--- author: Best Partners TV date: '2026-02-26' guest: '' layout: post.njk source: https://www.youtube.com/watch?v=x0hh6BZTw00 speaker: Best Partners TV tags: - drug-discovery - protein-structure-prediction - open-source-ai - scientific-progress - proprietary-ai title: IsoDDE闭源争议：AI药物设计新纪元与科学开源的未来 summary: 谷歌旗下Isomorphic Labs发布新一代AI药物设计引擎IsoDDE，性能远超AlphaFold系列，但选择完全闭源，引发学界热议。文章回顾了AlphaFold的开源传统，深入分析了IsoDDE在蛋白质相互作用预测、结合亲和力计算等方面的技术突破，并探讨了闭源模式对科学进步可能带来的影响，包括数据壁垒和公共品属性的转变。同时，也展现了开源社区积极应对、寻求超越的努力，最终呼吁科技巨头在商业利益与科学责任间寻求平衡，确保AI成为推动全人类科学进步的公共力量。 insight: '' draft: true series: '' category: ai-ml area: tech-engineering project: [] people: [] companies_orgs: - Isomorphic Labs - Google products_models: - IsoDDE - AlphaFold 3 - AlphaFold 2 - AlphaFold 4 media_books: [] status: evergreen --- 大家好，这里是最佳拍档。 ### IsoDDE：新一代AI药物引擎 2026年2月，谷歌旗下由**德米斯·哈萨比斯**执掌的**Isomorphic Labs**发布了新一代AI药物设计引擎**IsoDDE**。这款被《自然》杂志直接称作**AlphaFold 4**的产品，在性能上全面碾压了此前的AlphaFold 3，能在几秒内完成科学家耗时15年才能实现的科学发现。然而，它却做出了一个与AlphaFold系列截然不同的选择：完全闭源。代码不公开、论文不发表、核心方法不共享。这一行为不仅让全球**计算生物学界**陷入热议，更让所有人开始思考，曾经由AlphaFold开启的AI造福科学的**开源黄金时代**是否真的要走向终结了呢？ ### AlphaFold：开源科学的标杆 要理解这场争议的核心，我们首先要回到AlphaFold的传奇本身，因为正是这个系列的模型，为AI在基础科学领域的应用树立了开源的标杆。2024年，哈萨比斯因AlphaFold登上了诺贝尔领奖台。这个能精准预测蛋白质三维结构的AI模型，已被一百九十多个国家的超过三百万研究者免费使用，成为AI技术惠及全人类的最佳案例。诺贝尔委员会对哈萨比斯的嘉奖，其实超越了算法本身，更多的是认可一种精神：将科技巨头研发的最强大的科学工具，毫无保留地交到每一个研究者手中，让前沿技术成为推动科学进步的**公共品**。 AlphaFold的开源传统从第二代开始就深入人心。2021年7月，AlphaFold 2的论文以开放获取的形式发表在《自然》上，配套代码全面开源，预测结果也向全球免费开放。这篇论文至今已获得二百七十五万次访问、四万次引用，成为计算生物学领域的里程碑式文献。它的出现直接改变了生物学的研究轨迹，无数原本需要耗费数年甚至数十年的蛋白质结构研究，因为AlphaFold 2的存在大幅提速。小到实验室的基础研究，大到跨国药企的药物研发，都因为这款免费的AI工具迎来了效率的飞跃。 2024年5月，AlphaFold 3发布。尽管初期代码开源的速度引发了一些行业争议，但最终还是选择面向学术界开放，论文同样发表在《自然》上，获得了一百二十七万次访问和1.1万次引用，延续了AlphaFold系列的开源基因。 ### IsoDDE的技术突破 而就在AlphaFold 3发布16个月后，哈萨比斯带来了它的继承者——IsoDDE。2026年2月10日，Isomorphic Labs发布了一份27页的技术报告，展示了这款全新的AI药物设计引擎。哥伦比亚大学的计算生物学家**穆罕默德·阿尔库拉希**直接将其评价为AlphaFold 4级别的重大进步。 如果说AlphaFold系列的核心能力是看清蛋白质的样子，那么IsoDDE则实现了更进阶的突破：它能读懂蛋白质与药物分子之间的相互作用，回答了药物研发中更核心、更难的问题。如果从专业角度来理解这种差异，在药物研发中，蛋白质就像是人体内部的一把锁，而药物分子则是打开这把锁的钥匙。AlphaFold 2和3的核心作用是通过AI算法精准预测蛋白质的三维结构，也就是让研究者看清锁的具体形态，这是药物研发的基础。但是仅仅完成这一步还远远不够。研究者还需要知道设计的钥匙能不能插进锁孔里、插进去之后能不能转动、结合的紧密程度如何，甚至还要发现那些隐藏在蛋白质结构中、从未被发现的锁孔，也就是**药物结合位点**。 而这些，正是IsoDDE的核心能力。它不再是单一的结构预测工具，而是一个整合了结构预测、结合强度计算、隐藏结合位点发现等多种能力的统一引擎，真正实现了从看到结构到理解相互作用的跨越。 这份技术报告中的实验数据直观地展现了IsoDDE的性能优势。在一项专门考验AI处理从未见过的新蛋白结构的基准测试中，当测试样本与训练数据的相似度低到0到20%时，IsoDDE的成功率达到了50%，而AlphaFold 3的成功率仅为23.3%，前者是后者的两倍多。即便是其他主流的开源模型，与IsoDDE之间也存在着巨大的性能差距。在60个最难的测试案例中，有17个案例是AlphaFold 3彻底失败，而IsoDDE却能精准完成预测。这样的表现，让行业看到了AI在处理未知生物分子结构时的全新可能。 在抗体和靶标识别预测这个药物研发的关键环节，IsoDDE的表现同样亮眼。它的高精度预测成功率是AlphaFold 3的2.3倍，更是另一款主流开源模型**Boltz 2**的近20倍。抗体是生物制药中最重要的方向之一，精准预测抗体如何识别并结合靶标蛋白，直接决定了抗体药物的研发效率和成功率。IsoDDE在这个环节的突破，意味着AI能为抗体药物研发节省大量的时间和实验成本。 而最让计算生物学界和制药行业惊讶的，是IsoDDE在**结合亲和力**预测上的表现。结合亲和力，简单来说就是判断药物分子和靶点蛋白结合的紧密程度。结合得越紧密，药物的作用效果往往越稳定，这是评估药物分子有效性的核心指标。传统上，结合亲和力预测依赖于**自由能微扰**（Free Energy Perturbation, FEP）这种物理模拟方法。这种方法不仅计算成本极高，还需要实验室提供蛋白质的晶体结构作为计算起点。对于很多尚未完成晶体解析的蛋白，这种方法根本无法使用。但是IsoDDE却打破了这个限制。它在多个公开测试中，不仅全面超过了所有同类AI方法，甚至性能超越了传统的FEP物理模拟方法。更重要的是，它完全不需要任何实验数据作为起点，仅通过蛋白质的氨基酸序列，就能完成精准的结合亲和力预测。这个突破直接颠覆了传统的药物分子筛选流程。 技术报告中还有一个极具说服力的案例，让所有人看到了IsoDDE的实际应用价值：**cereblon蛋白**是药物研发中的重要靶点。科学家们针对这款蛋白进行了15年的研究，一直认为它只有一个药物结合位点，直到2026年年初，才有一篇新论文通过大量的实验室实验，发现了这款蛋白的第二个隐藏结合位点。而IsoDDE仅仅输入了cereblon蛋白的氨基酸序列，就在几秒钟内精准找出了两个结合位点，包括那个隐藏了15年的位点。要知道，实验室要完成同样的发现，需要进行昂贵的晶体浸泡实验，耗费大量的时间和人力物力，而IsoDDE仅凭序列信息就能快速完成。阿尔库拉希对此的评价是，他最震撼的是IsoDDE在完全陌生的分子体系上展现出的泛化能力，这说明Isomorphic Labs在模型研发上一定做了非常新颖的技术探索。 ### 闭源：传统与商业的冲突 但是，就是这样一款性能惊艳的AI工具，却选择了与AlphaFold系列完全相反的发展路径——那就是完全闭源。Isomorphic Labs的总裁**马克斯·贾德伯格**在接受《自然》采访时直言，公司不打算公开IsoDDE背后的秘方。他表示，IsoDDE背后的模型与其他同类项目截然不同，但是核心的模型架构、训练方法、数据处理逻辑等关键信息，公司都没有计划对外披露。贾德伯格同时解释，和大多数重大的机器学习和人工智能进步一样，IsoDDE的成功是计算能力、数据和算法的结合。他还表示，希望这份27页的技术报告能够激励其他研发药物发现AI的团队，推动整个行业的进步。 但是这份看似充满诚意的激励，却让学术界感到了深深的无奈。阿尔库拉希的话道出了绝大多数研究者的心声：他说，这是一个堪比AlphaFold 4的重大进展，但问题在于，我们对它的细节一无所知。这份27页的技术报告，仅仅展示了IsoDDE的性能结果和部分应用案例，对于模型的核心架构、训练数据的来源和处理方式、算法的创新点等关键信息，几乎没有任何披露。《自然》杂志在报道这个事件时，副标题直接写道：科学家们只能猜测如何实现类似的结果。这也是这场争议的核心所在。 如果IsoDDE只是一款普通的商业软件，闭源本是天经地义的事情，企业为了保护自身的核心技术和商业利益，选择不公开核心信息，符合市场的基本逻辑。但是IsoDDE并非普通的商业软件，它是AlphaFold的直系继承者。而AlphaFold系列所代表的，是一种科技巨头在基础科学领域的开源价值观——将前沿技术转化为**公共品**，推动全人类的科学进步。当IsoDDE打破了这一传统，就意味着原本属于全人类的科学工具，开始成为少数企业的商业资产。这也是为什么整个学术界会对它的闭源行为产生强烈的反应。 ### 数据鸿沟与追赶难度 更让开源团队感到担忧的是，IsoDDE的性能优势可能并非完全来自算法的创新，而是依托于大量的私有实验数据。武田制药的计算结构生物学家**迭戈·德尔·阿拉莫**在社交媒体X上发表了自己的观点，他指出，Isomorphic Labs在此前的研发过程中，投入了大量精力与制药行业合作，这意味着该公司可能获得了大量药企的私有结构数据，而这些数据是学术界和开源团队根本无法获取的。阿拉莫表示，外界根本无法知道这些额外的私有数据对IsoDDE的性能提升起到了多大的作用。如果IsoDDE的核心优势来自于**数据壁垒**，而非算法和模型架构的创新，那么贾德伯格所说的激励，就更像是一种姿态，因为开源团队即便再努力，也无法突破数据的壁垒，更谈不上实现类似的性能突破。 Isomorphic Labs的商业布局也让外界更加确定，这款AI工具的研发从一开始就带有强烈的商业属性。目前，Isomorphic Labs已经拿到了6亿美元的融资，还与礼来、诺华等全球顶级药企签订了潜在价值近30亿美元的合作协议。公司内部已经运行着17条药物研发管线。哈萨比斯在2026年1月的达沃斯论坛上更是表示，公司首批由AI设计的药物，预计将在2026年底进入临床试验阶段。从这些布局可以看出，Isomorphic Labs已经从一个专注于基础研究的机构，彻底转变为一台以商业盈利为核心的药物研发机器，而IsoDDE作为其核心技术，自然成为了公司保护商业利益的关键。 ### 开源力量的集结 面对IsoDDE的闭源和性能优势，开源阵营并没有选择认输。相反，这个行为还引燃了开源社区的竞争热情，一场对标并超越IsoDDE的竞赛，已经在全球计算生物学界展开。Boltz 2的联合开发者、伦敦非营利公司Boltz的创始人**加布里埃莱·科索**就表达了明确的态度。他基于自己团队的研发进展认为，专有数据并不是IsoDDE性能领先的关键因素，因为目前公开的生物分子数据中仍然有大量的改进空间。科索表示，IsoDDE只是设定了一个新的基准，我们需要追赶，也完全可以超越。 另一家计算药物发现公司Deep Origin的态度则更为高调。在IsoDDE发布的次日，Deep Origin就发布了官方声明，称自家的**DODock**引擎，早在2025年8月的哥本哈根ARDD会议上，就已经在蛋白质配体对接基准测试上达到了与IsoDDE可比的性能水平。更重要的是，DODock所采用的是与IsoDDE完全不同的技术路线，这意味着并非只有Isomorphic Labs的技术路径才能实现如此高的性能。 而开源社区在过去两年的积累，也为追赶IsoDDE奠定了坚实的基础。自从AlphaFold 3发布以来，全球多个研发团队已经推出了接近甚至部分超越AlphaFold 3的开源模型，包括Boltz 1、Boltz 2、Chai 1、**Protenix**等。其中字节跳动团队发布的Protenix v1，更是成为了首个在严格限制训练数据截止时间、模型参数量和推理预算的前提下，性能达到甚至超越AlphaFold 3的完全开源模型。这款模型还成功解锁了AlphaFold 3核心的推理时扩展能力，让开源模型在结构预测上拥有了与商业模型对标的实力。这些开源模型的出现，证明了在公开数据和开放协作的前提下，学术界和开源团队完全有能力研发出高性能的AI科学工具。 目前，AI制药领域正在重演大语言模型领域的发展剧本：一家头部企业亮出惊艳的闭源成果，整个开源社区迅速跟进，通过开放协作和技术创新，将两者之间的代际差距缩小到可以追赶的距离。但是，AI制药领域与大语言模型领域存在着一个关键的区别，那就是训练数据的获取难度。大语言模型的训练数据是互联网上的文本信息，这是近乎无限的公共资源，任何研发团队都可以获取。而AI制药的训练数据，特别是高质量的蛋白质和药物分子相互作用实验数据，其中相当一部分都掌握在大型药企手中，这些私有数据涉及到药企的核心研发成果，根本不可能对外公开。如果闭源模型的护城河不是建立在算法创新上，而是建立在数据壁垒上，那么开源团队的追赶难度将会大幅增加，这也是目前AI制药开源领域面临的最大挑战。 ### 科学进步的公共品之路 IsoDDE的闭源选择，影响早已超出了AI制药和计算生物学领域本身，它正在引发整个科技界对AI科学工具发展方向的深度思考。过去几年，AI开源推动科学进步已经成为了一个被广泛接受的叙事，而AlphaFold就是这个叙事最有力的证据。每当有人质疑科技巨头的AI研究到底惠及了谁，AlphaFold都会成为最好的回答——全世界有三百万科学家在免费使用它，无数基础科学研究因为它而提速。 而如今，当AlphaFold的直系后代IsoDDE选择闭源，这个原本坚不可摧的叙事被撕开了一道口子。它向我们暗示了一种可能的未来走向：在基础科学领域，最强大的AI工具可能会逐渐从推动科学进步的公共品，转变为少数科技巨头和药企的商业资产。突破性的科学成果，可能不再以同行评审的论文形式发布，而是以不包含核心细节的技术报告形式呈现。学术界只能看到最终的性能结果，却永远无法知晓背后的核心方法，只能在技术的围栏外不断猜测。 哈萨比斯曾经说过，AI应用于科学是比语言模型更丰富的事业。这句话其实道出了AI在基础科学领域的价值：它能帮助人类解开自然的奥秘，推动科学向未知领域探索。但是这份丰富的前提，是开放。科学的进步从来都不是靠闭门造车实现的，而是靠全球研究者的开放协作、知识共享和技术互通。AlphaFold的成功，正是因为它将前沿技术变成了全人类的共同财富，让无数研究者能够站在巨人的肩膀上继续探索。而当最强的科学AI工具只对付费的药企客户敞开，科学共同体中的绝大多数人，包括高校的研究者、初创企业的研发团队、发展中国家的科学家，都只能在围栏外面看着，那么AI推动科学进步的价值就会大打折扣。 2024年，哈萨比斯站在诺贝尔领奖台上，手中的奖章刻着的，是把知识给予所有人的理想。2026年，Isomorphic Labs发布的IsoDDE技术报告里，写着的，是一个性能更强大的AI未来。这两者之间的距离，不仅仅是一款AI模型的性能差距，更是科技企业在商业利益和科学责任之间的选择。而这个选择，将决定未来AI在基础科学领域的发展方向，也将决定AI到底是成为少数人的商业工具，还是成为推动全人类科学进步的公共力量。 当然，我们也不必对AI科学工具的开源未来过于悲观。从AlphaFold到现在，开源社区已经积累了丰富的技术和经验。Protenix、Boltz 2等开源模型的出现，证明了开放协作的力量。即便面临数据壁垒，开源团队也在通过算法创新、数据挖掘和协作共享，不断突破限制。未来，AI制药领域的竞争，不会是闭源对开源的单向碾压，而是两者之间的相互促进。闭源模型的性能突破，会为开源社区设定新的基准，而开源社区的技术创新，也会推动闭源模型不断进步。但我们始终希望，科技巨头能够在商业利益和科学责任之间找到平衡，因为基础科学的进步从来都不是一场零和博弈。当更多的人能够使用前沿的AI工具，人类才能更快地解开自然的奥秘，迎来真正的科学进步。 感谢收看本期视频，我们下期再见。