2026 年 9 月 29 日，微软研究院通过官方博客正式发布生物 AI 研究系统 Quine，并同步启动 Quine Fellows 计划，向全球前沿生物与医学科学家开放申请。这是微软第一次把"世界模型"的概念完整地落地到生物学：不是又一个预测蛋白质结构的单点模型，而是一套试图横跨基因组、蛋白质、化学、细胞状态与生物成像多个尺度，用同一套表征做联合推理的研究系统。
Quine 的构成有两部分。第一部分是生物世界模型：它在多模态生物数据上联合训练，学到跨尺度的共享表征，让一个模态的证据能直接支撑另一个模态的预测——比如从基因型推到表型时，不再把基因、蛋白、细胞各自交给孤立的专家模型，再由编排层拼起来。微软的判断是，这种跨尺度联合学习反而能抓住生物学本身的层级关联，提升泛化能力。第二部分是一个交互式 harness，把世界模型和编排推理模型、科学工具、文献、湿实验以及使用它的科学家连在一起。科学家的一个问题，先变成计算提案，再变成值得进实验室的设计；湿实验的测量结果流回科学家，也变成下一代系统的训练信号。科学家始终在环里，计算和实验构成一个不断加速的闭环。
发布中最有说服力的是一个真实案例。微软与哈佛—麻省理工 Broad 研究所合作多年，研究胰腺导管腺癌（PDAC，最常见的胰腺癌类型）的细胞状态假说：肿瘤行为和药物反应不仅取决于基因，还取决于转录层面的细胞状态。这次他们用 Quine 对数千种化合物排序，预测哪些能把肿瘤细胞推向治疗相关的状态转变；湿实验验证后，排名最高的化合物在多个实验中产生了最大的预期偏移。整个过程——从快速收窄化合物搜索空间，到挑出少数候选进实验室验证——只用了一个周末，潜在地省下数月实验时间和可观的科研成本。更有意思的是意外发现：Quine 预测几种化合物会把细胞推向一个与经典—基底轴不同的第三表型，实验结果证实了这一点。这组实验不仅检验了模型的假设，还顺手生成了新假设。
微软在公告里把边界划得很清楚。Quine 目前是实验性科研技术，仅供研究使用，不做临床和医疗用途；它的输出可能不完整、不准确，必须经过有资质的研究者审查和科学验证。访问采取分阶段策略：首批仅限 Quine Fellows 计划和部分科研合作，后续随着技术成熟，再通过 Microsoft Discovery 等产品扩大开放。这种谨慎有现实原因：生物学实验迭代周期长、错误代价高，一个"看似聪明"的系统如果直接连上临床，会是灾难。
科学 AI 正在从刷榜转向闭环发现
这件事真正值得关注的不是又一个基准分数，而是微软押注的方向变化。过去几年 AI for Science 的叙事大多围绕"某个单点任务被攻克"：蛋白质结构、材料筛选、文献问答。Quine 把赌注下在另一个命题上——科学进步的瓶颈不在单个预测有多准，而在"提出问题—设计实验—验证—再提问"这个循环转得有多快。世界模型的价值不在于它完美复刻生物学（微软自己也承认它永远做不到完美），而在于它能不能在烧掉昂贵的实验室资源之前，先把搜索空间压缩到值得验证的范围。
对生物医药研发来说，这个信号很具体。药物发现的成本大头从来不是算力，而是湿实验的试错。PDAC 案例里一个周末替代数月工作，如果能在更多适应症上复现，会直接改写早期药物筛选的成本结构。微软选择在这个阶段就开放 Fellows 计划，等于承认一个判断：生物世界模型的进化方向，实验室科学家自己说了算——系统必须长在真实的科研实践里，而不是长在排行榜上。
