哲源科技发布WHIRLPO，打通生命世界模型产业化链路

AI制药正在进入一个新的竞争阶段。过去几年，行业关注的焦点主要集中在模型能力：能否预测蛋白质结构、发现潜在靶点、加速分子设计。但当AI真正进入药物研发流程，单点能力的突破并不等于研发效率的提升。数据能否被有效调用、算力能否支撑复杂任务、模型能否协同工作，以及计算结果能否通过实验验证，正在成为决定技术能否落地的关键。

在这一背景下，哲源科技推出计算医学平台WHIRLPO，试图将生命世界模型、生命科学数据、异构算力、算法工具和科研智能体整合到统一的工程体系中，为AI驱动的科学发现提供基础设施。相比单纯发布一个新模型，WHIRLPO更值得关注的地方在于，它尝试回答一个更具产业意义的问题：如何让AI从辅助科研的工具，进一步成为能够参与、组织并推动科研流程的系统。

生命世界模型之外，AI制药仍缺一套工程底座

生命科学具有高度复杂性。疾病的发生发展涉及基因、细胞、信号通路、组织乃至个体之间的多层次相互作用，单一模型很难覆盖从微观机制到疾病表型的全部过程。哲源科技提出的生命世界模型，试图通过多层次模型协同，对生命系统及疾病演化进行建模。WHIRLPO则围绕这一方向，构建了包括生物医学知识模型、覆盖“群体—个体”双尺度的基因组语言模型、信号通路模型、虚拟细胞模型和病灶世界模型在内的模型矩阵。

从技术路径看，这些模型分别面向不同尺度的生命科学问题，承担知识理解、基因组分析、通路推演、细胞行为模拟及病灶研究等任务。它们的价值不仅在于单独完成某项预测，更在于能否在同一研发流程中协同工作。

这也是WHIRLPO与单一AI模型的区别所在。模型负责理解和预测，平台则需要解决模型如何调用数据、如何组合工具、如何分配算力，以及如何将分析结果转化为后续研究任务。

有业内人士分析，AI制药的产业化瓶颈，正在从“模型能不能做”转向“系统能不能持续做”。如果缺乏统一的工程底座，即使单个模型取得进展，研究人员仍可能需要手动整合数据、切换工具和搭建流程。随着科研任务变得复杂，模型之间的协同成本也可能抵消部分效率优势。

生命科学数据具有来源分散、格式复杂、标准不一等特点。基因组、转录组、蛋白质组及临床相关数据之间，往往存在不同的处理规范和使用门槛。数据规模固然重要，但能否被治理、理解和调用，同样影响模型的实际表现。

据哲源科技披露，WHIRLPO已整合29,244项数据资源，包含51个标准数据集，其中44个为组学数据集，覆盖1000余种疾病，数据总量约10PB。平台还整合了110余种算法工具，可支持不同生命科学任务的组合与执行。

在具体应用上，哲源科技称，平台能够在7天内构建万人规模的疾病专病数据库；在肿瘤领域，覆盖333种癌症、360种病理类型，并进一步细分至约150万个亚型。这些数字体现了平台的数据整合与处理能力，但更值得关注的是数据资源如何进入实际研发流程。只有当数据经过标准化治理，并能够与模型、算法工具形成有效连接，数据规模才可能转化为科研价值。

算力也是同一逻辑中的重要环节。WHIRLPO支持对GPU、国产加速卡、本地集群以及超算、智算中心等异构计算资源进行调度，以适配不同任务的计算需求。哲源科技表示，在部分算子上，平台实现了约5倍的优化，端到端任务效率提升约2倍。具体效果仍需结合任务类型、硬件环境及实际部署条件评估。

从产业视角看，数据治理决定模型能够学习什么，算力调度影响模型迭代的速度，而算法工具决定科研问题能否被有效拆解。三者能否协同，往往比单一指标更能反映平台的工程能力。

从回答问题到组织科研，Agent进入研发流程

当数据、模型和工具逐渐整合，下一步是如何让系统根据科研目标自动组织任务。WHIRLPO采用“生命世界模型矩阵+通用模型+Skill+Agent”的架构。其中，模型负责提供分析和推演能力，Skill封装特定任务的执行方法，Agent则根据具体问题选择数据、模型、工具及相应版本，并组合成可执行的科研流程。

这种方式试图降低科研人员使用复杂工具链的门槛。面对一个新的科学问题，研究人员不必完全从零搭建流程，而可以由Agent辅助完成任务拆解、资源选择和步骤编排。哲源科技表示，对于新类型的科学问题，平台能够在数天内形成相应的问题求解流程。

不过，流程自动化并不意味着科学结论自动成立。Agent能够调用工具、组织步骤，并不代表其推理结果必然正确。数据是否适用、模型是否存在偏差、流程能否复现，以及结论能否通过实验验证，依然需要严格评估。

因此，科研Agent的真正价值，不只是减少操作步骤，而是能否稳定地完成任务，并让研究过程更高效、更可追溯。药物研发的核心难点，在于计算预测与真实生物系统之间仍存在距离。模型可以提出潜在靶点、预测分子性质或推演疾病机制，但这些结果最终需要通过实验确认。若计算与实验彼此割裂，模型的预测就难以持续转化为有效的研发经验。

WHIRLPO所强调的实验闭环，是将计算分析、实验设计、实验执行和新数据反馈连接起来：平台基于现有数据形成研究假设，指导后续实验，再将实验产生的新数据回流模型，用于验证和迭代。

这意味着平台的目标不只是完成一次预测，而是让每轮研究结果成为下一轮研究的输入。随着实验数据持续积累，模型有机会逐步改善对特定问题的理解，研发流程也有望形成可复用的经验。哲源科技还提出，未来将推动实验步骤的自动识别，并尝试将实验流程转化为设备能够执行的控制指令。这部分仍属于后续建设方向，不宜等同于平台已经实现了完整的实验自动化。

从行业角度看，实验闭环可能是AI制药与传统计算辅助研发进一步拉开差距的关键。真正有价值的系统，不仅要给出预测，还要能够接受实验反馈，并根据结果持续修正。

不直接出售平台，转向药物研发合作

在商业化方面，哲源科技目前将WHIRLPO定位为内部核心生产系统，短期内并不以标准化软件产品销售为主要方向，而是围绕药物研发成果开展合作，将平台能力应用于具体研发项目。

其合作模式主要包括两类。一类是D2P（Disease to Product），即从疾病研究出发，通过联合研究发现潜在靶点，并推进从靶点到产品的开发。合作通常采用首付款、里程碑付款及权益安排等方式。

另一类是T2I（Target to Indication），即通过数字孪生临床试验模拟，评估药物的潜在适应症和目标患者特征，为研发管线的决策提供参考，并采用首付款与里程碑付款等合作机制。据介绍，其I类创新药PR00012已进入临床I期并在推进中，同时布局了其他研发管线，并与多家国家级医学中心围绕肿瘤、精神类疾病机制研究和靶点发现开展合作，部分项目已取得阶段性成果。

这些进展为平台提供了真实研发场景，也让其商业模式不局限于出售软件或计算服务。不过，单个管线进入临床阶段，并不能直接证明平台整体提升了药物研发成功率。其长期价值仍需要更多项目、实验结果及临床数据验证。

对AI制药企业而言，这种合作模式的优势在于，平台能力能够与具体研发目标绑定；挑战则在于，药物研发周期长、投入高、结果存在不确定性，商业回报往往需要较长时间才能兑现。

写在最后：

WHIRLPO的推出，折射出AI for Science产业化路径的一种变化：行业竞争正在从单点模型突破，延伸至数据、算力、工具、智能体和实验验证构成的完整体系。这并不意味着模型本身不再重要。相反，模型仍然是整个系统的核心能力之一。但在实际研发中，模型的价值需要通过工程体系释放，也需要通过实验结果接受检验。

AI制药的下半场，考验的或许不再只是模型能否给出一个答案，而是能否把答案变成实验依据，再把实验依据沉淀为持续创造价值的研发能力。对哲源科技而言，WHIRLPO能否真正打通这条链路，将是其后续发展最值得关注的变量。