顾全全团队NovaAtom-Lite登顶FoldBench:15人公司5个月超越IsoDDE
最近,Anthropic的CEO Dario Amodei 说了一句话: AI将在10年内,把人类在生物学上50到100年的进展压缩完成——癌症、阿尔茨海默症、心脏病,统统有望攻克。 这话说得够狠,但很多人觉得,也就听听。 直到一个叫顾全全的科学家站出来说:10年太慢了,我们要把药物研发周期压缩到4年! 11月10日,
Dario Amodei 最近说了一句话,他是
Anthropic 的 CEO。他的判断是:AI 会用 10 年时间,把人类在生物学领域 50 到 100 年的进展压缩完成,癌症、阿尔茨海默症、心脏病都有望被攻克。
话说得很狠,不过多数人听完也就过去了。直到科学家顾全全站出来表态:10 年太慢,药物研发周期要压到 4 年。

11月10日,他创立仅 5 个月的公司 Geodesic Intelligence 发布全原子结构预测模型 NovaAtom-Lite。
在全球最严苛的生物分子预测基准测试 FoldBench 上,NovaAtom-Lite 把谷歌 DeepMind 旗下 Isomorphic Labs 的王牌模型 IsoDDE 拉下了马。一系列生物制药基准测试中它同样屠榜,拿下多项 TOP 1。

Model card链接:https://www.geodesiclab.com/news/introducing-novaatom-lite
一边是 15 个人的创业公司、几百张 GPU、5 个月;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 上瞬间炸了。有人感叹:「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。
况且顾全全不是第一次干这种事。此前他在字节跳动带队做出 SeedFold——世界上第一个在 FoldBench 上超越 AlphaFold 3 的模型。
SeedFold 横空出世,逼得 Isomorphic Labs 不得不祭出 IsoDDE,重新夺回结构预测的王座。这回 NovaAtom-Lite 又把 IsoDDE 拉下马,王座再度易主。
更狠的一点,按顾全全在 X 上透露的信息,NovaAtom-Lite 只是开胃菜,后面还有更大更强的 NovaAtom-Pro 蓄势待发。
换句话说,Isomorphic Labs 近期就算再放出更强的模型试图反扑,等着它的可能是 NovaAtom-Pro 的又一次击穿。这场结构预测的王座之争,顾全全已经连赢两局,第三局的底牌还攥在他手里。
人类攻克绝症的时间表,由此再度提前。

有投资人感慨,生物界已经迎来了它的「HBM爆发时刻」。
NovaAtom-Lite 到底在干什么?
药为什么那么难做?药物起效的本质,是让一个分子精准地「咬住」另一个分子。
抗体要咬住抗原,小分子药物要塞进蛋白质的口袋里。
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。
结合姿态差上一点,药效就没了。
过去做新药,靠湿实验一次次试,平均13年才能从实验室走到上市,花费接近20亿美元,成功率还不到5%。AI能做的,就是在计算机里先把这种「咬合」算出来,把试错的周期压短。
这恰好是 NovaAtom-Lite 的活:把蛋白质、DNA、RNA 的序列和小分子配体的信息输进去,它给出整个复合物里每个重原子(氢以外的原子)的三维空间坐标。
精度到原子级别,不是那种模糊的轮廓。
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。
比如你可以告诉它:这里有共价键,那里是已知的结合口袋。模型把这些当参考线索用,不当死约束,像个懂化学物理法则的「AI大脑」,灵活地给出预测。
输出同样不止一组坐标:局部结构置信度 pLDDT、残基间预期误差 PAE、界面可靠性指标 ipTM 会一起返回。说白了,它给答案,也告诉你「这个答案我有多大把握」。
两项成绩:79.07% 与 77.06%
结构预测模型强不强,制药界看两块试金石——抗体-抗原结合预测、蛋白质-配体结合预测。
前一项是大分子药物(比如抗癌抗体)的核心,得知道抗体怎么精准「锁住」靶点;后一项是小分子靶向药的命门,药物分子要准确塞进蛋白质的结合口袋。
两个方向都不轻松,一个比一个难。
FoldBench 眼下公认最严格的全原子生物分子预测基准,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,想「提前看答案」没有可能。
第一项是抗体-抗原。FoldBench 收了172个抗体-抗原结合界面,评判看 DockQ 分数——可以理解为预测的结合姿态与真实结构有多像,0.23 以上算预测成功,越高越好。

一家成立5个月的公司,比 AlphaFold 3 高出31个百分点,也比融资27亿美元的 Isomorphic Labs 高出3.5个百分点。
把门槛提到 DockQ ≥ 0.80(要求极高精度),NovaAtom-Lite 的成功率是 AlphaFold 3 的2.2倍,差距更明显。
第二项是蛋白质-配体,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还得高度吻合(LDDT-PLI > 0.8),两条同时满足才算成功。

两项核心指标,都是 TOP 1。
它真「懂」物理,还是只会背答案?
模型一刷榜,圈内第一反应往往是:是不是偷看答案了?
这质疑站得住。结构预测模型的训练数据就是已知的蛋白质结构库,要是只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。
业界有个专门检验模型是不是在死记硬背的严苛测试,名字叫Runs N' Poses。它按测试样本和训练集的相似程度划成8组,从「看着眼熟」一路排到「完全没见过」,逐层把模型的真实水平亮出来。
相似度垫底的0-20%组里,有63个跟训练集「毫无关系」的配体,好比考卷上那些彻底超纲的题目,各模型的表现是这样的:
AlphaFold 3的成绩直接掉到24%,NovaAtom-Lite 却还守在47.6%,差不多是前者的两倍。
换到相似度最高的80-100%组,两者的差距反倒收窄了,成绩是91.0%对88.2%。

分子越陌生,NovaAtom-Lite 领先得越多。
它靠的不是背答案,而是摸到了微观原子世界那套底层物理法则,手里有一套能迁移的「推理引擎」。
多给它些时间琢磨,它就更聪明
搞AI的人都熟悉一个趋势,叫Test-time Scaling——在推理阶段多喂算力,答案质量就跟着上去。
这个规律在大语言模型那边早就应验了,NovaAtom-Lite 则说明它在生物分子预测里一样管用。
团队拿同一批172个抗体-抗原界面,设计了一组很巧的实验:
1个随机种子(算力最少):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(事后拿实验答案挑出最优解):88.4%
只把采样数量加上去,成功率就从74.3%爬到83.1%,提高了近9个百分点。

这说明系统的「弹性」很强。
创业公司钱不多,用少量算力快速试错,也能拿到不差的结果。医药巨头就不一样了,一款靶向药牵着百亿市场和无数患者的命,完全可以开足算力,把每一点精度都榨出来——模型的天花板还远没碰到。
这种可扩展性让人非常兴奋。
稍微给点提示,它就能起飞
光靠它自己埋头猛算还不够。
真实的药物研发里,科学家手里常常已经攥着些线索。比如大致知道抗体和抗原在哪个位置接触,或者小分子大概卡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,并且把它们用起来?
NovaAtom-Lite 给出的回答是:不光听得懂,效果还相当炸裂。
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%。一旦喂给它一对接触残基——等于告诉它这两个残基挨得很近——成功率就跳到了 91.28%,高出 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),涨幅更猛:66.05% 被拉到 88.82%,接近 23 个百分点。

蛋白质-配体这一块,结果同样耐人寻味。
团队在 Runs N' Poses 上摆了四种设置来测:不加约束、给一个接触对、给四个口袋残基、给完整口袋,条件逐级加码。
最难的那批样本受益最明显: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% 推到 63.5%,多了近 16 个百分点;相似度 60% 以上的区间,涨幅只有 2 到 5 个百分点。

说白了,题目越超纲,模型越能顺着线索自己琢磨出东西。科学家积累的经验不会白费,你给的信息越足,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,制药的人最后还是盯着一个问题:真实世界里那些最刁钻的结构难题,你解得开吗?
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。科学家请出纳米抗体 VHH-T148 来压制它,而这个抗体的看家武器,是一条由 22 个氨基酸组成的 CDR-H3 长环。
可以把它想成三维空间里一条拼命乱甩的「软鞭」。灵活性极高,又缺少进化上的共变信号,想预测它难上加难。
结构预测圈子里,这被公认为噩梦级的难题。
可 NovaAtom-Lite 交出了 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 差不多是碳原子直径的三分之一,相当于拿「分子级单反」完成了一次定格抓拍。

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啃的癌症靶点。
它表面光溜溜的,药物几乎找不到下手的地方。
有一类抑制剂能钻进 KRAS 上一个「隐藏口袋」(switch-II pocket)发挥作用,麻烦在于这个口袋平时关得死死的。
换句话说,AI 不光要算准药物小分子该摆在哪,还得凭空推断出蛋白质的构象怎么变——那扇门究竟是怎么开的。
这个案例里(结构编号 8UN5,KRAS G13D 突变体),OpenDDE 直接卡住了,配体 RMSD 高达 17.74 Å,药物被甩到了十万八千里外。
NovaAtom-Lite 的配体 RMSD 只有 0.98 Å。
25 个样本中,switch-II 区域的预测与晶体结构相差仅 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。
这才叫分子级的微雕。

a16z 的「预言」:
制药行业正走到属于自己的「GPT-3时刻」。
硅谷风投 a16z 在 NovaAtom-Lite 上线三天后推出一份研报,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)。

报告给出了几个关键结论。
头一条,AI 制药已经迈入「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。通用 AI 从「能用」跨到「好用」,转折点正是 GPT-3;a16z 判断,生物模型里也在冒出类似的能力。
第二条,药企今后会按「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,背后的研发引擎基本得不到资本认可。可一旦 AI 让药物发现变得「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,逻辑跟为 SaaS 公司的平台付费一样。
说到底,这是估值逻辑被彻底重写。
第三条,11月10日亮相的 NovaAtom-Lite 已经被 a16z 写进这份研报。
模型发布才三天,就被顶级资本收进行业报告,这个反应速度本身就耐人寻味。它确实被看见了。
更有意思的是,a16z 报告那张产业版图插图里,被点名提到的公司只有一家——Geodesic Intelligence。

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 明显被放在了后一类里最靠前的位置。Geodesic API 和 NovaDDE 平台正把 NovaAtom-Lite 的能力开放给各家药企和科研团队。
Geodesic Intelligence 会不会自己做药,目前还没有答案。不过从模型表现出的竞争力看,它把边界从模型和工具供应商往药物研发本身推,机会是明摆着的。
a16z 的判断并非纸上谈兵,产业端的数据已经在印证。
GenScript(金斯瑞)的 AI 制药业务连续三个半年实现翻倍增长,Twist Bioscience 的 AI 药物发现订单涨幅达到三位数。
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总就接近30亿美元;Anthropic 自建湿实验室,OpenAI 则直接买下生物科技公司。
行业的底层玩法正在改写:AI 不再只是制药的辅助工具,它本身正变成制药的基础设施。
最短路径
话说回 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 Geodesic Intelligence,目标就一句话:
构建 AGI,找到从生物学到药物的最短路径。
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 的完整布局是三位一体: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——
提出问题、算清分子结构、再把候选物送进实验验证,整条链路由这一套体系串起来。
a16z 在报告收尾处的那句话,放在这里恰好对上:研发药物若能更快、更便宜,AI 最深远的影响就会落在这一处。
药物研发的时间加速器,已经摆在眼前了。