Fabian Theis（Helmholtz Munich 计算健康中心负责人）¶

Helmholtz Munich 计算健康中心（Computational Health Center）的建设者与负责人，慕尼黑工业大学教授。Scanpy / AnnData / scverse 这套单细胞分析开源生态的源头实验室；Munich School for Data Science 的创建者之一；多家本地创业公司的董事或参与方。⚠️ 自述计算健康中心"现在大概有 45 位组长和教授，也许 500 到 600 人"，并称其为"欧洲最大的健康 AI 类研究的学术场所"——无口径、无第三方来源，本库不采信。

本库收录他的理由：他是本库 AI for Science 线上第一位来自学术机构、而且主攻虚拟细胞 / 扰动预测方向的说话人。⚠️⚠️ 本库此前关于虚拟细胞的材料（Xaira、Noetik 一侧的转述）都来自公司方。 ✅ 他给了四样本库此前完全没有的东西：① 一条对归纳偏置给出代价方向的表述，而它来自一个本来最该偏向先验的位置；② 本库第一条"最大的智力投入落在指标的构造上"的方法论表述；③ 把"下一个实验做什么"写成一个逆向生成模型（LabCompass），并指认真正的卡点是说服实验方押上时间而不是模型；④ 一条表征缺口——解离细胞有"细胞类型"这个人造范畴可用，而空间上的局部 niche 没有对应的隐喻。

✅ 立场判定：本库判他是 AI for Science 线上厂商色彩最轻的说话人之一，依据是三处： - ✅ 他在第一个实质问题上主动做了能力披露："每当我跟那些真的天天坐在创业公司里的朋友和同事聊，我对不同研究实验室在做什么有的那种概览和直觉，他们对创业公司有同样的东西。我在那个尺度上并没有真的具备这个。" - ✅ 他点名自家论文时同时说出局限（CellFlow"非常依赖一个好的隐空间"；类器官"显然有各种各样的限制，常常免疫系统是缺的"）。 - ✅ 他对自己的处方主动降温："显然，终极的愿景是我们想把一切都 RL 化……这有点远，但我觉得我们在慢慢接近。目前更多算是 active learning。"

⚠️ 但仍标注两处利益相关：他是 scverse / Scanpy 生态与 Helmholtz 中心的建设者，关于工具价值与学术机构优势的陈述带自我定位；他提到的几乎所有模型都出自自己实验室，本库不把它们的效果当作已核实事实。

核心观点（2026-11）¶

来源：Latent Space AI for Science × Fabian Theis："我们最大的想法其实花在了指标的构造上"

⚠️ 自动字幕的专名问题：✅ 可高置信还原的（都是他实验室的公开产物）：scGen、scTab、NicheFormer、CellFlow、LabCompass、Geneformer、CellTypist、Scanpy / AnnData / scverse；⚠️ "Zera / Zara" → Xaira、"No it is" → Noetik、"arc competition" → Arc Institute 的 Virtual Cell Challenge、"Suda pack" → pseudobulk（中等置信）；⚠️⚠️ 不可确证因此照录不采信的：单次千万级转录组那个实验的厂商与项目名（字幕作 "Pac Bio" 与 "giga lab"）、他那个对比学习模型的名字（字幕作 "SE concept"）、他担心会被吃掉时点的对象（字幕作 "Astra 2.0"）。

⚠️⚠️ 一、归纳偏置是有代价的，而这话出自一个数据受限的位置¶

（[00:15:05]–[00:19:08]）✅ 本库判这一段的分量来自说话人的位置：他主持的是一个数据相对稀缺的学术方向，按常理最该主张"所以要注入先验"。

⚠️⚠️ "文献已经相当清楚地显示——我想现在至少横跨数十年、非常多的数据集——如果我们把先验的归纳偏置建得太强，我们可能会损失预测能力。所以它是有代价的。"

⚠️⚠️ "从大规模机器学习里得到的诚实的教训是：在某个时点，数据会打败人造的、额外加进模型里的概念。"

⚠️⚠️ 而他举的例子是 AlphaFold 的旋转不变性：第一版"做了非常大的努力去让分子具有旋转不变性，他们把它建进了学习过程里"，而"只有在后来的版本里，旋转对称性是模型自己靠更多数据找到的，而且更灵活一些，因为你放进去的物理约束并不总是那么刚性"。 ✅ 本库标注这把"数据打败先验"从口号变成了一个可查证的版本差异，而且是在一个物理约束看起来最该硬编的问题上。
⚠️ 但他对自己领域的现状判断让他实际站在混合模型一侧："在我们这个领域，扰动空间的尺度——我们对细胞做的那些事——还没有那么大，我不认为我们已经处在超级数据丰富的那个 regime。"
✅ 他把"该要哪种模型"交给使用场景而不是方法论：预测时要最好的那个，"也许在被治疗的时候，你想要一个也许稍微差一点、但你更理解它的模型"。

🔗 ⚠️⚠️ 与本库 2026-07 的 Xaira X-Cell 并读，两者不是对立而是错位：⚠️ Xaira 主张"描述性数据学不出因果，所以要花钱造因果数据"，消融排序是数据 > 架构 > 先验；这一位同意数据最终会赢，但判断当前还没到那个 regime。 ✅ 本库判分歧不在原理而在"现在到哪了"，而这恰好可检验：若扰动空间的数据量继续增长，混合模型的优势应该收窄。

⚠️⚠️ 二、"也许我们最大的想法去的地方，其实就是这个指标的构造"¶

（[00:25:10]–[00:30:15]）✅ 本库判这是他最该被长期引用的一句，而它的前提很关键。

⚠️ "在某个时点我们会有 agent 去把你能想出来的各种算法组合都试一遍。事实上我们确实和一些 AutoML 那类的实验室有合作在试这个。"

⚠️⚠️ "所以也许剩下的——这听起来有点太狠了——但也许我们最大的想法去的地方，其实就是这个指标的构造。"

✅ 本库标注这不是"指标很重要"这种泛论，而是一条关于剩余智力劳动落在哪里的判断：⚠️⚠️ 前提是算法搜索被自动化，于是人的比较优势移到定义"什么算好"上。 🔗 本库评估与 Benchmark 页上此前的材料几乎都在讲基准怎么失效、怎么被 hack、谁该当裁判，没有一条把"构造指标"当作研究工作本身的主要去向。

⚠️ 配套的"冷水史"："做好你的基线，这听起来是个如此显然的教训。但在一个朝着虚拟细胞这个金罐子猛冲的领域里，人们有时候对基线就没那么小心"，⚠️ 另一半原因是"关于 holdout 的一堆微妙之处并不总是被完全遵守"。
⚠️⚠️ 他给学生的最低基线值得单独记：对药物来说"一个简单到就是预测均值的基线——比均值更好，在数据里噪声这么多的时候，有时候并不是那么容易做到。而这些东西超级噪声。"
⚠️ 他对 Arc Institute 的 Virtual Cell Challenge 的评价："它不只把这件事叫扰动预测挑战，而是叫虚拟细胞挑战，听起来酷一点"；⚠️ "指标有一些甚至不是那么单细胞特异的，它们就可以被利用"；✅ 他说真正的获胜模型"本质上是一个 flow matching 的东西"，而"如果你把那些利用去掉，真正的赢家其实是带了一些非线性的东西"。
⚠️ open problems 联盟的对策是把指标开放给提交方："人们需要提交他们自己的指标和补充，以便真的捕捉到那些你此前可能没想到的微妙之处。"
✅ 他对 scaling law 的要求："现在的审稿人——而且我自己也倡导了很久——确实更仔细地看你有没有真的正经展示 scaling law。这正是早期那些基础模型论文里缺的东西。"

🔗 ✅ 而主持在同期报出了本库材料的后续："Bo Wang 和他的一些合作者刚刚有一篇 Nature 论文，讲的是在那些线性基线打赢一些模型的情况里，其实是指标本身才是问题。" ✅ 本库 2026-07 的 Xaira 那期里正是 Bo 一侧论证了"MAE 是个坏指标"并主推 Pearson Delta——本库记为该条批评的后续证据链，而不是一条新观点。

✅ 三、虚拟细胞 = 世界模型，而他明确把表征学习和扰动预测分开¶

（[00:23:09]–[00:25:10]）

✅ "一个扰动预测模型、一个虚拟细胞，在转录组或者别的组学空间里其实就是一种世界模型。它不只是一个 f(x)，而是 f(x, a)——状态 x 加上动作 a，然后预测下一个状态 x′。"

⚠️⚠️ 他拒绝把表征学习当成答案："对这件事，我不会主张纯表征学习是该走的路。" ⚠️ 典型做法是用基础模型学状态空间，而"它们在一个动作、一个扰动下如何表现，这是你需要更像世界模型那类方法的地方"。
⚠️ 他们的实际组合（自述）：对比学习学表征，再用 flow matching 一类的生成模型做沿动作的 push-forward；⚠️ 他说 CellFlow"刚被 Nature Methods 接受"、"在生成扰动效果上好得多"，⚠️⚠️ 但主动加了依赖条件："但它们非常依赖一个好的隐空间。"
⚠️ 他对 world model 这个词本身带距离："世界模型是个很时髦的词……过去一年所有机器学习会议上都是它。"
⚠️ 而 NicheFormer 里那个新任务本库判为可迁移的任务构造：给定一个单细胞的表达与隐空间状态，预测它邻居细胞的表达状态，理由是"因为它们互相交谈，你会在这一个细胞里看到那个细胞状态的残迹"。✅ 本库标注它把空间上下文变成了有监督信号的目标而不需要额外标注——邻居就是标签。

⚠️ 四、一条表征缺口：局部 niche 没有"细胞类型"那样的隐喻¶

（[00:14:05]–[00:16:06]）

⚠️ 解离细胞那边有一个好用的人造范畴："我们人类叫做'细胞类型'的东西有一个漂亮的隐喻——自然并不在乎它，这只是我们在东西上面套范畴。但它帮我们理解这个复杂度。"
⚠️⚠️ 而空间那边没有："我不认为我们对细胞的局部 niche 有一个类似的隐喻。也许有一点点，但在 H&E 上也是——每当我去看病理学家做什么，那常常非常定性，可能还没到那个层次。"
⚠️ 当前处理方式与方向："目前我们本质上把这个当作细胞的分布来处理。这是现在的解法，但我觉得它可以更微妙得多，比如图之类的东西。"

✅ 本库标注这条指认的是一个本体论缺口而不是模型缺口：⚠️⚠️ "细胞类型"是先于模型存在的、被人类发明出来压缩复杂度的中间层，而空间 niche 这一层没有这个中间层。 ✅ 本库判这与"本体论是护城河"、"领域 taste 携带者是瓶颈"是同一类问题在科学侧的版本：缺的不是算力也不是数据，而是一套还没有被发明出来的中间范畴。 ⚠️ 这是本库的归纳，他没有这样说。

⚠️ 五、类器官与扰动空间：他把"扰动"的定义扩得比 CRISPR 敲除宽得多¶

（[00:10:04]–[00:14:05]）

⚠️⚠️ 他自己的定义："对我来说，扰动空间其实就是发生在一个细胞身上的事情的输入空间——也许只是因为它就挨着另一个细胞，于是有一些信号传递，或者某个梯度、某些激素进来。" ⚠️ 他明确把 CRISPR 全敲除定位为"硬核那一类"，而"大多数这些事情要微妙一点"。
⚠️ 他点出一个常被忽略的维度：体外药物筛选的培养基条件"也有那么大的影响"，⚠️ 而他的定性是"这还有点像是由生物学驱动的、甚至有点像炼金术——人们想出什么样的鸡尾酒"。
⚠️ 于是对虚拟细胞的要求很高："一个虚拟细胞模型应该把这些全都接住，当然还有它们的组合。" ⚠️ 而他预测扰动空间会继续扩："在某个时点，我们可能甚至会走到把人类遗传学当作一种扰动。"
⚠️ 类器官的能力侧（自述，部分无出处）：迷你脑"本质上是一组神经元真的开始连接、互相交谈"，⚠️⚠️ "人们已经展示过他们能让培养皿里的那些迷你脑做计算"（无出处，本库不采信为已核实事实）；⚠️ 心脏类器官"真的开始跳动"；⚠️ 结肠这类更简单的系统做得很好。
✅ 用途论证落在材料可得性上：研究神经退行性疾病的遗传学时"通常很难拿到组织"，⚠️ 于是"你从皮肤拿细胞，分化、把它们变成这些迷你小脑"。
⚠️⚠️ 而局限他自己列了出来："显然有各种各样的限制。常常免疫系统是缺的。" ✅ 净判断是"但它比一个细胞系——那只是一种细胞类型——要多得多得多"。
⚠️ 他对为什么必须往这走给了理由："我相当确信我们需要走到多细胞系统，才能真的有有意思的读出。"
⚠️ 瓶颈换位（自述）：此前细胞维度的采样远多于扰动维度（"通常就是对照 vs 疾病之类"），而现在"你有 100 种不同的细胞系，你在上面做完整的 CRISPR 扰动，或者你加上成千种药物的组合，突然这个空间就真的变丰富了"。

⚠️⚠️ 六、LabCompass：把"下一个实验做什么"写成逆向生成模型，而卡点在人¶

（[00:46:23]–[00:49:23]）

✅ "在此之前我们建了这些人类细胞图谱，我们有的是这个映射的层面。然后我们谈了世界模型的预测问题——从映射我们走到了预测。但现在我们可以走到真的去操纵下一个实验。"

⚠️⚠️ 他对现状的批评对象包括自己这一行："很多时候论文就结束在某个模型上，也许是某种概念图，也许有一点点验证。然后你就开始下一个项目了。当然你学到一点，但那不像是一种持续学习的东西。"
⚠️ 对大药厂的克制否定："即便有些大药厂把这个当成一个总体的大主题放出来，真的有人做了多轮这种整合——实验、计算模型、再回去——的例子并不多。"
⚠️⚠️ LabCompass（自述，论文当日或次日才上预印本，本库不采信为已核实结果）："一个逆向的生成模型，让你在有了一个前向世界模型之后，能被告知为了达到某个特定状态你需要做什么"；⚠️ 合作方是剑桥大学一位做血细胞生成的同事，"我们实际上搭了三到四轮 lab in the loop"。
⚠️⚠️ 而本库判他指认的第二个难点才是真增量，因为它不在模型上：

⚠️⚠️ "你怎么建立一种文化——一旦你的计算人员或者模型预测了某个东西，你要怎么说服实验的人把他们的生命时间押上去？因为这些实验往往要花不少时间。"

⚠️ 他对机器人化明确降温："很多人这时候就开始把机器人之类的扔出来，但我觉得这还太早了一点，因为我们这些实验的循环时间还是偏长。"

🔗 ✅ 本库把这条放进自治实验室那条线上，构成一个从公司到学术的递减置信度序列：⚠️ Lila Sciences（"verifier 是一整间实验室"）、Periodic Labs（自治实验室的内部工程，"完全自治是 non-goal"）、而这一条是同一愿景下最保守的版本——承认循环时间太长、机器人太早、目前只是 active learning，真正的卡点是说服人。 ✅ 本库判这个序列本身比其中任何一条都有用。

⚠️ 七、平台 vs 卖药，以及"甜点"判据¶

（[00:38:18]–[00:41:19]）

⚠️⚠️ 他对"生物基础模型"类融资故事带批评："有几家创业公司拿到了真的相当强的投资，也说我们要建一个生物学的基础模型、我们要解码生物学，而实际上没有说你要拿它做什么。" ⚠️ 他拿 OpenAI 做类比，连类比本身都带保留："他们当时并不真的知道怎么赚钱，而有些人可能会说他们到今天也不知道。"
⚠️⚠️ 而那条路径观察："投资人通常理解的——而这在欧洲那个更保守的 VC 生态里也许更是如此——是在某个时点你做出一款药，然后你就有了这个清楚的东西。" → "所以我见过太多这样的平台公司在某个时点转向'我们做一款药'。"
✅ 他给的"甜点"判据本库认为可用，且不依赖药物："如果你把它和数据生成耦合起来，而不只是建模这一部分，我觉得这才是甜点打中的地方，然后药厂才真的会买进来。"
⚠️ 自家例子（自述）：与一批药厂合作建一个他称为 cancer organoid perturbation atlas 的联盟，⚠️⚠️ 而药厂的动机被说得很直接："他们想对这些扰动类数据集拿到早期访问权。"

🔗 ✅ 本库判这是"把钱花在造数据上"这条线的第三个独立样本（⚠️ 前两个是 Xaira 与 Leash Bio），✅ 而它来自学术侧、并且附带了一个药厂实际付费的机制（买早期访问权）——这是本库此前缺的那一环。

⚠️ 八、"Y 模型"：两位导师、八年，以及它和"指标构造"的内部咬合¶

（[00:41:19]–[00:46:23]）

⚠️ 机制：Munich School for Data Science，要求两位 PI 共同提课题——一位方法侧、一位领域侧，⚠️ "有时候我们在 Y 模型下有两个学生，所以 Y 加 Y 等于 H。你懂的吧？"
⚠️ 他承认这个想法"甚至在今天看来有点平凡"，✅ 但要学生去两个组会：一个"真的学习并理解一些更深的生物学问题，理解比如一个医学场景的语言"，另一个推方法面。
⚠️⚠️ 而机制描述里这一句本库判为本节最有用的：

✅ "于是他们吸收了一大堆在那个生物实验室里并没有被精确地那样表述出来的问题。他们没法直接把那个塞进一个函数里，但因为他们是方法型的、是定量的，他们实际上能把这个放进一个指标或者别的什么东西里，然后那变成一个模型、再变成一篇论文。"

✅ 本库标注这正好是他第二节那条主张的组织版本：⚠️⚠️ 培养机制要产出的能力，恰好就是他认为剩余智力劳动所在的那个能力——把一个没被形式化的领域问题翻译成一个指标。 ✅ 本库记为本期内部两条材料的一次咬合，而他没有把它们连起来。

⚠️ 时间跨度与下游（自述）："我们这个学校做了大概八年"；去向"一些去了生物医学领域、进了药厂，一些留在研究，一些去了创业方向，一些去了非常纯的 AI 类工作"，⚠️ 单例："NVIDIA 几个月前在一个月里雇了我两个人。"
⚠️⚠️ 而他给候选人的面试论证是对"涨 2% 那类工作"的一次贬值："能说'我不只做了那个也许在一篇 NeurIPS 论文里改进了 2% 的花哨模型，而且我还有那个真实的、更复杂更深的应用'，这是个好主意。"

🔗 ✅ 本库 AI 与就业上"领域 taste 携带者是瓶颈"那条线此前全是需求侧（"这种人很难招"），✅ 而这一条是第一份供给侧材料——一个声称运行了八年的培养机制。 ⚠️ 但全部产出描述为自述、无第三方核对。

⚠️ 九、学术资金结构与欧洲创业生态（可保存价值中等）¶

（[00:30:15]–[00:37:18]）

⚠️ Helmholtz 的结构：拿联邦经费投进深层研究问题；✅ 关键差异是"我们没有本科教学。我们本质上只有博士生和博士后"，同时与大学特别是临床高度互动；⚠️ 他自己的类比是"有点像美国的 NIH 那类模式，但是分布在全国各地"。
⚠️⚠️ 他对欧洲创业生态的诊断是分段的：创建环节他认为有竞争力（⚠️ 他声称"如今如果你看欧盟，被创建的创业公司数量和美国一样多"——无来源无口径，本库不采信），而问题在后段：

⚠️⚠️ "欧洲、特别也是德国掉下去的地方是 scaling 这一段。早期 VC、以及那些非稀释型的钱，这些是有的。但当你走到 scaling，那些会承担更大风险的大 VC，我觉得远没有那么到场。"

⚠️ 可观察后果："如果你想真的走到更大的票——series A、series B 这种——人们会开始更多地为了这个去美国。" ✅ 他自己加了限定："也许我在这里过度简化了。"
⚠️⚠️ 而他对美国的评价是与德国同病，本库认为这条值得记："美国在让所有系统互相对话这件事上也差不多是一团乱，跟德国类似。病人去美国不同的州，和在德国去不同地方是类似的。要建病人目录非常难。" ✅ 他指出欧洲内部有做得好的样板：芬兰的 FinnGen、丹麦等——"对人群在采样上的非常详细的描述、医疗记录连接得好得多"。
⚠️ 监管两面：正面是欧盟统一漫游与 USB-C 强制；⚠️ 负面是 AI Act 一类，✅ 但"幸运的是研究还没有"受影响，⚠️ 真正痛点在跨医院数据访问；⚠️ 政策抓手他点名 European Health Data Space（"大概未来两年里这些东西需要跨越边界"），✅ 总评是"这些愿景正在开始发生，但规模推进没那么快"。
⚠️⚠️ 一条他自己设的 KPI："比如对我协调的那个部门，我说：各位，每一位 PI、每一位组长，我期望你至少在接下来三年里有一个 spin-off。然后看看效果如何。" ✅ 而他对实际驱动力给了一个与自己指令相反的归因，本库认为这处很诚实："但我觉得如今这件事无论如何很大程度上是自下而上在发生的，是学生在推动。"

⚠️ 本库记录的未收口处¶

⚠️⚠️ 文化这个问题被明确推掉了一次：被问"你怎么设置文化去用好这些新技术"，⚠️ 他直接说"让我把文化那部分先放在外面，因为我觉得它很难回答，但是个很好的问题"；✅ 他在 LabCompass 那节部分地回来了（说服实验方押上时间），⚠️ 但没有回答怎么设置文化。
⚠️ "agentic AI 让每个科学家都变成自己的计算生物学家之后，共同指导策略怎么演化"没有被回答（⚠️ 他回答了同一问题里关于深度整合的那一半）。
⚠️ "虚拟细胞邻域最有希望的商业化方向是什么"没有被点出具体方向，回答主要是批评平台叙事并给出"要耦合数据生成"这条判据。