科
九层数据链：公共数据库、仪器产能、湿实验真值、仿真与合成、模型配方、验证闭环；基准、厂商政策、价格。以生物为主。
机器人数据的问题是"没有现成来源，每一条都要有人去生产"；科学数据的问题正好相反：公共数据库免费、海量、几十年积累，但它们记录的是"形状"（结构、序列、表达谱），不是模型真正要学的"结果"（这个分子结合不结合、这个扰动改变了什么、这个化合物在动物身上毒不毒）。于是 AI4S 的数据金字塔被两层核心撑开：湿实验真值（最贵、最慢、最接近真实，但被读出方式和实验室绑定）和模型仿真与合成数据（便宜、无限，但保真度随着离真实越远越差）。上游是数据库与采集设备，下游是模型怎么配比、以及验证结果怎么回流。这个专栏按这条链拆成九章，以生物为主，化学与材料顺带。
| 位置 | 层 | 数据 | 生产方式 | 典型规模 | 在模型里的角色 |
|---|---|---|---|---|---|
| 上游 1 | 公共数据库与文献 | PDB、UniProt、ChEMBL、CELLxGENE、AlphaFold DB | 全球提交 + 机构策展 + 政府经费 | Protein Data Bank (wwPDB) 26.1 万条；UniProt TrEMBL 1.49 亿条；CZ CELLxGENE Discover / Census 约 2.18 亿细胞 | 所有基础模型的预训练底座；免费，不构成壁垒 |
| 上游 2 | 仪器、试剂与产能 | 测序仪、单细胞平台、基因合成、质谱、冷冻电镜 | 厂商卖设备与耗材 | 测序约 $1/Gb；单细胞测序端约 0.5 美分/细胞；基因合成片段起价 7 美分/bp | 决定真值数据的单位成本曲线与瓶颈 |
| 核心 A | 湿实验真值数据 | binder 结合测定、扰动图谱、表型成像、ADME、类器官与动物 | 实验室 + 自动化 + 人 | Adaptyv Bio $149/蛋白起；Tahoe-100M 1 亿细胞；JUMP-Cell Painting 16 亿细胞图像 | 条目占比极小，微调与评测权重最高 |
| 核心 B | 模型仿真与合成数据 | MD/DFT 轨迹、蒸馏结构、生成序列、虚拟细胞 | GPU/CPU 算力 | OMol25 1 亿+ DFT、约 60 亿 CPU 小时（二手）；AlphaFold2 约 75% 样本来自自蒸馏 | 放大器；保真度沿"结构>姿态>亲和力>细胞>疗效"逐级衰减 |
| 下游 1 | 模型训练配方 | AF3、Boltz-2、ESM3、Evo 2、scGPT 等 27 个模型与 1 个使用者案例 | 公共库打底 + 自蒸馏放大 + 极少真值收尾 | Boltz-2 亲和力约 120 万结合物全来自公共库 | 查到的开源与学术模型无一公开购买商业数据 |
| 下游 2 | 验证闭环与自驱实验室 | 竞赛、前沿实验室慢回路、云实验室、自驱实验室 | 设计→合成→测定→回流 | Anthropic 蛋白 binder 实验 1,320 设计 / 354 binder；一轮约 3 周 | 回流数据归属决定谁拥有飞轮：公开 / 客户私有 / 平台独占 |
| 横切 A | 基准与格式 | CASP、PoseBusters、ProteinGym、TDC、Virtual Cell Challenge | 前瞻盲测 / 自产真值 / 回顾整理 / 专家出题 | 51 个基准配置审计出普遍泄漏 | 谁判有效，谁定义数据价值 |
| 横切 B | 厂商全景与政策 | 数据产品商、CRO 转数据、开放运营方、云数据市场 | 订阅 / 按条 / 收益分成 / 数据换权益 | Tempus AI 数据业务约 $3.16 亿；现金买训练数据的公开先例只有两条 | 政策正在收紧跨境、放开非动物数据 |
| 横切 C | 价格、成本与配比 | 每数据点价格、真值 vs 算力、融资 | — | 从每细胞 1 美分到每只实验猴 2.8 万美元，口径跨度极大 | 整个专栏的数字底表 |
湿实验真值与算力成本放在同一根对数轴上；标“推算”的是按披露的 GPU/CPU 小时乘假设单价算出，“公司口径”为自报，非第三方价目表。人民币按 7.1 换算。
| 数据点 | 低（$） | 高（$） | 口径 |
|---|---|---|---|
| Adaptyv binder 验证（每蛋白，含 2 次重复） | 149 | 149 | 公司官网 [1] |
| Ginkgo ADME-One（每五项套餐） | 199 | 199 | 公司口径 [2][3] |
| 西方 CRO ADME（Ginkgo 引述） | 2000 | 5000 | Ginkgo 管理层口述，非第三方价目表 [3] |
| 中国 CRO ADME（Ginkgo 引述） | 1000 | 2500 | Ginkgo 管理层口述，非第三方价目表 [3] |
| 单细胞转录组 · Parse（每细胞） | 0.01 | 0.01 | 公司口径 [23] |
| 单细胞转录组 · 独立基准（每细胞） | 0.05 | 0.21 | Genentech 牵头基准 [23] |
| OMol25 DFT（每次，算力） | 1.2 | 3 | 推算：60 核时 × $0.02–0.05 [4][5] |
| Boltz-2 亲和力推理（每分子） | 0.02 | 0.02 | 推算：18 秒 × $4/GPU 小时 [6] |
| FEP（每化合物，约 4 GPU 小时） | 16 | 16 | 推算：4 GPU 小时 × $4 [34] |
| FEP（每分子，媒体口径） | 100 | 100 | 二手 [6] |
| 冷冻电镜云算力（每结构） | 50 | 1500 | 论文 [31] |
| 冷冻电镜 Krios 机时（每天） | 1000 | 4800 | 各设施价目表 [31] |
| 食蟹猴 · 毛里求斯出口均价（每只） | 6425 | 6425 | 媒体转述 [30] |
| 食蟹猴 · 中国（每只） | 10600 | 28200 | CNY 75,000–200,000+ 按 7.1；政府采购个案 + 媒体 [30] |
来源见“价格、成本与配比”章各表。
按各模型论文或模型卡披露的条目数或采样比例折成份额；单位各不相同（序列数、细胞数、采样权重），只用于看结构，不可跨模型比绝对量。Tahoe-x1 公共部分未核，未画。
| 模型 | 发布 | 公共 | 蒸馏/合成 | 私有真值 | 口径 |
|---|---|---|---|---|---|
| AlphaFold 2 | 2021 | 25% | 75% | 0% | 采样比例（%）：聚类 PDB 25 / 自蒸馏 355,993 条序列 75；NVIDIA 模型卡转述（二手）[40] |
| Boltz-2 亲和力 | 2025-06 | 50% | 50% | 0% | 条目数：ChEMBL+BindingDB 优化集约 120 万结合物；另 120 万合成诱饵；全部公共来源 [9] |
| ESM3 | 2024 | 88% | 12% | 0% | 序列条目数：自然 2.78B；合成增强后 3.15B，差额 3.7 亿为推算；模型卡口径 [10] |
| scGPT | 2023 | 100% | 0% | 0% | 细胞数：CELLxGENE 来源 >3,300 万正常人细胞（二手）[43] |
| Geneformer | 2023 | 100% | 0% | 0% | 细胞数：Genecorpus-30M 约 3,000 万（后续扩展版约 1.04 亿）[43] |
来源见“模型训练数据配方”章总表。
| 维度 | 机器人 / 具身 | AI for Science（Bio） |
|---|---|---|
| 最贵的一层 | 真机遥操（500–1,000 元/小时） | 湿实验真值（$149/蛋白起；动物实验每只上万美元） |
| 最便宜的一层 | 人类视频（已免费开源 10 万小时级） | 公共数据库（免费，亿级条目） |
| 合成数据的失败模式 | sim2real gap、世界模型幻觉 | 保真度阶梯：结构可用，亲和力与细胞层不可信 |
| 配方透明度 | 低（只有两个模型给出分源小时数与权重） | 中（公共库与蒸馏可查，真值部分不透明） |
| 现金采购先例 | 有（Motus2 致谢五家商业数据商） | 几乎没有（只有临床 RWD 两笔） |
| 回流数据 | 部署 rollout + 人工纠正，本体绑定 | 验证结果，读出方式与实验室绑定 |
| 政策 | 训练场补贴、数据集标准 | 跨境数据限制、非动物数据放开 |
两个领域共同指向同一件事：便宜层正在被开源压平，价值向"真值生产"与"验证判分"两端迁移。
免费、海量但有偏差的 AI4S 数据最上游，是结构、序列与单细胞模型的训练底座。
测序、单细胞、基因合成、质谱与自动化：真值数据的采集设备与每数据点成本曲线
最贵、最接近真值、最被读出方式绑定的一层：谁在造、谁付费、数据归谁。
由计算而非实验产生的训练数据：物理仿真、蒸馏自标注、生成式合成，及其保真度与成本。
30 余个生物与化学基础模型用了哪些公共库、蒸馏数据与私有真值，各自占多少
预测、湿实验验证、结果回流成训练与奖励数据：谁在跑、多快、数据归谁。
基准的真值从哪来、谁出题谁判卷、泄漏审计证据，以及数据格式标准
谁在卖生物数据、近 24 个月资本动向，以及政策如何改写数据供给
湿实验真值、仿真算力、设备与数据许可的单价，以及模型数据配方比例与融资代理