Biohub联合美国能源部与NIH投入18亿美元建AI-ready生物数据：DeepMind、Isomorphic、Meta合计出资3亿

18亿美元是承诺额，先看清谁能先用上数据

数据视角 × 医疗数据从业者 ｜ 影响分析 × AI技术供应商/创业者 ｜ 行业观察

2026年10月7日，Biohub宣布虚拟生物学计划扩容，联合美国能源部、NIH以及Google DeepMind、Isomorphic Labs、Meta共同投入18亿美元，构建开放的多模态AI-ready生物数据集。首批数据集约1年后交付，整体目标设为5年内完成。

需要先校准一个词：18亿美元是承诺额，不是已经到账的资金，其中包含资金、数据、算力与测量技术的折算。对数据供给侧的人来说，这笔钱的意义不在于总额，而在于它公开了一个此前很少被摆上台面的定价——一批可供模型直接训练的生物学数据值多少钱，以及由谁来定这个价。

开场：18亿美元，买的是可供AI直接用的生物数据

这笔投入的标的值得先界定清楚。它买的不是模型，也不是某个具体疗法，而是数据本身：多模态、经过标准化处理、可以直接喂给模型训练的生物学测量数据。这类资产的稀缺性来自生产成本，单细胞测序、空间组学、高通量成像的单位成本都很高，且产出的原始数据通常不具备跨机构可比性。

AI-ready这个限定词是整条消息的核心。现有公开数据并不少，但多数分散在不同实验室、不同平台与不同格式里，元数据口径不一致，批次效应未标注。这类数据要用起来，先得有人做清洗、对齐与标注，而这部分工作在学术评价体系里几乎没有回报。把这件事作为独立目标立项，本质上是在补一段没人愿意付费的中间环节。

对做数据的人来说，这一步的信号比金额更实在：数据生产第一次被单独定价、单独采购，而不是作为论文的副产品顺带公开。这会改变供给侧的激励结构。

3亿加5亿加5亿：钱从三条渠道进来

出资结构分三条线。Google DeepMind、Isomorphic Labs、Meta合计出资3亿美元；美国能源部在五年内投入超过5亿美元；NIH投入的是此前联邦超过5亿美元形成的数据库与知识库。此外，Biohub在4月已承诺5亿美元，其中4亿用于测量技术、1亿用于外部研究。

三条渠道的性质并不一样。科技公司出的是现金，能源部出的是需要走预算程序的分期承诺，NIH出的主要是存量资产而非新增拨款。把18亿美元当成一个可动用的资金池并不准确，它混合了新钱、旧资产与待审批的预算。

对数据从业者来说，这种混合结构有一个直接后果：交付节奏不由总额决定，而由最慢的那条线决定。能源部与NIH的出资需要走各自的预算程序，这意味着即便承诺已经公开，实际可用额度与到位时间仍存在不确定性。做规划时应当按分批到位来假设，而不是按18亿一次性可用。

数亿到万亿：现有数据差了两个数量级

规模差距是这项计划最直接的依据。现有细胞数据集规模仅数亿级，而预测模型所需的数据量在数十亿乃至万亿级。中间差着两个数量级，不是靠多跑几家实验室就能补上的。

两个数量级意味着生产方式必须改变。数亿级可以由单个机构、单个项目产出；数十亿级必须依赖标准化流水线、自动化测量与统一的元数据规范。这也是为什么计划里单独列了4亿美元用于测量技术：在数据生产这件事上，提升仪器通量比增加人力更有效。

但规模目标与可行性之间还隔着一层。目前没有公开证据表明，细胞数据规模从数亿扩到数十亿会线性带来模型能力的提升，数据质量、模态覆盖面与标注一致性同样构成约束。把规模当成唯一变量，是这个领域常见的一种乐观。

一年独家期：商业资助方拿到的到底是什么

这是整条消息里最需要被单独拿出来说的一条。商业资助方享1年数据独家期，而政府资助产生的数据没有这一限制。换句话说，同样一批数据集，会因为出资方不同而拥有不同的开放时点。

对技术方而言，1年独家期是一个可计算的先发优势。模型训练对数据的依赖是直接的，早一年拿到数据，就有可能在同行之前完成一轮训练迭代与验证。以3亿美元换取1年窗口是否划算，取决于这批数据能在多大程度上加速收敛，目前没有公开依据可以判断。

从数据供给侧看，这条安排的含义更复杂。它确立了一种模式：公共品属性很强的基础数据，可以由商业资本出资生产，并以一段时间的排他访问权作为回报。这在生物医学数据里并不常见，此前多数政府资助的大规模数据项目要求即时公开。独家期会不会成为后续类似项目的模板，值得跟踪。

对拿不到独家期的中小团队来说，真正的门槛不是这一年，而是数据释出后有没有能力迅速完成处理与训练。数据开放之后，竞争会回到算力与工程能力上。

冷静观察：承诺额不等于到账，虚拟细胞还是个目标

先把没有的部分列出来。18亿美元中各出资方的分期拨付时间表未披露，能源部与NIH各自的预算程序进度未披露，首批数据集的规模、模态构成与元数据规范未披露，数据许可条款与独家期的技术实现方式未披露，质量控制与批次效应处理方案同样未披露。这些缺席决定了当前只能按意向来评估，不能按已建成的基础设施来评估。

因此正确的表述是：虚拟细胞模型尚未实现，它是这项计划的目标而非成果。把18亿美元与虚拟细胞直接连成因果关系，会跳过中间全部的技术不确定性。承诺额不等于已到账，这一点在传播中最容易被抹掉。

对数据从业者来说，现阶段可做的准备有限但明确：跟踪许可条款的正式文本，判断自家数据管线能否承接这批数据的规模与格式，评估一年独家期过后数据释出时的接入成本。

接下来该追问的是四件事。其一，18亿美元中各部分的拨付时间表与到位条件是什么，承诺如何变成预算。其二，首批数据集的模态清单、样本规模与元数据规范何时公布，这决定了它能不能被直接使用。其三，一年独家期在技术上如何实现，是否覆盖衍生数据与模型权重。其四，政府资助部分的开放许可采用何种条款，与商业部分如何区分。这四件事没有明确之前，这笔投入对供给侧的影响都应停留在预期层面。

原文链接：Biohub（PR Newswire）

千方医数集编辑部 出品