Phylo用开源AI重塑生命科学：成本减半，科研提速

概述

Phylo Labs 近期宣布，其与 Fireworks AI 合作，通过将前沿开源模型部署于服务器端推理平台，成功重塑了生命科学研究的成本结构与效率。作为 Stanford 开源项目 Biomni 的衍生应用，Biomni Lab 旨在为生物学家提供一体化的智能科研环境。据 Phylo 数据显示，这一技术转型使得每美元能支持的科研工作量翻倍，在用户规模月环比增长两倍的同时，推理成本降低了 60%。

“Agent 是驱动所有不同操作的大脑，负责端到端的分析，处理海量数据与机器调度。”—— Tianwei She，Phylo 创始工程师

这一突破标志着从依赖专有模型向开放权重模型战略转型的关键一步，让科学界能够以更低门槛获取最前沿的人工智能能力。

挑战：高昂推理成本制约科研普及

Biomni Lab 的核心应用场景涉及文献综述、假设生成、实验设计及数据分析等长周期任务。这些任务属于典型的长视野代理推理（Long-horizon Agentic Inference），单次运行可能持续数小时甚至数天，需调用数百次工具并连接高性能计算集群。

Phylo 面临的主要挑战在于Token 消耗巨大导致的成本压力。在早期，Phylo 主要依赖专有大模型。由于 Biomni Lab 采用按使用量计费的模式，推理成本直接决定了用户的用量配额。随着用户群快速增长，月度用量翻倍意味着专有模型的账单也同步激增，严重限制了更多生物学家接触该平台的能力。对于初创团队而言，自托管模型不仅维护成本高，且分散了研发精力，因此寻找高效的外部推理支持成为必选项。

解决方案：模型无关架构与开源优先

为应对上述挑战，Phylo 设计了**模型无关（Model-agnostic）**的架构，并由创始工程师 Tianwei She 主导建立了内部基准测试 BiomniBench。该基准专门用于评估各模型在处理生物数据分析任务时的质量、延迟及成本表现。

基于评估结果，Phylo 为每类任务配置了默认模型选项，并将 Fireworks 作为开源模型的主要托管方。Fireworks 提供的零数据保留（Zero data retention）服务器端点，既满足了科研数据的安全隐私要求，又实现了对最新开源模型的Day-zero 访问——即在开源模型发布后 24 小时内即可投入生产环境。目前，Phylo 大部分流量已迁移至开源模型，仅在特定高难度任务上保留部分专有模型以确保前沿质量。

成果：成本减半与科研提速

技术架构的优化带来了显著的业务与科研效益。首先，单位成本下的科研产出大幅提升，用户配额的使用效率提高使得更多科学家能够承担长期的代理推理任务。其次，开源模型的引入显著降低了延迟，Fireworks 的快速路径使得首 Token 生成时间（Time to first token）近乎减半，提升了生物学家与 Agent 交互的流畅度。

此外， Phylo 还保留了用户对模型选择的控制权，满足了对可解释性或特定性能有要求的资深研究者。通过这一转型，Phylo 不仅验证了开源 AI 在垂直领域商业落地的可行性，也为生命科学领域的 AI 普惠化提供了可复制的范本。随着团队规模的扩大，Phylo 正继续深化与开源社区的协作，推动 AI 成为生物学家日常科研的基础设施。