谷歌开源模型 Gemma 的下载量突破 10 亿次，真正值得注意的不是一个漂亮的数字，而是它开始被拿去处理更难、更慢、也更需要验证的科学问题。基于 Gemma 衍生的 27B 参数模型 C2S-Scale，研究团队对 4000 多种抗癌药物进行了虚拟筛选，并在活细胞实验中验证了一条可能改变“冷肿瘤”免疫反应的路径：silmitasertib 有望激活肿瘤细胞的抗原呈递，让免疫细胞更容易识别并发起攻击。
这并不等于 AI 已经治愈癌症，也不能把计算机筛出的候选物直接当成临床药物。但从模型下载、药物搜索到细胞实验的链条已经连起来，AI for Science 正在从“能不能生成一个答案”进入“能不能提出可验证的实验假设”。这类变化比单纯刷新榜单更慢，却更接近产业真正愿意付费的地方。
开源模型进入实验室
过去谈开源大模型，讨论重点往往是参数规模、许可证、推理速度和本地部署门槛。Gemma 的新进展把问题带到了另一个层面：一个开放权重模型能不能成为生命科学研究的基础工具。答案暂时不是简单的“能”或“不能”，而是要看它是否被改造成适合特定任务的科学模型，是否拥有可靠的数据管线，以及研究者能不能把输出送回真实实验。
C2S-Scale 并非把通用聊天模型直接拿来问“哪种药能治癌”，而是围绕细胞状态、药物作用和抗原呈递等生物学问题进行专门建模。它的价值在于缩小搜索空间：面对数千种候选药物和复杂的作用机制，模型可以先从计算层面筛出值得优先验证的组合，再由实验人员判断哪些结果具有可操作性。AI 节省的不是所有实验，而是减少盲目试错。
从4000种候选物开始筛
药物研发最昂贵的部分之一，是大量候选物在进入后期之前就已经失败。传统流程需要经历靶点确认、分子设计、细胞实验、动物实验和临床试验，每一步都可能淘汰前一批结果。虚拟筛选无法替代这些环节，却可以把模型擅长的计算搜索放到前面，让实验资源优先投入到更有希望的方向。
此次研究披露的4000多种抗癌药物筛选，重要性就在于它展示了一种可扩展的工作方式。模型先从大规模候选库中寻找与“冷肿瘤”相关的信号，再针对 silmitasertib 做进一步推断，最终在活细胞实验里观察到能够激活抗原呈递的结果。计算预测与实验验证之间仍有很长距离，但至少形成了一个可以复查、可以反驳、也可以继续迭代的闭环。
冷肿瘤为何难处理
所谓“冷肿瘤”，通常指肿瘤微环境对免疫细胞不够友好，或者肿瘤细胞没有把足够清晰的异常信号展示出来，导致免疫系统难以发现目标。免疫治疗并不是把药物送到体内就结束了，肿瘤是否暴露可识别的抗原、免疫细胞能否进入、周围组织是否抑制反应，都会影响最后结果。
如果一种药物能够增强抗原呈递，就可能让原本不容易被识别的肿瘤细胞变得更“显眼”。这只是机制上的可能性，不代表对所有患者都有效，更不能跳过毒性、剂量和临床获益评估。但 AI 能帮助研究者在海量药物和细胞状态之间寻找关联，把过去依赖经验和少量试验的探索，扩大到更高维度的候选空间。
模型规模不是终点
Gemma 累计下载量突破10亿次，说明开源模型已经成为全球开发者和研究机构的重要基础设施。它们被下载、微调、量化，再嵌入各类垂直任务，形成大量衍生模型。对科学研究来说，开放生态的意义不只在于免费使用，还在于不同实验室可以检查方法、复现实验，并针对本地数据重新训练。
但下载量与科学可靠性之间没有直接等号。生命科学模型最怕数据泄漏、样本偏差和无法复现。一个模型在公开数据集上得分很高，并不意味着它能在真实细胞中稳定工作；一个预测结果看起来合理，也可能只是学到了实验数据中的隐藏关联。因此，AI for Science 的评价标准必须从模型分数扩展到候选命中率、实验重复性、失败原因和最终研发成本。
研发流程正在重排
当模型可以先筛选数千种药物，再把少量高价值候选交给实验室，科研团队的分工会发生变化。计算科学家需要更懂实验约束，实验人员也需要理解模型为什么提出某个候选。未来的药物研发不会变成“模型下命令、人类照着做”，而更像一支由模型提出假设、研究者设计实验、数据再次回流训练的协作团队。
这种流程同样会推动算力和数据基础设施变化。医疗机构需要更严格的数据权限、脱敏处理、实验记录和审计机制；模型部署需要考虑显存、推理成本、版本锁定和结果追踪；研究结论需要保留输入数据、参数、随机种子和实验批次，才能让后来者判断结果是否可靠。对企业而言，真正可用的系统不是一个会聊天的医学助手，而是一套能把文献、候选物、实验记录和验证结果串起来的工作台。
离临床还有多远
从虚拟筛选到活细胞实验，是一个重要的前进，但距离人体临床仍然隔着动物模型、药代动力学、毒理研究、剂量设计和大规模试验。尤其是肿瘤治疗，患者之间的基因背景、免疫状态和既往治疗差异很大，实验室里有效的机制未必能在真实患者身上稳定复现。
因此，这次进展最稳妥的理解是：AI 正在提高“提出好问题”的速度，而不是直接替人类给出最终治疗方案。它可以帮助研究者更早发现值得验证的候选物，更快排除明显不合适的方向，也可以让小团队接触过去只有大型药企才能承担的搜索规模。真正的临床价值，还要由长期、透明、可重复的医学证据来决定。
从 Gemma 的开源传播，到 C2S-Scale 对抗癌药物的计算筛选，再到活细胞实验的初步验证，AI for Science 的下一阶段已经很清楚：模型能力只是起点，数据质量、实验闭环和结果审计才是决定成果能否落地的关键。AI 进入科学研究后，最重要的竞争不再是谁能生成更像样的答案，而是谁能把一个假设稳定地推进到下一轮实验。
