GPT-6一战封神！抗体预测反超所有前沿模型，AI4S安全区告急

GPT-6 Astra发布了近一周，但对AI4S的变革仍在继续。
就在今天，科学家Andrew Aiginin宣布，GPT-6 Astra在抗体可开发性（developability）预测这个任务上，成为了目前测试过的所有前沿模型里表现最好的。

甚至仅在1小时内，Astra就构建出了复杂的抗体机理交互式可视化页面。
不仅如此，另一位英矽智能科学家表示GPT-6 Astra在单步逆合成的预测中超过了2个专业模型，LocalRetro和RetroKNN。

这在此前，是难以想象的事情。

要知道，学界此前有一个共识：通用大模型在窄任务上，长期打不过专用模型。

GPT-4o在这类任务上的准确率，一度只有个位数百分比。

现在，差距被显著收窄，某些任务上甚至被反超。也就是说，通用大模型正在挤压专业科研模型的空间。

如今，是AI4S最好的时代，也是最残酷的时代。

专业模型壁垒，正在被打薄
可以预见的是，AI for Science公司，正在面临通用AI巨头的双重挤压。

第一层挤压，来自模型本身。

GPT-6 Astra逼近甚至超过专用模型的窄任务精度，意味着随着通用大模型的推理能力提升，正在蚕食过去专业模型能做好的事。

甚至OpenAI推出GPT-Rosalind，一款专为生物学和药物研发打造的垂直领域推理模型。过去，专业研究模型是不少公司安身立命的资本。现在，巨头亲自下场，把这张牌也拿在了自己手里。

第二层挤压，来自工作流层。

近几个月来，Claude Science和Rosalind Workbench相继发布，把过去需要科学家各种来回切换的工作流，收进了一个统一的AI工作站。

两层叠加起来，才是这轮变革真正的杀伤力所在。

过去，我们还能听到一些公司喊出科研版ChatGPT、医疗版Claude的口号，但随着AI大模型进军科学，这些故事变得越来越难被人相信。

谁被收编，谁可能被淘汰？
谁还暂时留在护城河中？
我们可以从Claude Science和Rosalind Workbench集成的生态中，窥见一些线索。
首先，是专业科研数据库
UniProt、PDB、Ensembl、Reactome、ClinVar、ChEMBL、GEO、PubMed这些数据库和论文库，被大厂workbench当作底层数据源接入。
它们的共同点，是数据来自多年现实世界的持续积累，短期内没有任何模型能绕开它们凭空生成。
不过需要提醒的是，这类数据库大多是开放、公共资助的，本身并不构成商业意义上的护城河。

其次，硬核且专业的模型，如结构预测/分子设计模型等

这些模型包括AlphaFold3、Boltz、Chai-2、Evo2等，本身在极窄但极深的任务上做到了顶尖，比通用大模型的推理泛化能力更难被追平。

专业模型要守住位置，不只是能力上要跑赢通用大模型，迭代速度也必须持续加快，这很大程度上取决于背后是不是商业公司在推动。

毕竟，商业公司有变现的紧迫感，会持续投钱迭代，而学界产出的开源模型，如果没有对应的商业驱动力持续跟进，它们相对通用大模型的优势，反而更容易被抹平。

实验设备/具备实验验证能力

在AI4S领域，OpenAI和Anthropic几乎覆盖了纯数字世界的大部分事情，文献综合、结构预测、路径规划、数据可视化、流程编排等。

但它们它们没有办法自己生成新的、真实世界的生物学基本事实。

这也成了AI巨头最大的短板，巨头们自己也意识到了。例如OpenAI集成了Adaptyv这类云CRO，Anthropic通过MHS集成一众设备与仪器公司的QIAGEN（凯杰）、丹纳赫、MBF Bioscience、Tecan等。

AI模型越强，工作流越集中，反而正在把物理实验需求，越释放越大。而现实世界的实验验证的过程，依旧离不开大量的资源和设备投入。

物理验证，会是最终的护城河吗？

实际上，湿实验本身并不天然构成护城河。毕竟只要有钱都能买设备、招人、都可以把实验做出来。这本质上是产能，不是壁垒。

在智药局看来，如今的AI4S公司依旧有几大护城河。

第一，数据的专有性。

如果实验数据本质上和公开数据库里的东西同质化，最终被公开发表，很有可能被ChatGPT和Claude集成，那这些数据对自己模型的差异化价值就很有限。

真正值钱的，是那些通过大规模实验得到的专有的、且持续在产生的数据，包括蛋白质、癌症分子数据、亲和力数据......

这也是为什么医药巨头GSK愿意支付5000万美元获得Noetik模型的使用权、阿斯利康和Tempus签署长期的数据和模型协议。

第二，实验能不能形成闭环，而不是一次性验证。

现在的护城河，正在变成专有数据、生成模型、自动化湿实验、Agent能力这几样东西的整合能力，而不是单独某一项能力。

毕竟，湿实验只有被嵌进一个能反复迭代的闭环里，从模型预测、湿实验验证、结果再反哺模型重新训练，才会持续产生边际价值。

这一趋势已经在医药巨头得到了验证。

礼来与英伟达共同出资10亿美元，打造全球首个AI创新实验室。合作的首要重点，是打造一个7x24小时的“干湿试验循环系统”，减少新药研发的成本。

毕竟，AI没办法凭空产生一个此前不存在的抗体，在真实细胞环境里的聚集行为数据，也没办法凭空产生一个新化合物，在活体动物身上的真实药代动力学曲线。

没有得到实验验证的AI药物分子，其产业价值几乎为0。

这也是为什么，国内包括晶泰科技、英矽智能、剂泰科技等头部公司，一批新崛起的AI4S公司，都在强调「AI Agent+自动化实验室+模型」的能力。

至此，我们可以梳理出一个历史和趋势。

最初，科学专业模型和通用模型井水不犯河水。AlphaFold这类模型不断精进，ChatGPT也忙着抢占对话、coding市场。

第二阶段，两条战线同时被AI大厂打开。

模型端，Astra这类前沿模型开始正面挑战窄任务精度；工作流，Claude Science和Rosalind Workbench把整个科研工作台收进自己的分发入口，同时选择性地把部分专用模型收编为生态插件。

未来，能把专有数据生成、生成式模型、自动化湿实验、临床转化整合成一条完整链路的公司，会拿到最高的议价权。

但这个窗口期也并不长了。Anthropic已经启动在生命科学领域的资本扩张。

公司正在寻找专门负责人，推进AI生物公司的收购、投资和合作。目标领域包括药物发现、临床开发、医学文书、实验室自动化及医疗数据基础设施。

如今，AI4S开始变得无比的繁荣，但真正的竞争才刚刚开始。

— The End—