谷歌发布「AlphaFold 4」，不再开源！性能碾压上一代

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。

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」。

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。

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。

https://www.globenewswire.com/news-release/2026/02/11/3236623/0/en/Deep-Origin-Congratulates-Isomorphic-Labs-on-Catching-Up.html

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。

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。

<原文链接：https://mp.weixin.qq.com/s/b3u6WFzIyMLFvez3o4ZJcQ