五大巨头 × AI生物：从“纸上算”到“动手做”的一页全景
先说明白一句话：以前 AI 主要在电脑里预测蛋白、读文献；现在这 6 条新闻合起来讲的是同一件事——AI 开始走进真实实验室、真实病人流程里，动手做实验、管项目、改治疗方案。五家分工完全不同，不是重复内卷。
Google ＝ 动手做实验OpenAI ＝ 读懂数据＋管研发项目Microsoft ＝ 算蛋白怎么动Anthropic ＝ 请科学家一起做NVIDIA ＝ 底座＋算力＋开放模型
🗺️ 总览地图：先看分工，再看每条
| 公司 | 解决的瓶颈 | 通俗比喻 | 关键证据 |
|---|---|---|---|
| AI 的方案在真实试管里行不通 | 给 AI 配一个“实验室数字孪生＋安全员” | 染料实验准确率提升 5 倍以上；蛋白结合达个位数纳摩尔 | |
| OpenAI · 脑细胞 | 数据太多，人读不完、连不起来 | 几千个 AI 研究员分头读文献、再拼成一张推理地图 | 32 分钟做完人要几个月到一年的活；引用 700+ vs 单智能体 11 篇 |
| OpenAI · 收购 | 新药研发 10–15 年，环节一断全盘拖 | 给新药项目配“总调度＋预警员” | Rosalind（懂生物的模型）＋ Orchestra（管项目的平台）合体 |
| Microsoft | 蛋白不是一张静态照片，是会动的 | 不只给一张定妆照，给一整段“变形动画” | 约 5 亿参数扩散模型，开源 MIT，2026 年 10 月发布 |
| Anthropic | 好模型科学家用不上、用不深 | 直接把科学家请进来，8–12 周一起做题 | 2026-10-22 公开招募；Anthropic 免费跑模型，数据权归科学家 |
| NVIDIA | 从设计蛋白到治病人，中间缺算力与工具链 | 既发“新蛋白设计工具”，又铺“医院与实验室的路” | RFD4-Proteina 开放模型；BioNeMo 上已有 7 家公司做科学智能体 |
逻辑主线：算得准（Microsoft / NVIDIA 模型）→ 读得透（OpenAI 脑数据）→ 做得成（Google 湿实验室）→ 管得住（OpenAI 收购 Orchestra）→ 用得广（Anthropic 请科学家、NVIDIA 进医院）。缺任何一环，新药都到不了病人手里。
🔬 1 · Google — 自动化湿实验室 动手做实验
一句话：AI 不再只在电脑里“想”出一个分子，而是能在真实实验室里指挥移液机器人做实验、看结果、改方案，再做下一轮。
图片来源：Foreachtek 实验室自动化资料图（公开来源示意/资料图，非各公司原文配图）
图片来源：BocChem 荧光适体示意（公开来源示意/资料图，非各公司原文配图）
为什么难？两个卡点
① AI 不擅长三维几何和物理状态：移液头多宽、孔里还剩多少液体、吸头还剩几个，它原来都“想当然”。② 真实实验太慢：电脑上一天能想几万个候选，实验室一周才能验证几个，实验结果反而成了瓶颈。一个 100 个氨基酸的蛋白，理论序列数是 20100，穷举根本不可能，只能靠“猜—做—学”循环缩小范围。
实时 3D 体积实体树：机械臂位置、每孔液体体积、试剂身份、吸头库存全 tracked。基于开源 PyLabRobot。
几秒内虚拟跑一遍协议，撞了、空了、放不下了先拦下来，不浪费真实试剂。
每一步都有完整记录，可复现、可 debug，这是科学严谨性的地基。
实验结果回流，下一轮设计自动改规则，不再重复踩同一个坑。
三组实打实的证据（不是概念图）
染料实验：同步视频发现“离孔底太近加样导致染料分层不均”，智能体改了混匀策略；同一批实验里读板机中途故障，靠数字孪生的持续状态，不用重新移液就恢复了；模拟器拦下一条“8 通道吸头塞不进窄槽”的指令后，智能体当场重规划，还顺手定位了一个“吸头壁残留造成的系统偏差”——只靠重复实验是发现不了的。闭环自博弈重建盲测染料混合物，准确率提升 5 倍以上。
适体 Aptamer（3 轮 × 2 个靶点，单轮 7–10 天）：适体是能结合蛋白的 DNA 小片段，化学合成快、测序可直接读结果，是练闭环的理想沙盒。
第 1 轮 0% 的原因是固定引物突出端破坏了 48% 序列的折叠；第 2 轮改用“夹钳侧翼茎”升到 26.0%，第 3 轮再多样化到 42.1%。
第 2 轮智能体只追“结合力”，把 G-四链体（G-quadruplex）富集到 63%，结果大多是粘住磁珠和非靶蛋白的“假结合”，校正后真命中率从 10.2% 跌到 3.7%。它从实验数据里自己认出这个坑，第 3 轮封顶这类基序、减去磁珠结合物、换非 G4 骨架，真命中率 9 倍反弹到 33.5%。这就是“从失败里改规则”，不是只报喜。
全新蛋白结合物（靶点 FAP，实体瘤高表达的大受体）：只做了少数几轮实验，最好的设计就达到个位数纳摩尔亲和力——这是平时要经过大量实验室优化才有的“药物级结合强度”。关键提速技巧是“表位切除”：折叠时只切下局部结合口袋来算，不用每次都折叠整个大蛋白，克服了随靶点长度平方增长的算力消耗，单轮提速 8 倍以上，且结构精度没丢。人定战略＋智能体做战术执行，在同等算力下，计算机命中率几乎是科学家单干的 2 倍，且覆盖的结合位点更广。湿实验端用酵母表面展示＋流式分选（FACS）并行筛库。
细节拉满：安全与边界（原文明确写的）
① 只用可控、非传染、无功能获得（gain-of-function）风险的体系做试验台；每个设计序列都要过生物安全筛查。② VERID 拦住一切未验证指令：先模拟、再对照数字孪生校验，才碰机器人。③ 人全程授权：人批准序列、核查协议、监督机器人运行。④ 仍未解决的问题：防止智能体钻实验空子（优化“假结合”而非真结合）、多步协议的验证、对智能体推理与执行轨迹的持续监控。Google 的定位是“人类主导的自主发现”，不是无人实验室。
🧠 2 · OpenAI — 数千个智能体分析数百万个脑细胞 读懂数据
一句话：把“一个人几个月读不完的脑细胞实验数据”，交给几千个 AI 智能体分头读、再拼成一张“基因—细胞变化—文献—机制”的推理地图，32 分钟出结果。
图片来源：MBF Bioscience 小鼠脑切片资料（公开来源示意/资料图，非各公司原文配图）
图片来源：Science News DNA 资料图（公开来源示意/资料图，非各公司原文配图）
合作方：OpenAI × PerturbAI × Scripps Research；模型叫 GPT-Rosalind；数据是小鼠全脑 CRISPR 图谱——敲掉成千上万个基因，看数百万个脑细胞分别有什么反应。每个智能体负责一个基因扰动：分析细胞反应、查文献、提出解释，最后汇成可公开探索的推理图谱（reasoning atlas）。
几千个智能体并行，每人一个基因扰动。
把实验现象和几十年散落的文献连起来。
基因、细胞效应、论文、可能机制四者挂钩。
盲测下人类专家评新颖性与价值，与智能体判断一致；再由人设计实验验证。
两个值得记住的新线索（都还是“线索”，不是结论）
① Tsc1 vs Tsc2，同一个通路、不同脑区表现不同：两者都管 mTOR（细胞生长、代谢、衰老的总开关）。在多数神经元里敲掉任一基因效果相似；但在管运动协调的小脑里，敲 Tsc2 会改变几十个管神经通讯的基因，敲 Tsc1 几乎没变化。这与人类结节性硬化症吻合：小脑异常与 TSC2 突变关联更强。意义在于把“该试什么药、该看哪类神经元”问得更具体——现有降 mTOR 的药能治肿瘤和癫痫，但学习与行为困难仍难办，新线索指向了更精准的实验问题。
② DCTN1 与胆固醇：DCTN1 突变导致 Perry 综合征（一种类帕金森神经退行病），它管神经元内的货物运输。敲掉它后，合成胆固醇的基因表达上升。智能体连上已有研究：胆固醇运输出问题，细胞可能代偿性多造胆固醇。于是提出可验证的假设：DCTN1 破坏是否改变了神经元内胆固醇的分布，进而推动神经退变？恢复正常分布能否保护神经元？人类专家盲评认为这个假设新颖、有分量、值得跟进。
对照实验的要点：模型和资源固定，只变“分工方式”。工作量越大，单智能体查得越少；分布式报告在盲评中 75% 的情况下更受人类专家青睐。原文反复强调：科学家仍是发现的中心，AI 的作用是把更多数据变成“值得去验证的想法”，不是直接下诊断、开药方。
细节拉满：怎么理解“32 分钟 vs 几个月到一年”
原文的换算是“按人类一次做一个扰动、逐个查文献”的估算，不是说 32 分钟就做完了全部科学验证。真正的验证实验还在后面。推理图谱已在 GitHub 公开，科学家今天就能去比对相关基因、找异常反应、挑线索。阿尔茨海默与帕金森在原文里是“可能受益的方向”，不是“已找到疗法”。
💊 3 · OpenAI — 收购 Orchestra Bio 管得住项目
一句话：OpenAI 买下的不是一个“更会算蛋白的模型”，而是一个“会管新药项目全流程的调度平台”——让懂生物的 AI 从“给建议”升级到“帮团队把事推进下去”。
图片来源：药物发现资料图（公开来源示意/资料图，非各公司原文配图）
背景数字先摆出来：一款新药从发现靶点到美国获批，平均 10–15 年。难的不只是科学，还有跨部门、跨外部合作方的协同——系统彼此不连通，信息靠人传。OpenAI 判断现在到了拐点：AI 可以接手这些专业任务和复杂工作流。
OpenAI 的生命科学模型与工具：GPT-Rosalind 帮科学家推理生物与化学问题；Rosalind Workbench 把模型连上科学工具和数据，帮人分析结果、规划实验。
生物制药团队＋AI 智能体一起推进药物项目：把研究、试验的监测与追踪交给智能体，人专注做决策、在延误前解决问题。
建一批智能体，把“科学发现”自动连到“下一步该做什么研究、做什么决策”，而不是发现归发现、执行归执行。
一批生产失败 → 可能拖延临床试验启动。Orchestra 的智能体帮团队算清哪些活动和时间线受影响、汇总相关信息、比较应对方式，人再拍板。
合作版图也在原文里点名了：与 Novo Nordisk 合作，把它的规模与科学专长转化为更快的研发与商业执行，同时保持治理；与 Moderna 合作，把复杂数据洞察翻译成实验工作流、有望加速研发。OpenAI 的完整愿景是覆盖全链条：探索想法 → 设计实验 → 解读结果 → 协调推进。收购金额、交割时间等交易细节，原文没有披露，这里不编。
细节拉满：为什么“管项目”也是 AI 生物的前沿？
很多 AI 生物新闻只讲“预测更准”，但真实瓶颈常常在组织层面：数据、实验、生产、临床、监管之间断链。一个模型再准，如果没人把它的结论变成下一批实验、下一份申报材料，价值就停在论文里。Orchestra 的价值主张正是把“推理”接到“执行系统”上。这也解释了为什么它要和上面第 2 条的 GPT-Rosalind 放在一起读：一个负责“想得深”，一个负责“推得动”。
🧬 4 · Microsoft — BioEmu-2 算蛋白怎么动
一句话：以前 AI 给蛋白拍一张“定妆照”，BioEmu-2 给的是一整套“它可能长成的样子合集”——因为真实蛋白一直在动、一直在变形状，而药物的作用恰恰发生在它“动”的那一刻。
生物分子序列（可多链）＋可选的多序列比对 MSA、原子间距离约束、方法条件。
扩散式全原子打分模型，约 5 亿参数；通过反向扩散采样出一组结构。
一组全原子 3D 结构（笛卡尔坐标），不是单一最优解。
多链复合物、配体（小分子）、核酸；开源代码＋模型权重，MIT 许可。
图片来源：RCSB PDB 2E7G（公开来源示意/资料图，非各公司原文配图）
图片来源：RCSB PDB 2EEA（公开来源示意/资料图，非各公司原文配图）
| 项目 | BioEmu-2 原文信息 |
|---|---|
| 发布 | 2026 年 10 月；训练于 2026 年 8–9 月；开发者 Microsoft Research |
| 训练数据 | PDB 实验结构 189,745 条；AlphaFold 数据库单体 7,231,107 条、同源二聚体多构象 753,271 条、异源二聚体 22,157 条；Teddymer 50,651 条；微软自产分子动力学轨迹约 2 万条量级（分多个子集） |
| 评估方式 | 同个 checkpoint 评三类：标准折叠基准（RMSD、TM-score、lDDT、物理合理性、界面 DockQ，对照 Boltz-1 测试集）；多构象采样（能否区分不同结合伙伴对应的状态）；分子动力学模拟仿真（状态覆盖度、权重分布差异） |
| 硬件门槛 | 已在 NVIDIA GPU 上测试，最小测试设备是 80GB 的 A100 |
细节拉满：它明确“不干”什么（这比它能干什么更重要）
原文 out-of-scope 清单：① 不用于临床、诊断、治疗、给药等病人决策；② 不设计毒素、病原体、功能获得构造等危险生物制剂；③ 不做定量结合亲和力或绝对自由能预测；④ 不做全新小分子设计；⑤ 不做自主或高风险决策。已知局限：MSA 质量差（如孤儿蛋白、人工改造蛋白、部分病毒蛋白）时质量会掉；训练数据偏向研究充分的蛋白家族；采样频率不能解读为校准过的玻尔兹曼概率；超大体系（超过 10k token）物理合理性可能变差。所有输出都只是“计算假说”，不是实验测量，必须再用计算或实验验证。
🧪 5 · Anthropic — 生命科学研究协作平台 请科学家一起做
一句话：Anthropic 不只把 Claude 交给科学家自己摸索，而是公开招募客座研究员：8–12 周里，Anthropic 的研究员和你一起做一个具体课题，模型免费跑、成果公开发、数据还是你的。
图片来源：Science News DNA 资料图（公开来源示意/资料图，非各公司原文配图）
招募对象：高校、非营利机构、政府实验室的首席研究员（PI）及其团队。课题方向 5 类：因果人类生物学、结构与计算分子生物学、药物化学、药物发现、临床科学。申请时只需要公开信息，不需要交出自己的数据，合作中数据权也始终归研究者，后续独立研究成果的权利也归研究者。
8–12 周，部分项目可延期；目标是在这段时间内产出初步证据、分析、工具或公开资源。
Anthropic 团队免费跑模型与工具链（harness），研究者不用为这次合作付模型费。
一起发表成果，开源数据与代码；不是只发一篇内部报告。
申请开放约 14 天，截止后约 14 天内邮件通知入选者（以 2026-10-22 发布为准，过期请以官网最新状态为准）。
Anthropic 同时提到另外两条线，别混淆：① Life Sciences Verification Program——科学家可直接申请使用其最强的公开生物模型；② AI for Science 计划——给科学家发 Claude 额度、加速发现。这次“客座研究员”是更深的“一起做项目”，不是只发额度。Anthropic 的判断很务实：大多数真正重要的开放问题，8–12 周内验证不完，所以它要的是“能在短期内拿出初步证据的提案”，而不是承诺解决终极问题。
细节拉满：如果你是研究者，申请前先想清 3 句话
① 没有 Claude 的直接协作，你的课题卡在哪一步？② 8–12 周内能交付什么具体东西（初步发现／回答了哪个开放问题／开源数据集／公共工具）？③ 为什么这个产出值得公开？原文的筛选标准就是这两条：说清收益、且产出在周期内可实现。申请材料只放公开信息，别把未发表数据塞进去。
🧫 6 · NVIDIA — RFD4-蛋白质与 BioNeMo 底座＋进医院
一句话：NVIDIA 这次不是只发一块新显卡，而是同时发了三样东西：一个能“按要求设计新蛋白”的开放模型、一套让各家公司做“科学智能体”的平台、以及把 AI 推进放疗和医院日常运营的合作。
图片来源：RCSB PDB 2EEA 系综示意（公开来源示意/资料图，非各公司原文配图）
图片来源：PMC / NRG Oncology 自适应放疗综述（公开来源示意/资料图，非各公司原文配图）
① RFD4-Proteina：会“按要求找蛋白”的开放模型
由 NVIDIA 与华盛顿大学医学蛋白质设计研究所（所长是 2024 诺贝尔化学奖得主 David Baker）联合发布。它把“可编程蛋白设计”与“搜索能力”结合：科学家或智能体输入分子要求、约束条件和评分目标，模型生成有针对性的蛋白设计，再搜索、打磨候选。潜在用途：设计能打断疾病过程的蛋白、或能在检测中发现疾病信号的蛋白。原文称，在研究草稿的测试中，它在 4 个基准（蛋白结合、小分子结合、酶支架、DNA 结合）上的计算设计成功率与生成速度都高于所比较的基线——注意，这是计算基准，不是临床疗效，最终还得靠实验室验证。
获取渠道（原文列出）：Amazon Bio Discovery、Anthropic Claude Science、Benchling、Databricks、Google Cloud、Hugging Face、Nebius、OpenAI、Tamarind Bio。Baker 的原话值得记住：“我们正从‘发现大自然造好的蛋白’，走向‘设计全新的蛋白’，开放模型能让全球研究者接着往下做。”
② Siemens Healthineers：放疗要“跟着病人变”
背景：到 2050 年，全球每年新增癌症诊断预计约 3500 万人，而专科人力有限。传统放疗计划是“一次定好、照单执行”；自适应放疗的原则是“治疗去适应病人，而不是反过来”——因为肿瘤和周围器官每天的位置、形状都会变。合作方案是：Nemotron 开放基础模型做智能体协同规划（帮肿瘤医生评估、打磨个性化方案）＋ CUDA 加速的剂量计算做病人专属模拟 ＋ Holoscan 平台连通实时传感器数据，支持治疗中的自适应调整。最新进展还包括 Accela 系统的发布。原文说的是“探索、开发中”，不是“已全面上市”。
③ BioNeMo 上的科学智能体军团（7 家，方向各不同）
| 公司 | 在 BioNeMo 上做什么 |
|---|---|
| Automata | 把科学智能体连上自动化实验室，发起实验、抓结构化结果 |
| Benchling | 让智能体扎根于实验数据、研究背景与连通的工作流 |
| Biolevate | 连通生物数据、专业工具与智能体推理，贯穿发现与开发 |
| Boltz | 做结构预测与候选评估的专用模型与工具，并预览“会规划工作流的科学智能体” |
| Danaher / Genedata | AI 联合科学家协调蛋白设计与测试（蛋白设计工厂里的自主实验室），并纳入 RFD4-Proteina |
| Hologen | 大医药模型＋Nemotron，做“AI 临床科学家”，把影像与临床数据变成对临床试验设计的洞察 |
| Therna Biosciences | 用大语言模型推理连通实验证据与 RNA 药物设计，变成候选疗法 |
还有医院运营一侧：Avelios、Corti、Dedalus、Dawn Health、Sword 用 Nemotron 做 AI 记录员、AI 辅助诊疗、个性化患者支持；PolyAI 用 NVIDIA Agent Toolkit，通过 Corilus（覆盖比利时、法国 7 万多名医疗专业人员）做多语言对话分诊；Apian、VitVio 用 Cosmos 世界模型与 Omniverse 做医院运营数字孪生。行业规模背景：全球科学研发 3.8 万亿美元，制药年预算近 3000 亿美元——这就是为什么各家都想把“设计—实验—学习”转成闭环。
细节拉满：别把三件事混为一谈
① RFD4-Proteina 是“设计蛋白的模型”，BioEmu-2 是“预测蛋白怎么动的模型”，两者互补不是替代。② BioNeMo 是“开发平台”，Nemotron 是“基础模型系列”，Cosmos/Omniverse 是“物理世界与数字孪生工具”，各管一段。③ 所有“成功率更高、更快”的说法目前都停留在计算基准与研究草稿层面，离“药有效”还隔着实验室验证、临床试验、监管审批三道关。
🧭 横向对比：如果你只有 3 分钟，记住这张表
| 维度 | OpenAI（脑） | OpenAI（收购） | Microsoft | Anthropic | NVIDIA | |
|---|---|---|---|---|---|---|
| 主角 | 移液机器人＋数字孪生 | 几千个 GPT-Rosalind 智能体 | Orchestra 平台 | BioEmu-2 扩散模型 | 客座研究员＋Claude | RFD4-Proteina＋BioNeMo |
| 输入 → 输出 | 假设 → 真实实验数据 | 海量细胞数据 → 推理地图 | 项目全貌 → 下一步决策 | 序列 → 一组 3D 结构 | 科学家课题 → 8–12 周合作产出 | 设计要求 → 蛋白候选＋医院方案 |
| 最怕什么 | 假结合、实验空子 | 线索≠结论，需实验验证 | 环节断链拖垮工期 | 当成测量、亲和力来误读 | 8 周验证不完大问题 | 计算成功≠临床有效 |
给医疗 AI 实践者的 3 个落地点：① 做实验闭环时，先学 Google 的 VERID 思路——“模拟先行＋全程日志”比“模型更准”更先保命；② 读海量数据时，学 OpenAI 的“分工＋拼图”——单智能体查文献会断崖式缩水；③ 用任何蛋白结构预测时，先看 Microsoft 的 out-of-scope 清单——它不是诊断工具，也不是亲和力计算器。
✅ 自测 5 题（点选项，立刻判分）
得分：0 / 5
1. Google 的 VERID 最核心的作用是？
2. OpenAI 脑细胞实验中，分布式 vs 单智能体的关键差距是？
3. BioEmu-2 不能用来干什么？
4. Anthropic 客座研究员合作中，数据权归谁？
5. NVIDIA 的 RFD4-Proteina 与 BioEmu-2 的关系是？
⚠️ 读这类新闻的 4 条防坑指南
1）区分“计算成功”与“生物有效”：基准分数、命中率、提速倍数都还不是药效。2）区分“线索”与“结论”：Tsc2、DCTN1-胆固醇都是待验证假设。3）看 out-of-scope：模型卡上写明不干什么，往往比宣传页更诚实。4）看时间窗：Anthropic 招募约 14 天，过期以官网为准，别按旧页面去投。
图片说明（新增）：本版新增 8 张专业配图（含 2 张 RCSB NMR 系综、1 张小鼠脑切片、1 张自适应放疗综述图），均已 base64 内嵌、断网可看；除原文链接外，配图均为公开来源的示意/资料图，用于帮你理解概念，不是各公司官方实验原图，也不代表 BioEmu-2 / RFD4-Proteina 的实际输出。
制作说明：本页 6 条全部以你给的 6 个原文链接为唯一事实来源（2026-10-25 核实），数字、比例、合作方均出自原文，未补交易金额、未补未披露的日期；凡原文说“研究草稿／初步／探索中”的地方，本页都保留了这个限定。图片与交互图随课件提供，可按主题切换并完成自测。