百奥几何三年微观世界模型演进 Bio AI o1时刻探索

1965年，戈登·摩尔提出了举世闻名的摩尔定律，指出半导体算力大约每两年提升一倍。这条增长曲线持续上行超过半个世纪，深刻改变了数字世界的面貌。 到了2012年，反摩尔定律被提出，揭示了医药领域的另一番困境：每投入十亿美元，获批的新药数量每九年减半。一条曲线向上攀升，一条曲线向下滑落，两条截然相反的轨迹已背道而驰六十余年。 这六十多年间，新药研发的难度不断加大，传统工具链日渐破碎，大多数研发团队只能依赖开源模型进行局部优化。与此同时，人工智能已先后重塑了数字世界和物理世界。如今，它终于触及了最难攻克的领域——生命世界。而百奥几何，正站在这一历史交汇点上，成为走得最远的探索者之一。 近日，百奥几何完成了数亿元的战略融资。比起融资额的具体数值或投资方背景，这笔资金更重要的意义在于，它标志着一个拐点的到来：当整个行业还在应用层寻找增量机会时，这家AI Native公司仅用了三年时间，就完成了从团队组建、底层大模型研发到商业闭环验证的全过程。 从原子层面重新设计生命，这已不再是论文中的远期设想，而是正在发生的工程化现实。 # 从数字、物理到生命AI：AI的第三条主线 正如人们所熟知的，人工智能正沿着若干条清晰的主线重构世界。 第一条是数字AI，以大语言模型和多模态模型为代表，正在重塑人类的信息与知识体系。第二条是物理AI，以自动驾驶和人形机器人为代表，正在重塑人类的物理与机械世界。 而第三条是生命AI。它不止于信息处理或机械控制，而是要深入理解生命的底层语言，在原子级精度上实现对生命的工程化改造——这或许是最为艰难的一条路径。蛋白质、抗体、酶等生物大分子的设计空间近乎无限，但生命的底层数据是三维图结构，传统的序列建模或图像识别逻辑难以直接迁移。 百奥几何创始人唐建博士很早就洞察到这一差异。2024年接受AI科技评论采访时他曾指出，生物医药领域获取实验数据极为困难，成本高昂且周期漫长，这迫使AI必须在极少样本的条件下学习。这种数据稀缺性，使生命AI的迭代逻辑与数字AI截然不同。 数据稀缺性带来的直接挑战，最终都反映在产业端的成本与效率上。生物医药行业对此感受最深。正如前面提到的反摩尔定律所示，行业正面临“研发成本持续攀升、产出效率持续下降”的困境。一位切入AI制药底层模型的从业者向AI科技评论表示，过去许多创业公司将管线卖给制药企业，看似找到了商业模式，实则陷入了传统biotech的老路——被同化、利润微薄、易受甲方价格压制。这种路径依赖表明，仅在应用层进行局部增效，无法打破行业的结构性困局。 比商业模式困境更根本的，是工具链本身的割裂。AlphaFold能够预测蛋白质结构，但设计新分子往往需要切换到其他工具；预测结构、设计序列、实验验证，每一步都使用不同的平台和逻辑，误差逐级放大。而国内大多数“AI+Bio”团队，底层依赖国外开源模型进行微调，本质上是在别人的地基上修修补补。面对难成药靶点和复杂抗体设计等硬核问题，应用层的修补很快触及天花板。 唐建认为，这背后还有一个更深层的产业逻辑。大模型可以“模型即产品”，靠基模能力卖token就能盈利；但生物医药是垂直领域，“模型再准也只是锤子，需要找到好的钉子。”这意味着生命AI的终局竞争，不仅取决于基模性能，更取决于能否将模型嵌入具体应用场景，并与干湿实验形成闭环。一个团队必须同时理解算法、生物和产业的语言，将结构预测、序列生成、成药性评价与湿实验反馈整合成一个闭环。只有这样，才可能从底层重构研发范式，从“理解生命”跃迁到“设计生命”。 当数字AI和物理AI的基础设施已经成熟，生命世界仍在等待属于自己的操作系统。而决定未来几十年新药研发效率的底层战场，已经悄然开启。 # 从学术直觉到产业收敛：一个AI Native团队的三年历程 百奥几何创始人唐建，在十余年前就做出了一个独特的判断，这一判断与当前BioAI的进展形成了巧妙的呼应。 2013到2014年左右，深度学习的大潮涌向图像识别和自然语言处理，但唐建偏偏转向了图结构数据这一当时深度学习尚未涉足的领域。在他看来，社交网络和知识图谱固然是热门方向，但生物制药才真正具备杀手级应用潜力——蛋白质、抗体、酶等生命分子的底层数据，天然就是三维图结构。 这一判断带有强烈的底层直觉，即对数据结构与应用场景匹配度的敏锐洞察。此后十年，唐建的研究工作沿着这一判断持续推进。从密歇根大学到加拿大AI之父Yoshua Bengio教授创立的Mila实验室，他成为该机构最早从事生命科学研究的教授之一。其图结构深度学习论文LINE在WWW会议上被引用超过七千次，学术积累为后来的创业提供了清晰的方向。 2024年，大分子AI制药工具TorchProtein开源。经过一年的思考，唐建觉得应当再向前迈一步。“希望能够更进一步，让研究成果不仅仅停留在论文层面。”当时学术界还没有类似的平台，他决定将积累整合成一个通用工具。这一想法很朴素：让后来的研究者能够直接使用，不必重复造轮子。 这种降低门槛的思路，后来延续到了百奥几何。2024年3月，百奥几何正式运营。 但创业初期，核心团队几乎全是计算机背景，AI与生物学之间的“语言鸿沟”成了第一道必须跨越的壁垒。生物领域的人才普遍资深，早期对AI往往持观望甚至质疑态度，“生物的人，除非你做出药来才会相信你。”与他们沟通，单纯讲AI多厉害没用，必须形成行业认知，说清楚AI如何解决行业痛点，拿出足够复杂的具体成功案例，才能建立信任。 这种跨学科磨合持续了数年。百奥几何自建了两套湿实验平台，分别对应抗体药和合成生物学。“模型底层相同，但不同应用场景所需的生物人员专业知识画像完全不同。”这种跨学科磨合并非易事——AI团队与生物团队的文化氛围、管理方式差异巨大，直接拉长了行业的迭代周期。 技术路线也曾走过弯路。百奥几何成立之初的愿景是实现抗体从头设计，但技术始终未达到最佳预期，因此2024年至2025年底期间，团队将重心转向合成生物学，甚至尝试自建工厂走重资产路线。但工厂侧的认知更多从制造业思维出发，难以与AI研发团队达成共识，这次合作最终未能顺利落地，也一度影响了公司的融资节奏。 2025年底，百奥几何正式进行了战略收敛，研发聚焦创新药主航道，合成生物学领域则采用合作分成的形式。经过这番战略回调，轻装上阵后，抗体技术率先实现突破，公司回到了正确的轨道上。 支撑这些突破的底层模型，也在同一时期快速迭代。从2024年6月发布的GeoFlow V1开始，百奥几何的底层模型能力迅速提升。V1主要做抗原抗体复合物结构预测，对标AlphaFold 3；V2在国际上率先提出了用一个模型同时完成复合物结构预测和从头生成，将“理解”与“生成”统一起来；V3引入大模型推理阶段的多步推理，提升了抗体从头设计的成功率。目前V4正在研发中，建模尺度已从单个分子拓展到细胞水平的分子系统。 百奥几何也是国内最早突破抗体从头设计的团队。其底层技术路线与海外头部公司类似，都基于diffusion model，但差异化在于V2提出的统一模型思路——用一个模型同时完成结构预测和de novo design。这一思路同样出现在Chai Discovery和Boltz等模型中。 与英伟达的合作也已持续多年。唐建在Mila期间就带领团队开发了针对小分子和蛋白的开源机器学习平台TorchDrug与TorchProtein，其中TorchProtein便是与英伟达、英特尔、IBM等团队共同完成。近期合作进一步加深，英伟达General AI团队注意到了AI for Science特别是蛋白质设计的潜力，双方在技术层面开始更紧密的协作。唐建也参与了部分工作，包括在搜索阶段增加算力、利用test time compute提高设计成功率。这些技术探索被应用到GeoFlow V2到V3的迭代中，使百奥几何在底层技术层面始终与国外头部团队保持着同步。 三年时间，百奥几何完成了从学术工具到产业基础设施的跃迁。但这只是验证了技术可行性，真正的考验在于，这些底层能力能否在产业端重新定义研发流程。 # 从分子到系统：基模能力的产业验证 底层模型跑通之后，真正的考验是产业交付。百奥几何制定了两个重点战略方向：抗体药物开发和合成生物学里的酶设计。 抗体从头设计是百奥几何最先突破的硬骨头。针对一个难成药靶点设计高特异性结合抗体，传统方式需要从动物免疫或天然库中筛选，但靶点所在的蛋白家族中，其他成员与目标靶点只差两个氨基酸，很难找到不脱靶的分子。“我们通过GeoFlow做了精准建模设计，成功找到了几个抗体，能够与靶点结合得很好，同时与其他靶点不结合。”相关分子目前正在向IND阶段推进。 疫苗设计的进展则更为迅速。2025年，百奥几何合作开发疫苗，难点在于设计一种蛋白，使其能够高效自组装为稳定的二聚体。实验数据显示，天然蛋白中这种二聚体比例不足10%，而百奥几何介入后，直接提升到了90%以上。目前相关疫苗已成功转让给下游药企，正式步入产业化阶段。 合成生物学方面，冰片提供了一个不同的验证场景。这种中药活性成分过去只能从樟科植物中提取。植物里的冰片含量极低，是自然进化偶然产生的副产品，一株植物往往要种植一两年才能采收。百奥几何通过GeoFlow重新设计了一种酶，将其导入微生物，让发酵罐里的微生物主要生产冰片，而不再是微量副产品。这样一来，成本降到了植物提取的十分之一，并且不再受季节和种植周期的限制。相关技术也已在工厂完成中试放大，目前正与下游合作方洽谈生产。 从抗体到疫苗再到酶，三个案例的落点各不相同，但底层逻辑是一致的：AI重新定义了流程本身。 传统方式拿到先导分子，需要通过动物免疫筛选再优化，周期长达9到12个月。现在，百奥几何的做法是跳过动物免疫，直接从计算端生成候选分子，靶点交付周期能大幅缩短，短则一个月，长则三个月——更实质的变化是成功率：有些难成药靶点，传统动物免疫根本做不出来，计算端却能给出可行的方案。 管线验证只是起点。这个领域真正的长期壁垒在数据端。接下来百奥几何将搭建自动化实验室——现有湿实验室之外，自动化平台能产生更大通量的数据，把干湿实验的迭代效率再提升一档。 愿景是模型能够自我进化，形成一套自主进化、自主执行的系统，类似Claude设计下一代系统的方向。叠加自动化实验室之后，就能进行自主的科学探索，比如在药物研发中实现靶点的自主发现、分子的自主设计验证。 这指向一个更大的行业判断。大模型的发展早已为AI制药的演变路径给出了清晰的预演：“在大模型生态中，我们已经看到一个残酷的现实——随着前沿基模在架构与通用能力上的持续进化，其不断外延的能力边界，正在直接‘蚕食’大量缺乏核心壁垒的下游应用。”正因如此，在垂类基模领域，Isomorphic、Chai Discovery、百奥几何等头部团队都选择了闭源——模型本身就是核心竞争力。未来两三年，行业将出现明确分化：不具备基模训练能力的团队，会逐渐失去对AI制药下一阶段游戏规则的定义权。 百奥几何的边界也在随之扩展。GeoFlow V4正在把建模尺度从单个分子推向细胞水平的分子系统。从抗体、疫苗到酶工程，从药物发现到合成生物学，底层能力一旦验证，天花板就不再是单一管线，而是生命工程的基础设施本身。 被命名为Moore和Eroom的两条曲线，仍在运行。百奥几何正在两者之间撕开一道口子——跳出“为旧流程加速”的局部修补，转向底层重构，从原子层面重新设计流程。 从抗体、疫苗到合成生物学，从GeoFlow V1到V4，底层模型的能力边界不断扩展。行业终局由基模层的底层操作系统定义，应用层的微调无法改变格局。 如今，生命世界正在等来属于自己的操作系统。而百奥几何，已经和Isomorphic、Chai Discovery一起，站在了定义这套系统的最前排。BioAI时代刚刚开启，底层基础设施的搭建者已经先行一步。