测量细胞如何变化，是一项实体工作，即使目标产品是数字模型。Biohub扩展后的虚拟生物学倡议，将这项工作置于雄心勃勃的AI计划核心：研究人员需要能够支撑干预预测的观察数据，而这些观察必须先被生成、组织和检验。
Biohub于10月7日的公告将联合资源承诺总额列为18亿美元。它汇集资金、数据、计算和测量技术，其中包括美国国立卫生研究院通过既往联邦投资建立的资源。Google DeepMind、Isomorphic Labs和Meta合计出资3亿美元。这个总额描述的是一个投入联盟，各项投入有不同的历史和交付时间表。
经济问题是，这个联盟能为下一位研究人员降低什么成本，或提供什么更有用的东西。用大型档案训练的模型，只有在底层测量帮助回答原本需要昂贵工作的问题、且答案经现实检验仍有用时，才有价值。
区分新增支出与已经建立的资源
既有研究数据库与新增资金承诺，都可以支持同一个计划，但它们进入计划的方式不同。数据库提供已有资产，可能还需要进一步整理。新增支出则可以创造尚不存在的测量或基础设施。把两者的资源价值相加，不会让它们都变成新近可分配的资金。
美国能源部自己的公告确认了与国立卫生研究院和Biohub的协议，以及能源部五年内超过5亿美元的投资。多年承诺提供规划期限，但这与证明设施、数据集和预测能力已经交付，是不同的事情。
Biohub的初始贡献也早于此次扩展。其4月29日计划将4亿美元分配给测量技术和数据生成，另有1亿美元用于外部研究。把4月和10月公告一起阅读，可以避免把初始拨款重复计算为新增支出。
评估AI项目规模时，这些区别很重要。资源总额的标题，并不是公司估值、收入预测或现金余额。它的实际意义取决于每位参与者交付什么、其他研究人员何时能使用，以及各个部分能否协同工作。
可重复使用的测量需要共同语言
Isomorphic Labs确认加入该倡议。Biohub扩展公告将共享标准和标识符列为协调工作的一部分。这一组织层面可能与购买另一台仪器同样重要：当没有亲自生成数据的研究人员也能理解背景时，测量就更容易被重复使用。
可以这样理解其经济机制。实验需要准备、设备时间和解释。如果结果可以服务于多项后续研究，使用者可能避免重复部分工作。如果结果缺乏清晰的条件说明或兼容格式，每位使用者反而需要承担更多整合和核验成本。这是支持协调的条件性论据，并非该倡议已经测得的节省。
更多观察也未必解决所有空白。数据集可能很大，却只覆盖狭窄的条件范围。扩展到新干预或新细胞背景，可能需要更多实验室工作，而不是再次处理同一个档案。稀缺投入可能是一个有用的比较及对变化的充分描述，而非另一条没有区分度的记录。
共享基础设施本身也带来成本。标准需要保持一致，软件需要维护，贡献者之间的错误需要修正。相关效率问题是，这些共同成本能否被使用者真正重复利用的工作所抵消。资金公告和合作伙伴名单，都不能证明这一平衡已经成立。
准入也是计算的一部分。伙伴提出开放研究资源的目标，但实际重复利用还取决于发布时点、许可和文档。研究团队需要先知道能够取得哪些数据、哪些用途被允许，才能建立可重复的工作流程。不能从总资源承诺推断商业许可或交付日期。
预测的价值由下一次实验检验
研究展望《Virtual Cells: Predict, Explain, Discover》提出，模型应预测细胞对干预的反应、提供解释，并通过实验室测试改进。它提供有用的评估框架，而不是证明Biohub已经建立了这样的系统。
一种实际测试是，让模型回答在训练中刻意保留不用的干预或条件，再把答案与新实验比较。分析目的在于区分能迁移到新决策的学习，与对熟悉观察的拟合。在一个问题上成功，仍然需要确定其他问题的适用范围。
对研究预算而言，潜在收益是更好地分配实验工作。有用的预测可能帮助团队优先选择值得实体测试的假设。不可靠的预测则可能让团队走上无效路径，消耗同一笔预算。两种机制都合理，但公告没有给出任何一种的量化概率或节省额。
有用的实验室预测，与在人类身上有效的疗法之间，还存在进一步距离。倡议的愿景本身不能弥合这段距离。研究用途、可重复性和后续结果，都需要各自的证据，并同时报告失败与成功。
因此，财务相关性首先来自严格的基础设施评估。可比较的测量、明确的数据准入，以及能够独立重复的预测测试，会支持该联盟正在创造有价值研究投入的论点。不兼容的数据，或在新条件下失败的结果，则会削弱论点。Biohub的总额让投入更大；接下来的实验将决定，这项资源实际能做什么。