<mark id="oztn4"></mark>
0
作者丨周蕾
編輯丨岑峰
1965年，戈登·摩爾提出了那條著名的摩爾定律，即半導體算力大約每兩年翻一倍。這條曲線向上走了半個多世紀，數字世界因此天翻地覆。
2012年，反摩爾定律被提出，它在醫藥領域意味著這樣一種困境：每投入十億美元，獲批的新藥數量每九年減半。一條曲線向上，一條曲線向下，兩條線背道而馳了六十多年。
六十多年里，新藥研發越來越難，傳統工具鏈支離破碎，多數團隊只能拿著開源模型做局部修補。與此同時，AI先后完成了數字世界和物理世界的重構。現在，它來到了最難的生命世界。而百奧幾何，正是這個路口上走得最遠的一家。
近日，百奧幾何完成數億元戰略融資。比起融資額大小或是投資方背景，這筆錢的重點在于，它確認了一個拐點：當行業還在應用層尋找增量時，這家AI Native公司已經用三年時間，完成了從團隊搭建、底層大模型研發到商業閉環的驗證。
從原子層面重新設計生命，不再是論文里的遠期設想，而是正在發生的工程化現實。
正如人們所熟知的那樣，人工智能正在沿著數條清晰的主線重構世界。
第一條是數字AI，以大語言模型和多模態模型為代表，正在重塑人類的信息與知識世界。第二條是物理AI，以自動駕駛和人形機器人為代表，正在重塑人類的物理與機械世界。
而第三條是生命AI，它不止于信息處理或機械控制，而是要深入理解生命的底層語言，在原子級精度上實現對生命的工程化改造——這或許是三條線里最難的一條。蛋白質、抗體、酶等生物大分子的設計空間近乎無限，但生命的底層數據是三維圖結構，傳統的序列建模或圖像識別邏輯無法直接遷移。
百奧幾何創始人唐建博士很早就注意到了這個差異。2022年接受雷峰網(公眾號：雷峰網)AI科技評論采訪時他指出，生物醫藥領域獲得實驗數據極其困難，往往成本昂貴且周期漫長，這導致AI必須在極少樣本的條件下學習。這種數據稀缺性，讓生命AI的迭代邏輯與數字AI截然不同。
數據稀缺性帶來的直接挑戰，最終都體現在了產業端的成本與效率上。生物醫藥行業對此感受最深。如前文提到的反摩爾定律所示，行業內面臨著“研發成本持續攀升、產出效率卻在下降”的困境。一位切入AI制藥底層模型的從業者向AI科技評論指出，過去多數創業公司將管線賣給藥企，看似找到了商業模式，實則陷入傳統biotech的老路——被同化、利潤薄、易受甲方價格控制。這種路徑依賴說明，只做應用層的局部增效，無法打破行業的結構性困境。
比商業模式困境更深層的，是工具鏈本身的割裂。AlphaFold能預測蛋白質結構，但設計新分子往往需要切換到其他工具；預測結構、設計序列、實驗驗證，每一步使用不同的平臺和邏輯，誤差逐級放大。而國內多數“AI+Bio”團隊，底層依賴國外開源模型進行微調，本質上是在別人的地基上修修補補。面對難成藥靶點和復雜抗體設計這類硬問題，應用層的修補很快觸及天花板。
唐建認為，這背后還有一個更根本的產業邏輯。大模型可以“模型即產品”，靠基模能力賣token就能賺錢；但生物醫藥是垂類，“模型再準也只是錘子，得找到好的釘子。”這意味著生命AI的終局競爭，不只看基模性能，更看能否把模型放進具體應用場景，與干濕實驗形成閉環。一個團隊必須同時理解算法、生物和產業的語言，把結構預測、序列生成、成藥性評價與濕實驗反饋整合成閉環。只有這樣，才能從底層重構研發范式，從“理解生命”躍遷到“設計生命”。
當數字AI和物理AI的基礎設施已經成型，生命世界仍在等待屬于自己的操作系統。而決定未來幾十年新藥研發效率的底層戰場，已悄然開啟。
百奧幾何的創始人唐建，在十多年前就做出了一個獨特判斷，與眼下BioAI的進展形成了草蛇灰線。
2013-2014年左右，深度學習的大潮涌向圖像識別和自然語言處理，但唐建特地轉向了圖結構數據這個深度學習尚未涉及的問題。在他看來，社交網絡和知識圖譜固然是熱門方向，但生物制藥才具備殺手級的應用潛力——蛋白質、抗體、酶等生命分子的底層數據，天然就是三維圖結構。
這個判斷帶有對數據結構與應用場景匹配的底層直覺，此后十年，唐建的研究工作也沿著這一判斷繼續向前航行。從密歇根大學到加拿大AI之父Yoshua Bengio教授創立的Mila實驗室，他成為該機構最早進行生命科學研究的教授，圖結構深度學習論文LINE在WWW會議上被引用超七千次，學術上的積累也為后來的創業提供了具體的坐標。
2022年，大分子AI制藥工具TorchProtein開源。經過一年的思考，唐建覺得該往前再走一步。“希望能夠更進一步，使研究成果不僅僅局限于論文的形式。”他告訴我們，當時學術界還沒有相似的平臺，他決定把積累整合成一個通用工具。這個想法很樸素：讓后來的研究者可以直接使用，而不必重復造輪子。
降低門檻的思路，后來延續到了百奧幾何。2023年3月，百奧幾何正式運營。
但創業初期，核心團隊幾乎全是計算機背景，AI與生物學之間的“語言鴻溝”成了第一道必須跨越的墻。生物領域的人才普遍資深，早期對AI通常是觀望甚至質疑的態度，“生物的人，除非你做出藥來才會相信你。”唐建感慨，跟他們溝通，講AI多厲害沒用，必須形成行業認知，說清楚AI怎么解決行業痛點，拿出足夠復雜的具體成功案例，才能建立信任。
這種跨學科磨合持續了數年。百奧幾何自建了兩套濕實驗平臺，分別對應抗體藥和合成生物學。“模型底層一樣，但不同應用場景需要的生物人員專業知識畫像完全不同。”這種跨學科磨合遠非易事——AI團隊與生物團隊的文化氛圍、管理方式差異巨大，直接拉長了行業的迭代周期。
技術路線也曾走過彎路。百奧幾何成立之初的愿景就是實現抗體從頭設計，但技術始終未達到最佳預期，因此2024年至2025年底期間，團隊將重心轉向合成生物學，甚至嘗試自建工廠走重資產路線。但工廠側的認知更多從制造業的思維出發，難以與AI研發團隊達成共識，這次合作最終未能順利落地，這也一度影響了公司的融資節奏。
唐建向雷峰網AI科技評論坦言，2025年底，百奧幾何正式做了戰略收斂，研發聚焦創新藥主航道，合成生物學領域則采用合作分成形式。此番戰略回調之后，輕裝上陣，抗體技術率先突破，公司回到正確軌道。
支撐這些突破的底層模型，也在同一時期快速迭代。從2024年6月發布的GeoFlow V1開始，百奧幾何的底層模型能力快速迭代。V1主要做抗原抗體復合物結構預測，對標AlphaFold 3；V2在國際上首先提出用一個模型同時做復合物結構預測和從頭生成，將“理解”與“生成”統一；V3引入大模型推理階段的多步推理，提升了抗體從頭設計的成功率。目前V4正在研發，建模尺度從單個分子拓展至細胞水平的分子系統。
AI科技評論了解到，百奧幾何也是國內最早突破抗體從頭設計的團隊。其底層技術路線與海外頭部公司類似，都基于diffusion model，但差異化在于V2提出的統一模型思路——用一個模型同時完成結構預測和de novo design。這一思路同樣出現在Chai Discovery和Boltz等模型中。
與英偉達的合作也持續多年。唐建在Mila期間帶領團隊開發了針對小分子和蛋白的開源機器學習平臺TorchDrug與TorchProtein，其中TorchProtein便是與英偉達、英特爾、IBM等團隊共同完成。近期合作進一步加深，英偉達General AI團隊注意到AI for Science特別是蛋白質設計的潛力，雙方在技術層面開始更緊密的協作。唐建也參與了部分工作，包括在搜索階段增加算力、利用test time compute提高設計成功率。這些技術探索被應用到GeoFlow V2到V3的迭代中，使百奧幾何在底層技術層面始終與國外頭部團隊保持同步。
三年時間，百奧幾何完成了從學術工具到產業基礎設施的躍遷。但這只是驗證了技術可行性，真正的考驗在于，這些底層能力能否在產業端重新定義研發流程。
底層模型跑通之后，真正的考驗是產業交付。百奧幾何也制定了兩個重點戰略方向：抗體藥物開發和合成生物學里的酶設計。
抗體從頭設計是百奧幾何最先突破的硬骨頭。針對一個難成藥靶點設計高特異性結合抗體，傳統方式需要從動物免疫或天然庫中篩選，但靶點所在的蛋白家族里，其他成員與目標靶點只差兩個氨基酸，很難找到不脫靶的分子。“我們通過GeoFlow做了精準建模設計，成功找到了幾個抗體，能夠跟靶點結合得很好，同時跟另外的靶點不結合。”他透露，相關分子目前正在往IND階段推進。
疫苗設計的進展則更迅速。2025年，百奧幾何合作開發疫苗，難點在于設計一種蛋白，使其能夠高效自組裝為穩定的二聚體。實驗數據顯示，天然蛋白里這種二聚體比例不足10%，而百奧幾何介入后，直接提升至90%以上。目前相關疫苗已成功轉讓給下游藥企，正式步入產業化階段。
合成生物學方面，冰片提供了一個不同的驗證場景。這種中藥活性成分過去只能從樟科植物提取。植物里的冰片含量極低，是自然進化湊巧產生的副產品，一株植物往往要種一兩年才能采收。百奧幾何通過GeoFlow重新設計了一種酶，把它導入微生物，讓發酵罐里的微生物主要生產冰片，而不再是微量副產品。這樣一來，成本降到植物提取的十分之一，且不再受季節和種植周期限制。相關技術也已在工廠完成中試放大，目前正與下游合作方洽談生產。
從抗體到疫苗再到酶，三個案例的落點各不相同，但底層邏輯一致：AI重新定義了流程本身。
傳統方式拿到先導分子，需要通過動物免疫篩選再優化，周期長達9~12個月。現在，百奧幾何的做法是跳過動物免疫，直接從計算端生成候選分子，靶點交付周期能大幅縮短，短則一個月，長則三個月——更實質的變化是成功率：有些難成藥靶點，傳統動物免疫根本做不出來，計算端卻能給出可行方案。
管線驗證只是起點。唐建認為，這個領域真正的長期壁壘在數據端。接下來百奧幾何將搭建自動化實驗室——現有濕實驗室之外，自動化平臺能產生更大通量的數據，把干濕實驗的迭代效率再提一檔。
他的愿景是模型能夠自我進化，形成一套自主進化、自主執行的系統，類似Claude設計下一代系統的方向。疊加自動化實驗室之后，就能做自主的科學探索，比如在藥物研發里做靶點的自主發現、分子的自主設計驗證。
這指向一個更大的行業判斷。在唐建看來，大模型的發展早已為AI制藥的演變路徑給出了清晰預演：“在大模型生態中，我們已經看到一個殘酷的現實——隨著前沿基模在架構與通用能力上的持續進化，其不斷外延的能力邊界，正在直接‘蠶食’大量缺乏核心壁壘的下游應用。”正因如此，在垂類基模領域，Isomorphic、Chai Discovery、百奧幾何等頭部團隊都選擇了閉源——模型本身就是核心競爭力。未來兩三年，行業將出現明確分化：不具備基模訓練能力的團隊，會逐漸失去對 AI 制藥下一階段游戲規則的定義權。
百奧幾何的邊界也在隨之擴展。GeoFlow V4正在把建模尺度從單個分子推向細胞水平的分子系統。從抗體、疫苗到酶工程，從藥物發現到合成生物學，底層能力一旦驗證，天花板就不再是單一管線，而是生命工程的基礎設施本身。
被命名為Moore和Eroom的兩條曲線，仍在運行。百奧幾何正在兩者之間撕開一道口子——跳出“為舊流程加速”的局部修補，轉向底層重構，從原子層面重新設計流程。
從抗體、疫苗到合成生物學，從GeoFlow V1到V4，底層模型的能力邊界不斷擴展，唐建的判斷也始終如一：行業終局由基模層的底層操作系統定義，應用層的微調無法改變格局。
如今，生命世界正在等來屬于自己的操作系統。而百奧幾何，已經和Isomorphic、Chai Discovery一起，站在了定義這套系統的最前排。BioAI時代剛剛開啟，底層基礎設施的搭建者已經先行一步。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
