編輯｜冷貓

在人工智能這個以「季度」甚至「月度」為單位刷新認知的領域，談論「十年」是一件十分奢侈的事。

技術發展得越來越快，永遠有更新的亮點技術在抓住我們的眼球。也正因如此，當一項成果在提出十年之后被重新拿到聚光燈下，并被鄭重授予一枚「WWW 2026 Test of Time Award」時，它觸及了一個深刻的問題：什么樣的研究，能體現超越時間的價值。

7 月 1 日，在迪拜舉辦的 The Web Conference 2026（國際萬維網大會）上，一篇發表于 2015 年的論文《LINE: Large-scale Information Network Embedding》被授予 Seoul Test of Time Award（時間檢驗獎）。這篇由國際知名 AI4S 科學家、Mila 終身教授、百奧幾何公司創始人唐建博士領銜、與 Meng Qu, Mingzhe Wang, Jun Yan, Ming Zhang, Qiaozhu Mei 等人合著的論文，目前被引次數已超過 7300 次。

• 論文鏈接：https://dl.acm.org/doi/10.1145/2736277.2741093

值得一提的是，Seoul Test of Time Award 的首屆得主是大家都很熟悉的拉里?佩奇與謝爾蓋?布林（PageRank 的提出者），其含金量不言而喻。

然而，拉長歷史的維度來看，這篇論文真正迷人地方，不僅在于它對過去的總結，更在于它對未來的跨界啟示。

唐建博士這篇工作，在 PC 互聯網時代，支撐了搜索引擎、PageRank 和知識圖譜的發展；在移動互聯網時代，支撐了社交網絡的建模和商業推薦系統的運轉。更與其他工作不同的是，這項工作并未隨著互聯網紅利的退潮而褪色。相反，當 AI 技術范式跨入深度學習與大模型時代，它所沉淀出的底層數學邏輯，開始向著一個遠超想象的全新領域蔓延 —— BIO AI。

當年用來理解萬維網、連接網頁節點的數學模型，在經過幾何深度學習（Geometric Deep Learning）的演維后，如今正成為最前沿的 AI for Science 范式，去理解和設計人體內的抗體分子。

從錯綜復雜的 Web 網絡，到精密絕倫的蛋白質三維結構，看似是兩個毫不相干的世界，但在幾何圖神經網絡的解構下，它們共享著同一種底層的數學語言。這是一場跨越十年的技術遠征，不僅驗證了信息科學的第一性原理，也正是唐建教授從學界邁向產業界的邏輯起點。

從萬維網到蛋白質：一條意外但又合理的技術線

LINE 解決的問題，一句話就能說清：怎么把一張有著數百萬節點、數十億條邊的巨大網絡，壓成機器算得動的低維向量，同時又不丟掉它的結構。

它和稍早的 DeepWalk、稍晚的 Node2Vec 一起，把「圖表示學習」從一個邊緣話題做成了一個獨立方向。

比較有想象力的讀者們可能已經發現了端倪。

現實世界里的關系本質上都是圖。網頁之間是鏈接構成的圖，人和人之間是關系構成的圖。當唐建把視線越過屏幕、投向更微觀的世界，他看到的還是同一種結構。蛋白質是原子與化學鍵構成的圖，小分子是圖，細胞內的相互作用網絡也是圖。

所以，LINE 的邊界不可能局限于互聯網。2023 年，唐建博士創立的百奧幾何正式運營，一個從底層重構生命科學的研發范式，打造下一代 AI 原生（AI Native）的生物科技公司。

而這家公司的技術內核，正是從 LINE 一路延伸下來的技術邏輯：既然分子天生就是三維的圖，那么在圖上理解與生成結構的能力，理應能被改寫成設計分子的能力。

在 LINE 發表之后，唐建博士的每一步都在這條技術線上前進：用于知識圖譜推理的 RotatE，再到面向藥物發現的開源平臺 TorchDrug，以及聯合英偉達、英特爾、IBM 推出的、面向大分子的 TorchProtein。旁人眼里彼此獨立的一個個項目，在唐建博士這里，是同一個問題的不同切面。

唐建博士，北京大學計算機博士，微軟亞洲研究院研究員，卡內基梅隆大學與密歇根大學博士后，此后成為蒙特利爾學習算法研究院（Mila）華人終身教授，2014 年拿下 ICML 最佳論文獎。

在圖機器學習最前沿泡了十余年，唐建博士決定讓自己的工作在生命科學上探尋廣闊的應用前景，與其說是靈光乍現的轉身，不如說是蓄謀已久的收斂。

一以貫之的技術底色：GeoFlow 的三級跳

人工智能的技術浪潮分三個階段演進：以大語言模型為代表的數字 AI，以自動駕駛、人形機器人為代表的物理 AI，以及以生命科學為戰場的生命 AI。

生命 AI 正是百奧幾何的使命，是「深度理解生命的底層語言，并在原子級精度上實現對生命分子可編程的工程化改造」。

作為一個由學界大牛創立的 「AI 原生」公司，技術力必然是其立身之本。這也意味著從算法內核、模型訓練，到高通量自動化濕實驗閉環，全部自建。

支撐這一切的核心，是自主研發的底層大模型。那條從 LINE 一路延伸的技術路徑，最終落到了一個叫GeoFlow的「微觀世界模型」上。

2024 年 6 月的第一代 GeoFlow，生成式 AI 抗體設計大模型，基于幾何深度學習架構和最新的流匹配生成模型，能夠同時用于抗原 - 抗體復合物結構預測和抗體設計兩項關鍵任務。

GeoFlow V1 做的是最基礎的一件事，全原子建模。直接下沉到原子層面，把每個原子的三維坐標、化學鍵的長度與角度，原原本本地建進模型。這背后是幾何深度學習加深度生成模型的組合拳，真正學會的是原子在三維空間里的合理配置。

基于 GeoFlow 的抗體從頭生成示意圖

粒度下沉帶來的是精度的抬升。僅這第一代，GeoFlow 在蛋白 - 蛋白復合物結構預測上就摸到了與 AlphaFold 3 同一水準。要知道，AlphaFold 系列是 DeepMind 的招牌工作，這一模型的問世，直接宣告了百奧幾何國際第一梯隊的底層技術地位。

GeoFlow V1 抗原 - 抗體復合物預測評測結果

更關鍵的是，全原子這條路一旦走通，就為后面「不止會看、還要會造」的設計能力打好了基礎。

2025 年 4 月，GeoFlow V2 問世。這是一個里程碑式的進化。

抗體從頭設計一直是這個領域公認的硬骨頭，難點在于抗體與抗原結合的界面由高度柔性的 CDR 環主導，比那些相對剛性的支架蛋白難建模得多，長期以來只有少數海外閉源模型能碰。

在此之前，結構預測和從頭設計通常是兩撥人、兩套模型各干各的：一套負責「給定序列，算出結構」，另一套負責「給定需求，生成序列」。GeoFlow-V2 第一次把這兩件事捏進了同一個模型，靠的是一種叫「偽蛋白序列」的巧思。喂進一條完整序列，模型就當它是預測任務，把結構解出來；把序列里的一部分甚至全部遮蓋住再喂進去，模型就當它是設計任務，把缺的部分補全生成。預測與設計，在同一套參數里成了一枚硬幣的兩面。

GeoFlow V2 在抗原 - 抗體復合物和蛋白 - 小分子復合物結構預測上均取得領先性能

GeoFlow-V2 是國內第一個在這道難題上真正撕開口子的 AI 大模型，第一次做成了國產可用的「結構預測 + 從頭設計」的通用底座。讓蛋白質成為可以被理解、被創造、被驗證的智能構件。

它是一款全原子級的蛋白大模型，通用性足夠強，也順理成章地成了第三代那次范式躍遷的發射臺。

2025 年 10 月，GeoFlow-V3 亮相，首次將多步推理引入蛋白質設計，讓模型具備「自我評估、自主進化」的能力，在抗體從頭設計中取得里程碑進展。

GeoFlow V3 用多步推理實現抗體分子虛擬進化

讓模型自主思考，不管在任何場景里，都是一個巨大的里程碑，意味著AI4S 在該領域的實現真正拉開了序幕。

GeoFlow V3 加入多步推理的邏輯，是去模仿自然界抗體親和力成熟的機制，也就是免疫系統通過反復突變、篩選來一步步打磨出高親和力抗體的過程，把設計變成了「生成、評估、再優化」的多輪迭代閉環，讓模型對自己的產物打分、找出薄弱的殘基、再有針對性地重新設計。

這條思路，和大語言模型近兩年從 GPT 走向推理模型的演進，精神上遙相呼應。GeoFlow V3 的問世，正是生命科學領域里的 DeepSeek R1 時刻。

在 V3 的技術報告里，團隊針對七個臨床相關靶點、十項獨立的納米抗體從頭設計任務，平均命中率做到 18.7%。這個數字相較上一代計算方法拉高了約兩個數量級，接近百倍。

GeoFlow V3 設計流程與實驗結果

結構預測這一側，V3 的高精度復合物 Top-1 成功率比 V2 提升了 45%。把鏡頭拉到更多任務上看，在累計超過 20 個靶點的從頭設計任務中，苗頭分子的平均命中率穩定在接近兩成的水平。

「少做、多得、可控」，是這套體系遠遠超越傳統大海撈針式篩選的優勢。而下一代模型已經在路上，它要把建模尺度從「分子」推向「細胞」，從設計單個分子，走向設計一整個分子系統。

AI 與生命科學的硬核交匯

生命科學，正在成為全球最頂尖的 AI 力量共同奔赴的方向。

上個月，AlphaFold 的共同創造者、諾貝爾化學獎得主 John Jumper 離開工作近九年的 Google DeepMind，加入 Anthropic。

Anthropic 收購 AI 生物技術團隊、自建濕實驗室，把生物能力內建進通用大模型，喊出「把生命科學研發周期壓縮十倍」的目標；OpenAI 發布面向生命科學的推理模型 GPT-Rosalind，鋪設垂直工具與藥企合作網絡；DeepMind 則早早拆出獨立公司 Isomorphic Labs，累計融資約 27 億美元，直奔臨床管線而去。

也就是說，自 AlphaFold 拿下諾獎后，全球頂尖的 AI 實驗室都正在向同一個方向發力：生命科學。

Kevin Weil, VP of OpenAI for Science

當然，熱鬧里也藏著冷靜的聲音。迄今為止，Recursion 至今沒有獲批藥物，BenevolentAI 的候選藥折戟臨床后退市被收購，AI 制藥和生命科學，盡管吸引了頂級玩家的加入，但目前在全球范圍內實現產業落地的仍然是鳳毛麟角。

從中，我們正能夠看出生命科學產業落地的困難。而百奧幾何，已經把 GeoFlow 的能力落地成了可交付的成績，率先成長為國內 AI 制藥領域的領跑者，含金量于對比中不言而喻。

其一，團隊作為核心貢獻者，參與了英偉達開源蛋白質大模型 La-Proteina 的研發，把自己的方法論輸出進了全球最受關注的 AI 基礎設施生態。

其二，團隊自研的 AI 虛擬細胞模型 PerturbDiff，在國際科研界拿到了不小的關注度，把建模的野心從單個分子推向了細胞層面的擾動響應。

資本市場也在用真金白銀投票。就在不久前，百奧幾何完成新一輪數億元戰略融資，由上海生物醫藥創新轉化基金、國科投資、達晨財智、星連資本聯合領投，高榕資本、指數人工智能產業創新基金跟投，指數資本擔任獨家財務顧問。

百奧幾何采取「合作開發加自研管線」的雙輪打法，在三條戰線上把 GeoFlow 的能力落地成了實打實的交付。

第一條戰線是抗體，也是最見功力的地方。

面對腫瘤治療里那些同源家族高度相似、傳統方法幾乎無法區分的靶點蛋白，團隊把「特異性」直接寫進生成階段做前置約束，只設計不超過 100 條序列，就拿到了 2 條同時具備高選擇性與高親和力的抗體。

在抗體優化這條更成熟的路上，基于幾何深度學習的 GearBind 方法早就在真實變異株上驗證過：針對新冠 Omicron 變體，三周內把 CR3022 抗體的結合親和力抬高了 17 倍；針對 JN.1 變體，把另一株抗體的親和力拉高 300 倍以上，兩項成果分別登上 Nature Communications 與 PNAS。

第二條戰線是疫苗。某病毒的天然抗原蛋白長期無法穩定形成二聚體，是個卡了很久的瓶頸問題，百奧幾何依托 GeoFlow 完成了登革病毒包膜蛋白二聚體的穩定化設計，把二聚體占比從不足 10% 抬到 95% 以上，相關產品已經轉讓給國內頭部藥企。

第三條戰線是合成生物學，落地最直觀，也最能體現 AI 設計酶的商業價值。

公司用 AI 設計的酶實現了天然冰片的生物合成，是全球首次，手性純度高達 99.9%，單位成本壓到約 30 美元每公斤，較傳統植物提取方案有超過 80% 的成本優勢，目前已完成 500 升規模的中試驗證。另一款產品 α- 酮戊二酸，通過定向優化關鍵酶的活性，成本較市場現有生物合成技術再降 60% 以上。這些管線里，已經有十余條推進到了下游 BD 合作階段。抗體設計平臺也已與多家國內外藥企達成授權合作。

一家成立不過幾年的公司，能同時在創新藥和生物制造兩個萬億級賽道上跑出可交付的成績。「AI 在生物醫藥領域的『智能涌現』時刻，比業內預想來得更快」。

尾聲：科研人長期主義的贊歌

科研與創業，毋庸置疑都是需要堅持長期主義的事情。

二者都要求人在復雜系統里耐心尋找那條不變的規律，都要求人扛得住短期看不到回報的寂寞，也都要人相信，自己押注的東西會在時間里越沉越有分量。

這也正是這枚「WWW 2026 Test of Time Award」最動人的地方。它代表了一種在今天這個行業里近乎稀缺的品質：堅持一個技術路徑，并讓它在不同的領域里閃閃發亮。

很少有人能預料到，從 LINE 的圖結構開始，「理解結構、生成結構」的思路，能夠引導 AI4S 在生物科技領域取得突破。

從北大到 Mila ，再到百奧幾何的實驗室，唐建博士換過很多身份，做的卻始終是同一件事：把一個足夠底層的問題做了十年。

「獲得 WWW 時間檢驗獎是對過去的肯定，但在 AI + 生物這個深水區，用算法造福人類的挑戰才剛剛開始?！?/strong>

好的研究從不懼怕時間，它只會隨著時間生長出越來越厚的價值。在一個習慣用月和季度丈量成敗的時代里，愿意用十年去等一個答案的人并不多，而恰恰是這些人，最終把整個行業往前推了一大步。

這或許就是長期主義最樸素的回報：你把時間熬成了朋友，時間便會站到你這一邊。