对话Arc Institute周镜天：生物学存在Scaling Law，但更大的模型能解决多少问题？
“肯定有 Scaling Law，我觉得问题在于究竟能够扩展到什么程度。” 当越来越多的研究者相信，更大的模型、更多的数据能够让 AI 掌握复杂的生命规律时，美国 Arc Institute 实验室负责人周镜天给出了一个相对审慎的判断。
过去十多年，他亲历了单细胞技术的快速发展，从最初只能分析少量细胞的数据，到如今已经能够绘制覆盖大脑乃至人体多个器官的大规模细胞图谱。但当科学家逐渐看清不同细胞的分子特征，一个新的问题也随之出现：我们能否进一步预测细胞会如何变化，甚至主动改变它们的状态？
周镜天的科研经历，恰好沿着这条路径展开。本科就读于清华大学药学专业的他，后来在美国从事计算生物学与单细胞研究，参与开发过多项实验和计算技术。2023 年，他成为 Arc Institute 首位 Science Fellow，并于次年建立独立实验室。 2026 年，他凭借单细胞图谱与疾病相关基因调控研究，入选《麻省理工科技评论》“35 岁以下科技创新 35 人”亚太区名单 。如今，他开始将更多精力投入 AI 生物学模型，其参与开发的 Bolero 和 Devo，分别尝试预测不同细胞中的基因调控，以及细胞在发育过程中的状态变化。
不过，在周镜天看来，AI 能够准确预测基因表达，并不意味着它已经真正理解了细胞，更不意味着它能够改变细胞的功能。他认为， 虚拟细胞研究最终仍需要回到真实的生物学实验中，证明模型能够帮助研究者解决具体问题。
从绘制细胞图谱到尝试预测细胞行为，生命科学正在经历怎样的变化？当 AI 开始进入实验室，更多数据和更强模型之外，真正重要的又是什么？
围绕这些问题，DeepTech 与周镜天展开了对话。
从药学到 AI，几次偶然的科研转向
DeepTech： 你本科在清华大学学习药学，后来却走向了计算生物学。最初是什么让你对计算产生兴趣？
周镜天： 我中学时参加过化学和信息学竞赛，后来觉得药学比单纯研究化学更接近实际应用，就选择了清华的药学专业。
本科期间，我发现自己不太擅长做实验。第一次给小鼠做尾静脉注射，反复尝试了很多次，最后尾巴都扎肿了，还是没成功。而且湿实验有时很难重复，失败了也不一定知道原因。相比之下，写程序至少每次都能复现相同的问题，所以逐渐对计算生物学产生了兴趣。
期间，我进入曾坚阳老师的实验室，开始尝试将深度学习应用于生物学研究。不过，那时我还不太清楚自己真正想研究什么。
直到大三暑假去斯坦福大学做科研实习，我才逐渐明确了方向。当时接触了基因组数据分析和新技术开发，直接指导我的研究人员也对自己的科研兴趣有很清晰的认识，对我影响很大。这段经历让我逐渐确定了之后的研究方向。
DeepTech： 斯坦福的暑期科研经历让你逐渐明确了研究方向。后来进入博士阶段，又是怎样接触到单细胞研究的？
周镜天： 斯坦福的暑期研究结束后，我希望博士阶段能够进入一个不断开发新技术、产生新数据的实验室。因为新的实验技术往往意味着新的数据类型，也会带来新的计算问题。后来，我选择了基因组学研究比较集中的加州大学圣迭戈分校（UCSD）。
我是在博士阶段才真正开始做单细胞研究的。博士一年级时，我在任兵老师的实验室轮转，接触到一批新的单细胞 Hi-C 数据。这项技术可以用来研究 DNA 在单个细胞核内的三维空间结构，但当时大家还不太清楚如何有效分析这些数据。
恰好有一门课要求我们选择一个生物学问题，将其转化为算法问题并尝试解决。我就以单细胞 Hi-C 数据为对象，开发了一套分析算法。后来，这项课程研究逐渐发展成了我博士期间的一篇论文。
所以，进入单细胞领域并不是我一开始就规划好的，而是恰好接触到了新的实验数据，也遇到了一个值得解决的计算问题。
DeepTech： 你最初主要开发计算算法，后来却参与开发了新的单细胞实验技术。这个转变是怎么发生的？
周镜天： 这其实源于一次比较偶然的组会讨论。
博士期间，我最终加入了 Joseph Ecker 教授在 Salk Institute 的实验室，主要研究 DNA 甲基化。博士二年级时，我负责的一个项目进展不太顺利，有一次组会实在没什么结果可讲，就介绍了之前开发的单细胞 Hi-C 分析算法。
实验室有一位非常擅长技术开发的同事，最早的单细胞 DNA 甲基化测序技术就是他开发的。他听完之后提出，既然能够测量单细胞的 DNA 甲基化，能不能把三维基因组结构也一起测出来？
我们就开始尝试，没想到第一次实验就成功了，而且数据质量非常好。有时候实验技术开发就是这样，第一次可能恰好满足了各种条件，后面再重复，反而需要花时间排查一些细节。不过，这项技术整体开发得比较顺利，后来我们也开始利用它研究 DNA 甲基化和三维基因组结构之间的关系。
恰好当时实验室获得了一笔较大的科研经费，希望将这些技术应用于整个大脑的研究，我也因此开始参与大规模单细胞图谱项目。
回头看，这个过程确实有些偶然。最初只是为了解决一个数据分析问题，后来因为一次组会讨论，发展出了新的实验技术，又进一步延伸到大规模细胞图谱研究。
DeepTech： 新技术也带来了越来越庞大的数据，这个过程中遇到了哪些新的挑战？
周镜天： 最明显的变化就是数据规模增长得非常快，对分析方法的要求也越来越高。
我最早在任兵老师实验室轮转时，拿到的单细胞 Hi-C 数据只有 8 个细胞。后来，随着实验技术发展，数据规模逐渐增加到几千个、十几万个细胞。原来的一些算法在处理少量数据时表现不错，但当数据量增加几个数量级后，无论是计算速度、资源消耗还是分析效果，都可能无法满足需求。
因此，我们需要不断开发新的算法，优化计算流程，让它们能够处理更大规模、更复杂的数据。我博士期间的很多工作都与这一过程有关： 一方面利用新的实验技术获取数据，另一方面又随着数据规模的增长，不断改进和开发计算方法。
DeepTech： 2023 年，你获得了 Arc Institute 的 Science Fellow 职位。对于生命科学研究者来说，通常还需要经历较长的博士后阶段，你为什么想更早独立开展研究？
周镜天： 在生命科学领域，博士毕业后直接独立建组的机会其实很少，大多数人还是会继续做博士后，学习新的技术、积累研究成果，再申请独立职位。
但我当时觉得，自己在博士阶段已经接受了比较充分的科研训练。Ecker 实验室规模很大，虽然整体研究方向与导师有关，但具体选择什么课题、采用什么方法、如何完成研究，很多时候都需要自己决定。所以，如果继续做博士后，可能还是在类似的模式下开展研究。
相比之下，独立建组可以让我更早学习一些新的能力，比如招聘团队成员、管理项目、开展合作以及申请经费。这些都是博士和博士后阶段不太容易系统锻炼的能力。
当然，我也有顾虑。年轻研究者独立之后，通常会继续发展自己已经擅长的技术和研究方向。如果想进入一个新的领域，反而可能缺少学习新技术的机会，需要更多依靠合作来弥补。
不过，后来加入 Arc Institute 的经历，在很大程度上改变了我原来的想法。
DeepTech： 当时为什么选择 Arc Institute？这里的科研环境又是怎样让你开始转向 AI 模型开发的？
周镜天： 最初主要是看中了 Arc 在 CRISPR 和基因组工程方面的研究积累。我之前主要做单细胞测序和表观遗传学，两者有很多合作机会。比如，通过 CRISPR 改变一个基因，再利用单细胞技术观察其他基因及表观遗传状态会发生什么变化。
但真正加入之后，我发现这里还有一个此前没有充分预料到的优势。 Arc 的规模相对较小，研究人员之间交流很方便，而且聚集了一批具有大模型开发和计算工程背景的研究者。
我过去虽然一直做计算生物学，也开发过不少算法，但没有特别深入地研究过现在这类大模型。在 Arc，我有机会向不同背景的研究人员学习，逐渐开始尝试 DNA 序列模型和虚拟细胞研究。
另外，Arc 更注重支持研究者本人，而不是严格限定研究方向。对于年轻 PI 来说，这一点很重要。通常，继续做自己已经擅长的研究更容易取得成果，但如果想进入一个新领域，就需要足够的探索空间。
所以，我最初选择 Arc，是希望继续拓展单细胞组学与基因组工程的结合；但来到这里之后，与大模型研究者的交流，又让我逐渐进入了新的研究方向。