rbio1用虚拟细胞为AI做“预实验”，让科学探索更严谨高效。
原文标题：从实验室到虚拟细胞，rbio1建立软验证框架，助力科研AI推理稳健升级
原文作者：数据派THU
冷月清谈：
rbio1的核心是“软验证”（soft verification）机制，它让AI在虚拟环境中与“数字细胞”进行交互，预先检验其假设。具体流程是：大型语言模型（LLM）提出科学假设，这些假设被输入虚拟细胞模拟器进行模拟，模拟器反馈结果，帮助AI筛选出可靠的推理。这相当于为AI配备了一台“随身实验机”，使其在真正动手实验前就能进行快速检验和修正。
通过这种方式，rbio1显著提升了AI在生物学推理任务中的表现，例如基因敲除对基因表达影响的预测。它纠正了传统LLM中常见的逻辑漏洞，使预测结果与真实生物数据更为一致，并能更准确地识别分子相互作用。研究表明，rbio1有效降低了AI的“幻觉率”，使其推理过程更贴近科学研究的“假设—实验—反馈—修正”闭环模式。
rbio1的优势不仅限于生物学领域，只要有足够精细的模拟器，其软验证思路也适用于物理、化学、材料科学等，预示着AI将成为科学家虚拟实验室中的得力助手，共同推进科学探索。
怜星夜思：
2、虽然软验证能帮AI在虚拟世界里“试错”，但毕竟不是真的实验室。大家觉得这种“虚拟预演”会不会让科学家们在新发现的直觉和真实动手能力上有所退化？或者说，我们未来该如何平衡虚拟验证和实际湿实验的关系？
3、文章说rbio1的思路可以推广到物理、材料科学这些领域。但这些领域，比如量子物理或复杂材料结构，跟生物细胞的模拟方式和挑战会很不一样吧？有没有懂行的朋友聊聊，在这些领域推行“软验证”，最大的难点会在哪？
原文内容
来源：ScienceAI本文约2000字，建议阅读5分钟AI 的嘴，终于学会了和科学的手配合。
在实验科学里，最大的痛点之一就是——实验费时又费钱。AI 模型虽然能“滔滔不绝”地输出推理和假设，但很多时候它们只是一本正经地胡说八道。
想验证对错？那你得拉着科学家在实验室里折腾大半天，成本高得吓人。有没有办法让 AI 自己先试试水，别动不动就给科学家添麻烦？有点难，但未必不行。
美国加利福尼亚的 Chan Zuckerberg 基金会提出的 rbio1 就是为了解决这个问题。它的核心思路是：在真正动手实验之前，让 AI 先在虚拟世界里和“数字细胞”对话，做一次快速检验。这就是所谓的 软验证（soft verification）。
该研究以「rbio1 - training scientific reasoning LLMs with biological world models as soft verifiers」为题，预印本发布在 biorxiv。
论文链接：https://www.biorxiv.org/content/10.1101/2025.08.18.670981v3
软验证，怎么做
生物学研究的实验代价极高：一个基因表达实验可能需要数周，一个分子动力学模拟可能需要几天甚至几周的计算资源。传统 AI 模型虽然能生成实验假设，但往往说得好听，做不出来。
rbio1 是一种生物学推理模型，使用强化学习从预训练的LLM进行后训练，以此躲避硬验证中，推理错误所导致的人力物力的浪费。rbio1 的突破在于它让语言模型（LLM）不再单打独斗，而是与虚拟细胞模拟器（Virtual Cell）形成搭档。
图 1：rbio1 概述。
在实验中，团队证明 rbio1 可以通过与模拟任务的模型交互来学习推理任务，例如预测基因敲除对细胞中其他基因差异表达的影响，其性能与针对硬实验数据训练的 rbio1 模型相当。
rbio1 的流程大致分为三步：（1）LLM 提出科学推理或假设，比如某基因调控的预期效应；（2）这些假设被送入虚拟细胞，在数字环境中模拟实验；（3）模拟器反馈结果，帮助 AI 筛选哪些推理靠谱，哪些只是空想。
换句话说，rbio1 就像是给 AI 配了一台「随身实验机」。实验虽然是虚拟的，但反馈是真实有效的，从而让模型的科学输出更稳健。而这些随身实验，预计也可以接入其他的虚拟实验模型，完成更广泛的实验适配。
关注更为硬核的结果
研究团队表示，在扰动预测设置中，他们关注的是扰动一个基因是否会显著影响细胞中的其他基因，因此会更重视 TPR（真正阳性率）而不是 TNR（真正阴性率）——因为真正阳性的情况较少但更为重要。通过软验证机制，团队得以将生物学世界的模型知识提炼到推理模型中，并在多个科学任务上与传统 LLM 做对比。
图 2：针对使用 MLP 信号进行实验和软验证训练的模型性能。
基因表达预测任务中，传统 LLM 常常出现逻辑漏洞，预测的变化趋势和真实生物数据对不上。而 rbio 借助虚拟细胞的反馈，大幅减少了这类错误，使预测曲线与实验数据更一致。结果的分析表示，使用模型预测实验数据的结果，而不是实验数据，也可以达到近似的效果，这样就绕过了需要使用后者训练的需要。
而在分子相互作用推理中，rbio 能够更准确地识别关键分子之间的作用关系。在一些复杂网络里，它不仅比单纯的 LLM 错误更少，还能生成更接近实验验证的机制性解释。更令人惊喜的是，使用生物预测模型循环训练可以改进基础推理模型，这将是一种将生物信号嵌入推理 LLMs 的有效策略。
图 3：验证器组合训练模型的性能分析。
团队进一步统计发现：在多任务综合测试里，rbio 的表现不仅在单一任务上优于 LLM，还展现了跨领域的 泛化能力。这点尤为重要，意味着软验证不是某个特定数据集的「小技巧」，而是一种普遍可迁移的科学推理框架。
另外，在可靠性测试中，研究者专门引入了一些「陷阱问题」，即常让 AI 胡乱编造答案的场景。结果表明：传统 LLM 的「幻觉率」居高不下，而 rbio 借助虚拟反馈，可以剔除掉大部分伪造推理，使最终输出的结论更符合科学逻辑。
换句话说，rbio 不只是「听上去更对」，它真的能让 AI 的推理更接近科研工作的核心模式——假设—实验—反馈—修正的闭环。
科学 AI 的好搭档
rbio 的软验证机制，让 AI 轻巧地躲开了满嘴跑火车的境地，让它学会了在实验之前先打草稿。rbio 并不会直接代替湿实验，但能帮科学家提前筛掉大量不靠谱的假设，把真正的实验资源留给更有希望的方向。
更重要的是，这一思路不仅适用于生物学。只要有足够精细的模拟器，物理、化学、材料科学都可以尝试类似的做法。未来，科学家或许不再只是单打独斗，而是和虚拟实验室里的 AI 搭档一起迭代探索。
AI 的嘴，终于学会了和科学的手配合。
编辑：文婧
