顺为资本领投格原万维，北大PI卢萌打造人脑基础模型DigitalBrain-M1

顺为资本近期参与了AI for Science（AI4S）初创企业格原万维（LattixOrigin）的种子轮融资，金额近千万美元。除顺为外，云沐资本、Xirius与中关村资本亦为本轮投资方。资金将主要用于搭建干湿实验验证闭环、采购算力资源及扩充跨学科团队。

格原万维的核心技术路径聚焦于“用AI解密人脑”。其首席科学家卢萌，2024年回国后入职北京大学担任助理教授，此前在剑桥大学长期从事神经退行性疾病研究。他观察到传统神经科学方法受限于微观尺度——如同“手持绣花针”，难以还原疾病在全脑尺度上的发生与扩散过程。由此，他提出构建一套覆盖分子、细胞、脑区至全脑的多尺度人脑建模体系。

这一构想的关键转折点出现在大语言模型兴起之后。卢萌指出，Transformer架构中的自注意力机制与生物信息处理逻辑高度契合：“若将细胞视作长句子，基因是词，微环境即上下文，而上下文决定基因表达与细胞状态。”这种底层原理的一致性，为跨尺度建模提供了技术可行性。

2024年回国后，卢萌正式启动DigitalBrain项目，并同步推动格原万维落地。团队目前已训练出初代人脑基础模型DigitalBrain-M1。该模型在部分脑区功能解析任务中，与临床影像组学结果高度吻合，验证了其初步有效性。

与传统生物学研究中AI仅作为工具嵌入既有流程不同，卢萌主张“站在AI视角重新组织生物学研究”：先构建高质量、标准化的真实人脑数据集，再让模型从海量信息中自主学习规律，而非依赖人为预设假设。他强调，动物模型（如转基因小鼠）与人类大脑存在显著生理差异，导致大量靶点在临床阶段失效——例如阿尔茨海默病药物研发长期聚焦β淀粉样蛋白，但该病理标志出现时大脑已实质性损伤，干预窗口滞后。

DigitalBrain模型的潜在价值在于推演完整病程：病变从哪些脑区起始？如何扩散？何时进入不可逆阶段？通过模拟扰动效应，模型可帮助定位更早期的干预节点，提升药物研发效率与成功率。卢萌将其愿景概括为“人脑的GPT”——科研人员可依托该系统快速发现靶点、解析机制、优化干预路径，最终或有助于理解智能本身的起源。

值得注意的是，该项目的推进高度依赖外部资源支持。卢萌坦言，仅靠高校实验室难以持续承担算力成本与顶尖人才投入。尤其在AI快速迭代背景下，模型训练、干湿实验闭环建设均需长期资金保障。这也解释了为何格原万维选择早期引入产业资本。

从行业趋势看，AI4S正成为全球前沿科研新范式。DeepMind的AlphaFold2已重塑结构生物学，而人脑建模因其复杂性与数据稀缺性，仍是未被攻克的高地。相较而言，欧美已有类似探索：美国BRAIN Initiative推动的“人脑连接组计划”侧重结构测绘；欧盟Human Brain Project则尝试构建超级计算模拟平台。但这些项目多以物理仿真为主，尚未深度整合大模型的推理能力。

格原万维的独特之处在于，其路径并非简单复刻现有框架，而是将大模型的序列建模能力与神经科学的多模态数据（单细胞测序、空间转录组、fMRI、电生理等）进行对齐训练。团队过去两年集中打磨数据集，正是为解决“模型与真实人脑不匹配”的核心瓶颈。

目前，DigitalBrain-M1仍处于早期验证阶段，后续迭代将逐步纳入更多模态与尺度信息。卢萌团队计划在未来12–18个月内发布M2版本，重点增强跨脑区动态传播建模能力，并接入少量临床前药物响应数据。

资本层面，顺为此次出手反映其对AI+生命科学交叉赛道的持续关注。近年来，顺为已在医疗AI、合成生物学等领域布局多家早期企业，此次投资格原万维，亦可视作其在“硬科技+大模型”融合方向的又一次纵深拓展。

需要指出的是，人脑建模面临多重挑战：一是高质量人脑样本极度稀缺（尤其健康对照组），伦理限制严格；二是多尺度数据异构性强，对对齐算法要求极高；三是模型可解释性仍待突破——即便预测准确，若无法阐明生物学机制，临床转化仍将受阻。

尽管如此，该方向已吸引多方力量入场。除格原万维外，国内已有高校团队尝试用LLM辅助神经环路分析；国际上，Google DeepMind与哈佛医学院合作的“NeuroGLM”项目亦在探索类似路径。可以预见，未来3–5年，人脑基础模型将成为神经科学与AI交叉领域的重要基础设施。

卢萌团队的阶段性目标清晰：不做通用大模型，而专注构建人脑专属的“知识基座”。当DigitalBrain能稳定复现已知脑区功能、预测新靶点并经实验验证时，它便真正迈出了通向“科学圣杯”的第一步。