能查文献、跑分析、追证据，还能发现可验证靶点的“AI 研究搭子”，正在走进生物医学实验室。近日，第二届生物医学智能计算学术会议在杭州举行，来自国内外的专家学者围绕生物医药领域的 AI 基座模型、智能体等前沿方向展开研讨。全省生物医学智能计算技术重点实验室在会上发布了面向生物医学的智能体平台 BitCollie 和可信科研智能体“科小文”（ScholarX）。会议由该实验室与浙江科技大学计算机科学与技术学院、浙江大学滨江研究院、杭州华大生命科学研究院、浙江省计算机学会联合举办。

一条从模型到实验的新链路

近两年，随着 AI 技术突飞猛进的发展，学者们共同关注 AI 给生物医学研究带来的深刻变化：从“通用模型拿来就用”到“自研领域基座模型”，从“单模型给答案”到“多模型融合取证”，从“人迁就工具”到“工具适应人”——新的科研范式正在成形。

杭州华大生命科学研究院分享了自主研发的 Genos——全球首个百亿参数的基因组基座模型：以 5 万亿个基因 token 为训练语料、支持 100 万碱基上下文，在基因功能元件识别等零样本任务上优于 Evo2-40B 等国际同类模型，把过去动辄数月的分析压缩到毫秒级的单次推理。模型解决的是“算得准”，但单一模型看不全一种疾病；要让它真正进入科研流程，还需要一个把多个模型、数据与工具组织起来的平台。

全省生物医学智能计算技术重点实验室带来了自主研发的两款智能体平台 BitCollie、ScholarX，以及配套的生物医药专用向量数据库与 EvidenceNet。BitCollie 让研究者不必写代码：用日常语言说清目标，平台就会自主规划，并把 Genos、蛋白结构模型 ESM2、泛癌大模型等多个模型融合进同一任务，统一坐标、标出冲突、交叉裁决；其底座则是 3 PB 原始数据、60 多个生物医学数据库与知识库、超 500 个工具，以及达到国际先进水平的生物医药专用向量数据库。EvidenceNet 在这些资源之上把论文信息整理成结构化证据，让结论可回溯到原始依据。ScholarX 则把这套做法带进科研全流程：它以科研项目为中心，内置 231 项工作流技能、10 余个专家智能体和 130 余套写作与绘图模板，可按项目接入多组学、药物设计等能力包；论断可回查到文献原文与计算过程，经验可在相似任务中复用。在 ResearchClawBench 阶段性评测中，生命科学任务在 36 个模型中位列第 4。

以 BitCollie 的靶点发现为例，真正的改变在“怎么算”与“怎么验证”。BitCollie 不替研究者下结论，而是把大问题拆成可验证的小问题，多源取证、比对矛盾；支持与反对的证据、冲突与空白都记进“证据台账”，每一步留下可溯源的脚本与记录。在肝癌、白血病等项目中，BitCollie 逐步发现 SCARB2、FGD5 等潜在靶点，并把结论严格限定在“特定细胞区域、特定病因”或“相关性成立、耐药因果待验证”，给出可证伪实验设计；中国医学科学院医药生物技术研究所以这些设计为指引开展湿实验，取得了与计算结论一致的结果。模型自研、多模融合、工具适应人、结论可验证——四个环节环环相扣，从模型一路走到实验验证。

一个国际生物医学智能计算联盟正式成立

联盟由浙江科技大学、杭州华大生命科学研究院、浙江大学滨江研究院共同牵头发起，汇聚国内外 24 家高校、科研院所、医疗机构及企业，覆盖数据生成、算力支持、开放平台、应用场景等全产业链环节。联盟秉持“自愿共建、开放加盟、协同创新”原则，从五个方面发出倡议：坚持交叉创新，围绕生物标志物发现、AI 辅助新药研发等方向联合攻关，打通基础研究、算法开发与技术转化链条；开放平台、样本、数据、算力等资源，建立标准化生物医学数据共享机制，共建公共测试基准与算法验证平台；深化国际协作，推进联合攻关、学者互访与人才联培；推动成果向精准医疗、创新药物研发及生命健康产业转化应用；恪守科研诚信、数据安全与生物伦理规范。

未来，联盟将持续深化人工智能与生物医学交叉融合，推动智算、超算能力与产业需求精准对接，加强高层次学术交流与开放合作，不断扩大 BitCollie 和 ScholarX 的应用场景与用户基础，把两个平台进一步做成开放社区。社区面向成员单位开放，让各家的真实课题、数据与算力在其中共享，使用者的反馈再回到平台，形成“共建—共享—共进”的循环，为健康中国、健康浙江建设贡献力量。