的可能性。他觀察到，很多重要的科學發現往往發生在兩個子領域的交界處，需要調用不同領域的知識和信息。專門化的智能體都是任務導向的，而通用型智能體可以橋接不同子學科，這樣就有機會做出一些新發現。這一觀點與科學史上的諸多案例相呼應：

CRISPR 的發現源于對細菌免疫系統的基礎研究，而非定向的基因編輯技術開發；免疫檢查點療法的突破也來自對 T 細胞信號通路的基礎探索。

當然，通用架構也有局限。黃柯鑫承認，在某些需要高度專業 know-how 的任務上，比如只有資深專家才掌握的實驗技巧，當前的 AI 智能體仍難以企及。那些高精尖任務，需要很強的隱性知識積累，目前還做不到。

當然也有人質疑，生物學強調因果鏈條，而大語言模型本質上是在做模式匹配和相關性推斷，它真的能勝任科學發現嗎？

對于這一問題，黃柯鑫的看法是：“很多時候我們也不確定那是不是真正的因果關系。本質上可能還是相關性，只不過當相關性足夠強的時候，我們才認為它是因果?！?/p>

生物學作為一門經驗科學，知識增長本身就是通過大量證據的積累來實現的。今天發現 A 與 B 強相關，明天發現 B 與 C 強相關，逐步串聯起來才形成對疾病機理的理解。從這個角度看，當前推理模型展現的能力或許已經足夠支撐科學發現了。

讓 Biomni Lab 成為電腦上的標簽頁

根據官方數據，自 Biomni 項目發布開源以來，其在不到一年已被超過 7,000 個實驗室采用，包括全球 20 大制藥公司中的 18 家。Phylo 的商業化路徑是在開源版本基礎上推出企業級產品 Biomni Lab，提供額外的安全控制、自定義 Agent 支持等功能。

a16z Bio + Health 團隊領投此輪的合伙人 Jorge Conde 在投資備忘錄中寫道，他們認為 Biomni Lab 可以成為每個實驗室、每臺電腦上永遠打開的那個標簽頁。當一個統一的環境成為所有科學研究的窗口時，發現的速度和連貫性將發生根本性改變。

在采訪的最后，黃柯鑫談到了他的長期愿景：五年、十年后，生物學家打開電腦第一件事就是使用類似 Biomni 這樣的平臺。早上先看昨晚智能體完成的任務結果，然后用自然語言寫幾條指令讓它繼續分析，自己則去做實驗或者思考更有意思的問題。

這種人機協作模式類似于 PI（首席研究員）與研究團隊的關系，一個科學家可以同時指揮十幾二十個 AI agent 并行執行不同任務。常規分析都能被覆蓋，這樣，人類就可以專注在產生有意思的想法上。

這次融資距離 Biomni 論文發布僅八個月。從學術項目到商業公司的速度之快，也反映出當下 AI for Science 賽道的火熱。但正如黃柯鑫所言，當前最大的非技術瓶頸或許是教育和信任——讓更多生物學家理解并接受這種全新的研究方式，學會與 AI 智能體協作，并在過程中保持科學家應有的審慎。這是一種完全不同的工作模式，需要時間。

參考資料：

1.https://phylo.bio/

2.https://biomni.stanford.edu/paper.pdf

運營/排版：何晨龍