问你一个问题：构建了一个研究领域的底层之后，能不能形成赢家通吃的局面？
大家好，这里是生信之灵。
今天我们来讲一下 Fabian Theis。相信做算法开发的小伙伴对他肯定不会陌生，就算你没听说过他，你也肯定听说过 Scanpy。法比安可以说是生信算法领域的天花板了。
做这期视频，主要是因为我自己也是生信算法领域的博士生，我想通过研究本领域这些大牛的成功路径，看看有没有能供我们学习的地方，大家共同学习，共同进步。
【人物名片】
法比安·泰斯，德国计算生物学家，单细胞数据分析事实标准工具 Scanpy 和 AnnData 的实验室出品方。现任亥姆霍兹慕尼黑计算健康中心主任、慕尼黑工业大学讲席教授、亥姆霍兹 AI 科学总监、拜仁州人工智能委员会主席，2023 年获得德国科研最高奖——莱布尼茨奖。
他 26 岁拿到物理博士，一年之后，也就是 27 岁，拿到第二个计算机科学博士。
【我原本的三个误解】
在我对他没有足够了解的时候，我以为的版本是这样的：他在 2010 年代抓住了单细胞的浪潮，做出了 Scanpy 这个单细胞分析的底层基础库，靠开源社区做大做强，后续开发的算法又能快速并入这个库，最后形成赢家通吃的局面。
这期视频当时就是想研究一下他的成功经历，看看对我们现在的博士生有没有什么可以学习的地方。但是当我对他了解得更详尽之后，我才发现，我之前的想法是错的。
【误解一：不是他抓住了浪潮，是浪潮撞上了他】
第一个误点就是：不是他抓住了单细胞的浪潮，而是浪潮撞上了他。因为他已经站在这个位置十年了。
我们看一下他的时间线。2002 年，他的物理博士论文题目是《独立成分分析》；2003 年，他的计算机博士论文是《几何盲源分离》。
这两篇文章基本都是在做高维数据的降维——从高维数据里反推出真正驱动数据的那些成分。
那我们现在回过头看，单细胞 RNA 分析当时的核心任务是什么？是把上万维度的基因表达矩阵，降维到几十维的特征空间，然后从里面找出细胞状态、发育轨迹、批次效应这些东西。对应的方法，像 PCA、扩散图、UMAP，还有 RNA velocity，它们全都是同一类数学——高维含噪观测下的隐变量模型。
所以当 2015 年前后，10x Genomics 把 scRNA-seq 变成流水线商品、数据量爆炸的时候，绝大多数生物学家面对的是一个全新的问题；但对法比安来说，这已经是他做了十多年的老问题了，只是换了一套数据。
就像雷军说的，站在风口上，猪都能起飞。但他不是去追风口，他压根就没动——是单细胞的风口直接吹到他这来了。
【误解二：Scanpy 不是他做的】
另一个问题是，我一直以为 Scanpy 是他做的。
这么理解其实也没大错，因为我们一般默认通讯作者才是这篇文章的最终负责人。这话是没错，但 Scanpy 实际上是由他的博士后 Alex Wolf 主动提议、并且主导做出来的。
我之前一直以为，就算是通讯作者，也是你先提出这个项目，然后去找手底下的博士生或者博士后去做。但其实不是这样。就像 ISCB 创新者奖那篇人物特写里写的，这是一次「意料之外的突破」——也就是说，法比安本人当时并没有预见到，Scanpy 会成为标准。
【但他做对了三件极其困难的事】
但我们还是得说，法比安在这里面还是做了巨大的贡献的。他做对了三件极其困难的事。
第一，他同意了让一个博士后花大量时间去做工程基础设施，而不是赶论文。
我们都知道，在这个越来越浮躁的年代，不发论文就是死。在这种学术环境里，你要拿着钱去养一个注定很难出成果的项目，这个决策是非常难做的。他能做出这个决策，一个是非常困难，再一个，我觉得也是一个非常英明、非常理智的选择。
第二，他不光同意了，他还保护了这段时间。
这一年多的时间里，这个项目基本上没有什么产出，但他依然让这个博士后继续做下去。
第三，他在事后改变了自己的战略重心。
这本来是一次偶然的成功，但他迅速意识到了这里面的潜在机会有多大，然后迅速把自己的战略重心转移到了——「基础的计算工具，会成为生物发现的必要基础」。
【所以 PI 的价值是什么】
从这件事上就可以看出来：对于一个 PI 来说，关键不在于他发明了什么。当然他要是真的有所发明、有所发现，那当然更好。但 PI 本身是一个管理岗位，他真正的价值在于他允许什么、以及他把什么资源化。能做出这种决策，本身就已经很了不起了。
那对于我们博士生呢？我们可能就像当年的 Alex Wolf 一样。或许我们手头上也有一些好的想法，但关键是：你怎么去向导师争取资源？怎么去说服导师？怎么去创造这个环境？我觉得这是我们博士生可以认真思考的一个方向。
【误解三：不是赢家通吃，而是赢了另外三场比赛】
我的第三个误解，是我以为它会赢家通吃。但其实只是部分成立。
单细胞领域其实有两大工具：R 语言方向的 Seurat，Python 方向的 Scanpy。看 GitHub 星数，Seurat 甚至还略微领先一点。对于普通的生物学家来说，Seurat 用得其实比 Scanpy 更多，用途也更广泛。
但 Scanpy 赢的是另一场比赛。它不是在「单细胞分析」这个领域形成了赢家通吃，而是它赢下了另外三场：
第一，机器学习赛道。那几年正好是深度学习、AI 异军突起的时候，所有做深度学习的几乎都是 Python，而 Scanpy 就是 Python 写的，跟 scikit-learn 这些天然同源，数据互通几乎零成本。
第二，超大规模赛道。现在测序时间越来越短、成本越来越低，数据在呈爆炸式增长。而 Scanpy 的底层做得非常好，特别适合百万级细胞、图谱级的这种超大规模项目。
第三，基础设施赛道。这一条是决定性的。
所以更准确的说法不是赢家通吃，而是：他根本就没有去抢占已经拥挤的赛道，他定义并且占据了一个当时还不存在的赛道。
【真正的护城河：AnnData】
好，接下来我们看一下，Scanpy 或者说法比安真正的护城河是什么。
我一开始以为 Scanpy 就是护城河，后来我才明白，AnnData 才是护城河。（对 AnnData 不了解的朋友，可以看我相关的那期视频。）
我认为这是整个分析里最重要的一条：这个数据格式的下载量，是分析工具本身的将近两倍。因为 AnnData 不只被 Scanpy 依赖，它被整个生态依赖——scvi-tools、squidpy、scVelo、CellRank、moscot，以及成千上万的第三方包，全部是以 AnnData 作为输入输出的。
我个人认为这个数据格式设计得相当相当完美。你往后看，它不只能装 RNA 模态的数据，像 ATAC、空间组学，甚至最近比较火的扰动数据，其实都可以用 AnnData 来表示。说实话，我前段时间也一直在想，我能不能搞出一个比 AnnData 更好的数据结构。但我实在想不出来——我真的想不到还有什么样的数据是它装不下的。
所以谁定义了数据格式，谁就定义了这个领域。
这也不是生信独有的规律。你像 Adobe 靠 PDF，医学影像靠 DICOM，基因组学靠的是 SAM/BAM 而不是某个具体软件，现在单细胞靠的是 h5ad。
说实话，我们这种在生信领域搞算法的，你搞出一个算法来，用不了多久可能就被替代了。甚至本质上说，你搞出一个算法，其实只是搞出了一篇论文，你的用户可能就是相关领域的那么几个人。但如果你定义了一个文件的读写格式，那么涉及这个领域的任何人，都要依赖你的输入输出——等于说你直接拿下了一整个领域。
当大部分人在争谁的算法更准的时候，他去定义了所有算法都必须使用的文件格式。
【飞轮：护城河其实是分发渠道】
我之前观察到，法比安他们组的工作模式是：开发一个算法，迅速集成到已有的工具里，快速扩展用户、提升知名度。但这只是我一开始比较浅薄的一层理解。
现在整理完之后，我才看明白整个链条是怎么转的：
Scanpy 加 AnnData 成为整个行业的标准之后，当组里的学生有了新的算法，它天然就是基于 AnnData 开发的。于是新算法的第一天，立马就有了分发渠道——用户装上直接就能用，不需要迁移数据，因为大家的底层数据格式本来就是一样的。
用户零成本试用，就能快速推广、快速提高知名度，进而发更好的文章——因为你对领域的贡献确实更大。接下来就是利滚利：更多的经费、更高的声望，吸引到更好的学生和博士后，产出更多的方法，而这些方法全部又是基于 AnnData 的，于是整个标准就更加稳固。强者越强，强者恒强。
所以他这套科研模式，关键根本不是「我有一个好的想法」，他的另一个护城河在于算法的分发渠道。
这是现在学术界很容易被低估的一点。大家都比较浮躁，都在比「我在这个 benchmark 上表现比你好，那我就牛逼」。但一个被忽略的事实是：一个真正好的算法、一个好的工具，它必须容易安装、容易使用，而且不能自建一套谁也不认的数据格式——不然它的实际影响力肯定大不了。
【他们组的人员配置：3 个工程师 + 1 个社区经理】
这就引出了他的另一个工作模式——他们组的人员配置。
正常的组是什么样？一个 PI 相当于老板，下面带着博士生和博士后，各自搞各自的项目。但他的组不是这样：他有三个专职的软件工程师，而且是长期职位。
咱们一般的组培养一个博士生或者博士后，也就三四年。这个时间太短了。一个项目可能要做十多年，或者说你发布一个项目之后，后续的维护、开发、扩展要持续十多年。博士生、博士后在这只待几年，很难去做这种超长周期的工作。
所以他实验室里专门养了三个专职软件工程师，还有一个社区经理。这是一个预算的决定，而不是一个科研的决定——或者说，这是一个课题组正确的组织决策。
我们看 Scanpy 那篇论文的第二作者，Philipp Angerer。那篇文章是 2018 年发表的，而他到 2026 年仍然在这个实验室，职位就是软件工程师。这是九年。
同一时间段里，一个博士生入学、毕业、离开，已经三轮过去了，人都换了两三茬。所以在一个人员每三到四年就彻底换血一次的组织里，他保留了一批不换血的人。
而软件的价值恰恰就来自连续性——API 的高度一致性、向后兼容、issue 的历史上下文，还有「为什么当年会这么设计」的记忆。这些东西写不进论文，也交不了接。学生一走就没了，就算你再找其他博士生来接，也很难接得好。而专职的软件工程师是长期稳定的职位，他不会走。
【顺便说说同济取消长聘】
这也是为什么，之前同济说取消长聘编制、所有人员都要考核，我会觉得有问题。这其实是变相在逼着研究人员去搞短平快的小项目。那种短期内回报很低、但长期收益爆炸的项目，你是没办法做的。
总感觉大家还是人心太浮躁了。很多项目你必须要沉下心，可能要搞十几年。
关于同济取消长聘这件事对整个科研界的利弊，后期我应该会单独出一期视频专门讲一下，这里就先不展开了。
【社区经理：我头一次见的岗位】
另外要专门提一下的是，工程师这个岗位我还是见过不少的，很多大组都会养专门的工程师或者实验员。但社区经理这个职位，我真的是头一次见。
她的头衔是 scverse Community Manager，就是这个社区的管理者。她甚至不写核心代码，她做的是运营整个社区：运营 Zulip 聊天和 Discourse 论坛，保证有人提问的时候有人回；运营相关组织的账号；组织年度的线下会议；组织新贡献者的上手活动；维护文档和行为准则——让新人从「用户」变成「贡献者」。
这其实是一个含金量非常非常高、也非常重要的岗位。
很多时候我们开发完一个库，往 GitHub 上一扔，论文一发，我们的工作就彻底结束了。但这样是没法长期维持下去的。前面说了，他组里有专职工程师来维护项目，可你还需要另一件事：随着时间发展，你要升级迭代、要扩展、要兼容别的东西；而这段时间里，会不断有新人进入这个领域——本科生升硕士、硕士升博士。那么怎么快速抢占这批新鲜血液，怎么让他们从「学习者」快速转化成「社区的贡献者」？这就是社区经理要干的事。
社区的衰亡是静默的。某个社区一段时间没人说话，其实就相当于死了。社区必须活跃、必须有人，它才会长期吸引人。设一个专职岗位盯着这件事，就相当于给这个飞轮装了一个马达。
而且这个岗位的产出，PI 本人是做不了的——你不可能随时去解答用户各种各样的疑问。
【钱从哪来：一条和论文基金平行的融资曲线】
那另一个问题来了：这些钱是从哪来的？
这也是咱们国内很多组的一个大问题：这类人员几乎不产出论文，但他们确实对工具的长期维护做出了不可替代的贡献，那用什么钱去养他们？
国外有专门资助开源软件开发和维护的基金。Scanpy 就入选了 CZI「科学领域必要开源软件」计划，是首批 32 个项目之一——同一批入选的是 SciPy、NumPy、pandas、matplotlib、scikit-learn。后来 scverse 又转入了 NumFOCUS 的财政赞助，也就是科学计算的基础设施这个体系。被分到这个类别里，本身就是一种加冕。
而且这笔钱的性质是关键：它是发给「维护者」的，不是发给「创新者」的。CZI 官方说明里写得很明白，这笔钱用来雇更多的开发者、改进文档、提升可用性、引导新贡献者、召集社区。
所以这个循环就是：软件做到足够重要 → 拿到专门养软件的钱 → 雇专职工程师和社区经理 → 软件变得更加重要 → 再拿到更多这类钱。
这是一条和论文基金完全平行的融资曲线。而绝大多数 PI，从来没有上过这条曲线。
所以如果真的有 PI 在看这期视频，或者你现在还只是博士生、博士后，我很推荐你以后认真考虑一下这条路子。
【交出控制权，换来更大的权力】
然后还有前面已经提到好几次的 scverse。这里想说的是：交出权力，其实可以换来更大的权力。
2021 年，Scanpy 和 AnnData 从 theislab 迁移到了 scverse 组织，由 NumFOCUS 财政赞助；2023 年，一篇 Nature Biotechnology 的论文把它正式化。表面上看，他是放弃了控制权。
但实际上，开源才是全局的最优解。相当于是把某个实验室私有的工具，变成了大家公用的基础设施。而法比安始终是创始成员机构，他仍然在核心位置上，同时长期维护的责任被分担了，抗风险能力反而上升了。
在开源世界里，正式放弃所有权，往往是扩大实际影响力最有效的手段。你像现在中国的 AI 很多都是开源的打法，DeepSeek、千问等等，都是这个逻辑。
【比开源更高一层：裁判权】
比开源软件还要更厉害的一层，在于裁判权。
这一层我之前完全没有关注到，是后来整理这些资料的时候才发现的。你看他被引最高的那些论文里，有好几篇引用量非常高的，一类是 tutorial，一类是 benchmarking，还有一类是 best practice。这些东西的性质根本不是科研发现，而是教程、基准、规范、议程设定——相当于他在制定规则。
tutorial 和规范这一类，作用是吸引新鲜血液。你刚进入这个领域，就有各种各样专门的新手教程让你快速上手他的工具，从而抢占整个市场。
而 benchmarking 这一类，意味着他不只做参赛的选手。他也发论文，但他同时还写规则、当裁判、办比赛、出教材。这就意味着他握着「什么叫好方法」的定义权——你提出的方法为什么好？得由我这个 benchmark 说了算。你要证明你比别人好，你得在我的基准上跑。
于是新人从第一天就被塑造了：全世界的单细胞新手看的入门课程是他们写的，学的分析流程是用他们的工具做的。所以你一开始就已经上了他们的车了。
而且这类论文的引用效率极高。他被引 Top 20 的论文里，有八篇是工具、教程、基准、最佳实践这一类，而不是生物学发现——单位工作量的引用回报，远高于普通的发现类论文。
这其实还引出了另一个问题：科学工作者的任务不只是创造和发明，还有一项任务是普及科学发现。我觉得这是现在很多 PI、很多科研工作者根本没有注意到的一件事。
【举两个 AI 领域的例子】
说到 benchmarking，我问你一个问题。李飞飞非常出名，对吧，在 AI 领域被誉为「AI 女神」。但你想一想，你看到她名字的第一反应，那个最大的贡献是什么？
我猜 99% 的人会说：ImageNet。
那我就要问了：ImageNet 是什么类型的贡献？它是一个新算法吗？不是。它是一个 benchmark，一个数据集。大家全都要在她的数据上去跑、去竞赛、去比较。每一个人提出一个新算法，只要做 benchmarking，就要在她的数据上跑，就要引用她的文章——她的影响力就又被提升了一次。
还有 AI 领域的吴恩达，你对他的第一反应是什么？很可能是「我上过吴恩达老师的课」。
没错，这也是科研领域的一条赛道。你不一定非要去提出新想法、做出新的科学发现，你还可以致力于基础科学的传播，让更多人了解它。因为每一次有新人学习你的课程，都是在扩大你这个讲课人的影响力。
【位置红利：2013 年的时间套利】
接下来讲位置、数据和组织权力。我们先说时间红利。
2013 年，37 岁的法比安拿到了 TUM 的讲席教授，加上亥姆霍兹 ICB 研究所所长。这个时间点太关键了：
2013 年，他拿到永久教职加研究所；
2014 年，10x Genomics 成立；
2015 年，scRNA-seq 通量爆炸，数据爆炸；
2016 年，人类细胞图谱启动，大量数据要处理；
2017 年，Scanpy 仓库创立。
他是在浪潮起来的前两年，就拿到了「不需要靠短期论文求生」的资源自由。
说实话，这一点对我们、尤其是对中国的学者来说，现在是越来越难了。就像刚才提到的，取消永久教职，本质上还是在逼着人们发短平快的论文，你没有办法去沉淀、去探索真正的未知。
因为未知领域你不可能预先知道结果，不可能一次实验就立马成功，你要经历无数次失败。失败的这段时间，你没有论文产出怎么办？没有资金资源怎么办？这些都是问题。
我们为什么缺少从 0 到 1 的东西？我们老是说欧美擅长从 0 到 1，中国擅长从 1 到 100。就是因为很多未知领域前期投入成本太高、风险太高。我们以前确实更喜欢做那些欧美已经验证过走得通的方向，然后在上面进一步扩展。但从无到有这件事，谁也不敢保证一定能成功，更不敢说「我要在三年、或者三加三六年之内做出什么什么」——这种话谁也不敢说。
所以我觉得，还是制度上的问题。中国的高等教育制度，本身就在逼迫研究人员必须发短平快的东西，你不能沉下心去做真正从无到有的工作。
【数据联盟席位】
还有就是他的数据联盟席位——他是 Human Cell Atlas 的董事会成员。
说实话，生信领域做方法、做算法的人，最大的瓶颈不是算法，而是数据。而且还不是公开数据——很多组自己测的数据，那种才是最宝贵的。
他加入了这个组织，就意味着可以接触到核心的、超大量的、最高价值的数据集，而且你的工具还会成为整个联盟的默认工具。再加上细胞图谱类的论文动辄上百个作者，引用复利极高。
【组织权力：把科学资本兑换成资源分配权】
再往上看他的组织权力这一层：从加入各种组织，到管理一个部门，最后到拜仁州 AI 委员会主席——他现在甚至已经有了政策影响力。
这一层的本质，是把科学资本兑换成资源分配权。他现在已经不只是一个「做得好的科学家」，他是一个「决定别人能不能做」的人。
但这里要特别注意：这些全都是在 Scanpy 成为标准之后才到来的。你首先要有不可替代的技术资产，然后才有组织权力。顺序不能反。
【人才网络：校友也是分发渠道】
还有一层是人才网络。他指导过 65 位以上的博士生、50 位以上的博士后。
而且他用的是「Y 模型」的培养方法：每个博士生配两个导师，一个管方法，一个管生物。这一点我觉得非常好。我现在也在读博士，我的导师是既懂方法又懂生物，同时我们还跟专门搞生物医学的组合作，也跟专门做计算机算法的组合作，这些资源我都能接触到。生信本来就是一个交叉领域，这样能让人得到更全面的培养。
然后你看他教出来的学生，比如 Alex Wolf 现在是一家初创公司的 CEO。每一个离开的人，都会在新的机构继续用这一套技术栈，然后再把它交给下一代。所以校友不只是人情网络，校友也是一条分发渠道。
这里也想奉劝国内的一些 PI：不要总把学生当奴隶，搞得学生毕业之后恨不得跟老师老死不相往来。这其实是一件收益非常低的事——看起来你压榨学生，短时间内快速拿到了论文，但你损失的是长期利益。
当然这又回到那个原点：本身的奖惩制度就有问题，所以学者没法静下心来搞科研。
【那我们博士生能学到什么】
最后我们来讲一下，对于我们这种年轻的博士生，到底有什么能学的。
首先得承认，很多时候你真的不得不相信天命这种东西。你看他本身什么都没做，风口直接就找上他了；他后来进一步起飞靠的是 Scanpy，而 Scanpy 是他手底下的人提出来的。很多时候真的得看运气。风口来了，同时你也要有把握住机会的能力——有的人是你给他机会，他也不中用。
所以他这条成功路线，很多地方我们是没法复刻的：单细胞的浪潮已经开启了，底层工作也已经有人做了，再加上时间点、运气，人家拿到终身教职之后立马起飞——这些都不是我们能复刻的。
但也有一些是可以做的：
第一，生物基础模型的评测标准。像 scGPT、Geneformer 这些，才刚刚起步，它们的评测标准其实还没有特别明确。这个方向是可以搞一下的。
第二，扰动数据（Perturb-seq）。它的数据量在涨，而且可以辅助 AI 制药。跟生物医药相关，资本又密集，你就更容易变现，资本也更青睐，拿资金相对更容易。
第三，中文的生态位。说实话，全球的单细胞社区里，中文的我还真没找到特别好的。像生信技能树之类的，我感觉他们不是真正在做社区，而是在卖课，而且是卖那种基础入门课。当然我不是说他们不好，而是说一个正常的交流社区，应该是交流高质量的中文文档、教程、公开课，这些才是我们可以做的。
我创这个账号的初衷，也是想做一些这方面的贡献，跟大家多交流生信领域的进展和工作。后续我看看能不能进一步给大家提供一个交流的平台。
第四，把自己的算法合并进已有生态。我们开发完算法之后，可以看看能不能并到 Scanpy、scverse 相关的库里去，借它的渠道提升自己的影响力。打不过，我们就先加入嘛，对吧。
第五，发布大规模数据集，做成 benchmark 评判标准。
第六，把工程质量当成科研战略，而不是一个杂活。不要发完文章、代码往 GitHub 一扔，工作就结束了。我能不能长期维护？能不能用心维护？能不能让使用者快速上手？这些虽然不会立马看到收益，但长期的收益不可忽视。
第七，绑定数据源。中国人口庞大，很多时候是比较容易拿到数据的。可以多跟大的临床相关的组去合作——我们这边做算法，那边产出数据。在中国这个策略的性价比很高，因为产数据的组远多于能分析数据的组。
【可见性是复利资产】
还有一点：可见性是复利资产，越做越好。
法比安在 ISCB 的访谈里专门提到过，Dana Pe'er 的讲故事能力震撼了他，让他意识到叙事在科研中的重要性。
具体怎么做？你可以在社交媒体平台上发表你的见解，去真正地推广一些东西；或者去讲 tutorial、办 workshop，就像吴恩达他们做的那样，去做科学的科普和推广。我觉得这也是一条非常值得打造的赛道。而且说实话，这条赛道我还真没怎么见到国内有太多人在走。
当然，我做这个账号的另一个可能的动机就是——我其实也有点想走这条赛道，我也想让更多人能快速上手单细胞相关的分析和算法。
【最重要的一条：怎么选导师、选组】
最后，也是我认为最重要的一条：对于我们博士生，甚至研究生，你在未来选导师、选组的时候，除了评估这个组的产出、评估 PI 的帽子之外，你还要看几件事——
第一，这个组能不能拿到别人拿不到的数据？
第二，这个组的算法是不是真正受欢迎？不要只看它发表的文章高不高，你要去看它的 GitHub 仓库，看使用者的星数，看 issue 区的活跃度，这些都是评估标准。
第三，看这个实验室的校友，他们的出路好不好。
我觉得这是一个隐形的分水岭。一个好的导师，真的可能会影响你的一生。
拿我个人来说，我们组也不是什么特别大型的组，但我是真心挺感激我的导师的，他对我很好，组里的资源也会尽量给我争取。所以我觉得，你导师的好坏直接决定了你这个学术生涯顺利与否。
最后也非常感谢各位收看。各位有什么建议或者还想看什么内容都可以在评论区发一下。
