Virtual Cells Need Context, Not Just Scale
本立场论文认为，实现稳健的“虚拟细胞”需要优先考虑多样化的生物学背景和因果表示学习，而非仅仅扩大模型容量和数据规模，因为当前的模型尽管规模庞大，却仍无法跨上下文进行泛化。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，科学家们正试图构建一个“虚拟细胞”——一个超级智能的计算机程序，能够精确预测活细胞会对你投喂的任何事物（如新药或病毒）做出何种反应。目前，这个领域正痴迷于一个想法：让计算机变得更大，并喂给它更多的数据。 这就像是在认为，只要你不断往房子里堆砖头，它就会自动变成一个更好的家。
这篇论文认为，这种方法错失了重点。作者指出，问题不在于我们的计算机模型太小或不够聪明；问题在于它们见过的不同情况不够多。
以下是使用简单类比进行的详细拆解：
1. “同一个社区”的问题
想象你雇佣了一位导游，他背下了某个特定社区里的每一条街道。如果你问他在那个社区里如何去面包店，他表现得完美无缺。但如果你问他如何在交通规则和街道布局完全不同的另一个城市里导航，他就会迷路。
该论文声称，目前的 AI 模型就像那位导游。它们经过了海量数据的训练，但这些数据都来自同一个“社区”（同一种生物学背景）。它们在处理已知领域时表现得极其出色，但当你要求它们将知识应用于新情况时，它们就失败了。
2. “大脑袋” vs. “广博经验”
科学界目前正试图通过构建“更大的大脑”（大规模 AI 模型）来解决这个问题。作者说，这就像是给一个学生一本更厚的百科全书，却只允许他阅读关于一种天气的内容。无论这本书有多厚，如果他只研究过晴天，他仍然无法预测飓风。
论文指出，当你在模型训练过的同一情境下对其进行测试时，即使是一个非常简单的、“笨拙”的计算机程序，其表现也与庞大复杂的 AI 一样好。复杂性并不是问题所在；缺乏多样性才是。
3. “旅行”的类比
作者将这与一个被称为“可迁移性”的概念进行了对比。把它想象成学开车。如果你在加利福尼亚干燥平坦的公路上学开车，你是专家。但如果你突然必须在加拿大的雪地和冰面上驾驶，你的加州驾驶技能可能就不适用了。
目前的虚拟细胞模型就像那些只在加州开过车的司机。论文认为，要打造一个真正有用的虚拟细胞，我们不仅需要增加在加州道路上行驶的里程（更多数据）；我们需要把车开到加拿大、沙漠和山区（多样的生物学背景），这样它才能学会如何应对不同的环境条件。
核心结论
论文得出结论：我们不能仅仅通过从相同来源堆积更多数据，或者把 AI 模型做得更大来解决“虚拟细胞”问题。相反，我们需要专注于多样性。我们需要教会这些模型如何理解许多不同环境下的“交通规则”，这样它们才能真正实现泛化，并在现实世界中发挥作用，而不仅仅局限于它们受训时的特定实验室条件。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。