唐建博士获WWW时间检验奖：图神经网络十年与AI制药底层逻辑

在人工智能领域，技术认知几乎以季度甚至月度为单位迭代，因此谈论一项跨越十年的研究成果，实属难得。

技术更新步伐日益加快，新亮点层出不穷。正因如此，当一项十年前的研究成果再次被聚焦，并荣获「WWW 2026 Test of Time Award」时，它引发了一个深层思考：什么样的研究工作，能够经受住时间的考验，并体现出超越时代的价值？

7 月 1 日，在迪拜举行的国际万维网大会（The Web Conference 2026）上，一篇发表于 2015 年的论文《LINE: Large-scale Information Network Embedding》被授予 Seoul Test of Time Award（时间检验奖）。该论文由国际知名 AI4S 科学家、Mila 终身教授、百奥几何创始人唐建博士领衔，与 Meng Qu, Mingzhe Wang, Jun Yan, Ming Zhang, Qiaozhu Mei 等人合著，目前累计被引次数已超过 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 的首届得主是拉里・佩奇与谢尔盖・布林（PageRank 提出者），该奖项的权威性与含金量不言而喻。

然而，从历史维度观察，这篇论文的真正魅力，不仅在于它对过往技术的总结，更在于它对未来跨学科应用的深远启示。

唐建博士的这项研究，在 PC 互联网时代支撑了搜索引擎、PageRank 及知识图谱的发展；在移动互联网时代，又为社交网络建模与商业推荐系统提供了关键支持。与其他成果不同，这项工作的价值并未随互联网红利消退而减弱。相反，当 AI 技术范式迈入深度学习与大模型时代，其沉淀的核心数学原理，正逐步向一个超乎想象的全新领域延伸——BIO AI（人工智能驱动的生命科学）。

曾经用于解析万维网、连接网页节点的数学模型，经过几何深度学习（Geometric Deep Learning）的深化与发展，如今正成为最前沿的 AI for Science 范式，应用于理解与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，看似迥异的两个世界，在几何图神经网络的解构下，共享着同一种底层数学语言。这是一场跨越十年的技术探索征程，它不仅验证了信息科学的第一性原理，更是唐建教授从学术界迈向产业界的逻辑起点。

从万维网到蛋白质：一条意料之外却合乎逻辑的技术演进路径

LINE 解决的核心问题，可以用一句话概括：如何将一张包含数百万节点、数十亿条边的巨大网络，压缩成计算机可高效处理的低维向量，同时完整保留其拓扑结构。

它与稍早的 DeepWalk 以及稍晚的 Node2Vec 共同将图表示学习从边缘话题发展为独立研究方向。

富有想象力的读者可能早已察觉其中的线索。

现实世界中的关系本质上均为图结构。网页之间是链接构成的图，人与人之间是社交关系构成的图。当唐建博士将视野从屏幕转向更微观的世界时，他看到的仍是同一种结构：蛋白质是由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同样也是图。

因此，LINE 的应用边界远不止于互联网。2023 年，唐建博士创办的百奥几何正式运营，旨在从底层重构生命科学研发范式，打造下一代 AI 原生（AI Native）的生物科技公司。

这家公司的技术核心，正是从 LINE 延续下来的逻辑：既然分子天然就是三维图结构，那么在图上理解与生成结构的能力，理应能够转化为设计分子的能力。

在 LINE 发表之后，唐建博士的每一步都沿着这条技术主线推进：用于知识图谱推理的 RotatE，面向药物发现的开源平台 TorchDrug，以及联合英伟达、英特尔、IBM 推出的面向大分子的 TorchProtein。外人看来互不相关的多个项目，在唐建博士眼中，不过是同一问题的不同侧面。

唐建博士，北京大学计算机博士，曾任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，后成为蒙特利尔学习算法研究院（Mila）华人终身教授，并于 2014 年获得 ICML 最佳论文奖。

在图机器学习前沿深耕十余年后，唐建博士决定将自己的研究应用于生命科学领域，探寻更广阔的应用前景。这并非灵光乍现的转身，而是一场蓄谋已久的技术收敛。

一以贯之的技术底色：GeoFlow 的三级跃迁

人工智能的技术浪潮可划分为三个阶段：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，以及以生命科学为前沿战场的生命 AI。

生命 AI 正是百奥几何的使命所在，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。

作为由学界大牛创立的「AI 原生」公司，技术实力自然是立身之本，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，全部需自主构建。

支撑这一切的核心，是自主研发的底层大模型。那条从 LINE 延伸而来的技术路径，最终汇聚到了一个名为 GeoFlow 的「微观世界模型」上。

2024 年 6 月发布的第一代 GeoFlow，是一款生成式 AI 抗体设计大模型，基于几何深度学习架构与最新的流匹配生成模型，可同时胜任抗原-抗体复合物结构预测和抗体设计两项关键任务。

GeoFlow V1 解决了一个最基础的问题：全原子建模。模型直接下沉至原子层面，将每个原子的三维坐标、化学键的长度与角度，原原本本地纳入建模。这背后是几何深度学习与深度生成模型的组合拳，使模型真正学会了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

粒度的细化带来了精度的提升。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 的标志性成果，这一表现直接确立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

更为关键的是，全原子路径一旦打通，就为后续「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，这是一次里程碑式的进化。

抗体从头设计一直是业界公认的难题，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更难建模。长期以来，仅有少数海外闭源模型能够解决此问题。

在此之前，结构预测与从头设计通常由两套独立模型完成：一套负责「给定序列，计算结构」，另一套负责「给定需求，生成序列」。GeoFlow-V2 首次将这两项任务整合进同一模型，其核心创新在于一种名为「伪蛋白序列」的设计。输入一条完整序列时，模型将其视为预测任务，自动解析结构；将序列中的部分甚至全部信息遮盖后输入，模型则将其视为设计任务，自动补全缺失部分。预测与设计，在同一套参数下成为一枚硬币的两面。

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 是国内首个在这一领域实现突破的 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，使蛋白质成为可被理解、创造与验证的智能构件。

这是一款全原子级蛋白大模型，通用性极强，也顺理成章地成为第三代范式跃迁的发射台。

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

让模型具备自主思考能力，无论在何种场景中，都是一项重大里程碑，标志着 AI4S 在这一领域的实际应用就此拉开序幕。

GeoFlow V3 纳入多步推理逻辑，旨在模仿自然界抗体亲和力成熟机制——免疫系统通过反复突变与筛选，逐步打磨出高亲和力抗体。这一过程将设计转化为「生成、评估、再优化」的多轮迭代闭环，使模型能够对自己的产物进行评分、识别薄弱残基，并有针对性地重新设计。

这一思路与近两年大语言模型从 GPT 走向推理模型的演进精神遥相呼应。GeoFlow V3 的问世，堪称生命科学领域的 DeepSeek R1 时刻。

在 V3 的技术报告中，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%。这一数字相较于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

在结构预测方面，V3 的高精度复合物 Top-1 成功率较 V2 提升了 45%。扩展至更多任务来看，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水平。

「少做、多得、可控」，是这套体系相较于传统大海捞针式筛选的显著优势。而下一代模型已在研发中，它将把建模尺度从「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，正成为全球顶尖 AI 力量共同奔赴的方向。

上个月，AlphaFold 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，提出「将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 则早早拆分出独立公司 Isomorphic Labs，累计融资约 27 亿美元，直奔临床管线。

也就是说，自 AlphaFold 荣获诺奖后，全球顶尖 AI 实验室正同时向同一方向发力：生命科学。

Kevin Weil, VP of OpenAI for Science

当然，热闹中也有冷静的声音。迄今为止，Recursion 尚无获批药物，BenevolentAI 候选药在临床阶段折戟后退市并被收购。AI 制药与生命科学领域，尽管吸引了顶级玩家加入，但全球范围内实现产业落地的仍是凤毛麟角。

从中足以看出生命科学产业落地的挑战。而百奥几何，已将 GeoFlow 的能力落地为可交付成果，率先成长为国内 AI 制药领域的领跑者，其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，将自身方法论输出至全球最受关注的 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显著关注，将建模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。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」的双轮策略，在三条战线上将 GeoFlow 的能力落地为实际交付。

第一条战线是抗体，也最能体现技术功力。

面对肿瘤治疗中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」直接写入生成阶段作为前置约束，仅设计不超过 100 条序列，便获得 2 条同时具备高选择性与高亲和力的抗体。

在抗体优化这一更成熟的方向上，基于几何深度学习的 GearBind 方法已在真实变异株中得到验证：针对新冠 Omicron 变体，三周内将 CR3022 抗体的结合亲和力提升 17 倍；针对 JN.1 变体，将另一株抗体的亲和力提升 300 倍以上，两项成果分别发表于 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，这是一个困扰已久的瓶颈问题。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。

公司利用 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%，单位成本降至约 30 美元每公斤，较传统植物提取方案降本超过 80%，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活性，成本较市场现有生物合成技术再降 60% 以上。这些管线中，已有十余条推进至下游 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，能同时在创新药与生物制造两个万亿级赛道上交付可落地的成果。「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，无疑是都需要坚持长期主义的事业。

二者都要求人在复杂系统中耐心寻找不变规律，都要求人扛得住短期回报的寂寞，也都需要人相信，自己押注的方向会在时间中沉淀出越来越重的分量。

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，并让它在不同领域中持续发光。

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，唐建博士的身份几经转变，但始终在做同一件事：将一个足够底层的问题坚持了十年。

「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。」

好的研究从不畏惧时间，它只会随着时间生长出越来越厚重的价值。在一个习惯用月和季度衡量成败的时代里，愿意用十年去等待一个答案的人并不多，而正是这些人，最终将整个行业向前推进了一大步。

这或许就是长期主义最朴素的回报：当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：图神经网络十年与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