进入2026年，人工智能与生命科学的结合正在从“辅助分析数据”走向更深层次的生命过程模拟。8月13日，《Nature Medicine》发表题为“How to build an AI-driven digital organism”的前瞻性文章，提出一种值得关注的新方向——利用多个跨尺度人工智能基础模型，逐步构建能够模拟真实生命活动的“AI驱动数字生物体”。

这并不意味着科学家已经在电脑中创造出了完整的人类，而是意味着生命科学研究正在尝试建立一种更复杂的数字模拟系统：从DNA、蛋白质和细胞开始，再逐渐连接组织、器官乃至整个生物体的变化过程。

从预测蛋白质走向模拟生命过程

过去几年，人工智能已经在蛋白质结构预测、医学影像识别、基因数据分析和药物分子筛选等领域显示出较强能力。但这些模型通常各自解决一个独立问题。

数字生物体的思路则更进一步。

研究人员设想，将分子模型、蛋白质模型、细胞模型、组织模型等不同层级的基础模型连接起来，让人工智能不仅回答“这个蛋白质可能是什么结构”，还能够继续推演“改变一个基因之后，蛋白质怎样变化，细胞如何响应，组织又可能发生什么改变”。

《Nature Medicine》将其描述为一种由多个跨尺度基础模型共同组成的数字生命系统，其核心意义在于模拟复杂的生物变化，而不是简单生成一个静态结果。

如果这种技术不断成熟，未来研究一种新药时，科研人员可能先在虚拟环境中完成大量模拟。例如改变某个药物剂量后，观察不同细胞类型的反应；调整某个基因后，预测它可能对下游生物通路产生怎样的影响。

这有些类似航空领域的“飞行模拟器”：真正的实验不会消失，但大量前期筛选和假设验证可以先在数字环境中进行。

药物研发可能首先受益

传统新药研发需要经过靶点寻找、化合物筛选、细胞实验、动物实验以及多阶段临床研究，整个过程存在大量重复筛选工作。

数字细胞和数字生物体如果能够提高预测准确性，最大的价值之一，就是帮助科研人员更早排除成功概率较低的研究路线，把实验资源集中到更值得验证的候选方案上。

例如面对一种复杂疾病，研究人员可以同时分析基因表达、蛋白质变化、细胞状态以及药物干预数据，再由AI寻找其中难以通过人工观察发现的关联。未来更成熟的模型还有可能模拟不同个体之间的生物差异，为精准医学研究提供新的工具。

值得注意的是，这一方向目前仍属于快速发展的研究前沿，而不是已经能够直接用于普通患者诊疗的成熟技术。《Nature Medicine》文章本身也是一篇Perspective，重点在于提出数字生物体的建设框架和未来路线，而非宣布一个完整数字人体系统已经建成。

AI医学正在从单点工具转向系统平台

数字生命体的出现还反映出2026年医学人工智能的另一个明显变化：AI正在从单一算法向平台化发展。

过去，人们谈到医疗AI，常常想到CT影像识别、皮肤病图片分析或者电子病历整理。现在越来越多研究开始尝试把影像、基因、蛋白质、临床信息、可穿戴设备数据等多种信息同时输入模型。

同样在2026年8月，《Nature Medicine》还介绍了北欧AI-Health基础设施计划，目标之一就是利用大规模纵向、多模态健康数据，为负责任的医学AI研究建立基础设施。

监管体系也在同步调整。美国FDA数字健康卓越中心目前已将AI医疗设备、软件医疗器械、真实世界性能评价以及AI产品全生命周期管理列入重点方向，并明确提出需要形成更加适合数字健康产品特点的监管模式。

这说明未来医疗AI竞争的重点，可能不仅是谁拥有更大的模型，还包括谁拥有质量更高的医学数据、更完善的验证体系，以及更稳定的真实世界表现。

“虚拟人体”距离现实仍有很长距离

数字生命技术前景很大，同时也面临明显挑战。

人体并不是一套简单的软件程序。同一种药物在不同年龄、遗传背景、生活环境和疾病阶段的人群中可能表现出不同反应。模型训练数据如果存在人群偏差，预测结果也可能随之产生偏差。

另一个关键问题是因果关系。AI非常擅长发现“哪些变量经常同时出现”，却不一定能够自动判断谁真正导致了谁。对于医学而言，把相关性错误理解为因果关系可能直接影响研究方向。

因此，未来真正有价值的数字生物体必须不断接受真实细胞实验、动物研究和临床数据的反向验证。

从更长远的角度看，数字生命体最值得期待的地方，也许并不是“用AI取代实验”，而是形成一种新的科研协作方式：人工智能负责快速模拟数百万种可能性，科研人员负责设计实验、验证机制和判断医学意义。

从蛋白质预测到虚拟细胞，再到跨尺度数字生物体，2026年的生命科技正在迈向一个新的阶段。真正成熟的“数字人体”也许仍然遥远，但让AI先在数字世界里模拟生命，再指导现实世界实验，已经成为国际医学科技领域值得持续关注的新方向。