顾全全团队发布NovaAtom-Lite:成立5个月,FoldBench超越IsoDDE
顾全全团队NovaAtom-Lite登顶生物分子预测基准
近日,Anthropic 的 CEO Dario Amodei 抛出过一个说法:AI 会用 10 年时间,走完人类在生物学领域原本需要 50 到 100 年的路,癌症、阿尔茨海默症、心脏病都有望被攻克。
听起来口气不小,不少人只当是一句豪言。可科学家顾全全不这么看,他公开表示:10 年太慢,药物研发周期要压到 4 年。

11月10日,他创办才 5 个月的公司 Geodesic Intelligence 推出了全原子结构预测模型 NovaAtom-Lite。
在全球要求最严的生物分子预测基准 FoldBench 上,NovaAtom-Lite 把谷歌 DeepMind 旗下 Isomorphic Labs 的旗舰模型 IsoDDE 挤下了第一的位置。多项生物制药基准测试中,它也拿下多个 TOP 1。

Model card 链接:https://www.geodesiclab.com/news/introducing-novaatom-lite
一边是 15 人的创业团队、几百张 GPU、5 个月时间;另一边是累计融资 27 亿美元、正以 400 亿到 500 亿美元估值谈新一轮融资的 Isomorphic Labs。
X 上很快热闹起来。有人感慨:「Dario Amodei 预测癌症10年内攻克,而 NovaAtom 的创始人说只要4年。」

也有人算了笔账:「谷歌 DeepMind 剥离出 Isomorphic,烧了几十亿美金,估值谈到400亿以上。结果一个UCLA教授带着15个人的创业公司,5个月就超了。」
这还不是顾全全头一回干这种事。此前他在字节跳动带队做出 SeedFold——全球第一个在 FoldBench 上超过 AlphaFold 3 的模型。
SeedFold 一出现,Isomorphic Labs 就被逼着拿出 IsoDDE,把结构预测的头名抢了回去。这回 NovaAtom-Lite 又把 IsoDDE 掀翻,头名再度换人。
更关键的是,顾全全在 X 上透露,NovaAtom-Lite 只是前菜,后面还有更强更大的 NovaAtom-Pro 在等着。
换句话说,Isomorphic Labs 就算近期再放出更强的模型想反扑,碰上的可能又是 NovaAtom-Pro 的一次击穿。
结构预测的头名争夺,顾全全已经连赢两局,第三局的牌还握在他手里。
人类攻克绝症的时间表,也因此再度提前。

有投资人感慨,生物界已经等来了自己的「HBM爆发时刻」。
NovaAtom-Lite 到底在干什么?
药为什么这么难做?说到底,药物起效的关键,是让一个分子精准地「咬住」另一个分子。
抗体要咬住抗原,小分子药物得塞进蛋白质的口袋。这种「咬合」发生在原子尺度——埃(Å)级别,一埃等于一百亿分之一米。
差之毫厘,药就失效。
过去靠湿实验反复试错,一款新药从实验室走到上市平均耗时13年、耗资近20亿美元,成功率不足5%。AI 能做的,是在计算机里先把这种「咬合」算出来,把试错时间压下去。
NovaAtom-Lite 做的正是这件事。
给定蛋白质、DNA、RNA 的序列,再加上小分子配体的信息,模型可以预测出整个复合物里每一个重原子(氢以外的原子)在三维空间中的坐标。
给出的不是大概轮廓,而是精确到原子级别的位置。
它也不是一台「死板」的计算器。
NovaAtom-Lite 配了一套很有工程价值的「条件约束与提示」功能。
用户可以告诉它:这里有一个共价键,那里有一个已知的结合口袋。模型把这些信息当成参考线索,而不是硬性约束,像一个懂化学和物理法则的「AI大脑」,灵活地给出预测。
输出内容也不止一组坐标。
模型会一并返回局部结构置信度 pLDDT、残基间预期误差 PAE,以及界面可靠性指标 ipTM。说白了,它不光给答案,还告诉你「这个答案我有多大把握」。
两记重拳:79.07% 和 77.06%
要衡量一个结构预测模型强不强,制药界有两块最核心的试金石:抗体-抗原结合预测,以及蛋白质-配体结合预测。
大分子药物靠的是前者,比如抗癌抗体,抗体怎么精准「锁住」靶点,这一点必须弄明白;小分子靶向药的要害则在后者,药物分子得刚好嵌进蛋白质的结合口袋。
这两个方向,一个比一个难。
FoldBench 是眼下公认最严格的全原子生物分子预测基准,包含1522个复合物结构,数据全部取自模型训练截止日期之后的新结构,堵住了「提前看答案」的口子。
第一拳打在抗体-抗原上。FoldBench 收录了172个抗体-抗原结合界面。
评判用 DockQ 分数(可理解为预测的结合姿态与真实结构有多接近,0.23 以上算预测成功,分数越高越好)。

一家成立5个月的公司,比 AlphaFold 3 高出31个百分点,比融资27亿美元的 Isomorphic Labs 高出3.5个百分点。
更夸张的是,把标准提到 DockQ ≥ 0.80(要求极高精度预测)时,NovaAtom-Lite 的成功率是 AlphaFold 3 的2.2倍。
第二拳打在蛋白质-配体上。这项测试覆盖558个结合界面,判定更苛刻:小分子药物的预测位置与真实位置偏差要小于2埃(配体 RMSD < 2 Å),周围蛋白质的接触细节也得高度吻合(LDDT-PLI > 0.8)。两个条件同时满足才算成功。

两项核心指标,全部排到 TOP 1。
它真的「懂」物理,还是只会背答案?
每当有模型刷榜,圈内第一反应都是:你是不是偷看答案了?
这个质疑完全合理。结构预测模型训练时吃的就是已知的蛋白质结构库,如果模型只是把见过的东西背下来,跑分再高也没用:真到了药物研发前线,面对的全是从没见过的新分子。
业内存在一个专门检验模型是否「死记硬背」的严苛测试,名为Runs N' Poses。该测试按样本与训练集的相似程度划分出8个组别,从「高度相似」一路过渡到「完全陌生」,逐层检验模型的真实能力。
在相似度最低的0-20%组别里,共有63个与训练集「毫无关系」的配体,相当于考卷上那些完全超出大纲的题目,各模型的表现如下:AlphaFold 3 的成绩直接掉到24%,而NovaAtom-Lite 仍保持在47.6%,接近前者的两倍。
到了相似度最高的80-100%组别,两者的差距反倒收窄,分别为91.0%和88.2%。

可见面对越陌生的分子,NovaAtom-Lite 的领先幅度就越大。它靠的不是背书,而是真正掌握了微观原子世界的底层物理法则,具备了一套可迁移的「推理引擎」。
给模型更多思考时间,它就更聪明
从事 AI 研究的人都熟悉一个趋势,叫Test-time Scaling:在推理阶段给模型投入更多算力,答案质量就会更高。这一点在大语言模型领域早已得到验证,而 NovaAtom-Lite 证明,该规律在生物分子预测中同样适用。
围绕同一批172个抗体-抗原界面,团队设计了一组精巧的实验:
1个随机种子(最少算力):成功率 74.3%
5个随机种子:79.07%
25个随机种子:81.7%
100个随机种子(深度推理):83.1%
Oracle 上限(事后用实验答案挑最优解):88.4%
从74.3%到83.1%,仅仅是增加采样数量,成功率就提高了近9个百分点。

这组数据说明,该系统的「弹性」很强。创业公司预算有限,用少量算力快速试错,同样能拿到不错的结果;而对医药巨头而言,当一款靶向药关乎百亿市场和无数患者的生命时,完全可以开足算力、全力压榨每一点精度,模型的上限远未触顶。
这样的可扩展性令人兴奋。
给模型一点提示,它就能起飞
只靠自身猛算还不够。在真实的药物研发场景中,科学家手上往往已经掌握一些线索,比如知道抗体和抗原大致在哪个位置接触,或者小分子大概塞在蛋白质的哪个口袋里。
问题在于:模型能不能「听懂」这些提示,并把它们用好?
NovaAtom-Lite 给出的回答是:不仅听得懂,效果还相当炸裂。
在 FoldBench 的172个抗体-抗原界面上,模型在没有任何提示的情况下成功率为79.07%。而一旦给它一对接触残基(等于提示这两个残基彼此靠得很近),成功率就升到91.28%,多了12个百分点。
换到规模更大的抗体-抗原测试集 PXM-22to25-AB(383个聚类)上,涨幅更明显:66.05%被拉到88.82%,接近23个百分点。

蛋白质-配体方向的表现同样耐人寻味。
Runs N' Poses 上,团队设了四种条件逐一测试:不加约束、给一个接触对、给四个口袋残基、给完整口袋,条件一级级加严。
提示对最难的那批样本作用最大:在与训练集相似度最低的0-20%区间,完整口袋提示把成功率从47.6%提高到63.5%,涨了近16个百分点;到了相似度60%以上的区间,提升只剩2到5个百分点。

说白了,题目越超出训练范围,模型越能顺着线索多推出些东西。科学家积累的经验不会白费,你给的信息越充分,它算得越准。
两个「神级」案例:从分子套索到暗门破解
数字好看归好看,做药的人最后还是要问一句:真实世界里那些最难啃的结构,你到底能不能解?
案例一:给疯狂甩动的「分子套索」拍高清定格照
中东呼吸综合征(MERS)病毒不好对付。科学家拿纳米抗体 VHH-T148 来对付它,这个抗体的关键部位是一条由22个氨基酸组成的 CDR-H3 长环。
可以把它想成一根在三维空间里拼命甩动的「软鞭」——灵活到极点,又缺少进化上的共变信号,预测起来非常难。
结构预测领域一直把它当成噩梦级难题。
结果 NovaAtom-Lite 给出25个候选方案,全部命中。DockQ 为0.839,CDR-H3 的预测误差只有0.56 Å,18个表位残基一个不落全被覆盖。
0.56 Å差不多是一个碳原子直径的三分之一,相当于用「分子级单反相机」把画面定格下来。

案例二:让「锁着门」的癌症靶点自己把暗门打开
KRAS 在医药界是出了名难缠的癌症靶点。
它的表面光溜溜的,药物几乎找不到下手的地方。
有一类抑制剂能钻进 KRAS 上的「隐藏口袋」(switch-II pocket)发挥作用,可这个口袋平时关着。
这意味着 AI 不光要算准药物小分子怎么摆,还得凭空推断出蛋白质构象怎么变——那扇门是怎么开的。
这个案例(结构编号 8UN5,KRAS G13D 突变体)里,OpenDDE 直接算懵了,配体 RMSD 高达 17.74 Å,药物被丢到了十万八千里外。
NovaAtom-Lite 的配体 RMSD 只有0.98 Å。
不止如此,全部25个样本中,switch-II 区域的预测与晶体结构只差 0.4 到 0.6 Å,12个天然极性接触全部重现,也没有任何配体原子与蛋白质发生空间冲突。
称得上是分子级的微雕。

a16z 的「预言」:
制药行业正走到属于自己的「GPT-3 时刻」。
NovaAtom-Lite 上线不过三天,硅谷头部风投 a16z 就推出了一份研报,题为《大型制药企业,即将与大型软件分庭抗礼》(Big Pharma Can Rival Big Software)。

这份报告给出了几个关键判断。
头一条,AI 制药已经站上「GPT-3 时刻」。
a16z 的原话是:我们认为当前 Bio × AI 的市场成熟度已接近 GPT-3 水平。当年 GPT-3 正是通用 AI 从「能用」跨到「好用」的分水岭。a16z 的判断是,生物模型里也在冒出类似的能力。
第二条,药企往后会按「科技股」来定价。
过去给传统药企估值,看的是现有药物组合的现金流折现,藏在背后的研发引擎基本得不到资本认可。可一旦 AI 把药物发现做得「高度可重复、可预测」,投资者就愿意为药企的 AI 基础设施掏钱,跟为 SaaS 公司的平台付费是一个道理。
说到底,这是估值逻辑被彻底改写。
第三条,11月10日发布的 NovaAtom-Lite 已经被 a16z 收进这份研报。
模型才发布三天,就被顶级资本写进行业报告,这个反应速度本身就够说明问题。它是真被看见了。
更有意思的是,a16z 报告那张产业版图插图中,被点名提到的公司只有 Geodesic Intelligence 一家。

报告把 AI 制药初创划成两类。一类是 Isomorphic Labs、Recursion 这种亲自下场做药的「垂直整合者」,扛高风险,赌万亿美金的天花板;另一类是做模型、工具和平台的「卖铲人」,供应实验室自动化、AI 智能体、分子设计引擎。
Geodesic 显然被放在了后一类里最靠前的位置。靠 Geodesic API 和 NovaDDE 平台,NovaAtom-Lite 的能力正逐步开放给每一家药企和科研团队。
Geodesic Intelligence 会不会自己下场做药,眼下还没有答案。不过从其模型表现出的竞争力看,它完全有机会把边界从模型和工具供应延伸到药物研发本身。
a16z 的判断并非纸上谈兵,产业端的数据已经在印证这一趋势。
GenScript(金斯瑞)的 AI 制药业务连续三个半年翻倍增长,Twist Bioscience 的 AI 药物发现订单更是三位数飙升。
大药企也在抢着签约。单是 Isomorphic Labs 一家,诺华和礼来的合作协议加起来就将近30亿美元;Anthropic 自己建了湿实验室,OpenAI 则直接收购了生物科技公司。
行业的底层逻辑正被重写:AI 不再只是制药的辅助工具,它正在变成制药的基础设施。
最短路径
再说回 Geodesic Intelligence 本身。
顾全全是 UCLA 计算机科学系教授,在 AI for Science 领域名气不小。2026年6月,他创办了 Geodesic Intelligence,定下的目标只有一句话:
构建 AGI,找到从生物学到药物的最短路径。
仅仅5个月后,他带着15人的精锐团队交出了第一份答卷。
而这只是开头。官方已经说得很清楚,NovaAtom-Lite 是 NovaAtom 模型家族的第一个成员,更大、更强的模型还在路上。
Geodesic 的完整布局是一个三位一体的闭环:NovaAtom 管结构预测,NovaDDE 管科学推理与药物发现工作台,NovaLab 管湿实验验证——
从抛出生物学问题,到计算出分子结构、分析候选物,再到湿实验验证,整条链路被串成了一体。
a16z 在报告结尾写过一句话,放在这里颇为贴切:以更快速度、更低成本研发药物,会是 AI 影响最为深远的应用方向。
药物研发的“时间加速器”,确实已经到来。