唐建博士获WWW时间检验奖：GNN十年征程与AI制药底层逻辑

编辑｜冷猫

在人工智能这个以「季度」乃至「月度」为周期刷新认知的领域，畅谈「十年」无疑是一件极为奢侈的事情。

技术迭代不断加速，总有更新的亮点技术吸引着我们的目光。正因如此，当一项研究成果在问世十年之后再度被聚焦于聚光灯下，并被郑重授予「WWW 2026 Test of Time Award」时，它触及了一个深刻的问题：什么样的研究，能真正体现穿越时间的价值。

7 月 1 日，在迪拜举办的 The Web Conference 2026（国际万维网大会）上，一篇发表于 2015 年的论文《LINE: Large-scale Information Network Embedding》荣获 Seoul Test of Time Award（时间检验奖）。这篇由国际知名 AI4S 科学家、Mila 终身教授、百奥几何公司创始人唐建博士领衔，与 Meng Qu, Mingzhe Wang, Jun Yan, Ming Zhang, Qiaozhu Mei 等人合著的论文，目前被引次数已突破 7300 次。

论文链接：https://dl.acm.org/doi/10.1145/2736277.2741093

值得一提的是，Seoul Test of Time Award 的首届得主正是大家耳熟能详的拉里・佩奇与谢尔盖・布林（PageRank 的提出者），其含金量可见一斑。

然而，拉长历史的维度来看，这篇论文真正迷人之处，不仅在于它对过往的总结，更在于它对未来的跨界启示。

唐建博士这项研究，在 PC 互联网时代，支撑了搜索引擎、PageRank 以及知识图谱的演进；在移动互联网时代，又推动了社交网络建模与商业推荐系统的运转。更与众不同的是，这项工作并未随互联网红利的消退而黯淡。相反，当 AI 技术范式迈入深度学习与大模型时代，它所沉淀出的底层数学逻辑，开始向着一个远超想象的全新领域蔓延——BIO AI。

当年用于理解万维网、连接网页节点的数学模型，经过几何深度学习（Geometric Deep Learning）的推演后，如今正成为最前沿的 AI for Science 范式，用于理解和设计人体内的抗体分子。

从错综复杂的 Web 网络，到精密绝伦的蛋白质三维结构，看似是两个毫不相干的世界，但在几何图神经网络的解构下，它们共享着同一种底层的数学语言。这是一场跨越十年的技术远征，不仅验证了信息科学的第一性原理，也正是唐建教授从学界迈向产业界的逻辑起点。

从万维网到蛋白质：一条意外但又合理的技术线

LINE 所解决的问题，一句话就能说清：如何将一张拥有数百万节点、数十亿条边的巨大网络，压缩成机器可计算的低维向量，同时不丢失其结构信息。

它和稍早的 DeepWalk、稍晚的 Node2Vec 一起，把「图表示学习」从一个边缘话题发展成了一个独立的研究方向。

富有想象力的读者可能已经察觉到了什么。

现实世界中的关系本质上都是图。网页之间是链接构成的图，人与人之间是关系构成的图。当唐建将视线越过屏幕，投向更微观的世界，他看到的依然是同一种结构。蛋白质是原子与化学键构成的图，小分子是图，细胞内的相互作用网络也是图。

所以，LINE 的边界不可能局限于互联网。2024 年，唐建博士创立的百奥几何正式运营，旨在从底层重构生命科学的研发范式，打造下一代 AI 原生（AI Native）的生物科技公司。

而这家公司的技术内核，正是从 LINE 一路延伸下来的技术逻辑：既然分子天生就是三维的图，那么在图上理解与生成结构的能力，理应能被改写为设计分子的能力。

在 LINE 发表之后，唐建博士的每一步都沿着这条技术线前进：用于知识图谱推理的 RotatE，到面向药物发现的开源平台 TorchDrug，再到联合英伟达、英特尔、IBM 推出的、面向大分子的 TorchProtein。旁人眼中彼此独立的项目，在唐建博士这里，是同一个问题的不同切面。

唐建博士，北京大学计算机博士，微软亚洲研究院研究员，卡内基梅隆大学与密歇根大学博士后，此后成为蒙特利尔学习算法研究院（Mila）华人终身教授，2014 年获得 ICML 最佳论文奖。

在图机器学习最前沿深耕十余年，唐建博士决定让自己的工作在生命科学领域探寻广阔的应用前景，与其说是灵光乍现的转身，不如说是蓄谋已久的收敛。

一以贯之的技术底色：GeoFlow 的三级跳

人工智能的技术浪潮分三个阶段演进：以大语言模型为代表的数字 AI，以自动驾驶、人形机器人为代表的物理 AI，以及以生命科学为战场的生命 AI。

生命 AI 正是百奥几何的使命，即「深度理解生命的底层语言，并在原子级精度上实现对生命分子可编程的工程化改造」。

作为一个由学界大牛创立的「AI 原生」公司，技术力必然是立身之本。这意味着从算法内核、模型训练，到高通量自动化湿实验闭环，全部自建。

支撑这一切的核心，是自主研发的底层大模型。那条从 LINE 一路延伸的技术路径，最终落到了一个名为GeoFlow的「微观世界模型」上。

2024 年 6 月，第一代 GeoFlow 问世，这是一款生成式 AI 抗体设计大模型。它基于几何深度学习架构和最新的流匹配生成模型，能够同时用于抗原-抗体复合物结构预测和抗体设计两项关键任务。

GeoFlow V1 做的是最基本的事——全原子建模。它直接下沉到原子层面，将每个原子的三维坐标、化学键的长度与角度，原原本本地纳入模型。这背后是几何深度学习加深度生成模型的组合拳，真正学会的是原子在三维空间中的合理配置。

基于 GeoFlow 的抗体从头生成示意图

粒度下沉带来的是精度的提升。仅第一代，GeoFlow 在蛋白-蛋白复合物结构预测上就达到了与 AlphaFold 3 同一水准。要知道，AlphaFold 系列是 DeepMind 的招牌工作，这一模型的问世，直接宣告了百奥几何在国际第一梯队的底层技术地位。

GeoFlow V1 抗原-抗体复合物预测评测结果

更关键的是，全原子这条路一旦走通，就为后面「不止会看、还要会造」的设计能力奠定了坚实基础。

2025 年 4 月，GeoFlow V2 问世。这是一个里程碑式的进化。

抗体从头设计一直是该领域公认的硬骨头。难点在于抗体与抗原结合的界面由高度柔性的 CDR 环主导，比那些相对刚性的支架蛋白难建模得多，长期以来只有少数海外闭源模型能够触及。

在此之前，结构预测和从头设计通常由两套模型各干各的：一套负责「给定序列，算出结构」；另一套负责「给定需求，生成序列」。GeoFlow-V2 第一次将这两件事融合进同一个模型，依靠的是一种叫「伪蛋白序列」的巧思。喂入一条完整序列，模型就当作预测任务，把结构解出来；将序列的一部分甚至全部遮盖住再喂入，模型就当作设计任务，把缺失的部分补全生成。预测与设计，在同一套参数里成了一枚硬币的两面。

GeoFlow V2 在抗原-抗体复合物和蛋白-小分子复合物结构预测上均取得领先性能

GeoFlow-V2 是国内第一个在这道难题上真正撕开口子的 AI 大模型，首次打造出国产可用的「结构预测 + 从头设计」通用底座。它让蛋白质成为可以被理解、被创造、被验证的智能构件。

它是一款全原子级的蛋白大模型，通用性足够强，也顺理成章地成为了第三代那次范式跃迁的发射台。

2025 年 10 月，GeoFlow-V3 亮相，首次将多步推理引入蛋白质设计，使模型具备「自我评估、自主进化」的能力，在抗体从头设计中取得里程碑式进展。

GeoFlow V3 用多步推理实现抗体分子虚拟进化

让模型自主思考，不管在何种场景下，都是一个巨大的里程碑，意味着AI4S在该领域的真正实现拉开了序幕。

GeoFlow V3 加入多步推理的逻辑，是为了模仿自然界抗体亲和力成熟的机制——免疫系统通过反复突变、筛选来一步步打磨出高亲和力抗体的过程。设计变成了「生成、评估、再优化」的多轮迭代闭环，让模型对自己的产物打分、找出薄弱的残基、再有针对性地重新设计。

这条思路，与大语言模型近两年从 GPT 走向推理模型的演进，在精神上遥相呼应。GeoFlow V3 的问世，正是生命科学领域里的 DeepSeek R1 时刻。

在 V3 的技术报告里，团队针对七个临床相关靶点、十项独立的纳米抗体从头设计任务，平均命中率达到 18.7%。这个数字相较上一代计算方法提升了约两个数量级，接近百倍。

GeoFlow V3 设计流程与实验结果

结构预测这一侧，V3 的高精度复合物 Top-1 成功率比 V2 提升了 45%。将镜头拉远到更多任务上，在累计超过 20 个靶点的从头设计任务中，苗头分子的平均命中率稳定在接近两成的水平。

「少做、多得、可控」——这套体系远远超越传统大海捞针式筛选的优势。而下一代模型已经在路上，它要将建模尺度从「分子」推向「细胞」，从设计单个分子，走向设计一整个分子系统。

AI 与生命科学的硬核交汇

生命科学，正在成为全球最顶尖 AI 力量共同奔赴的方向。

上个月，AlphaFold 的共同创造者、诺贝尔化学奖得主 John Jumper 离开工作近九年的 Google DeepMind，加入 Anthropic。

Anthropic 收购 AI 生物技术团队、自建湿实验室，将生物能力内建进通用大模型，喊出「把生命科学研发周期压缩十倍」的目标；OpenAI 发布面向生命科学的推理模型 GPT-Rosalind，铺设垂直工具与药企合作网络；DeepMind 则早早拆出独立公司 Isomorphic Labs，累计融资约 27 亿美元，直奔临床管线而去。

也就是说，自 AlphaFold 拿下诺奖后，全球顶尖的 AI 实验室都正朝着同一个方向发力：生命科学。

Kevin Weil, VP of OpenAI for Science

当然，热闹中也藏着冷静的声音。迄今为止，Recursion 至今没有获批药物，BenevolentAI 的候选药折戟临床后退市被收购。AI 制药和生命科学，尽管吸引了顶级玩家的加入，但目前在全球范围内实现产业落地的仍然凤毛麟角。

从中，我们正能够看出生命科学产业落地的困难。而百奥几何，已经把 GeoFlow 的能力落地成了可交付的成绩，率先成长为国内 AI 制药领域的领跑者。含金量在对比中不言而喻。

其一，团队作为核心贡献者，参与了英伟达开源蛋白质大模型 La-Proteina 的研发，将自己的方法论输出进了全球最受关注的 AI 基础设施生态。

其二，团队自研的 AI 虚拟细胞模型 PerturbDiff，在国际科研界获得了不小的关注，将建模的野心从单个分子推向了细胞层面的扰动响应。

资本市场也在用真金白银投票。就在不久前，百奥几何完成新一轮数亿元战略融资，由上海生物医药创新转化基金、国科投资、达晨财智、星连资本联合领投，高榕资本、指数人工智能产业创新基金跟投，指数资本担任独家财务顾问。

百奥几何采取「合作开发加自研管线」的双轮打法，在三条战线上把 GeoFlow 的能力落地成了实打实的交付。

第一条战线是抗体，也是最见功力的地方。

面对肿瘤治疗里那些同源家族高度相似、传统方法几乎无法区分的靶点蛋白，团队将「特异性」直接写入生成阶段做前置约束，只设计不超过 100 条序列，就拿到了 2 条同时具备高选择性与高亲和力的抗体。

在抗体优化这条更成熟的路上，基于几何深度学习的 GearBind 方法早就在真实变异株上验证过：针对新冠 Omicron 变体，三周内将 CR3022 抗体的结合亲和力提升了 17 倍；针对 JN.1 变体，把另一株抗体的亲和力拉高 300 倍以上，两项成果分别登上 Nature Communications 与 PNAS。

第二条战线是疫苗。某病毒的天然抗原蛋白长期无法稳定形成二聚体，是个卡了很久的瓶颈问题。百奥几何依托 GeoFlow 完成了登革病毒包膜蛋白二聚体的稳定化设计，将二聚体占比从不足 10% 提升至 95% 以上，相关产品已转让给国内头部药企。

第三条战线是合成生物学，落地最为直观，也最能体现 AI 设计酶的商业价值。

公司用 AI 设计的酶实现了天然冰片的生物合成，这是全球首次，手性纯度高达 99.9%，单位成本压至约 30 美元每公斤，较传统植物提取方案有超过 80% 的成本优势，目前已完成 500 升规模的中试验证。另一款产品 α-酮戊二酸，通过定向优化关键酶的活性，成本较市场现有生物合成技术再降 60% 以上。这些管线里，已有十余条推进到了下游 BD 合作阶段。抗体设计平台也已与多家国内外药企达成授权合作。

一家成立不过几年的公司，能同时在创新药和生物制造两个万亿级赛道上跑出可交付的成绩。「AI 在生物医药领域的『智能涌现』时刻，比业内预想来得更快」。

尾声：科研人长期主义的赞歌

科研与创业，毋庸置疑都是需要坚持长期主义的事情。

二者都要求人在复杂系统里耐心寻找那条不变的规律，都要求人扛得住短期看不到回报的寂寞，也都要人相信，自己押注的东西会在时间里越沉越有分量。

这也正是这枚「WWW 2026 Test of Time Award」最动人的地方。它代表了一种在今天这个行业里近乎稀缺的品质：坚持一个技术路径，并让它在不同的领域里闪闪发亮。

很少有人能预料到，从 LINE 的图结构开始，「理解结构、生成结构」的思路，能够引导 AI4S 在生物科技领域取得突破。

从北大到 Mila ，再到百奥几何的实验室，唐建博士换过很多身份，做的却始终是同一件事：把一个足够底层的问题做了十年。

「获得 WWW 时间检验奖是对过去的肯定，但在 AI + 生物这个深水区，用算法造福人类的挑战才刚刚开始。」

好的研究从不惧怕时间，它只会随着时间生长出越来越厚的价值。在一个习惯用月和季度丈量成败的时代里，愿意用十年去等一个答案的人并不多，而恰恰是这些人，最终把整个行业往前推了一大步。

这或许就是长期主义最朴素的回报：你把时间熬成了朋友，时间便会站到你这一边。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：唐建博士获WWW时间检验奖：GNN十年征程与AI制药底层逻辑要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题