谷歌發布 AI 藥物設計引擎 IsoDDE：被讚為“AlphaFold 4”，性能碾壓上一代，但不再開源

谷歌旗下由 DeepMind CEO Demis Hassabis 擔任 CEO 的同源性實驗室（Isomorphic Labs）發布了被《自然》稱為「AlphaFold 4」的新一代 AI 藥物設計引擎 IsoDDE。

它全面碾壓前代，卻選擇完全閉源。AI 造福科學的黃金時代，可能正在關上大門。

2024 年，Demis Hassabis 因為 AlphaFold 站上諾貝爾頒獎台。

這個能預測蛋白質三維結構的 AI 模型，被 190 多個國家超過 300 萬研究者使用，堪稱 AI 惠及全人類的標杆案例。

諾貝爾委員會嘉獎的，與其說是一個算法，不如說是一種精神 —— 把最強大的科學工具免費交到每一個研究者手中。

16 個月後，AlphaFold 的繼任者亮相了。

2 月 10 日，Hassabis 創辦的 AI 製藥公司 Isomorphic Labs 發布了 27 頁技術報告，展示一套名為 IsoDDE 的藥物設計引擎，性能全面碾壓 AlphaFold 3，被哥倫比亞大學計算生物學家 Mohammed AlQuraishi 評價為「AlphaFold 4 級別的重大進步」。

但這一次，程式碼不會公開，論文不會發表，方法不會共享。

Isomorphic Labs 總裁 Max Jaderberg 對《自然》說得很直白：我們不打算公開「秘方」。

AlphaFold 的開源傳奇，很可能到第三代就是終點了。

能力確實強得令人震驚

先說 IsoDDE 做到了什麼，這有助於理解後面的爭議為何如此巨大。

打一個不太嚴謹的比喻：如果把蛋白質想像成一把鎖，藥物分子就是鑰匙。AlphaFold 做的事情，是幫你看清這把鎖長什麼樣。

但光看到鎖還遠遠不夠 —— 你得知道鑰匙插進去能不能轉動，轉得緊不緊，甚至你得發現鎖上還有沒有別的你根本沒注意到的鑰匙孔。

IsoDDE 要回答的就是這些更難的問題。

它是一個統一引擎，把結構預測、結合強度計算、隱藏結合位點發現等能力整合在一起。

數字很能直觀說明問題。

在一項專門考驗 AI 能否處理「從沒見過的」新蛋白結構的測試中（Runs N’ Poses 基準），當測試樣本跟訓練資料的相似度低到 0-20% 時（這是最難的情況），IsoDDE 的成功率是 AlphaFold 3（AF3）的兩倍多。

60 個最難案例裡，有 17 個案例是 AlphaFold 3 徹底失敗而 IsoDDE 做對了。

AlphaFold 3 在此範例中失敗，IsoDDE 正確

在預測抗體如何識別靶標這件事上，IsoDDE 的高精度預測成功率是 AlphaFold 3 的 2.3 倍，是另一個主流開源模型 Boltz-2 的近 20 倍。

最令同行驚訝的是結合親和力預測 —— 也就是判斷藥物分子和靶點結合得有多緊。

這個任務傳統上依賴一種叫 FEP 的物理模擬方法，計算成本極高，需要實驗室提供晶體結構作為起點。

IsoDDE 在多個公開測試中不僅全面超越所有 AI 方法，甚至超過了 FEP，而且它根本不需要任何實驗數據做起點。

技術報告裡還有一個特別漂亮的案例。

有一個叫 cereblon 的蛋白，科學家們花了 15 年，一直以為它只有一個藥物結合位點。直到今年年初，一篇新論文才通過實驗發現了第二個隱藏的結合位點。

而 IsoDDE 只要輸入這個蛋白的氨基酸序列，就把兩個位點全部找了出來 —— 包括那個藏了 15 年的。

實驗室要做同樣的事，需要昂貴的晶體浸泡實驗和大量時間。IsoDDE 只要幾秒鐘。

AlQuraishi 說，他最震撼的是 IsoDDE 在完全陌生的分子體系上展現出的泛化能力，「這說明他們一定做了非常新穎的東西」。

閉源：故事真正令人不安的部分

如果 IsoDDE 是一個普通的商業軟體，閉源天經地義，沒什麼好說的。

問題在於，它的前身 AlphaFold 代表著一種截然不同的價值觀。

AlphaFold 2 在 2021 年開源，配套論文發表在《自然》上，預測結果免費向全球開放。

這件事的意義遠超技術本身 —— 它證明了一種可能性：由科技巨頭資助的前沿 AI 研究，可以真正成為全人類的公共品。

超過 300 萬科學家用它做了自己的研究，無數專案因此加速，生物學的整條河流被它改變了流向。

2024 年的 AlphaFold 3 同樣發表了論文，雖然程式碼開源的速度引發過爭議，但最終也面向學術界開放。

IsoDDE 打破了這個傳統。

27 頁技術報告裡幾乎沒有模型架構和訓練方法的任何細節。

《自然》的報導副標題直截了當：科學家們「只能猜測如何實現類似的結果」。

Jaderberg 對《自然》說的話耐人尋味。他說希望這份報告能「激勵」其他團隊。

但 AlQuraishi 的反應恐怕更能代表學術界的真實感受：「問題在於，我們對細節一無所知。」

有人覺得 Isomorphic Labs 作為商業公司保護自己的核心技術合情合理。這當然沒錯。

但值得追問的是：當 AI 在科學領域的能力越來越強、越來越集中在少數公司手裡時，這些能力的開放程度，誰來決定？

Isomorphic Labs 已經拿到 6 億美元融資，跟禮來和諾華簽了潛在價值近 30 億美元的合作協議，內部運行著 17 條藥物管線。

Hassabis 今年 1 月在達沃斯說，首批 AI 設計藥物預計 2026 年底進入臨床試驗。

這家公司正在從一個科研機構變成一台商業機器。

武田製藥的計算結構生物學家 Diego del Alamo 指出了另一個微妙之處：Isomorphic Labs 之前投入大量精力與藥企合作，可能獲得了大量私有實驗數據。

這些額外數據對 IsoDDE 性能的貢獻有多大，外界無從得知。

如果核心優勢來自數據壁壘而非算法創新，那所謂的「激勵」就更像是一種姿態。

開源陣營並沒有認輸

閉源引發焦慮，但也點燃了競爭。

Boltz-2 的聯合開發者、非營利公司 Boltz 的創始人 Gabriele Corso 态度很明確：他不認為私有數據是關鍵因素，因為公開數據中仍然有大量改進空間。

IsoDDE 設定了一個新的性能基線，「需要追趕，也完全可以超越」。

另一家公司 Deep Origin 更為高調，直接在 IsoDDE 發布次日發聲明說，自家的 DODock 引擎在 2025 年 8 月就已經在同一基準測試上達到了可比的性能水平 —— 用的是完全不同的技術路線。

開源社群過去兩年也沒閒著。AlphaFold 3 發布後，多個團隊已經做出了接近甚至部分超越它的開源模型，包括 Boltz-1/2、Chai-1、Protenix 等。

AI 製藥領域正在重演大語言模型領域的劇本：一家公司亮出驚豔的閉源成果，整個開源社群迅速跟進，差距從代際縮小到可以追趕的距離。

但這裡有一個關鍵區別。

語言模型的訓練數據：網路文本，是近乎無限的公共資源。

而 AI 製藥的訓練數據，特別是高品質的蛋白質-藥物實驗數據，其中相當一部分掌握在藥企手中。

如果閉源模型的護城河建立在私有數據上，開源追趕的難度就大得多。

關上的門

這件事的影響可能超出藥物研發領域本身。

過去幾年，「AI 開源推動科學進步」是一個被廣泛接受的敘事。AlphaFold 是這個敘事最有力的證據。

每當有人質疑科技巨頭的 AI 研究到底惠及了誰，AlphaFold 都是最好的回答 —— 看，全世界 300 萬科學家都在免費用它。

如今，當 AlphaFold 的直系後代選擇閉源，這個敘事被撕開了一道口子。

它暗示了一種可能的未來走向：

AI 在基礎科學領域最強大的工具，逐漸從公共品變成商業資產；

突破性的成果以技術報告而非同行評審論文的形式發布；

學術界能看到結果，但永遠看不到方法。

Hassabis 曾經說過，AI 應用於科學，是比語言模型更豐富的事業。這話沒錯。但豐富的前提是開放。

當最強的科學 AI 只對付費客戶敞開，科學共同體裡的絕大多數人就只能在圍欄外面看著。

AlphaFold 的諾貝爾獎章上刻著的，是把知識給予所有人的理想。IsoDDE 的技術報告裡寫著的，是一個更強大的未來。

兩者之間的距離，就是這個時代正在做出的選擇。