上交大谢伟迪创办观壹智能：想让AI当生命科学的“编译器”

10 月 31 日，2026 世界顶尖科学家论坛颁奖典礼上，上海交通大学人工智能学院副教授谢伟迪拿下了首届世界顶尖科学家奖“青年科学家奖”，全球只有六位获奖者，他是其中之一。这一届论坛到场的有诺贝尔奖、图灵奖、菲尔兹奖得主等近 300 位科学家和科创企业代表。

谢伟迪是牛津大学 VGG 组博士，回国四年多，海外优青、教育部 U40、国家杰出青年科学基金项目（A 类）先后拿到手。从计算机视觉到医学人工智能，再到生命科学基础模型，他在好几个方向上都做出了成果。不过回头再看这些年的研究，他不觉得自己走的是一条提前规划好的路。

一个方向慢慢热起来的时候，他反而会动离开的念头。他最早念的是通信，后来觉得这个领域已经有一套相当成熟的系统，很多工作无非是在上面“修修补补”，于是转去搞 AI。据他回忆，那会儿 AI 还不像今天这样被普遍接受，在有些人眼里甚至只是个“泡沫词”。2014 年他赴牛津大学读博，毕业后留校做博后。那几年的研究，一头是计算机视觉，一头是医学影像。

2022 年回国加入上海交通大学之后，他逐渐感到视觉领域的一些核心算法已经比较成熟，下一步更关键的是把规模做大。他也开始琢磨：语言模型、视觉模型这些工具既然已经在手，能不能拿它们去啃一个具体的科学问题？此前在医学影像上的积累，让 AI 与生命科学的结合成了一个顺理成章的切入点。

只是这些转向，都不是提前排好的路线。谢伟迪坦言，没人能预先知道一个领域什么时候成熟，他只能在研究里不断修正自己的判断，再决定下一步往哪走。

今年，他和合作者发表了一系列 AI 与生命科学深度融合的模型：罕见病辅助诊断系统 DeepRare 登上 Nature，肿瘤的病理基础模型登上 Cancer Cell，预测转录组和表型的虚拟细胞模型则分别登上 Nature Machine Intelligence 和 Nature Chemical Biology。

谢伟迪想做的还不止这些。他还要往下追问：疾病为什么发生，能从哪儿干预，什么样的药物可能有效？为了回答这些问题，这位上海交通大学人工智能学院副教授与王延峰、张娅两位老师一起创办了观壹智能（OneX Intelligence），最近完成了首轮商业化融资。

观壹智能要训练的生命科学基础模型，能把生物学知识和实验数据连起来；顺着问题提出假设，再交给实验去检验。他期待这项探索能摸索出新的疾病机制和治疗办法。

10 月，DeepTech 在上海与谢伟迪进行了一次对话，聊的是他从计算机视觉转向生命科学的研究经历、创办观壹智能的缘由，以及 AI 如何参与疾病机制与新药的探索。

以下是 DeepTech 与谢伟迪的对话。

让 AI 去探索下一个问题

DeepTech：你最早的研究方向是计算机视觉、视频预测和多模态学习。如今回看，你是在哪个节点上发觉，自己的兴趣已经不只是“把单个 AI 模型打磨得更好”，而是转向让 AI 去读懂更复杂的真实世界？

谢伟迪：最早学的是通信，后来才转到 AI。那时候，大家还不太接受 AI，觉得它是个泡沫词。

后来做计算机视觉时，也做医学影像，这些方向本来就有交叉。当时研究的自监督学习，不只有视觉，也包括文本、语音等多种模态。

再到后来，我们的判断是：计算机视觉里有些算法已经相对成熟，下一步的关键在于规模化。模型说到底只是工具。大语言模型、视觉模型这些工具既然已经摆在手边，那不如挑一个具体的科学问题去做。我恰好有医学影像方面的背景，于是从医疗切入，再沿着疾病的外在表现，一步步往生命科学更底层的问题走。

DeepTech：你和团队做的 DeepRare，已经把 AI 带到了罕见病诊断中。你怎样用一两句话解释，它到底是什么？

谢伟迪：这是一套多智能体系统，用于罕见病诊断的初筛，也就是让多个各司其职的 AI 协同完成一项任务。我们希望把它做成一套更贴合医学需求、并且过程可溯源的系统。

以前的做法，往往是把患者的描述、症状输进大模型，模型直接判断患者可能得了什么病。可医学讲究循证，每个结论都得有证据撑着，能找得到对应的文献、指南或者相似病例。

之前有些做法，更像 AI 圈里的人自嗨：我们认为模型很强，能为患者诊断、治病。但医学并不接受这样的模型。如果做不到循证，最后谁来负责？医生也无法判断，模型究竟掌握了这些知识，还是出现了幻觉。所以我们希望它更符合医学领域的要求。

DeepTech：既然已经能做到辅助诊断，你为什么没有顺着把 DeepRare 打磨成更成熟的医疗 AI 产品这条路走下去，反而继续转向疾病机制、药物和生命科学基础模型？

谢伟迪：我的看法是，AI 能提升效率、省下人力，但我们真正想让它做的，是解决人类目前还解决不了的问题，比如找到一种新药，或者发现一种新的疾病机制。人本来就会做的事，AI 做得更快，这叫提效；而它能找出人类原先不知道的东西，才是把我们能探索的边界再往外扩。

对于那些还没研究清楚的疾病，我们希望模型能依据已经学到的知识，提出研究路径和假设，去摸清疾病的机理。机理弄明白了，再找解决方案：针对哪个靶点开发药物，用什么药，用什么递送方式，把药送到该去的地方。这才是我们更想让模型做到的。

DeepTech：此前的交流中你提到过，生命科学不能只依赖数据驱动，因为数据里夹杂着大量噪音。结合你所说的“理解生命”，模型该如何在這些噪音中降低干扰、理解得更到位？你又为什么认为，还需要引入大语言模型来带入知识？

谢伟迪：生命体的复杂之处在于，它并不是一成不变的。拿 RNA 来说，你可以把它想成一块“胶皮糖”，换到不同环境里，它的结构可能都不一样。一次实验测到的数据，在那个时间点、那个条件下也许很好，可它反映的只是当时的状态。

只靠数据，模型难以掌握底层规律。大语言模型能补上数据的一部分短板：大规模阅读已有文献、整合历史知识，还能调用工具，让数据和知识共同驱动模型。

文献里还留着科学家发现新机制、一步步推理的过程。这些推理过程也可以拿来用，让语言模型承担推理工作，把不同类型的数据连起来，再与后续实验联动。

DeepTech：你还说过想做一个干湿闭环，让模型提出假设、设计实验，实验再产生数据去更新模型。验证这一环，为什么对你这么关键？

谢伟迪：AI 在编程领域跑得特别快，一个关键优势是有编译器。代码写错了，编译、运行时就会给出反馈，模型照着改。

生命科学某种程度上也需要这样一个“编译器”。模型提出的假设成不成立，得靠反馈来判断。不能提一堆假设，却一个也不去验证。所以需要湿实验，也就是真正的生物实验。

模型要能设计实验，再根据实验结果更新自己。大部分数据靠采购或合作拿到，一小部分需要反复验证的数据，则由自己的实验室产生。

DeepTech：这条路线里，你觉得最大的挑战是什么？此前有一些团队提到会卡在验证成本这一环，你怎么看？

谢伟迪：验证成本确实是个问题，不过也在慢慢降。现在有些公司专门做生物数据，这些变化我们看得到。另一个现实是，生命科学的范围太大，一上来就想把所有问题都解决，肯定不现实。

得先挑一些有价值的子领域，把验证流程跑通，证明这件事可行。比如做核酸药，要考虑序列、毒性和递送。我们现在会先固定一些条件，看其中一部分能不能做得更好。等各部分分别得到验证，再同时放开这些条件、考虑整体优化，那是下一阶段的事。

会不会失灵？说实话，整条链路打通以后，也未必一定管用。不过 RNA 设计、蛋白质、虚拟细胞这些单点能力，我们自己已经验证过了。模型还能不能往前走，和它能不能达到大家期望的水平，并不是一回事。

如果要求模型拿到患者数据后，就能直接给出一款安全、有效的药，我觉得三五年还解决不了。方向肯定是朝那儿走，但中间还有很多工作要做。

不必等到共识出现

DeepTech：你已经换过好几个研究方向，如今又出来创业。按你的说法，你并不“恋战”，这种果决不容易，背后得有很强的判断力。眼下 AI 给所有人都带来了不小的冲击，在这种情况下，你觉得我们该怎么判断哪些问题值得自己去做？

谢伟迪：马斯克讲的第一性原理，我很认同。他为什么能做成这么多事？原因不是他在某个领域特别精通，而是他习惯从第一性原理出发去想问题。做研究同样如此。不管在哪个领域，找第一性原理都是最要紧的方法。拿计算机视觉来说，得判断不同阶段该干什么：某个阶段要研究自监督学习、多模态自监督学习，去探索算法；换到另一个阶段，重心就变成把模型规模做大。

生命科学也一样。哪个场景最需要 AI，什么情况下最需要，做成了会带来哪些改变？这些问题得你自己去找答案。我有时和年轻人聊，会说现在写代码有 AI 搭把手，读论文也有大模型帮着看，比我们那会儿方便太多了。一开始我不太明白，大家每天到底在愁什么。后来才想通，可能是大家还不太会判断：究竟该去解决哪个问题。

所以，真想转到 AI 上来，或者想用 AI 解决自己领域里的问题，还是得先找出其中最重要的几个问题。要是只为了发论文，跟着别人“水”一篇出来，我觉得在这个时代已经没什么价值了。单纯的论文数量，我很早就不怎么在意了。真正关键的，是你解决的问题能不能让人眼前一亮，能不能带来实实在在的进展。

DeepTech：可不少人比较被动，习惯等共识出来了再动。比如生命科学火了，大家才一窝蜂涌进来。你的想法更偏向于不用先等共识，自己就能去发现、去判断；判断对了，它自然就成了共识。

谢伟迪：对，这一点也受我在牛津的导师影响。他既抓细节，也看大方向，清楚当下我们该做什么。有些工作刚做出来时，学术界并不买账，觉得没什么意义。可过了一阵子，大家又都开始做这件事了。

所以，人得有点预见性，也得接受它在早期可能不被认可。比如我最早转向医疗和生命科学，做基础模型、大模型、多模态模型时，和同行交流，人家会问：现在医院都按科室分，你为什么去做通用大模型？通用大模型又慢，效果还不如专用模型。

过了一两年，做的人越来越多，我反倒觉得这件事对自己没那么有意义了。我更愿意先把一个方向立起来，让大家看到能做什么。一旦大家都来做、把这个方向带起来了，我反而觉得，这里用不着我了。

先看看模型能走多远

DeepTech：再说说观壹智能吧。现在很多 AI for Science 公司只做蛋白质、RNA、虚拟细胞里的一个方向，你却一直强调要把这些“单点工具”串起来。为什么你认为生命科学不能一直靠越来越强的单点模型来解决？你希望模型最终“理解生命”理解到什么程度？

谢伟迪：这些工具很重要，已经解决了一些核心问题，但领域里还有很多难题。可以用不同的专用模型一个个去突破。另一条路，就是我们相信的基础模型：指望它学到更多联系，冒出新的能力，哪怕没针对某些问题专门训练过，也能把它们解决掉。

要做到这一步，就得把跨模态、跨层级的知识串起来。比如说，它至少得理解从 DNA 到 RNA、再到蛋白质合成的过程，以及这个过程怎样影响细胞状态；在不同环境下，受药物或其他因素影响，细胞又会出现什么变化。

我们把药物结构、蛋白质靶点与生物学知识放进同一个框架，在虚拟细胞上做研究，预测细胞遭遇药物扰动后的反应。这些尝试说明，不同类型的信息叠加起来，确实值得继续往下做。

最终想实现的是“一人一药”。每个人的 DNA、所处环境、疾病情况都不同，同一种病落到不同人身上，对药物的反应也不一样。模型要做的，就是依据这些差异去支撑更精准的治疗。

先从罕见病入手，原因也在这里。这类患者数量少，不少疾病至今没有有效的治疗手段。我们想先验证模型能不能在这些问题上起作用，再一点点把范围铺开。

DeepTech：从一支科研团队走到注册公司，是什么契机让你判断，这件事不能再只靠论文和实验室往下推？

谢伟迪：大约在 2025 年夏天，我和两位联合创始人王延峰老师、张娅老师开始筹备公司。这个决定与其说出于个人意愿，不如说来自对 AI 模型能力的判断。那时我们自己也在训练生命科学领域的语言模型，测过 DeepSeek 之后发现，学术界自研的语言模型在能力上已经很难和产业界掰手腕。语言模型整体走到了一个我认为“可用”的阶段。

放在过去，模型读不懂生命科学里这么专业的内容。到了那个节点，技术虽未完全成熟，效果已经拿得出手，也能预判它会继续往上走。同期，多模态数据的采集手段在改进，成本也在往下掉。

还有一点：有些问题值得探索，但只有把规模做上去才看得见。常规科研经费撑不起这么大的投入，得借商业和资本的力量，才能接着去摸模型能力的上限。几个条件凑在一起，促使我出来创业。

DeepTech：你说创业是为了继续探索模型能力的上限，可公司终归要有商业回报。眼下这两件事，你怎么取舍？

谢伟迪：不能只盯着商业价值。做药的商业价值确实高，可一旦只算商业账，一些原本做 AIDD（AI Drug Discovery，人工智能辅助药物发现）的公司，做着做着就成了纯粹的药物研发公司，只剩 DD（Drug Discovery，药物发现）。大家都去推管线，AI 和基础模型本身反倒未必还有人继续投入。

这一点我很在意。我在想，是不是该花上两三年，先把精力集中在模型智能的上限上，看它还能往上提多少。一些大模型公司早期也是这样，大家关心的是智能还能走多远。等模型能力到了一定水平，主动来合作的人自然会多起来。

所以眼前的商业回报不是唯一尺度。我希望基础模型本身能继续往前走，能解决更多生命科学问题。至于落到哪些场景、用什么方式变现，可以等模型能力提升了再去摸索。

DeepTech：把模型做大，又要和实验结合，资金和资源的需求都不低。初创公司凭什么破局？你们最终想做模型公司，还是自己下场推进药物研发？

谢伟迪：我们本质上还是一家模型公司。现阶段不会从零大规模训练一个通用大语言模型，而是拿已经预训练好的模型，做面向生命科学的后续训练和多模态整合。

我们想先在几个具体领域把模型能力展示出来，靠持续迭代一步步推进。团队里不少人是我过去长期合作的学生和科研伙伴，在 AI 与生命科学的交叉方向上已经攒了一些积累。

做药也是同样的思路。假如模型找出十个有价值的靶点，我们没有足够资金独自推进十条管线。那就和药企合作继续研发，最终共享收益。对我们来说，新发现带来的价值更有吸引力，单纯按模型调用量收费不是我们想要的。

DeepTech：你团队里不少人是过去长期合作的学生和科研伙伴。可从带课题组到带公司，很多事得重新学。面对外界对你创业的疑虑，你自己怎么适应？

谢伟迪：说实话，创业以来不被理解的时候不少。我起初不太接受：已经在一个领域证明过自己，为什么不能换个行业再来一次？后来慢慢想通了，这很正常。你不能指望所有人都跟你看法一致。很多时候，人对一件事的判断是主观的，你看见的东西，别人未必看得见。

外界的顾虑得坦然接受，自己的情绪也得学会排解。创业这件事我就是个新手，大家有各种担心。他们觉得你留在学术界可能做得很好，还能继续往上走；到了商业界，未必行。这些顾虑没法当场打消，只能靠时间证明。

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成