Zuckerberg 夫婦的世紀豪賭：用 AI 建一顆虛擬細胞，然後治好所有的病

TL;DR

• Chan Zuckerberg Initiative（CZI）的核心策略不是直接做藥，而是花五億美金建「工具」給全世界的科學家用
• Cell Atlas 是生物學版的元素週期表，十年累積數百萬筆細胞資料，七成五來自社群自發貢獻
• Virtual Cell Model（虛擬細胞模型）讓科學家能在電腦裡先跑實驗，降低濕實驗室的時間和金錢風險
• EvolutionaryScale 團隊加入 Biohub，由 AI 背景的 Alex Rives 領導整個科學計畫
• Biohub 正在擴張的不是實驗室面積，是算力。從一千顆 GPU 準備衝到一萬顆

---

這集在二〇二六年七月九日播出的 a16z Podcast，是他們 summer replay 系列重播的一集。a16z Podcast 是 Andreessen Horowitz 旗下的招牌節目，常找科技圈的創辦人、投資人跟產業領袖來聊趨勢。這集由 a16z Bio + Health 基金的合夥人 Vineeta Agarwala 主持，來賓是 Mark Zuckerberg 跟他太太 Priscilla Chan。Priscilla 是小兒科醫師出身，在 UCSF 受訓，兩人在二〇一五年成立了 Chan Zuckerberg Initiative（CZI），目標是「在本世紀結束前治癒、預防、管理所有疾病」。Biohub 是 CZI 底下做基礎科學研究的核心機構，二〇二六年五月剛宣布五億美金的 Virtual Biology Initiative。

---

生物學到現在還沒有元素週期表

Zuckerberg 在節目裡講了一句讓我停下來想的話：「我們都二〇二五年了，生物學竟然還沒有一個像化學元素週期表那樣的東西。」

這句話聽起來誇張，但其實是事實。我們對人體細胞的分類和理解，遠遠不如化學對元素的理解。每個人的細胞都不一樣，同一種「疾病」底下可能是完全不同的機制在作怪。Priscilla 用她當住院醫師的經驗說，很多時候面對病人，她能做的就是印一張 PDF 出來，上面寫著「我們目前知道的就這些」，然後自己想辦法翻譯成治療方案。

這就是基礎科學的瓶頸。不是沒有聰明人，是沒有工具。

不做藥，做「讓所有人都能做藥」的工具

CZI 的策略從一開始就跟傳統慈善不同。他們不是把錢撒出去給各個實驗室，每個實驗室拿一小筆去做自己的研究。Zuckerberg 說得很直白：如果你把錢拿去資助全國每一個實驗室「下一個最好的計畫」，根本不可能達到治癒所有疾病的目標。

他們的思路是：科學史上所有重大突破，前面幾乎都有一個新工具的發明。顯微鏡讓人看見細菌，望遠鏡讓人看見星系。沒有工具，做研究就像寫程式不能 debug 一樣，你只能盲猜。

所以他們決定把資源砸在建工具上。規模是一億到十億美金等級、時間軸是十到十五年，這種投資不是 NIH 的小額補助能做的，也不是任何單一實驗室能承擔的。

這個邏輯跟之前在大家都在問 AI 賺不賺錢，Benedict Evans 說「我也不知道」裡聊到的基礎建設投資邏輯有點像。別人在上面蓋房子之前，得先有人把路鋪好。

Cell Atlas：一個意外長出 network effect 的科學工具

Cell Atlas 的故事我覺得最有意思。十年前 CZI 資助了幾個實驗室做單細胞轉錄組學（single-cell transcriptomics），想把人體所有細胞分類建檔。但很快就遇到瓶頸：產出的資料量太大，標註（annotation）的速度跟不上。

所以他們做了一個叫 Cell by Gene 的標註工具，讓做單細胞研究的人可以快速標註資料。然後把資料公開讓大家共享。

接下來發生的事情很有趣。因為大家都用同一個標註工具，資料格式自然就統一了。格式統一之後，社群開始自發地把自己的資料貢獻回來。十年下來，整個資料庫裡的資料，CZI 自己只資助了兩成五，剩下七成五是社群自己加進來的。

這根本就是 network effect。來為了標註工具，留下來為了共享資料。跟社群產品的增長邏輯一模一樣。

Vineeta 在節目裡也提到，她投的一家做特發性肺纖維化（idiopathic pulmonary fibrosis）的新創，就是用 Cell Atlas 的 cell-by-gene 資料去找新的藥物標靶。這種病連名字都在告訴你「我們不知道為什麼會得這個病」（idiopathic 就是原因不明的意思），但有了這些資料，至少可以開始從細胞層面找線索。

Virtual Cell Model：讓科學家先在電腦裡失敗

虛擬細胞模型是 CZI 現在最核心的賭注。簡單講，就是用 AI 建一個能模擬細胞行為的模型，讓科學家可以在電腦裡先跑實驗。

為什麼這很重要？因為現在做生物研究的激勵結構有問題。政府經費難拿、濕實驗室的實驗又貴又慢，所以科學家不敢問太大膽的問題。你必須選一個「有一定機率成功」的題目，不然升等、發表都會出問題。

如果有一個虛擬細胞模型，你可以先在 in silico（電腦模擬）環境裡測試瘋狂的假設。不用花三個月做實驗才發現走不通，可能半天就知道方向對不對。就算模型不是百分之百精確，只要能給你方向性的訊號，就已經大幅降低了嘗試的成本。

Priscilla 用了一個很好的比喻：把它想成模式生物（model organism），像果蠅之於遺傳學，但這次是對人體有高保真度的數位版本。

他們目前已經在建的模型包括：

模型	功能
Variant Former	預測 CRISPR 編輯後細胞會怎麼變化
擴散模型	描述一種細胞型態，它就生成合成版本
Cryo 模型	空間模型，理解細胞在不同狀態下的形態
推理模型	生物學的第一個 reasoning model，能推導因果而不只是相關性

那個推理模型特別讓我注意。因為在 AI 產業裡我們已經看到 reasoning model 帶來的跳躍式進步，如果這套邏輯能用在生物學上，潛力很嚇人。

階層式架構：從蛋白質往上堆

Zuckerberg 特別解釋了他們的技術路線圖。不是直接建一個巨大的「萬能細胞模型」，而是從最小的單位往上堆：

蛋白質模型 → 細胞模型 → 虛擬免疫系統 → 更複雜的系統模擬

這就是為什麼他們把 EvolutionaryScale 整個團隊併進來。ESM（Evolutionary Scale Modeling）是 Meta AI 實驗室出來的蛋白質語言模型，現在由 Alex Rives 帶領整個 Biohub 的科學計畫。一個 AI 背景的人來領導生物研究，Zuckerberg 說這本身就說明了他們認為 AI 和生物學之間的權重分配。

擴張的是算力，不是實驗室

整集最務實的一段，是他們聊到 Biohub 的「擴張」。不是蓋更多實驗室，而是從一千顆 GPU 準備衝到一萬顆。

「研究者不要員工幫他們做事，不要更多空間，他們要的是 GPU。」

這跟我之前在一個 string theorist 用五分鐘拿到 Sequoia 的支票那篇聊到的 token 資源分配邏輯是同一回事。算力就是這個時代的實驗室空間，只是比實驗室貴很多。

他們也開放外部科學家申請使用這些算力資源。如果你有一個需要大規模計算的研究問題，可以申請進來用。資料是開放的，但 GPU 是有限的，這種「開放資料 + 有限算力」的組合，某種程度上就是在篩選最有價值的研究問題。

我的觀察

生物界的人覺得「治癒所有疾病」是瘋了，AI 界的人覺得這太無聊、遲早會自動發生。Zuckerberg 自己講的這個觀察，我覺得精準地描述了這個計畫的定位。它不是在兩個極端之間選邊站，而是在中間搭一座橋。

十年前他們宣布這個目標的時候，多數科學家連正眼都不敢看他們。但十年後，他們建的工具已經有七成五是社群自發貢獻的資料，有新創在用他們的 atlas 找藥物標靶，有推理模型開始能推導生物因果。

Priscilla 說了一句讓我印象很深的話：做慈善最痛苦的事情是沒有市場訊號告訴你做得好不好。不像上市公司有股價，不像新創有 ARR。但他們找到了一個替代指標：有多少人在用你的工具。

這個思路其實跟做開源軟體很像。你的 impact 不是靠你自己的輸出來衡量，而是靠你啟用了多少其他人的輸出。

想看更多這類 AI 與產業交會的觀察，歡迎訂閱 wilsonhuang.xyz，不定期更新。