微软研究院刚刚放出的 Quine，瞄准的是生物学最难受的那个结：数据多，但彼此不说话。基因组测序、蛋白质结构、化学分子、细胞状态、生物成像——每个模态都已经有了自己的模型和数据库，可真正决定实验成败的，往往是它们之间的相互作用。Quine 的野心是把这些模态放进同一个生物学世界模型里联合学习，再让研究者通过一套交互式 harness 去问：如果我在这里动一下，后面会发生什么？
“干预后会怎样”，才是生物学与图像识别、文本生成的根本差别。你可以把一个蛋白的结构预测到小数点后两位，却未必知道敲掉那个基因之后细胞会不会死。因果、扰动、跨尺度，这些不是把参数堆大就能解决的。Quine 的 harness 因此比模型本身更值得看：它把系统从“回答问题的工具”变成“能一起做实验的搭档”，让研究者在几轮追问中逼近机制，而不是拿一个概率值当作答案。
需要泼一点冷水。这套东西目前仍是研究系统，离药物靶点、临床决策还有很长距离，跨模态联合学习的评估标准本身也还没定下来。但方向已经很清楚：生物学正在从“读完数据写论文”转向“在模拟里做实验”。谁先把世界模型和干预推理这两件事捏在一起，谁就握住了下一轮 AI for Science 的入口。
