专访阿里云贺勇 AI发现16万种新RNA病毒成果登上Cell
最近，AI for Science领域可谓捷报频传，在物理、化学、生物等多个基础科学领域接连取得突破性进展。
这边厢，诺贝尔物理学奖和化学奖双双授予了在AI领域做出奠基性贡献的科学家；那边厢，阿里云与中山大学的联合科研团队，就在RNA病毒发现领域取得了重要突破，其研究成果被国际顶级学术期刊《细胞》（Cell）正式收录。
这篇题为《基于人工智能探索和记录隐藏的RNA病毒世界》的论文，核心是提出了一个名为“LucaProt”的深度学习模型。它的使命，是快速、准确地识别RNA病毒，从而彻底碘伏了传统依赖繁琐生物信息学流程的病毒发现方法。
LucaProt基于Transformer架构与大模型技术构建，创新性地融合了蛋白质的序列与结构双重特征。测试结果表明，它的性能相当亮眼：在外部验证集上，模型实现了高达97.4%的召回率，同时将假阳性率控制在极低的0.023%。更关键的是效率——传统方法可能需要数天甚至数周来完成的分析，LucaProt仅需几百毫秒到几秒即可完成，堪称“降维打击”。
借助云计算与AI技术的强大组合，研究团队从海量数据中一次性发现了超过16万种全新的RNA病毒。这个数字是什么概念？它接近此前人类已知RNA病毒种类的30倍。这一发现不仅极大地拓展了我们对RNA病毒多样性及其演化历史的认知，也为病毒学研究打开了全新的视野。
这项成果本身，就是跨学科高效协作的典范。论文的共同第一作者，分别是阿里云飞天实验室的算法专家贺勇，以及中山大学医学院的侯新博士。而论文的共同通讯作者团队，则汇聚了中山大学的施莽教授、阿里云生物计算研究总监李兆融，以及悉尼大学的全球知名病毒学家Edward Holmes。生物学的前沿问题，与AI领域的最新技术，在这里产生了深刻的化学反应。
（阿里云和中山大学团队，右二贺勇、右三李兆融、右四施莽、左四侯新）
作为核心参与者，贺勇对此评价道：“这套‘AI+病毒学’的新研究框架，刷新了人类对整个病毒圈的认识。随着认知的不断完善，它不仅有助于我们对未来潜在的流行病进行预警，也将进一步推动RNA病毒疫苗的研发进程。”
AI for Science的深入探索，离不开“AI+云计算”提供的多维支撑。近年来，阿里云在助推学术研究方面持续投入，已与全球超过70所高校展开合作，累计支持发表了百余篇高水平学术论文，并共同申请了近70项发明专利。
特别是在生命科学领域，阿里云与中山大学、浙江大学等国内顶尖高校合作，围绕病毒学、药物发现、生物学等方向开展前沿课题研究。目前已陆续发布了核酸和蛋白质统一基础模型LucaOne、RNA病毒发现模型LucaProt、磷循环蛋白家族识别模型LucaPCycle等一系列成果，其中多项都由贺勇主导或深度参与。
这项突破背后，究竟有怎样的AI逻辑与思考？我们与阿里云飞天实验室算法专家贺勇进行了一次深度对话，他分享了这项科研突破背后的经验，以及对AI for Science领域的独到洞见。
可标准化的 RNA 病毒寻找，AI 大展身手
问：这次研究成果的突破性，在预期之内吗？
贺勇：一开始我们更多是抱着尝试的心态。核心目标是寻找新病毒，至于能否登上顶刊，完全取决于最终成果的硬实力。寻找RNA病毒其实已经有一套相对固定的传统方法，整个流程甚至可以标准化，但问题在于过程极其繁琐复杂。于是我们就想，能不能用AI来攻克这个环节？当然，这背后也需要一些对效果的直觉判断。基于过去十年的AI实践经验，我预感这个问题AI应该能交出不错的答卷。
问：与传统方法相比，AI路径究竟带来了哪些优势？
贺勇：传统流程包含大量需要人工介入的迭代环节，比如结果查看、确认、筛选和验证，非常依赖专家经验，耗时费力。我们采用的，是基于Transformer架构的第三代深度学习技术，并依托生物领域大模型构建了LucaProt。它的工作原理，是对RNA病毒的复制酶序列进行深度表征学习，然后基于这个表征来鉴定病毒。
AI方法最大的特点就是“端到端”，把中间那些繁复的人工步骤直接省略了。生物数据不像文本或图像那样直观，普通人根本无法直接“阅读”，必须借助各种专业工具。AI的优势在于，只要有相关数据，它就能自动挖掘其中隐藏的深层信息。对于病毒发现这种任务，识别这些隐含信息恰恰是关键，所以AI的效果就特别突出。
我们训练的LucaProt模型，使用时非常简单：输入一个蛋白质序列，它就能直接判断这是否是RNA病毒，完全绕过了复杂的生物信息学分析或传统实验流程。在一个独立的测试数据集上，模型展现了优秀的泛化能力。随后，我们通过全球规模的推理计算，再经生物实验验证，最终成功发现了超过16万种全新的RNA病毒。
问：与之前发布的LucaOne模型相比，这次的LucaProt有哪些技术上的演进？
贺勇：LucaOne定位是一个通用的生物基础大模型，它对核酸和蛋白质进行无差别的统一表征。而LucaProt，则是利用生物大模型提供的强大表征能力，针对“寻找新病毒”这个具体下游任务进行专项优化的模型。可以理解为，LucaOne提供了坚实的“基础能力”，而LucaProt则专注于解决具体的“实战问题”。
问：在这样跨学科的研究中，如何弥合生物学与AI之间的认知鸿沟？
贺勇：我们团队本身在医疗和生物信息学方面有一定积累，但直接与生物学家对话，依然存在专业壁垒。这时，阿里云生物计算研究总监李兆融博士扮演了至关重要的“桥梁”角色，极大地加速了双方的理解进程。在交叉学科研究中，这样的桥梁角色是不可或缺的。
问：整个过程中，遇到的主要瓶颈是什么？
贺勇：最大的挑战来自生物学知识的门槛。我们需要持续学习生物领域的专业知识，才能以全局视角理解和处理生物问题。此外，生物学数据的校验与处理本身，也是一大挑战。
问：这些瓶颈是如何被突破的？
贺勇：我们呼唤更多复合型人才——即同时具备扎实计算机背景和生物学知识的人才。另外，与本身就倡导交叉学科的研究院或学院合作，往往会事半功倍，因为双方能更自然地互补，共同解决问题。
AI for Science 仍处于早期识别阶段
问：AI for Science 的方法论，可以抽象成一种通用模式吗？
贺勇：大致可以归纳为几个步骤：首先，深入分析待解决科学问题的特性以及相关数据的特性；然后，基于这些特性设计专门的算法模块，利用现有技术进行优化改造，或提出全新的模型架构来适配问题；接着，进行效果评估和模型迭代优化；最后，基于模型输出进行科学新发现的挖掘与验证。
问：如何判断一个科研项目是否适合引入AI来解决？
贺勇：通常会评估几个维度：一是传统方法的成熟度和瓶颈；二是对问题本身的理解门槛；三是AI可能带来的效果提升空间。其中最关键的一点是，这个问题背后是否有“规律”可循。凡是存在内在规律的问题，AI往往能取得意想不到的好效果。
问：在您看来，AI for Science 在生物学领域具备哪些独特的优势？
贺勇：优势主要体现在三个方面：首先是数据的开放性与丰富度。生物学领域有大量高质量公开数据，例如美国国家生物技术信息中心（NCBI）的数据，经过全球科学家社区的校验，质量高且易于获取。其次是计算资源的不断增强与成本持续下降，使得大规模计算成为可能。最后是技术迁移的便利性。生物序列（如DNA、蛋白质序列）与文本序列在结构上具有相似性，这使得自然语言处理领域的许多成熟技术（如Transformer）能够相对平滑地迁移到生物学领域，大大降低了技术应用的门槛。
问：近期诺奖青睐AI，您的研究又为病毒学带来突破。您如何看待AI for Science的当前阶段与未来？
贺勇：尽管仍处于起步阶段，但AI无疑已成为解决科学问题的一种重要手段和研究方法。它之所以备受关注，根本原因在于科学界存在大量尚未解决的难题。现阶段的关键，在于如何将具体的科学问题进行抽象，形式化地定义成有明确输入输出、有数据支撑、可计算的问题。一旦完成这种转化，AI就能大显身手。
具体到生物学，AI的发展可能也遵循类似的路径。目前我们主要处在“识别”或“读懂”的第一阶段，比如识别生物序列的功能、鉴定病毒序列、预测其来源和感染性等，这类似于计算机视觉中的“图像识别”阶段。而下一个“生成式”阶段，例如根据所需功能直接设计生成特定的蛋白质，目前还远未成熟。今年诺贝尔化学奖得主Da vid Baker教授在蛋白质设计上的工作就属于这个方向，但效果仍有很大提升空间。
展望未来，在生物医疗领域，AI终将迈向生成式阶段，比如生成特定的抗体或小分子药物。但必须清醒认识到，当前的AI for Science，主要还是处在“认识世界”的阶段，距离主动“改造世界”还有很长的路要走。前景固然光明，但我们仍需正视所处的发展阶段。
问：要实现从“认识”到“改造”的跨越，需要满足哪些条件？
贺勇：我认为需要三个核心条件的成熟：第一，更多精细化数据的积累，尤其是在疾病治疗和药物研发领域产生的、高质量、有明确标注的数据。第二，大模型架构本身的变革。当前主流的Transformer架构是基于序列设计的，而生物学信息本质上是三维空间分子结构。用序列模型处理结构信息，必然存在信息损失。我们需要能更好理解和处理三维空间信息的全新架构。第三，基础设施的同步跟进。包括算力、专用硬件（如显卡）都需要为新的计算范式进行重构和匹配。这些条件，在将AI应用于其他自然科学领域时，也是普遍需要的。
问：对于AI for Science的未来，您是否有任何担忧？
贺勇：是的，AI目前仍有其明显的局限性。它尤其不擅长处理那些依赖精细、微小变化的问题。当前AI的强大能力依然严重依赖于大量数据，它还无法像人类科研人员那样进行真正的“创新”和“碘伏性改变”。此外，生物学实验中许多需要“手感”和实操经验的“手艺活”，在可预见的未来，仍然是AI难以替代的。
AI for Science，阿里在路上
问：是什么促使您选择深耕AI for Science这个领域？
贺勇：很大程度上是性格和兴趣使然。我享受解决问题的过程。我拥有计算机和AI的背景，很自然地希望用这些技能去攻克科学界那些具体、实在的难题，探索AI在推动科学前沿方面的潜力。
问：阿里云已经将生命科学领域的三款大模型开源，这主要是基于怎样的考量？
贺勇：开源的核心目的是为了降低使用门槛，让更多研究者能够用上这些工具，从而共同推动生物学细分领域的基础通用模型走向完善。开源生态本身也能反哺模型的优化迭代。同时，这也能帮助使用者降低从零开始训练模型所需的数据和成本。
问：阿里在与高校合作推进AI for Science时，具备哪些比较优势？
贺勇：优势可以概括为几点：一是显著的算力优势，能为大规模计算提供坚实支撑；二是公司内部有支持长期、有意义项目的文化基因；三是通过阿里云、达摩院等平台，我们与众多高校建立了长期、深入的合作关系，积累了深厚的信任。
问：在与高校的传统学科团队合作时，有什么特别的感受？
贺勇：最直观的感受是，AI的加入能极大加速传统学科的科研进程，实现碘伏性的效率提升。但另一方面，传统学科有其自身的发展逻辑和节奏，AI的“快”与科学研究的“深”需要相互适应、协同推进，才能产生最好的效果。
问：团队接下来的研发规划是怎样的？
贺勇：我们会继续对现有的基础大模型LucaOne进行迭代，解决更多潜在的科学问题。同时，与合作伙伴深化合作，利用AI工具探索更广泛的科学前沿。目前我们仍聚焦在生物领域，未来可能会向下游的临床研究和药物研发方向拓展。
相关攻略
阿里云与中山大学团队开发了深度学习模型“LucaProt”，用于高效识别RNA病毒。该模型基于Transformer架构，结合蛋白质序列与结构特征，在外部验证中召回率达97 4%，假阳性率仅0 023%。通过云计算与AI技术，团队从海量数据中一次性发现超过16万种新RNA病毒，显著拓展了病毒多样性认知，为病毒学研究和流行病预警提供了新工具。
如果开发一个智能体（Agent）只需要5分钟，那么今天的关键问题就不再是“技术能否实现”，而是“你想用它解决什么业务场景”。 Agent 上线，本不该如此复杂 在传统的开发模式下，构建一个可用的智能体是一项繁重的系统工程：你需要挑选合适的模型、搭建开发框架、部署服务、管理会话状态、调试流式接口、接入
5月11日，阿里云正式推出“团队版Token Plan”服务。这项服务并非简单的模型调用接口，而是一套专为企业及开发团队设计的大模型订阅与集中管理解决方案，旨在优化AI资源的规模化使用体验。 该计划的核心优势在于“团队协作”与“灵活配置”。它集成了Qwen3 6、Kimi-K2 6、GLM-5 1、
Agentic OS：当操作系统开始为AI“员工”服务 2026年3月30日，阿里云投下了一枚重磅技术冲击波——Agentic OS。这绝非一次普通的系统更新，而是业界首款专为AI智能体（Agent）设计的操作系统。它的出现，清晰地指向一个未来：操作系统服务的用户主体，正从人类逐渐转向海量的AI“数
中国第一：阿里通义千问 3 5-Max-Preview 首发亮相 LM Arena 国际大模型竞技场 大模型赛道的竞争，从来都不缺乏看点。这不，阿里千问家族又添新丁了。3月20日，千问3 5系列的旗舰预览版——Qwen3 5-Max-Preview，正式在全球知名的LM Arena竞技场上线参战，并
热门专题
热门推荐
近日，中国汽车流通协会联合精真估发布了《2026年4月纯电动车型一年车龄保值率排行榜》。这份数据对于正在选购新能源车的消费者具有重要参考价值，能帮助大家更清晰地了解当前热门电动车的残值表现。 该榜单统计的是车龄满一年的纯电动车型。位居榜首的是问界M9，其一年保值率高达80 4%。这一夺冠成绩含金量十
科技行业近期迎来一场备受瞩目的创新盛宴。以智能清洁机器人闻名的追觅科技（Dreame），在旧金山隆重举办了“Dreame Next 2026”未来愿景发布会。活动不仅前瞻性地展示了涵盖智能手机、智能穿戴乃至概念电动车的全系列产品，更邀请到苹果联合创始人史蒂夫·沃兹尼亚克亲临助阵。这场为期四天的盛会，
SpaceX最快下周披露招股书，6月初启动全球路演，估值或达1 75万亿美元，募资规模有望创纪录。公司以垂直整合与成本控制为核心优势，布局商业航天、AI基础设施与卫星互联网，其“太空数据中心”构想融合太空太阳能与AI算力，开辟新赛道。此次IPO或引发科技板块资金结构性变动，标志资本正加速拥抱太空与AI融。
NVIDIA在SIGGRAPH上宣布扩展其微服务库，以加速人形机器人开发。其核心是将生成式AI深度集成至OpenUSD语言体系，推出相关模型与NIM微服务，从而提升数字孪生与机器人工作流效率。公司还开放了机器人技术栈，并联合合作伙伴推动OpenUSD的工业应用，为开发者提供从仿真到部署的端到端平台支持。
OKX作为全球领先的数字资产交易平台，其风险主要来源于市场波动、技术安全与合规环境。平台通过多重安全机制、资产储备证明和严格的合规流程来管理风险。用户需理解加密货币的高波动性本质，并采取自主保管资产、启用安全功能等策略，以在参与Web3生态时更好地保护自身权益。