谷歌旗下的同样由 DeepMind CEO Demis Hassabis 担任 CEO 的 Isomorphic Labs 发布了被 Nature 称为「AlphaFold 4」的新一代 AI 药物设计引擎 IsoDDE。
它全面碾压前代，却选择完全闭源。AI 造福科学的黄金时代，可能正在关上大门。
2024 年，Demis Hassabis 因为 AlphaFold 站上诺贝尔领奖台。
这个能预测蛋白质三维结构的 AI 模型，被 190 多个国家超过 300 万研究者使用，堪称 AI 惠及全人类的标杆案例。
诺贝尔委员会嘉奖的，与其说是一个算法，不如说是一种精神 —— 把最强大的科学工具免费交到每一个研究者手中。
16 个月后，AlphaFold 的继承者亮相了。
2 月 10 日，Hassabis 创办的 AI 制药公司 Isomorphic Labs 发布了 27 页技术报告，展示一套名为 IsoDDE 的药物设计引擎，性能全面碾压 AlphaFold 3，被哥伦比亚大学计算生物学家 Mohammed AlQuraishi 评价为「AlphaFold 4 级别的重大进步」。
https://storage.googleapis.com/isomorphiclabs-website-public-artifacts/isodde\_technical\_report.pdf
但这一次，代码不会公开，论文不会发表，方法不会共享。
Isomorphic Labs 总裁 Max Jaderberg 对 Nature 说得很直白：我们不打算公开「秘方」。
AlphaFold 的开源传奇，很可能到第三代就是终点了。
能力确实强得吓人
先说 IsoDDE 做到了什么，这有助于理解后面的争议为什么这么大。
打一个不太严谨的比方：如果把蛋白质想象成一把锁，药物分子就是钥匙。AlphaFold 做的事情，是帮你看清这把锁长什么样。
但光看到锁还远远不够 —— 你得知道钥匙插进去能不能转动，转得紧不紧，甚至你得发现锁上还有没有别的你根本没注意到的钥匙孔。
IsoDDE 要回答的就是这些更难的问题。
它是一个统一引擎，把结构预测、结合强度计算、隐藏结合位点发现等能力整合在一起。
数字很能直观说明问题。
在一项专门考验 AI 能否处理「从没见过的」新蛋白结构的测试中（Runs N' Poses 基准），当测试样本跟训练数据的相似度低到 0-20% 时（这是最难的情况），IsoDDE 的成功率是 AlphaFold 3（AF3）的两倍多。
60 个最难案例里，有 17 个案例是 AlphaFold 3 彻底失败而 IsoDDE 做对了。
AlphaFold 3 在此示例中失败，IsoDDE 正确 在预测抗体如何识别靶标这件事上，IsoDDE 的高精度预测成功率是 AlphaFold 3 的 2.3 倍，是另一个主流开源模型 Boltz-2 的近 20 倍。
最令同行惊讶的是结合亲和力预测 —— 也就是判断药物分子和靶点结合得有多紧。
这个任务传统上依赖一种叫 FEP 的物理模拟方法，计算成本极高，需要实验室提供晶体结构作为起点。
IsoDDE 在多个公开测试中不仅全面超过所有 AI 方法，甚至超过了 FEP，而且它根本不需要任何实验数据做起点。
技术报告里还有一个特别漂亮的案例。
有一个叫 cereblon 的蛋白，科学家们花了 15 年，一直以为它只有一个药物结合位点。直到今年年初，一篇新论文才通过实验发现了第二个隐藏的结合位点。
而 IsoDDE 仅仅输入这个蛋白的氨基酸序列，就把两个位点全部找了出来 —— 包括那个藏了 15 年的。
实验室要做同样的事，需要昂贵的晶体浸泡实验和大量时间。IsoDDE 只要几秒钟。
AlQuraishi 说，他最震撼的是 IsoDDE 在完全陌生的分子体系上展现出的泛化能力，「这说明他们一定做了非常新颖的东西」。
闭源：故事真正令人不安的部分
如果 IsoDDE 是一个普通的商业软件，闭源天经地义，没什么好说的。
问题在于，它的前身 AlphaFold 代表着一种截然不同的价值观。
AlphaFold 2 在 2021 年开源，配套论文发表在 Nature 上，预测结果免费向全球开放。
这件事的意义远超技术本身 —— 它证明了一种可能性：由科技巨头资助的前沿 AI 研究，可以真正成为全人类的公共品。
超过 300 万科学家用它做了自己的研究，无数项目因此加速，生物学的整条河流被它改变了流向。
2024 年的 AlphaFold 3 同样发表了论文，虽然代码开源的速度引发过争议，但最终也面向学术界开放。
IsoDDE 打破了这个传统。
27 页技术报告里几乎没有模型架构和训练方法的任何细节。
Nature 的报道副标题直截了当：科学家们「只能猜测如何实现类似的结果」。
Jaderberg 对 Nature 说的话耐人寻味。他说希望这份报告能「激励」其他团队。
但 AlQuraishi 的反应恐怕更能代表学术界的真实感受：「问题在于，我们对细节一无所知。」
有人觉得 Isomorphic Labs 作为商业公司保护自己的核心技术合情合理。这当然没错。
但值得追问的是：当 AI 在科学领域的能力越来越强、越来越集中在少数公司手里时，这些能力的开放程度，谁来决定？
Isomorphic Labs 已经拿到 6 亿美元融资，跟礼来和诺华签了潜在价值近 30 亿美元的合作协议，内部运行着 17 条药物管线。
Hassabis 今年 1 月在达沃斯说，首批 AI 设计药物预计 2026 年底进入临床试验。
这家公司正在从一个科研机构变成一台商业机器。
武田制药的计算结构生物学家 Diego del Alamo 指出了另一个微妙之处：Isomorphic Labs 此前投入大量精力与药企合作，可能获得了大量私有实验数据。
这些额外数据对 IsoDDE 性能的贡献有多大，外界无从知晓。
如果核心优势来自数据壁垒而非算法创新，那所谓的「激励」就更像是一种姿态。
开源阵营并没有认输
闭源引发焦虑，但也引燃了竞争。
Boltz-2 的联合开发者、非营利公司 Boltz 的创始人 Gabriele Corso 态度很明确：他不认为私有数据是关键因素，因为公开数据中仍然有大量改进空间。
IsoDDE 设定了一个新的性能基线，「需要追赶，也完全可以超越」。
另一家公司 Deep Origin 更为高调，直接在 IsoDDE 发布次日发声明说，自家的 DODock 引擎在 2025 年 8 月就已经在同一基准测试上达到了可比的性能水平 —— 用的是完全不同的技术路线。
开源社区过去两年也没闲着。AlphaFold 3 发布后，多个团队已经做出了接近甚至部分超越它的开源模型，包括 Boltz-1/2、Chai-1、Protenix 等。
AI 制药领域正在重演大语言模型领域的剧本：一家公司亮出惊艳的闭源成果，整个开源社区迅速跟进，差距从代际缩小到可以追赶的距离。
但这里有一个关键区别。
语言模型的训练数据：互联网文本，是近乎无限的公共资源。
而 AI 制药的训练数据，特别是高质量的蛋白质-药物实验数据，其中相当一部分掌握在药企手中。
如果闭源模型的护城河建立在私有数据上，开源追赶的难度就大得多。
关上的门
这件事的影响可能超出药物研发领域本身。
过去几年，「AI 开源推动科学进步」是一个被广泛接受的叙事。AlphaFold 是这个叙事最有力的证据。
每当有人质疑科技巨头的 AI 研究到底惠及了谁，AlphaFold 都是最好的回答 —— 看，全世界 300 万科学家都在免费用它。
如今，当 AlphaFold 的直系后代选择闭源，这个叙事被撕开了一道口子。
它暗示了一种可能的未来走向：
- AI 在基础科学领域最强大的工具，逐渐从公共品变成商业资产；
- 突破性的成果以技术报告而非同行评审论文的形式发布；
- 学术界能看到结果，但永远看不到方法。
Hassabis 曾经说过，AI 应用于科学，是比语言模型更丰富的事业。这话没错。但丰富的前提是开放。
当最强的科学 AI 只对付费客户敞开，科学共同体里的绝大多数人就只能在围栏外面看着。
AlphaFold 的诺贝尔奖章上刻着的，是把知识给予所有人的理想。IsoDDE 的技术报告里写着的，是一个更强大的未来。
两者之间的距离，就是这个时代正在做出的选择。
参考资料：