Back to Index
前沿探索 /

AI for Science 2026 H1：AlphaFold 3、药物设计引擎与科学 Agent

梳理 2026 H1 AI for Science 三条主线：AlphaFold 3 与药物发现、材料生成模型、科学 Agent，讨论它们进入科研工作流后的机会和边界。

8 min read Part of AI Research · Ch. 9

AI for Science 2026 H1：AlphaFold 3、药物设计引擎与科学 Agent

flowchart LR
  A["AI for Science"]
  A --> B["分类：前沿探索"]
  A --> C["关键词：AlphaFold"]
  A --> D["关键词：Drug Discovery"]
  A --> E["关键词：材料发现"]
  A --> F["关键词：Agent for Science"]

一年前讨论”AI for Science”，主要素材是 AlphaFold 2 在蛋白结构上做的事情，加上一些”模型可以辅助文献检索”的故事。到 2026 H1，内容已经明显扩展：AlphaFold 3 让蛋白、DNA、RNA、小分子等相互作用进入统一预测框架；Isomorphic Labs 的药物设计引擎把结构预测进一步推向药物研发流程；材料发现、AI for Math、科学 Agent 也各自有了实质进展。本文不是综述，是 H1 事实切片。

延伸阅读：

先说结论

  • 药物发现：AF3 已经把蛋白、核酸、小分子、离子、修饰等相互作用统一到全原子级预测框架；Isomorphic Labs 的药物设计引擎进一步把这些能力产品化
  • Hit-to-Lead 周期 有望被显著压缩，但不能把单个合作管线或供应商表述直接当成全行业平均
  • 材料发现：DeepMind GNoME / Microsoft MatterGen 已让”候选材料” 数量从年级几千上升到月级几百万
  • AI for Math：Lean / Coq + frontier model 的组合已经能显著提高形式化证明辅助效率，但不能等同于通用数学研究自动化
  • Agent for Science：Sakana AI、Google Co-Scientist 等项目把”读文献 + 提假设 + 设计实验 + 写报告” 的链路向前推进
  • 未到的事：通用”端到端发现”（不依赖人类设定问题）、临床有效性（AI 设计的药物批量进入 Phase 3 还没发生）

1. AlphaFold 3：把”蛋白结构” 升级成”所有原子结构”

1.1 它做了什么

AlphaFold 2 (2021) 的能力是”给定氨基酸序列，预测蛋白三维结构”。AF3 的边界明显推宽：

  • 输入可以是蛋白、DNA、RNA、小分子、离子、修饰基团等任意组合
  • 输出是这些分子之间的全原子级三维交互预测
  • 用 Diffusion Network（和 Stable Diffusion 同类的架构思想）替代 AF2 的 evoformer 主干

1.2 为什么对药物发现是关键

传统药物发现的瓶颈不在”找候选小分子”，在”预测它和靶点蛋白怎么结合”。这一步以前要靠：

  • 物理模拟（AMBER、Gromacs）—— 慢、需要人类调参
  • X-射线晶体学 / cryo-EM 实验 —— 准、但每个候选要花数月

AF3 在 protein-ligand、protein-DNA 等相互作用预测上比上一代方法明显更强，意味着团队可以先在计算机里筛掉大量低希望候选，再把更少、更有希望的分子送去做湿实验。

1.3 Cryptic Pocket：开了一扇新门

AF3 能识别”隐藏口袋”——蛋白表面在 holo-form（结合配体）时才暴露的结合位点。这件事的意义：之前被认为”无法成药”的靶点（很多癌症 / 神经退行），因为 AF3 能算出 cryptic pocket，开始有了候选化合物。

1.4 公开访问 + 学术可用，但不是“完整开源”

AF3 可以通过 AlphaFold Server 公开使用；模型代码和权重也面向学术/非商业用途开放申请和使用。但这不等于完整开源：官方条款对商业用途、参数再分发和共享都有明确限制。

这一区别很重要。对学术研究者，它已经足够进入日常工具箱；对药企和平台团队，它仍然需要认真核对许可、数据边界和商业合作方式。

2. Isomorphic Labs Drug Design Engine：不是官方“AlphaFold 4”

2.1 是什么

Isomorphic Labs（DeepMind 旗下药物发现独立公司）推出的 Drug Design Engine，不是 AF3 的简单升级，而是一套面向药物研发流程的商业系统：

  • 把分子结构预测、候选筛选、性质评估和研发决策工作流放到同一套系统里
  • 面向 hit identification / hit-to-lead 阶段，帮助团队更快缩小候选空间
  • 与药企合作管线结合，更多是商业研发引擎，而不是公开通用模型

2.2 为什么不该直接叫”AlphaFold 4”

有些评论会把它类比成”AlphaFold 4”，主要是为了表达它在药物设计链路上的下一步意义。但这不是官方名称，直接写成”AlphaFold 4”会误导读者：

  • AlphaFold 3 是公开论文和可申请使用的模型体系
  • Drug Design Engine 是 Isomorphic Labs 的商业药物研发系统
  • 两者有关联，但不是同一个发布物，也不是同一种开放程度

更准确的写法是：AI 药物发现正在从公开结构预测工具，进入商业化、管线化的研发引擎阶段。

2.3 它能不能做端到端药物设计

不能，至少目前不能。Drug Design Engine 这类系统主要解决 hit identification 和 hit-to-lead 阶段——找到结合得上、亲和力足够强的候选。后续的 ADMET 性质（吸收 / 代谢 / 毒性）、临床试验仍然需要传统流程。

但即便只解决前两步，行业影响也很大：如果 AI 能持续减少候选筛选和结构验证的试错次数，hit-to-lead 阶段就有机会从”按年迭代”向”按月迭代”靠近。这个判断应该作为趋势，而不是所有项目都能达成的承诺。

3. 材料发现：GNoME / MatterGen

3.1 GNoME (DeepMind, 2023-11，2024–2026 持续迭代)

GNoME 用 GNN 预测晶体材料的稳定性，给出了 220 万 个候选稳定材料（其中 38 万经过实验或计算验证）。这比人类历史所有发现晶体材料总和高一个数量级。

3.2 MatterGen (Microsoft, 2024-末–2026 内化)

MatterGen 是 diffusion model 直接生成材料晶体结构。和 GNoME 的”筛”不同，MatterGen 是”生”。两者结合代表了”生成 + 筛选”的两条线。

3.3 真实落地难在哪

模型生成的候选 ≠ 实际能合成的材料。从”理论上稳定”到”在实验室里跑出来”中间还有合成路径设计、工艺成本、规模化等大量人类工程问题。所以材料 AI 当前更像 hit-finding 而不是端到端发明。

4. Agent for Science：让 LLM 变成”实验科学家”

4.1 三个范式

产品 / 项目关键能力阶段
Sakana AI Scientist自动跑文献综述 → 提假设 → 写代码 → 跑实验 → 写论文已发表 ICLR 论文
Google Co-Scientist假设生成 + critique loop + 实验设计已公开研究并提供实验性工具
Anthropic / OpenAI / Gemini 等研究型 Agent长任务阅读、综合、实验脚本生成依赖具体产品与权限

4.2 现在做得好的事

  • 文献综合 / RAG over papers：RAG 基础 风格但跨多篇论文和结构化资料
  • 数值实验 / 代码生成：把 AlphaFold / 药物设计引擎接进来跑批量预测
  • 报告 / draft 写作：把上面两步的结果产出成第一稿

4.3 仍然不行的事

  • 真正的”假设生成”：Agent 提出来的假设质量普遍不如有经验的研究者
  • 物理直觉 / 实验设计：不知道哪个实验有信息量、哪个是浪费
  • 科学严谨性：模型容易把”看似有道理” 当成”有道理”

H1 末，“AI 写论文” 仍然是 80% 是辅助、20% 是自动——离 Sakana AI 期待的 “完全自主科学家” 还差得很远。

5. AI for Math / Theorem Proving

  • Lean 4 + frontier model 已能显著辅助形式化证明、检索定理和补全证明步骤
  • DeepMind AlphaProof (2024) 在 IMO 2024 拿到银牌成绩
  • Goedel-Prover / DeepSeek-Prover-V2 等开源模型在 miniF2F 等基准上接近 frontier

但仍然没解决的是：真实数学研究里 90% 的工作是定义新概念 / 选取问题 / 找类比，证明只是最后一步。这不是 LLM 当前 fortes。

6. 当下能用 / 不能用

能用：

  • 蛋白 / RNA / DNA 结构预测 → AF3 (公开 server)
  • 药物 hit-finding → AF3 + 小分子库筛选
  • 材料候选筛选 → GNoME 数据集
  • 文献综合 → Sakana / Anthropic Research Agent
  • 数学证明辅助 → Lean + frontier model / 专用 prover

不能用：

  • 端到端药物上市（AI 药物设计引擎可以帮助 hit-to-lead，临床试验仍要多年）
  • 自主科学家（H1 末仍是辅助形态）
  • 自主材料合成（缺合成路径设计 + 工程实现）

7. 实践启示

你是应该做什么
生物 / 药物研究者把 AF3 / AlphaFold Server 纳入日常；关注 Isomorphic Labs 等商业药物设计引擎；不要等”全自动”，从”AF3 + 人 review” 做混合工作流
材料研究者GNoME 数据集已开源，可以下载筛你方向；MatterGen 仍未公开，关注但不要等
数学 / CS 研究者Lean + frontier model 已经能帮证明草稿和形式化补全；用 Agent 跑文献综合 + draft 需要人工审查
企业 / 投资人关注 Isomorphic 的合作管线，看到 hit-to-lead 周期对比是 H1 最有信号的数字
政策 / 伦理开始关注：AI 药物专利归属、AF3 数据访问公平性、Agent 自主性的边界

8. 关键词卡片

概念一句话
AlphaFold 3 (AF3)DeepMind + Isomorphic 2024-05 推出，把蛋白 / DNA / RNA / 小分子等全原子交互统一在一个预测框架里
Diffusion Network (in AF3)用 noise → denoise 范式生成 3D 坐标，不是 AF2 的 evoformer / structure module
Cryptic Pocket蛋白表面只有在结合配体时才暴露的结合位点；AF3 能预测这些
Hit-to-Lead药物发现的中间阶段，从初步活性化合物（hit）到优化后的候选药（lead）；AI 有望缩短迭代周期，但仍需湿实验和临床验证
Drug Design EngineIsomorphic Labs 的商业药物设计引擎，把结构预测与药物研发工作流结合
GNoMEDeepMind 2023 推出的材料发现 GNN，给出 220 万候选材料
MatterGenMicrosoft 的材料生成 diffusion model
Co-ScientistGoogle DeepMind / Google Research 推出的”假设生成 + critique” 科学 Agent
AlphaProofDeepMind 数学证明 Agent，IMO 2024 银牌

小结

如果你一年前问”AI for Science 是不是炒作”，合理回答是”过半”。今天问，合理回答是**“AlphaFold 这条线已经 ROI 正、其它线还在路上”**。

具体几个判断：

  1. AlphaFold 3 + 药物设计引擎是 2024–2026 内 AI 改造科学最实质的一条线——不是因为 demo 多，而是因为它开始嵌入真实研发流程
  2. 材料 / 数学 / 通用 Agent for Science 仍处在 demo 转 production 的过程——值得跟，但不是”明天就用上”
  3. 商业化趋势：最前沿的药物设计系统未必会完整开放，H1 末”前沿 AI 科学” 的商业化压力明显上升
  4. 下一阶段值得关注：DeepSeek / Z.ai 等中国玩家在 AI 药物发现领域是否会推出公开权重；新一代蛋白设计工具（RFDiffusion 后继）

参考链接