百奥几何提出“自进化微观世界模型”：GeoFlow V3 命中率近 20%，GeoCell 建模细胞响应

原创 DeepTech深科技 2026-11-05 14:07 北京

国内外 AI 巨头持续押注生命科学，从硅谷到中关村，整个行业的关注点正从概念能否跑通转向系统如何交付。一张以“自进化微观世界模型”为轴心的答卷，正在尝试回答这个转变。

判断一个技术是否进入新阶段，可以看头部玩家在为什么花钱。2026 年的秋天，这些钱的去向出奇地一致：流进了真实研发的一线——有的在建实验室，有的在发专用模型，有的在收编研发团队。

过去两个月，新动作密集出现。9 月，路透社报道 Anthropic 在旧金山湾区悄悄建起生物学实验室，目标是让 Claude 直接指挥实验机器人；10 月，它又公布了一批药物研发合作成果，并披露已于 7 月收购 Mithril Medicine——一家只有一名全职员工的“一人药企”，创始人借助 Claude 协调 11 家外部实验室，用不到 18 个月把一个罕见病项目从构想推进到小鼠实验。

OpenAI 则在 9 月将生命科学模型 GPT-Rosalind 正式转商用，10 月又宣布收购 Orchestra Bio。Alphabet 旗下的 Isomorphic Labs 走得更远：继 5 月完成 21 亿美元融资后，其总裁 11 月初对彭博社表示，公司预计 AI 设计的药物将在今年底前进入首次临床试验。

视线转回国内。从字节跳动拆分独立的 Anew Labs，把结构预测、分子设计与大模型推理整合进同一套系统；百奥几何（BioGeometry）也在近日传出完成 A+ 轮融资的消息，A 轮系列累计超过 1 亿美元，资金投向模型迭代、高通量实验室扩建和自研管线推进。

大厂为什么此时集体下场？答案要和 2020 年前后的第一波 AI 制药热对照来看。

那一波讲的故事是更快地找到分子，但多数项目止步于计算端的漂亮指标，临床转化没有兑现。如今的语境不同了：AlphaFold 3 之后，模型从结构预测跨向分子生成，开始触碰研发中真正的创造性环节；自动化实验的成本和通量降到了能支撑闭环迭代的临界点；而大药企的管线焦虑变成了刚性预算，例如，默沙东的 Keytruda 系列 2025 年贡献约 317 亿美元销售额，2028 至 2029 年就将面对生物类似药的竞争。供给能力和付费意愿，第一次大致对齐。

换句话说，行业换了一张考卷。上一次考的是预测得准不准，这一次考的则是能不能真正交付科研结果。而这次考验又分为三个层面：能不能设计出达标的分子，能不能让实验数据真正反哺模型，以及能不能从分子层面走向对疾病的理解。

三张考卷背后，是同一条暗线：模型不能只在发布那天是聪明的，它必须在一次次真实实验的反馈里持续修正自己，这也就是“自进化”的含义。商业化，正是答卷的关键环节。

三张考卷，这家公司恰好都做了一遍。其创始人唐建研究图机器学习出身，关注的是不同节点之间的关系与相互作用。将这一思路延伸到生命科学，便有了该公司提出的“自进化微观世界模型”，即连接分子设计、细胞响应与真实实验，让模型在持续反馈中不断迭代。

考卷一：从能结合到全达标，难在哪？

随着 AlphaFold 3 等模型不断提升结构预测能力，行业开始尝试进一步突破：能否给定功能要求，直接生成满足条件的分子？

生成式模型已经给出了一些答案。Chai Discovery 开发的 Chai-2，在一项针对 52 个尚无现成抗体结合记录的靶点研究中，每个靶点测试不超过 20 个候选分子，约一半靶点获得了至少一个成功结合的分子；从字节跳动拆分独立的 Anew Labs，也在把结构预测、结合评估与分子设计整合进同一套系统。

图｜AlphaFold 3 预测的蛋白质 —DNA 相互作用复合体（来源：Google DeepMind）

但能结合只是入场券。候选分子还需要兼顾亲和力、稳定性、聚集倾向、表达量等指标，而这些指标往往相互影响。如何实现多目标同步优化，是 AI 分子从设计走向产业交付必须跨过的一道坎。

在百奥几何的答卷上，有两组数字值得关注。一组来自模型：其分子模型 GeoFlow 两年间完成三次迭代，V2 在全球首次将结构预测与从头设计统一到同一模型，成为国内首个跑通抗体从头设计的 AI 大模型；V3 则引入“生成—评估—优化”的多步推理闭环，在 20 余个靶点上苗头分子平均命中率接近 20%，较上一代 AI 方法提升近百倍，先导分子发现周期压缩至三周内。

另一组来自交付现场：在一个欧洲药企的纳米抗体优化项目中，客户要求同时改善结合能力、稳定性等多项性质，原本预计两到四轮设计-验证循环，该公司在模型未经该靶点专门微调的情况下，一轮迭代筛出多个全面达标的分子，交付周期较预期缩短 50% 以上。

图｜GeoFlow 版本演进路线：从结构预测走向复杂分子系统设计（来源：百奥几何）

这两组数字放在一起，回答的正是从演示到交付的距离问题：接近 20% 的命中率，意味着 AI 设计第一次把早期分子发现从大海捞针变成了可以按周规划的常规流程；而零样本条件下的多目标达标，说明模型的能力不依赖对特定靶点的先验数据喂养——这一点对真实研发至关重要，因为大多数值得做的靶点恰恰是新靶点。

GeoFlow 的“生成—评估—优化”闭环，也体现了“自进化”思路：模型生成候选方案后进行评估、并根据结果持续调整和优化。不过，单个项目还不足以推出普遍结论，后续仍需要靠更多靶点、更多项目的交付记录来验证。

考卷二：都在讲干湿闭环，差别在哪？

设计只是上半场。随着 AI 逐渐进入真实科研流程，模型能力的天花板越来越取决于能否建立稳定、标准化、可复用的实验数据回流。

Anthropic 自建实验室，以及 OpenAI 与 Ginkgo Bioworks 的合作，都在尝试打通这一环节。后者将 GPT-5 接入自动化实验平台，由模型根据已有结果提出下一批实验条件，再由平台完成测试并反馈数据。六轮迭代共测试了超过 3.6 万种配方，将一种荧光蛋白的单位生产成本较此前最佳基线降低约 40%。

图｜高通量筛选中的自动化移液机器人：模型提出假设，平台完成实验验证（来源：Lab Manager）

但干湿闭环并不只是把模型和实验设备连接起来。一个分子没有达到预期结合，可能是设计失效，也可能是表达量不足、纯化不彻底或检测条件不合适；笼统归为失败，模型就无法归因，迭代就没有方向。

BigHat Biosciences 与 Anthropic 的合作提供了一个具体案例。研究中，仪器软件对部分抗体的热稳定性作出了错误判断，Claude 读取原始测量数据后，把问题定位到了实验条件而非设计本身。这说明，能否区分设计的失败和测量的失败，是闭环有效性的前提，也是区分真闭环和闭环话术的试金石。

如果说单次任务内的自我修正是“自进化”中的小循环，那么将模型设计、实验验证和数据学习连接起来，形成持续运行的循环，就是更完整的自进化过程。百奥几何提出的“自进化微观世界模型”，正是沿着这一思路：将 AI Agent 连接模型与自动化实验室，模型提出设计假设，Agent 生成实验方案并编排流程，高通量平台完成表达、纯化与功能验证，数据实时回流迭代模型。

其中， Agent 不仅承担执行流程，还需要根据模型当前的能力和数据缺口，选择值得进一步验证的设计方向。而这，也就对应了行业里开始被讨论的“递归式自我进化”（RSI），即 AI 从真实实验反馈中持续修正自身。

这套体系能否持续运转，关键还在于实验数据的质量、通量和反馈效率。为此，百奥几何一方面建设自己的高通量自动化实验室，另一方面与金斯瑞等成熟平台合作，补充标准化的蛋白功能数据。本轮融资也将用于自动化实验室扩建，以提高实验通量、缩短数据反馈周期。

图｜RSI 干湿闭环：模型 —Agent— 实验室—数据的递归式自进化飞轮（来源：百奥几何）

从这个角度看，模型、Agent 和实验室并不是简单的功能叠加。模型负责提出设计方案，Agent 负责组织和协调任务，实验平台则提供真实世界的验证结果。三者能否形成稳定循环，决定了模型能否持续从实验中积累经验。不过，这种积累能否进一步转化为跨靶点、跨项目的稳定表现，仍需要更多实际研发成果来检验。

考卷三：设计分子之外，为什么还要理解细胞？

分子设计再精准，也只回答了药物研发的一半问题。难点在于，抗体能结合靶点，不代表靶点真正驱动疾病；大量 AI 设计的分子止步于临床前，这一环节缺少的是生物学验证而非设计能力。于是，“虚拟细胞”成了巨头们新的竞争焦点。就在 10 月，Isomorphic Labs 宣布加入由 Biohub 召集的虚拟生物学倡议，与美国能源部、NIH、Meta 等机构共同投入，该倡议计划以约 18 亿美元的资源建设开放的生物学数据基础。

图｜“虚拟细胞”：对细胞生物学进行通用模拟（来源：GenBio AI）

这项考验，也是三张考卷里最难的一张：细胞在基因、药物及组合扰动下的响应涉及复杂调控网络，要求模型对未见过的条件做外推，本质上是因果推断而非相关性拟合；细胞类型、干预方式、实验环境的数据获取成本高、标准化程度低，数据多样性是当前最硬的约束。不过，也正因为难，谁更早开始积累，谁的先发优势就更难被追平。

对于这一挑战，百奥几何的落子是细胞模型 GeoCell：它以生成式 AI 建模细胞在多类扰动下的转录组响应，对应研发中最依赖经验的三个环节：靶点发现、适应症选择、患者分层。按照这一框架，分子模型回答“设计什么分子”，细胞模型回答“打哪个靶点、治哪种病、给哪些人”，合起来构成“分子—细胞”双尺度的微观世界模型。

这个布局的前瞻性在于：当多数同行还在分子层面竞争时，它已经把手伸向了价值密度更高的决策层：靶点选择。毕竟，从预测转录组响应到理解疾病机制，中间还隔着蛋白组、表型组等多重鸿沟；但反过来看，这正是为什么这一方向的数据积累越早开始越好。此外，也解释了这家公司对于干湿闭环的建设，建设产生的数据，未来同样会成为细胞模型的燃料。百奥几何的“微观世界模型”的独特之处在于，它要建模的不只是某一项孤立任务，而是分子与细胞共同构成的、随数据不断生长、不断被逼近的那个微观世界本身。

图｜分子—细胞双尺度“微观世界模型”：GeoFlow × GeoCell（来源：百奥几何）

交卷：三条路之外，有没有第四条？

不过，技术落地始终要面临商业化的考虑。行业目前大致有三条路径：Cradle 式的软件许可，按年收费、不碰分成；Isomorphic 式的自研管线，回报上限高但需要独自消化临床周期；而 Generate Biomedicines 与 Zealand Pharma 的合作则处于平台与药企按环节分工的中间形态。

百奥几何选了第四条：生物医药与合成生物学双轮驱动，等于同时参加两场速度不同的考试。这个设计的聪明之处，在于两条线互相补位。创新药一侧，已有多条双抗管线计划 2027 年进入 IND，时间表明确；AI 压缩早期发现周期的价值，将随着管线推进逐级兑现。

合成生物一侧，交卷快得多：天然冰片通过酶设计改进生物合成工艺，全球首次实现该分子的生物合成，成本较植物提取路线下降约 80%，已完成中试、预计 2027 年产生规模化收入，此外，α-酮戊二酸等超过 5 个产品同样完成中试。

快的一条线提供近在眼前的收入和生产场景下的能力验证，慢的一条线保留药物资产的长期上限。模型推动管线，管线反哺模型，两头都不落空。尤其值得一提的是，工业客户在这一环节的验收标准足够朴素：酶在具体工艺里降低单位成本就算数，这也让合成生物一侧成了这家公司模型能力最直观、最难注水的公开试金石。

交卷之后：值得跟踪的不是故事，是清单

回看这一轮变化，主线其实并不复杂：上一轮 AI 制药已经证明了模型的预测能力，这一轮则考验的是模型的交付能力。目前来看，通用模型公司带着推理能力下场补实验，垂直团队则带着湿实验资产向上补工程化，两条路线交汇之后，竞争变得非常具体：不再比拼叙事，而是比拼谁拿得出更具体交付记录。

而成败的关键或许在于：模型是否能在真实实验里持续自进化，让公司的数据和交付随时间复利；而不只是停滞不前，继而在行业中掉队。而在一些更长远的设想里，这条自进化路线的终点被描述为“生命科学的超级智能”，也就是系统自己提出问题、验证假设、自主改进。

回到百奥的这份答卷，上面已经摆着一张可以逐项核对的时间表：即将发布的 GeoFlow V4、更多靶点上的交付记录、冰片量产后的成本曲线、2027 年双抗管线进入 IND、闭环数据在跨项目中的复利效应....至于兑现与否，时间会给出答案。但对一家敢把时间表对外披露的公司来说，这本身就是一种姿态。生命科学 AI 的上半场是叙事，下半场是证据；这张考卷，以及那个会自进化的微观世界模型，已经有人开始写了。

参考链接：

1.https://www.anthropic.com/research/early-progress-drug-development

2.https://openai.com/index/introducing-gpt-rosalind/

3.https://openai.com/index/openai-to-acquire-orchestra-bio/

4.https://www.nature.com/articles/s41586-024-07487-w

5.https://www.merck.com/news/merck-highlights-progress-advancing-broad-diverse-pipeline/

6.https://www.biorxiv.org/content/10.1101/2025.07.05.663018v1

7.https://www.biorxiv.org/content/10.64898/2026.09.20.752967v1

运营/排版：何晨龙

跳转微信打开