当 AI 成为科学发现的主角：从 AlphaFold 到 AI 制药与材料设计的 2026 全景
1 天前 · 2 次浏览
2026 年 7 月，英矽智能（Insilico Medicine）的 Rentosertib 启动 III 期临床试验——这是全球首个由生成式 AI 主导发现靶点和分子结构、并推进到 III 期的药物，接受治疗的患者 12 周后肺活量平均提升 98.4 毫升。两个月前，北京科学智能研究院联合深势科技等机构发布的 DPA4 大原子模型，在 Matbench Discovery 国际材料发现权威榜单上综合性能位列世界第一，而其参数量仅为此前领先模型的十分之一，单张消费级显卡训练一天即可达到过去需要 300 余 GPU-days 才能触及的精度。几乎同一时间，谷歌被曝出解散 AlphaFold 核心团队，诺奖得主 John Jumper 出走，资源转向 Gemini——原因并非 AlphaFold 失败，而是科学发现的范式正在迁移。
这三则看似无关的新闻，拼出了 2026 年 AI for Science 最清晰的图景：AI 不再只是科研的"辅助工具"，它正在成为科学发现的核心引擎，而驱动力来自蛋白质结构预测、药物设计管线与材料科学三条主线的集体突破。 本文试图沿着这三条主线，拆解 AI 如何从"预测结构"走到"设计物质"，以及当 AI 开始独立做出诺奖级发现时，人类科学家的角色正经历怎样的重塑。
一、从 AlphaFold 到 IsoDDE：蛋白质结构预测的"停滞"与转向
要理解 2026 年 AI for Science 的格局，得先回到 2020 年那场被载入史册的突破。AlphaFold 2 在 CASP14 盲测中，所有靶标上的 GDT_TS 中位数达到 92.4，Cα 原子的 RMSD 中位数仅 0.96 Å，第二名方法的误差中位数高达 2.8 Å——学术界普遍认定它"解决了"困扰科学界半个世纪的单链蛋白质结构预测问题。2024 年 10 月，Demis Hassabis 和 John Jumper 由此获得诺贝尔化学奖，距论文发表仅 3 年 3 个月。
但 AlphaFold 2 之后的进展，更多体现为任务边界的扩张和困难样本上的改善，很少再出现"整个问题被突然解决"的时刻。AlphaFold 3 把预测对象从单链蛋白质扩展到了蛋白质与药物分子、DNA、RNA 的复合物，精度达到原子级，在 PoseBusters 基准上比最佳传统方法准确度提高 50%。它的架构也从前代的 Evoformer 转向扩散模型——从原子云出发，经多步迭代收敛到最精确的分子结构，借此首次看清了细胞核"守门人"核孔复合体的原子层面真容。
2026 年的两个新进展，把这个方向又向前推了一步。其一是 AlphaFold 数据库完成了重磅升级，加入了 170 万个"同源二聚体"——两个一模一样的蛋白质分子成双成对结合的形态。预测两个分子如何咬合，计算量呈指数级增长；科学家从 20 种最重要物种入手，预测 3000 万种可能组合，最终精选出 170 万个高准确度结构入库。这对新药研发意义重大：以前药企只拿到"半个锁的形状"，配出的钥匙大概率打不开门；有了组装好的复合体结构，科学家可以直接瞄准两个蛋白结合的"缝隙"设计药物。
其二是 Isomorphic Labs 2026 年 2 月公布的 IsoDDE 引擎，在专门考察陌生蛋白质—配体组合的 Runs N' Poses 基准上，将 AlphaFold 3 的准确率提高了一倍以上，并新增结合亲和力和潜在结合口袋预测能力，在结合亲和力预测上甚至超越 FEP+ 等物理模拟金标准。但学界评价审慎——因 Isomorphic Labs 未公开完整模型架构、权重和训练数据，研究人员难以判断性能提升究竟来自算法修改、专有实验数据还是后期加入的计算化学工具，牛津大学的 Outeiral 把它称为"更接近 AlphaFold 3.5，而非一次真正的跨越"。
AlphaFold 团队的散场，恰恰证明了一件事：蛋白质结构预测的"容易摘的果子"已经被采完。 共进化带来的红利仍然存在，但继续增加算力、参数和相似结构，无法自动补上进化记录中从未保存的信息——蛋白质如何运动、如何折叠、药物为何结合，这些都没有完整写在序列家谱中。
下一步沿着两条互补路线前进。一条是把物理约束更深入地嵌入模型——生成模型提出若干看似合理的结构，再借助能量函数、分子动力学或化学规则排除原子碰撞、错误手性和不稳定构象，Boltz-2 等模型已在扩散过程中加入物理引导。另一条是主动生产进化没留下的数据，尤其是同时包含三维结构、结合亲和力以及失败样本的密集实验数据——英国 Diamond Light Source 牵头的 OpenBind 项目正利用自动化化学和高通量 X 射线晶体学建立开放的蛋白质—药物数据集。谷歌把 AlphaFold 团队资源转向 Gemini，背后判断正是：下一次科学突破可能不再依赖为单一问题训练专用模型，而会来自能自主执行多步骤研究的通用 AI。
二、AI 制药管线：从"辅助筛选"到"主导发现"
蛋白质结构预测的成熟，直接催生了 AI 制药管线的工程化。2026 年的突破建立在三根技术支柱之上：蛋白质结构预测（AlphaFold 系列画出靶点"长相"）、虚拟筛选（AI 大模型在数百万化合物中评估未合成分子的潜在药效）、老药新用（AI 分析药物-靶点-疾病网络关系发现老药隐藏潜力）。
最能代表管线成熟度的，是几款真正走进临床的 AI 设计药物。英矽智能的 Rentosertib（抗肺纤维化）是全球首个由生成式 AI 主导发现靶点和分子结构、并推进到 III 期的药物，IIa 期临床已取得积极数据。Isomorphic Labs 作为 AlphaFold 技术商业化的直接载体，2026 年完成了 143 亿美元的创纪录 B 轮融资，用于推进其 AI 药物设计引擎。晶泰科技通过"AI+CRO"模式为大型药企提供研发服务，2025 年营收同比增长 201.2%，成为该赛道首家盈利的上市公司。一个被反复引用的判断是：AI 将药物早期研发周期从传统的 4-5 年大幅缩短至 1.5 年左右，正试图破解困扰行业多年的"双十定律"（十年时间、十亿美元投入）。
底层工具链的爆发同样密集。哈佛医学院、MIT 与达纳-法伯癌症研究所 3 月发布的 AF2BIND，巧妙地从 AlphaFold 2 已"学富五车"的内部表征中提取蛋白质相互作用"内部语言"，仅用一个简单逻辑回归模型就实现了对小分子结合位点的高精度预测，构建了包含上万个人类蛋白质组中全新结合位点的数据库，论文发表于 Nature Methods。中科院上海有机所周界文团队 6 月在 PNAS 发表的 Void-X 模型则采用"自下而上"范式——不先设计整体蛋白质形状，而是针对特定结构区域直接生成与之匹配的互作原子分布，1.7 亿参数在蛋白质链间原子簇预测中准确率达 68.2%。中科院上海药物所的 PBCNet2.0 利用基于笛卡尔张量的等变神经网络，直接从蛋白质-配体复合物三维结构中学习原子级相互作用，预测精度达到工业界高精度方法 Schrödinger FEP+ 的水平，论文发表于 Nature Chemical Biology。
巨头也集体入场。OpenAI 于 4 月发布的前沿推理模型 GPT-Rosalind 专门针对生命科学研究设计，可支持药物发现和转化医学研究，并同步上线生命科学基准 LifeSciBench。阿里达摩院联合高校发布的 ElementClaw 智能体成功预测 6.8 万个潜在超导材料，其中 4 种新材料已通过实验验证。字节跳动启动 Seed STEM 科学家计划，其 Anew Labs 平台已构建覆盖蛋白质预测、分子生成等场景的技术体系，可实现从动态预测到自由能计算的全链条覆盖。
值得单独一提的是 CVPR 2026 上前 DeepMind 蛋白质设计团队核心成员、Latent Labs 创始人 Simon Kohl 的分享。其两代基础模型展现了从"结构预测"到"条件生成"的跃迁：Latent-X1 作为通用蛋白结合物设计模型，在纳米抗体设计中成功命中所有靶标，亲和力达到纳摩尔甚至皮摩尔级别；Latent-X2 于 2024 年 12 月发布，核心突破在于零样本设计药物级抗体——针对从未见过的靶点从头设计高亲和力抗体。其发布的全球首个实验室验证的抗体设计智能体 Latent-Y，在 40 个候选物中获得 11 个实验室验证通过的结果。
三、从试错到生成：材料科学的范式革命
如果说蛋白质预测是 AI for Science 的"上半场"，那材料科学就是 2026 年真正进入爆发的"下半场"。传统材料研发严重依赖实验试错与科研直觉，周期长达 17-20 年，被称为"长波周期"行业。理论上存在的稳定材料数量高达 10^180 种，而人类至今发现的仅有数十万种。
AI 改写这个领域的方式是"生成"而非"筛选"。2025 年 Google DeepMind 的 GNoME 模型已发现超过 220 万种新晶体结构，其中 38 万种被认为是热力学稳定的，相当于人类过去 800 年积累的知识总和。美国伯克利国家实验室的 A-Lab 全自动闭环实验室，AI 读取百万篇化学论文、理解合成逻辑、自主设计配方、操控机器人合成，每周自主合成上百种全新无机材料。对半导体、新能源汽车、航空航天等战略产业，关键材料的研发周期可能从 10 年缩短至 1-2 年。
2026 年最重要的进展来自中国团队。北京科学智能研究院与深势科技、北京大学、北京应用物理与计算数学研究所联合迭代研发的 DPA4 大原子模型，在 Matbench Discovery（全球 AI 驱动无机材料发现领域最具影响力的动态基准榜单）上综合性能位列世界第一，同时在分子领域权威基准 SPICE-MACE-OFF 上摘得桂冠，展现出跨体系、跨领域的一致优越性。中国科学技术大学钟志诚教授称其为"科学领域的 DeepSeek moment"。
DPA4 的真正突破在于重构了"精度-效率"的帕累托前沿。它的参数量不足此前领先模型 eSEN 的十分之一，相同精度下训练效率较上一代 DPA3 提升约 10 倍，仅需单张消费级 RTX 5090 显卡训练约一天即可达到 eSEN 耗费 300 余 GPU-days 才能实现的精度。底层思路是"化繁为简"——传统模型受制于复杂的全局旋转计算，DPA4 为原子间建立局部坐标系，将复杂的全局旋转简化为绕固定轴旋转，并引入注意力机制使模型自主聚焦关键相互作用，用更少参数表达更丰富信息。目前 DPA4 已客观覆盖 90 余种化学元素，在固态电解液开发、催化剂设计及新靶点发现等高精尖产业实现广泛落地。
材料科学 AI 化的另一个维度是基准与数据集的成熟。新加坡国立大学团队在 ICLR 2026 发表的 Poly2Graph 框架，将晶体的复杂能带转化为 AI 可高效学习的数学图，生成了包含 1160 万静态图和 510 万演化图的 HSG-12M 数据集，填补了"空间多重图"大规模基准的空白。6 月 29 日发布的 Nanotechnology Molecular Optimization（NMO）基准则把生成式分子设计从"类药性代理"重新导向"物理基础的量子材料目标"，揭示了一个尴尬现实：在药物数据上预训练的模型往往难以迁移到材料化学——可迁移性而非模型规模，正成为生成式化学平台的关键竞争差异化因素。
四、2026 年 AI for Science 核心成果：一张格局速览表
为便于横向参照，下表汇总了截至 2026 年 8 月 AI for Science 领域的主要突破（数据综合自各机构公告与 Nature/Science 等期刊）：
| 领域 | 代表模型/成果 | 机构 | 发布时间 | 核心突破 |
|---|---|---|---|---|
| 蛋白质结构预测 | AlphaFold 数据库升级（含 170 万同源二聚体） | DeepMind/NVIDIA/EMBL-EBI | 2026.04 | 首次大规模提供蛋白"双人合照"，为新药设计打开新大门 |
| 蛋白质-配体预测 | IsoDDE | Isomorphic Labs | 2026.02 | Runs N' Poses 基准准确率较 AF3 翻倍，结合亲和力预测超越 FEP+ |
| 结合位点预测 | AF2BIND | 哈佛/MIT/达纳-法伯 | 2026.03（Nature Methods） | 从 AF2 内部表征提取结合位点"语言"，逻辑回归即达高精度 |
| 蛋白质界面设计 | Void-X | 中科院上海有机所周界文团队 | 2026.06（PNAS） | 自下而上生成原子分布，1.7 亿参数链间预测准确率 68.2% |
| 先导化合物优化 | PBCNet2.0 | 中科院上海药物所 | 2026.06（Nat Chem Biol） | 等变神经网络，精度达 Schrödinger FEP+ 水平 |
| 抗体设计 | Latent-X1/X2 + Latent-Y 智能体 | Latent Labs | 2026.06（CVPR） | 零样本设计药物级抗体，11/40 候选获实验室验证 |
| AI 制药临床 | Rentosertib（INS018_055） | 英矽智能 | 2026.07 启动 III 期 | 全球首个 AI 主导发现靶点+分子并推进 III 期的药物 |
| 生命科学大模型 | GPT-Rosalind + LifeSciBench | OpenAI | 2026.04 | 前沿推理模型专攻生命科学，同步发布基准 |
| 大原子模型 | DPA4 | 北京科学智能研究院/深势科技 | 2026.05 | Matbench Discovery 世界第一，参数仅 1/10，训练效率提升 10 倍 |
| 材料数据集 | HSG-12M + Poly2Graph | 新加坡国立大学 | 2026（ICLR） | 首个大规模空间多重图基准，1160 万静态图 |
| 材料生成基准 | NMO Benchmark | 多机构 | 2026.06 | 把生成式分子设计从类药代理导向量子材料目标 |
| 蛋白质大规模改造 | Raygun | 杜克大学医学院 | 2026.07（Nature） | 仅调两参数即可大规模改造蛋白质尺寸与性质 |
| 超导材料发现 | ElementClaw 智能体 | 阿里达摩院 | 2026 | 预测 6.8 万潜在超导材料，4 种已实验验证 |
数据来源综合自各机构官网、Nature/Science/PNAS 等期刊与第三方报道。
这张表透露出几个值得玩味的信号。其一，AI for Science 已从"单一模型突破"走向"全管线工程化"——从结构预测、结合位点识别、先导化合物优化到临床试验，每个环节都有专门的 AI 工具，且工具链开始打通。其二，中国团队在材料科学这个"下半场"展现出明显优势——DPA4 以极致效率登顶全球榜单，被学界誉为"机器学习势领域的 AlphaFold 2 时刻"。其三，基准本身成为竞争焦点——NMO、HSG-12M、LifeSciBench 的密集出现，说明 AI for Science 正从"炫技 Demo"走向"可衡量、可复现的工程学科"。
写在最后：当 AI 走到科学发现的前台
把三条主线收拢，2026 年 AI for Science 的爆发可以浓缩成一句话：蛋白质结构预测跨越了"容易摘的果子"阶段转向物理约束与实验数据闭环，AI 制药管线跑通了从靶点发现到 III 期临床的全链路，材料科学借助大原子模型把高通量模拟从"奢侈品"变成了"日用品"。
但这场范式迁移也触发了深刻的科学伦理讨论。2026 年 6 月 2 日，一份《莱顿宣言》引爆全球科学界——陶哲轩、彼得·舒尔茨等当世最顶尖的数学家发起，当天就有 500 多人联名，一周内破千，要求制定规则对 AI 和科技企业在数学领域的无序突进进行规范，明确人类的主导权和自主权。他们的担忧很具体：如果连提出猜想、完成证明都交由 AI，如果人类连看懂 AI 证明都做不到，那数学这门"人类智力皇冠上的明珠"到底还有多少属于人类？如果有一天 AI 独立做出诺奖级发现，这个奖到底该颁给谁？
上海人工智能实验室主任周伯文在 2026 WAIC 上给出了一个值得玩味的数据对比：AI 在编程领域已实现从不足 5% 到 88% 任务成功率的飞跃，但在端到端科学发现任务中，主流模型完成率仍徘徊在 3% 左右。这个 3% 与 88% 的落差，正是 AI for Science 当下最诚实的坐标——它已经能惊人地加速科研的某些环节，但"独立做出科学发现"仍是遥不可及的远景。
值得持续观察的是两个正在成型的趋势。第一是**"干湿闭环"自主实验室的成熟**——北京科学智能研究院的 Uni-Lab-OS 智能实验室操作系统打通"读、算、做"闭环，让实验室里 50% 的重复劳动实现自动化；玻尔科研空间站汇聚超 2 亿篇高质量文献知识，可调用 1000 余款实验仪器和超 5 万个科学工具，已服务全球超 450 万科研用户。第二是**"AI 科学家"系统的涌现**——arXiv 上的综述显示，从文献综述、假设生成、实验设计到论文写作的完整科研流程，都出现了专门的智能体，BioDSA-1k、Sr-scientist、AI-Researcher 等系统正在把"科研"本身变成可编排的工作流。
至于那个被反复追问的问题——"AI 会不会取代科学家"——2026 年 8 月的答案比一年前清晰了一些：在结构预测、虚拟筛选、材料高通量计算这些"可描述、可验证、机械化"的环节，AI 已经在替代；在提出猜想、设计实验策略、解读异常结果这些需要创造力和洞察力的环节，它还在辅助。但分界线正在移动——当 AI 一年筛选的优质材料数量超过人类过去 30 年的总和，当 11/40 的抗体设计候选获实验室验证，"人类科学家"这个角色本身正在被重新定义。北野宏明 2016 年提出的"诺贝尔图灵挑战"——到 2050 年，若诺奖评委无法判定成果由 AI 还是人类创造，则挑战成功——在 2026 年看，已不再是科幻叙事，而是一个有时间表的工程问题。
内容由 Qific2.1flash 模型辅助生成
Qific2.1flash 模型是千策人工智能研究院开发的旗舰多模态推理模型。基于 217B 总参数 / 23B 激活参数的稀疏 MoE 架构，原生支持图片和视频理解。