扩散模型革命：AI药物发现的下一个前沿

从大语言模型到分子科学：一次意味深长的转身

当整个科技行业还沉浸在大语言模型的军备竞赛中时，一些顶尖AI研究者却选择了另一条路径。前Meta Llama项目负责人Sergey Edunov离开Meta，加入Genesis Molecular AI，投身药物发现领域。这一选择本身就传递出耐人寻味的信号：最前沿、最令人兴奋的扩散模型研究，或许并不在LLM领域，而是在分子科学中。

在与Genesis Molecular AI的Evan Feinberg和Sergey Edunov的对话中，这一判断被反复印证。Edunov深度参与了Llama系列模型的研发，深谙大规模生成模型的工程逻辑。他此番转向药物发现，释放出一个清晰的判断：分子建模领域，正处于类似LLM爆发前夜的关键节点。

为什么扩散模型天然适合药物发现

药物发现是一个高价值、高难度的科学命题。传统研发周期长达十余年，耗资数十亿美元，成功率却极低。生成式AI，尤其是扩散模型，为这一领域带来了范式变革的可能。

扩散模型（Diffusion Models）是一类通过逐步向数据添加噪声、再学习去噪过程来建模数据分布的生成模型。其核心思想源于非平衡热力学，由2020年前后的DDPM等工作奠定基础，随后在图像生成领域取得突破性成功（如Stable Diffusion）。与语言不同，分子和蛋白质本质上是三维空间中的几何对象——具体而言，是原子在三维欧氏空间或SE(3)对称群空间中的排布，每个原子有坐标、类型、键合关系等连续/离散属性。这恰好是扩散模型所擅长处理的连续空间生成任务。相比之下，语言文本是离散的序列，扩散模型在处理离散空间时需要额外的技巧（如MDLM、D3PM等），反而不如连续空间自然。因此，DiffDock、AlphaFold3等分子领域模型能够将扩散框架发挥得淋漓尽致。这也正是Edunov等顶级研究者判断"这里才是扩散研究真正用武之地"的核心原因。

PEARL：零样本拿下OpenBind基准

这场对话中最具分量的技术亮点，是Genesis团队的PEARL模型在OpenBind基准测试上取得零样本（zero-shot）领先成绩。

co-folding与结合预测：药物发现的核心难题

药物发现中有一个关键问题：预测小分子药物（配体）如何与目标蛋白质结合。这一过程称为"co-folding"（协同折叠）——同时预测蛋白质和配体的三维结构及其结合方式。

Co-folding这一概念随AlphaFold2（2021年，DeepMind）对单体蛋白质结构预测的突破而获得极大关注，随后AlphaFold3（2024年）将能力扩展至蛋白质-小分子、蛋白质-核酸的联合预测，代表了co-folding技术的里程碑。传统的分子对接方法（如AutoDock、Glide）通常假设蛋白质构象固定，仅对配体做柔性搜索；而co-folding允许蛋白质与配体相互适应（即"诱导契合"效应），更接近真实生物过程。准确预测结合构象和亲和力，是筛选候选药物的基础，评估性能的核心指标通常包括RMSD（均方根偏差）和结合亲和力预测精度。

OpenBind正是围绕这些真实场景挑战设计的标准化评测基准。PEARL能够在未经针对性训练的情况下（即零样本条件）取得领先成绩，说明模型真正习得了具备泛化能力的分子相互作用规律，而非简单记忆训练数据。这种泛化能力对现实场景中的AI药物发现至关重要——新药靶点往往是模型从未见过的全新挑战。

零样本能力意味着什么

在机器学习语境中，零样本能力指模型在未经针对该任务专项训练的情况下直接完成推理。这在结构生物学领域有其特殊含义：人类蛋白质组约含20,000个基因编码蛋白，且许多疾病相关靶点在结构数据库中缺乏实验解析的复合物结构，属于"数据稀缺区域"。传统的深度学习对接方法往往在训练数据覆盖的靶点家族上表现良好，但面对全新靶点时精度急剧下滑。Zero-shot性能因此成为衡量模型是否真正内化了物理化学规律（如疏水效应、氢键几何约束、π-π堆叠等）的试金石，而非仅仅依赖训练集的统计模式记忆。

零样本能力的核心价值在于：模型可以直接应用于全新的蛋白质-配体组合，无需为每个新靶点重新采集数据和训练。在孤儿病、新型病原体等数据匮乏的治疗场景中，这一能力具有极高的实用价值，也是模型真正"理解"分子物理规律的有力佐证。

跨越准确性阈值：解锁全新可能

对话中另一个引人深思的论断是：当co-folding技术跨越准确性阈值时，将解锁哪些此前不可能实现的应用场景。

从"看得见"到"真能用"

科学工具的发展史中，准确性往往存在一个决定性临界点。低于这个阈值，工具只能作为参考或灵感来源；一旦突破，工具便能真正嵌入实际工作流，成为可依赖的生产力基础设施。AlphaFold对蛋白质结构预测的革命，正是跨越了这样一个阈值的经典案例——在AlphaFold2之前，X射线晶体学和冷冻电镜是解析蛋白质结构的主流手段，每个结构的实验解析需耗费数月乃至数年；AlphaFold2将预测精度提升到与实验方法相当的水平（中位TM-score超过0.9），使研究者可以在数小时内获得可信赖的结构模型，彻底改变了结构生物学的工作方式。

co-folding技术一旦达到足够精度，研究者就能在计算机中高效筛选和设计药物分子，大幅压缩昂贵的湿实验（wet lab）迭代次数。这不仅加速研发进程，还可能让那些因成本过高而被放弃的靶点重新变得可及。

生成式分子设计：从筛选工具到设计引擎

当预测足够可靠时，扩散模型不仅能"评估"给定分子，更能"生成"具有理想结合特性的全新分子结构。这意味着AI将从被动的筛选工具，蜕变为主动的分子设计引擎，真正实现"按需设计药物"的愿景——这是AI药物发现领域最令人期待的突破方向之一。

一场正在悄然发生的顶级人才迁移

Edunov从Meta到Genesis的转身，或许只是更大趋势的一个缩影。随着LLM领域逐渐进入工程优化与商业化的成熟阶段，一批顶尖研究者正将目光转向科学价值更高、技术挑战更大的垂直领域。

药物发现、材料科学、蛋白质工程——这些领域共享着相似的技术底座。其中几何深度学习（Geometric Deep Learning）尤为关键：与处理图像、文本等规则网格数据的传统深度学习不同，几何深度学习专门处理具有对称性约束的非欧几何数据。分子天然具有SE(3)/E(3)等变性——即分子的物理性质不随整体旋转和平移而改变。代表性工作包括SchNet、EGNN、SE(3)-Transformer等等变神经网络架构，以及近年整合到扩散框架中的FrameDiff、FoldFlow等模型。这类模型将物理对称先验直接内嵌于网络结构，使得模型参数量更小、泛化更强、对有限数据更鲁棒——这对实验数据昂贵稀缺的生命科学领域尤为关键。正是几何深度学习与扩散生成模型的结合，构成了当前AI分子科学浪潮的主要技术引擎，也承载着改变人类健康与产业格局的巨大潜力。

当最优秀的人才和最先进的方法开始在此汇聚，AI for Science的黄金时代或许真的正在到来。

对于关注AI前沿的从业者而言，这一信号值得认真思考：真正的创新前沿，正在从通用对话系统，向那些能够解决人类根本性难题的科学应用悄然转移。

核心要点