DeepSeek -V4-Flash versi resmi baru saja mengguncang lingkaran model besar umum global, DeepSeek versi ilmu kehidupan China pun segera menyusul.
Baru-baru ini, GeneLLM, model besar multi-omics vertikal ilmu kehidupan yang dikembangkan secara independen oleh Jindu Shengke (didirikan oleh 4 lulusan Oxford yang pulang ke China), secara berturut-turut dipublikasikan di jurnal akademik top internasional—"Nature Communications" dan "Advanced Science".
Sebagai model besar multi-omics pertama di dunia yang dilatih pra secara langsung menggunakan data mentah omics, GeneLLM adalah model penting lainnya setelah AlphaFold milik Google dan EVO 2 dari Stanford University, mengisi kekosongan model dasar ilmu kehidupan China, layak disebut DeepSeek versi ilmu kehidupan China, memungkinkan AI mulai memahami berbagai 'bahasa' dan seluruh 'sistem' kehidupan.
Seperti Memprediksi Token Berikutnya, Memprediksi Informasi Kehidupan Berikutnya
Identifikasi penyakit hanyalah salah satu skenario penerapan GeneLLM, apa yang benar-benar ingin dilakukan Jindu Shengke adalah menciptakan "Claude Code" di bidang ilmu kehidupan.
Inti dari model bahasa besar seperti ChatGPT, Claude, DeepSeek, adalah prediksi token berikutnya.
Pemikiran GeneLLM serupa, tetapi yang diprediksinya bukanlah kata, melainkan informasi kehidupan.
Empat basa dalam urutan RNA—adenin (A), urasil (U), guanin (G), sitosin (C)—menjadi Token dasar bagi GeneLLM untuk memahami bahasa kehidupan.
Analisis bioinformatika tradisional biasanya bergantung pada anotasi gen, penyelarasan urutan, dan label yang ditentukan secara manual. Meskipun metode ini akurat, namun akan membatasi cakupan kognitif model lebih awal, dan juga mungkin kehilangan banyak sinyal biologis yang tidak diketahui yang tersembunyi dalam data mentah.
GeneLLM mengambil pendekatan berbeda, belajar secara langsung dari data sekuensing mentah yang belum diolah.
Model ini menggunakan data mentah multi-omics seperti data transkriptomik (RNA-seq), proteomik, metabolomik, dll. sebagai data pelatihan, memungkinkan model menemukan pola terkait penyakit secara mandiri.
Saat ini, GeneLLM telah menyelesaikan pelatihan pra-model dengan 1,5 miliar parameter dan 3,5 triliun urutan basa, versi XLarge mencapai pelatihan pra-model 30 miliar parameter, terus memperluas hambatan teknologi.
Sebagai model besar multi-omics pertama di dunia yang dilatih pra berdasarkan data sekuensing mentah, GeneLLM mencakup dua tahap utama:
(1) Pelatihan Pra Tanpa Pengawasan dan Penambangan Prototipe
(2) Penyempurnaan Penyakit Tingkat Pasien (Disease Tuning)
Pertama-tama, GeneLLM perlu menyelesaikan satu masalah:
Bagaimana mengubah data kehidupan yang kompleks menjadi bahasa yang dapat dipahami AI?
Dalam pemrosesan bahasa alami, algoritma BPE memotong kalimat menjadi Token; sedangkan GeneLLM memotong fragmen sekuensing RNA dengan panjang sekitar 150 bp menjadi Token kehidupan melalui jendela geser (7-mer) yang terdiri dari 7 basa.
Selanjutnya, model menggunakan arsitektur Transformer, tanpa anotasi gen dan label buatan manusia, untuk langsung memprediksi basa berikutnya.
Ini berarti AI tidak terlebih dahulu melihat "kamus" yang disusun manusia, tetapi belajar langsung dari sinyal mentah kehidupan.
Dalam proses pelatihan, GeneLLM memproses puluhan triliun RNA reads, dilatih pada kluster ratusan kartu GPU NVIDIA A100.
Hingga saat ini, kemampuan generalisasi dan lainnya dari GeneLLM mulai "muncul".
Sebagai terobosan inovasi besar di bidang ilmu kehidupan, model ilmu kehidupan domestik ini dapat diterapkan dalam berbagai bidang seperti pengembangan obat baru, pengobatan presisi, biologi sintetis, pemantauan lingkungan, mikroba dan pertanian biologis, desain protein dan molekul, dll., merupakan model besar yang jarang diimplementasikan di skenario nyata secara global.
Setelah kita memeriksa inovasi mendasar GeneLLM dalam "data, arsitektur, pelatihan", barulah kita dapat benar-benar memahami: mengapa ia mewakili "DeepSeek versi biologi" China.
Silicon Valley menumpuk puluhan ribu H100 untuk parameter triliunan, DeepSeek meningkatkan efisiensi komputasi dengan inovasi algoritma, GeneLLM juga menggunakan sedikit kekuatan untuk menggerakkan data ilmu kehidupan miliaran.
Jika dikatakan AlphaFold membuat AI pertama kali melihat "struktur" kehidupan, EVO2 membuat AI mulai memahami "kode" kehidupan, maka GeneLLM mencoba memahami "sistem" kehidupan lebih lanjut.
Yang lebih hebat adalah efisiensinya. Metode tradisional bergantung pada sekuensing dalam 6Gb, biaya tinggi, sulit diimplementasikan. GeneLLM pada kedalaman sangat dangkal 1Gb (biaya berkurang 83%) tetap mempertahankan AUC > 0.8.
Ini berarti benar-benar berharap dapat mewujudkan pengobatan presisi yang terjangkau.
Sebuah paradigma penelitian baru mulai muncul: biarkan AI belajar dari data kehidupan, membawa ilmu kehidupan memasuki tahap baru yang dapat diprediksi, dapat dihitung, dan dapat dieksplorasi secara terukur.
Bukan Hanya Model, Tetapi Juga Infrastruktur Cerdas "Kilometer Terakhir"
Namun tata letak Jindu Shengke tidak hanya pada model dasar.
Dengan model besar multi-omics GeneLLM sebagai landasan kognisi kehidupan, Jindu Shengke lebih lanjut membangun sistem eksekusi yang menghubungkan kecerdasan AI dengan dunia fisik, melalui lapisan eksekusi eksperimen cerdas Harness dan lingkaran data DBTL (Design-Build-Test-Learn), mencapai AI for Science yang lengkap dari pemahaman hukum kehidupan, generasi hipotesis ilmiah, hingga verifikasi eksperimen otomatis dan optimalisasi iterasi berkelanjutan.
Seperti yang dikatakan mantan Wakil Presiden OpenAI, kepala pelatihan selanjutnya Liam Fedus, LLM saat ini telah menghabiskan teks dan kode terbatas di internet, kemajuan besar penemuan ilmiah selanjutnya harus bergantung pada iterasi eksperimen.
Artinya, tidak bisa hanya mengandalkan membaca konten yang telah ditulis manusia untuk menemukan pengetahuan baru, AI harus melakukan eksperimen sendiri.
Tapi masalahnya muncul—
Layanan internet secara alami memiliki API, informasi jaringan secara alami digital, tetapi peralatan penelitian berasal dari produsen yang berbeda, protokol berbeda-beda, kompleks dan mahal, tidak ada yang dapat meruntuhkan dan membangun kembali dalam beberapa bulan.
Laboratorium hari ini, dirancang khusus untuk manusia: panel instrumen, gerakan pipet, status sampel, penilaian di tempat, sebagian besar tidak menjadi sinyal yang dapat dipahami mesin.
AI masuk ke laboratorium, saat ini bukan hanya masalah kemampuan model, tetapi juga memerlukan infrastruktur baru.
Oleh karena itu, AI masuk ke laboratorium, saat ini bukan hanya masalah kemampuan model, tetapi juga memerlukan Harness fisik: mengubah laboratorium menjadi sistem yang dapat dikompilasi, dapat dijadwalkan, dapat diamati, dapat dilacak.
Inilah kilometer terakhir yang sebenarnya dari AI4S.
BioFord Harness, Biarkan Laboratorium Mulai "Bergerak Sendiri"
Untuk itu, Jindu mengembangkan sistem bernama BioFord Harness.
Ini adalah infrastruktur yang menghubungkan AI dan laboratorium fisik.
Mereka tidak membuat lengan robot meniru tangan manusia, tetapi mengubah laboratorium menjadi sistem yang dapat dikompilasi, dapat dijadwalkan, dapat diamati, dapat dilacak.
Dalam proses ini, Harness fisik setidaknya harus menyelesaikan tiga hal:
1. Mengkompilasi maksud ilmiah atau DSL eksperimen menjadi instruksi yang dapat dieksekusi oleh perangkat yang berbeda;
2. Menyelesaikan penjadwalan, manajemen kendala sumber daya dan keamanan di antara banyak perangkat, dan menangani pengecualian;
3. Membuat hasil eksperimen, log perangkat, dan parameter lingkungan mengalir kembali, menjadi input untuk model dan desain eksperimen berikutnya.
Masalah ilmiah → Pemahaman AI → Rencana eksperimen → Penjadwalan perangkat → Eksekusi → Aliran balik data → Optimalisasi model → Putaran berikutnya.
Roda terbang data eksperimen ilmiah, dimulai seperti ini.
Lima Agen Cerdas, Mengubah Alur Kerja Penelitian Menjadi "Lini Produksi"
Platform penelitian kecerdasan berwujud BioFord Agent, di bawahnya terhubung ke lapisan fisik laboratorium, di atasnya menanggung lapisan kognitif ilmuwan, di tengah menggunakan AI fisik untuk menghubungkan penalaran dan eksekusi.
Di lapisan kognitif, BioFord Agent memiliki lima agen cerdas yang membentuk jaringan kolaboratif, menghubungkan seluruh alur penelitian ilmu kehidupan, dapat meningkatkan efisiensi penelitian beberapa kali lipat.
Agen Pencarian Literatur
Agen Desain Eksperimen
Agen Ilmiah
Agen Penjadwalan Eksperimen
Agen Analisis Data
Sebagai contoh, agen pencarian literatur dapat dengan cepat membantu Anda mencari dan membaca literatur dalam jumlah besar, menyelesaikan tinjauan literatur dan membantu mengajukan hipotesis.
Agen desain eksperimen memungkinkan tim penelitian memperpendek siklus desain eksperimen yang sebelumnya berbulan-bulan menjadi satu minggu.
Sedangkan agen penjadwalan eksperimen yang diluncurkan oleh Jindu Shengke, mengandalkan lapisan abstraksi instrumen universal (Universal Instrument Abstraction Layer), menghancurkan hambatan protokol antara berbagai jenis perangkat heterogen.
Baik itu mesin PCR, pembaca mikroplat (plate reader), flow cytometer, atau stasiun kerja pipet otomatis, semuanya dapat dikelola secara terpadu dan dijadwalkan secara terpadu. Sistem dilengkapi dengan algoritma penjadwalan dinamis, dapat secara otomatis menjadwalkan batch, menghindari konflik real-time, dan mencatat parameter eksperimen secara keseluruhan, membentuk rantai audit yang dapat dilacak.
Ini berarti, AI tidak lagi berhenti pada tahap "memberikan saran", tetapi benar-benar masuk ke laboratorium, mengoperasikan perangkat, melaksanakan tugas, menjadi "asisten penelitian" yang dapat dipercaya.
Data Kegagalan, Mungkin Lebih Berharga Daripada Data Keberhasilan
Nilai yang lebih dalam yang diselesaikan sistem ini adalah: membuat setiap eksperimen—baik yang berhasil maupun gagal—menjadi data yang dapat dicerna oleh sistem.
Di laboratorium tradisional, satu catatan kegagalan mungkin hanya satu baris "hasil tidak sesuai harapan", pengalaman ada di kepala orang, jika orang pergi, pengalaman juga hilang.
Dalam sistem BioFord, setiap kegagalan adalah data pelatihan yang berharga—logika pemilihan parameter, catatan kondisi lingkungan, bukti jalur yang salah... semuanya mengendap, menjadi bagian dari "pengalaman" sistem.
Kali berikutnya, AI tahu: jalur ini tidak bisa dilalui.
Yang menarik adalah, di lintasan ini, yang menang bukan yang kekuatan komputasinya terkuat, juga bukan yang modelnya terbesar.
Kekuatan komputasi bisa dibeli, tetapi data penelitian tidak bisa dibeli.
Pendiri & CEO Jindu Shengke, Jin Yongcheng, mengatakan: "Dalam proses pengembangan, kami secara bertahap menemukan bahwa AI for BioScience bukan sekadar menumpuk model, menumpuk data. Bagi orang yang melakukan eksperimen, yang akhirnya harus diselesaikan tetap adalah kebingungan setelah menghitung tidak bisa melakukan, setelah melakukan tidak benar."
Inilah parit pertahanan yang paling penting dan paling sulit untuk direplikasi di lintasan AI4S.
Empat Orang Oxford, Salah Satunya Senior Seangkatan Luo Fuli
Tahun 2022, saat Jin Yongcheng mendapatkan gelar doktor teknik biologi dari University of Oxford, dia menghadapi sebuah pilihan.
Pembimbingnya adalah anggota Royal Society Inggris, pendiri raksasa sekuensing generasi ketiga perusahaan publik Inggris Oxford Nanopore, Hagan Bayley, laboratorium memiliki tradisi "implementasi hasil" yang mendalam. Tinggal di Inggris adalah jalan yang jelas dan mulus.
Namun dia memilih jalan lain—membawa satu "teknologi prototipe" dari laboratorium ke dalam koper, pulang ke China. Yang ikut bersamanya, ada tiga alumni Oxford: doktor biologi Deng Siwei, peneliti asosiasi fakultas ilmu komputer Sha Lei (doktor ilmu komputer Universitas Peking, senior seangkatan kepala model besar Xiaomi Luo Fuli), dan Zhou Tianyao yang pandai mengimplementasikan produk. Keempat orang memiliki latar belakang pengetahuan terkait seperti teknik biologi, kecerdasan buatan, biologi komputasi, operasi bisnis, tidak ada yang kurang. Mereka pernah membentuk tim untuk melaksanakan proyek penelitian bersama, mencapai prediksi dan deteksi penyakit dengan menggabungkan AI dan teknologi transkriptomik. Keempat orang seperti potongan puzzle yang saling melengkapi, dapat menyelesaikan penelitian disiplin ilmu yang sangat lintas.
Nama perusahaan "Jindu Shengke", "Jin" diambil dari Oxford, melambangkan mereka memulai dari laboratorium terkemuka Oxford dan puncak akademik lainnya, "Du" bermaksud menyeberangkan orang, itulah tujuan yang mereka yakini harus dicapai oleh AI for Science.
Saat ini, platform penelitian AI fisik BioFord Agent Jindu Shengke telah diimplementasikan di beberapa universitas terkenal di China, dengan hasil yang signifikan, memperpendek siklus penelitian dari sebelumnya beberapa bulan menjadi satu minggu.
Angin Mulai Berhembus: 4 Putaran Pendanaan dalam 1 Tahun, Panggung "Sangat Menarik" Modal
Namun, berjalan di jalan yang "belum pernah ada sebelumnya", pasti disertai kesendirian.
Awal merintis, kesulitan bertumpuk. Saat itu kewirausahaan AI sedang marak, tetapi percobaan "AI+" di bidang ilmu kehidupan sangat sedikit. "Yang paham AI belum tentu paham ilmu kehidupan, yang paham ilmu kehidupan sebagian besar tidak paham AI."
Jin Yongcheng mengakui: "Investor pernah tidak bisa memahami apa yang kami lakukan."
Tim memilih jalan "paling sulit": memulai dari model dasar biologi, perusahaan yang melakukan arah ini secara global dapat dihitung dengan jari.
Tahun 2025, perubahan terjadi.
Saat itu, Dewan Negara mengeluarkan "Opini tentang Implementasi Mendalam Aksi 'AI+'", AI for Science termasuk di dalamnya, lintasan mulai berhembus angin.
Jindu Shengke menciptakan prestasi "menyelesaikan 4 putaran pendanaan dalam satu tahun". Garis waktu pendanaan utama perusahaan layak menjadi tolok ukur industri.
Putaran Angel+: Dipimpin oleh Sequoia Capital China Seed Fund;
Putaran Pre-A+: Dipimpin oleh investasi puluhan juta yuan dari Chuangdongfang Investment;
Putaran Pre-A+: Dipimpin oleh investasi puluhan juta yuan dari Nanshan Zhanxintou;
Putaran A: Dipimpin oleh investasi hampir 100 juta yuan dari Gaotejia Investment.
Partner Eksekutif Gaotejia Investment, Teng Yuhang, mengatakan: "Jindu Shengke mengubah penelitian dasar ilmu kehidupan menjadi infrastruktur 'kekuatan komputasi + eksperimen' yang dapat dilanggan, dapat diperluas."
Dan tujuan Jin Yongcheng lebih jauh: "Kami tidak puas hanya menjual perangkat lunak, ingin membangun sistem operasi cerdas di bidang ilmu kehidupan. Seperti Intel yang mendefinisikan kekuatan komputasi di era PC, kami berharap mendefinisikan paradigma penelitian baru ilmu kehidupan di era AI."
Dari laboratorium Oxford ke Shenzhen, dari tidak dipahami hingga mendapatkan investasi besar dari modal garis depan, kisah empat orang Oxford, bukan hanya legenda kewirausahaan, tetapi juga pertanyaan jiwa tentang "apa yang bisa kami lakukan untuk manusia".
Saat AI belajar "begadang" melakukan penelitian sendiri, penemuan ilmiah mungkin tidak lagi bergantung pada inspirasi kebetulan dari jenius, tetapi menjadi keharusan yang dapat diharapkan. Jalan ini, mereka baru saja memulainya.
Peta Industri: Jindu Mengambil Jalan AI Fisik Ringan
Dalam peta AI for BioScience yang lebih besar, Jindu tidak sendirian, tetapi titik masuknya sangat berbeda.
Kategori pertama, adalah ilmuwan AI di sisi digital.
Biomni yang diinkubasi Stanford (telah dikomersialkan menjadi Phylo) memiliki lebih dari 150 alat profesional, dapat secara otomatis melakukan tinjauan literatur, generasi hipotesis, dan analisis bioinformatika.
FutureHouse yang didukung Eric Schmidt, berkomitmen untuk membangun ilmuwan AI yang dapat menghasilkan hipotesis secara mandiri, menulis makalah.
Namun, meskipun kuat, mereka masih terbatas di dunia digital.
Kategori kedua, adalah jalur mandiri penuh (full-stack autonomous).
Jingtai Technology menggunakan "AI + robot" untuk mengerahkan lebih dari 300 stasiun kerja secara global.
Lila Sciences yang diinkubasi Flagship Pioneering, dengan pendanaan 550 juta dolar AS, mencoba membuat AI sepenuhnya mengambil alih desain, eksekusi, dan desain ulang eksperimen, tujuannya adalah "kecerdasan super ilmiah".
Tetapi semua ini terlalu mahal.
Kategori ketiga, adalah jalur pipeline ujung ke ujung (end-to-end).
Insilico Medicine secara langsung mendorong AI ke pipeline obat inovatif milik sendiri, obat pertama AI telah memasuki uji klinis fase III, tetapi mereka adalah "pembuat mobil" bukan "pembuat jalan".
Sedangkan pilihan Jindu Shengke adalah: fokus membangun Harness fisik, menjadi infrastruktur "kilometer terakhir" antara model dan sistem eksperimen fisik.
Tidak bersaing di landasan dasar (foundation model), tidak melakukan pipeline ujung ke ujung, tidak menjadi ilmuwan AI dunia digital murni. Hanya melakukan kilometer terakhir itu, tanpa diragukan lagi adalah pendekatan yang lebih ringan.
Jin Yongcheng menyampaikan penilaian ini dengan sangat jelas: "Garis pemisah sebenarnya dari AI for Science, bukan seberapa mirip jawaban model dengan ilmuwan, tetapi apakah laboratorium dapat mulai seperti sistem yang terus belajar."
Dan, di bidang AI for Science global, Jindu tidak sekadar "hanya melakukan kilometer terakhir".
Lebih tepatnya, ia menggunakan kilometer terakhir sebagai pintu masuk, memperebutkan hak pengaturan (orchestration) seluruh alur kerja penelitian.
Dibandingkan dengan ilmuwan AI digital murni, ia dapat menyentuh dunia fisik; dibandingkan dengan membangun pabrik ilmiah aset berat sendiri, ia memiliki kesempatan untuk mengambil alih laboratorium yang sudah dimiliki klien; dibandingkan dengan perusahaan farmasi AI ujung ke ujung, ia tidak perlu mempertaruhkan nasib pada satu pipeline klinis tertentu.
Parit pertahanan sebenarnya, bukanlah jumlah parameter, tetapi jejak eksperimen, antarmuka perangkat, pengalaman kegagalan, dan jaringan eksekusi lintas laboratorium yang terus terakumulasi.
Seperti yang dikatakan Jin Yongcheng, ribuan jalur sinyal dalam tubuh biologis dan mekanisme reaksi yang penuh dengan ketidakpastian sangat memikat. "Seberapa kaya biologi, seberapa indah prospek AI for Science."
Dengan kecerdasan AI menjelajahi misteri kehidupan, lautan bintang sekelompok lulusan Oxford ini, baru saja membuka tirai.
Artikel ini berasal dari akun WeChat "Xin Zhi Yuan", penulis: Xin Zhi Yuan; editor: Aeneas KingHZ
