AI 可以把生物通路讲得越来越清楚，但它见到的生命，可能早被人类剪裁过一次。基因、细胞类型、疾病名称，帮助我们建立知识体系。可当这些概念也成为模型的学习边界，理解生命的工具，会不会反过来限制发现？
在《Biology Beyond Human Intuition》这篇观点文章中，Morgan Levine 把问题推向了数据生成的上游：我们决定测什么、做什么实验、发表什么，模型随后学习这个被筛选过的世界。但这是一项值得检验的判断，距离“AI 已经超越人类理解”还很远。
给细胞起了名字，剩下的信息怎么办？
给城市画地图，需要省略树木和窗户；但换成研究热岛效应，被省略的细节可能又变得重要。Levine 对生物分类的提醒也在这里：一个好用的名称，并不能自动保存对象的全部信息。细胞类型标签可以组织知识，却未必覆盖同类细胞在时间、位置和环境中的状态差异。
她担心，当研究围绕少数熟悉指标展开，我们可能把尚未被命名的差异压缩掉。但分类的成功与分类的完整，是两个不同问题。值得追问的是：我们为了读懂生命，究竟提前删掉了什么？ 这个问题也有另一面：被保留的信息是否真的有用，仍需要针对任务检验。
实验做得更整齐，模型就能走得更远吗？
Levine 把同样的担忧延伸到实验：在熟悉的细胞系、条件和读数中反复测量，有利于积累可比较的证据，但重复次数与情境覆盖，并不能相互替代。如果目标是预测一种干预在陌生环境中的效果，就该把“换个环境还能成立吗”单独列为考题。
CPJUMP1 提供了一个具体切口。2024 年发表于《Nature Methods》的资源研究，围绕 160 个基因和 303 种化合物，在 U2OS、A549 两种细胞及不同时间条件下采集数据。但这套设计没有抹掉情境，反而把情境写进了实验结构。作者还保留了成像条件变化，用来检验方法的稳健性。
论文解释了生命，也压缩了生命
一份旅行攻略能告诉你怎样走，但无法替代整座城市的现场。Levine 认为，科学文本也带有类似的压缩：实验被整理成问题、结果与解释，部分条件和不确定性不会进入最终叙述。语言模型从中获得庞大的知识，却也继承了人类选择记录什么的偏好。
这并不否定文献学习的价值。但把已有概念组织得更熟练，与找到更有预测力的表征，仍有距离。所谓表征，可以理解为模型内部保存信息的方式。沿着 Levine 的论点推下去，若某种差异没有进入观测和记录，就很难指望更流畅的推理凭空补回它。
先多看一点，别急着给每个变化命名
像先留下街景、再研究其中的规律，Cell Painting 会通过染色和成像保留细胞形态的多个侧面。CPJUMP1 研究报告了约 300 万张图像和约 7500 万个单细胞的图像特征。但多通道图像仍是选择性观测，无法成为细胞的完整副本。
这类观测的价值，在于不必把所有信息先压成一个“有效／无效”标签。JUMP 团队 2025 年的后续资源研究，将遗传扰动覆盖扩展到 15,243 个不同的人类基因。但这项规模更大的研究采用的是 U-2 OS 细胞，基因覆盖广，并不等于生物情境覆盖广。
更值得注意的是，CPJUMP1 作者发现，匹配作用于同一靶点的化学和遗传扰动，仍然是一项困难任务。但这恰好提醒我们：共享一个靶点名称，未必就会出现同样的可见表型。化合物作用、基因敲除和过表达之间的关系，需要回到具体实验中辨认。
对 BioTender 而言，这支持一种审慎的编辑判断：可以让模型从更丰富的观测中学习，但不能把“信息更多”直接兑换成“理解更深”。高维数据可以打开新的窗口，窗口之外仍有生命。 是否学到了可迁移的规律，需要在新条件、新样本和干预结果中继续检验。
“黑箱数据”，也得把实验交代清楚
2026 年 4 月，Luca Naef 与 Michael Bronstein 在《Chemical Science》提出“黑箱数据”框架：让数据生成更适合机器学习，在吞吐量、成本、噪声与可解释性之间重新取舍。但两位作者明确强调，黑箱描述的是读数与目标之间的解释关系，不能成为降低实验严谨性的理由。
就像相机底片需要处理才能显影，某些读数可能要经过复杂计算，才能用于目标预测。但处理能力再强，也离不开对照、准确的实验元数据和独立评测。两位作者同样主张，用精心整理的高质量数据校准、验证黑箱方法。给模型更多学习空间，验证的责任不能随之缩小。
更大的模型，先接受更难的考试
“学过很多数据”究竟意味着什么？2025 年《Genome Biology》的一项评测，把 Geneformer 和 scGPT 放在不做任务特定微调的零样本设置中，使用 5 个数据集检查细胞表征等能力。但两者的受测配置并未稳定优于高变基因选择、Harmony 和 scVI 等基线。
这个结果不能被改写成“基础模型无效”。但比较条件必须说清：Harmony、scVI 使用了目标数据进行拟合，部分评测数据也与预训练集重叠。论文评估的是历史版本、特定任务和配置，并未覆盖所有模型，更没有直接证明未来的表征学习走不通。
这项研究还留下一层值得追问的张力：细胞类型分离指标，要借助已有标签判断模型是否保留生物差异。但如果我们寻找的恰好是标签之外的状态，仅靠这一把尺子，也难以裁决全部价值。这是对评测范围的提醒，不能拿来替表现不佳的模型开脱。
因此，沿着本文的判断，考试还应继续向前：换供体、换条件、换细胞情境，再用干预实验检查预测。但新指标也必须有可靠依据，不能因为旧标签不完整，就跳过可重复的检验。允许模型提出陌生的表示，也要允许实验明确地否定它。
如果 Levine 的提醒成立，下一步的投入就该同时审视模型和观测：哪些原始读数值得保留，哪些实验情境长期缺席，哪些失败结果应该被记录？但任何取舍都需要面对成本和用途，保留一切同样不现实。机器能否帮助我们重新安排这些取舍，才是更具体的问题。
我们仍不知道，怎样的表征足以支撑跨尺度、跨情境的生命预测。但可以先要求每一次“看见更多”的承诺，交出一个能被实验检验的新预测。当模型给出的表示无法对应熟悉的通路和标签时，我们愿意为它设计下一场实验吗？
