起猛了，苹果怎么搞起跨界AI模型了？？ 发布了一个基于流匹配的蛋白质折叠模型SimpleFold，被网友戏称为"iFold"。 SimpleFold没有花里胡哨的专属模块设计，就靠通用的Transformer模块，搭配流匹配生成范式，3B参数版本追平了该领域顶流模型谷歌AlphaFold2的性 能。 苹果这波跨界看来玩的是化繁为简。 MacBook Pro跑起来不费力 首先来说说蛋白质折叠是怎么一回事。 核心是将"一串"氨基酸折成特定的3D形状，这样蛋白质才能发挥作用。 而蛋白质折叠模型就是从氨基酸的一级序列预测它的三维空间构象。 之前最厉害的模型，比如谷歌的AlphaFold2，虽然实现了突破，但用了很多复杂的专属设计。 比如要分析大量相似蛋白质的序列，依赖多序列对比（MSA）构建进化信息、靠三角注意力优化空间约束、推理时需调用超算级算力，普通实验室不太 能用得起。 但这款"iFold"用通用AI框架解决了这个问题。 不同于扩散模型的逐步去噪，流匹配通过学习从随机噪声分布到蛋白质构象分布的光滑映射，实现一步式生成原子坐标。 在训练阶段，团队构建了包含900万条数据的混合数据集，训练出了100M到3B参数的多 ...

闻乐 发自 凹非寺 量子位 | 公众号 QbitAI 苹果这波跨界看来玩的是 化繁为简 。 起猛了，苹果怎么搞起跨界AI模型了？？ 发布了一个基于 流匹配 的蛋白质折叠模型 SimpleFold ，被网友戏称为"iFold"。 SimpleFold没有花里胡哨的专属模块设计，就靠通用的Transformer模块，搭配流匹配生成范式，3B参数版本追平了该领域顶流模型谷歌 AlphaFold2的性能。 MacBook Pro跑起来不费力 首先来说说蛋白质折叠是怎么一回事。 核心是将"一串"氨基酸折成特定的3D形状，这样蛋白质才能发挥作用。 而蛋白质折叠模型就是从氨基酸的一级序列预测它的三维空间构象。 之前最厉害的模型，比如谷歌的AlphaFold2，虽然实现了突破，但用了很多复杂的专属设计。 比如要分析大量相似蛋白质的序列，依赖多序列对比（MSA）构建进化信息、靠三角注意力优化空间约束、推理时需调用超算级算力，普通 实验室不太能用得起。 但这款"iFold"用通用AI框架解决了这个问题。 SimpleFold在架构上采用多层Transformer编码器作为核心骨干，仅通过自适应层归一化适配蛋白质序列特征，相当于用 ...

| | | . | | 이 대한민국 대학교 대학교 동문 대학교 대학교 대학교 대학교 | 대한민국 대학교 | | -- | .. | | -- | CLASSESSMENT | come of the minimal program and the many of the more of the may be | | complex concess of the program and proposes on the pro- | College and the program and the program and the program and a | . | | | 이러한 이유 등 이 대한 문제를 위해 대표를 위해 대해 대표를 받았다. 이 대한민국 대학교 대학교 대학교 대학교 대학교 대학교 대학교 | ी में बिल्ली की में बाद में सब में बनाने के लिए को बनाने के लिए कहानी क | Company Company Company Concess on the Company of College of Colleg ...

技术突破 - 开发名为BindCraft的开源自动化蛋白质从头设计平台 实现功能性结合蛋白的一次性计算设计 无需实验优化或高通量筛选 [2][3] - 通过逆向改造AlphaFold2模型 利用反向传播算法从目标蛋白结构直接生成匹配的全新结合蛋白 颠覆传统耗时数月且成功率不足1%的方法 [2][5] - 采用动态建模同步优化靶点与结合蛋白结构 智能进化迭代优化表面氨基酸 双重过滤机制确保设计可靠性 [5] 性能表现 - 设计成功率高达10%-100% 平均达46.3% 结合强度达纳摩尔级 相当于抗体药物水平 [2][3][5] - 成功靶向细胞表面受体(PD-1/PD-L1/IFNAR2/CD45) 常见过敏原(Bet v1/Der f7/Derf 21) 从头设计蛋白质及多结构域核酸酶(CRISPR-Cas9) [3][7] 应用验证 - 设计桦树花粉过敏原Bet v1结合蛋白 患者血清测试显示阻断50%过敏抗体结合 [7] - 针对尘螨过敏原Der f7和Derf 21设计的结合蛋白 晶体结构证实与设计模型误差仅0.3纳米 [7] - 设计Cas9抑制蛋白精准结合REC1核酸结合域 显著降低HEK293细胞基因编辑活性 [8] - 中和产气荚膜梭菌穿孔毒素CpE 完全消除毒素导致的细胞死亡 效果等同天然抑制剂 [8] - 设计靶向HER2和PD-L1的微型结合蛋白整合至AAV衣壳 实现特异性靶向癌细胞 [8] 行业影响 - 实现"one design-one binder"方法突破 在治疗学 诊断学和生物技术领域具有巨大潜力 [3][9] - 开源技术使普通实验室可设计定制蛋白质 有望重塑药物开发 疾病诊断和治疗领域未来 [9]

公司背景与融资 - Simon Kohl 曾为 DeepMind 研究科学家，参与 AlphaFold2 开发并共同领导蛋白质设计团队，后在弗朗西斯·克里克研究所设立 DeepMind 湿实验室 [2] - 2022 年底创立 Latent Labs，专注于利用 AI 从头设计治疗分子以加速新药研发 [2] - 2025 年 2 月完成 5000 万美元融资 [2] 技术突破与产品发布 - 推出生成式 AI 模型 Latent-X，可在原子级精度设计功能性蛋白结合剂（大环肽和小型结合蛋白）[6] - 传统药物研发成功率低于 1%，耗时数月且成本高昂，而 Latent-X 能瞬间生成可靠蛋白结合剂 [7] - 具备双模态生成能力：大环肽（12-18 个氨基酸）和小型结合蛋白（80-120 个氨基酸）[7] - 仅需设计 30-100 个候选物即可达到传统数百万候选物的效果，结合亲和力达皮摩尔级 [7] 性能验证与优势 - 针对 7 种基准靶点蛋白（涉及病毒感染、肿瘤免疫调节、神经病变）进行验证 [11][12] - 大环肽命中率 91%-100%（每个靶点≤30个设计），小型结合蛋白命中率 10%-64%（每个靶点≤100个设计）[18] - 最佳大环肽结合亲和力达微摩尔级，小型结合蛋白达皮摩尔级（超越其他模型及已获批药物水平）[19] - 高特异性：可直接生成化学键选择性结合指定表位，具备低脱靶效应先决条件 [20] 技术特性与创新 - 同时生成蛋白质序列和全原子结构，性能优于分步生成方法 [23] - 计算模拟命中率领先：对未训练集靶点表现优异，减少实验室验证样本量 [24] - 超越自然范式：遵循原子级生化规则（如氢键和π堆积）生成全原子结构 [28] - 提供无代码网页端操作流程：靶标上传、热点选择、配体设计和计算排序 [21] 行业意义 - AI 模型突破生物学技术瓶颈（如 AlphaFold2 预测结构，生成式 AI 创造新药物序列/结构）[26] - 作为通用 AI 模型，可为未见过或未靶向蛋白质生成结合剂 [28] - 可扩展性强：已生成大环肽/小型结合蛋白，未来将扩展更多治疗模式 [22]

AGI发展前景 - 科学家预测通用人工智能(AGI)可能在5年内突破 需融合信息智能 物理智能和生物智能三大浪潮 [5] - 信息智能技术如ChatGPT有望5年内通过新版图灵测试 达到"类人"水平 但自然图像/视频生成还需4-5年沉淀 [5] - AGI发展面临核心挑战是大语言模型存在"边界认知缺失" 导致混淆已知与未知 产生"幻觉" 不同场景需不同应对策略 [6] AI在科研和医疗领域的应用 - AI for Science被视为颠覆科研的关键力量 清华大学智能产业研究院正打造跨学科基础模型整合海量科研数据 [8] - AI能革命性缩小药物筛选范围 从传统数十亿分子库精准聚焦至数百万高潜力候选者 提升研发效率 [8] - 全球首个虚拟医院系统诊断能力以百倍速提升 两天积累的诊疗经验相当于三甲医院数年 准确率高达96% [8] 人形机器人产业发展 - 人形机器人是AI物理智能的突破方向 预计十年后全球机器人数量将超越人类 [10] - 人形机器人技术核心在于多模态VLA模型 但落地需融合多学科技术 真正进入家庭还需5-10年 [10] - 中国将主导全球人形机器人产业 依托全产业链基础 年轻工程人才红利和统一超大市场三大优势 [10] 中国在AI领域的竞争优势 - 中国特有的"市场-制造-人才"黄金三角 将推动其在机器人时代复制移动互联网的成功轨迹 [10] - 年轻工程师通过"1%的算法优化撬动10倍算力追赶" 展现技术创新能力 [3]

核心观点 - DeepMind推出新型AI工具AlphaGenome，能够全面准确地预测人类DNA序列中的单碱基突变对基因调控的影响，处理长达100万碱基对的DNA序列并输出高分辨率预测结果[2] - AlphaGenome在多项基准测试中达到顶尖水平，在24项评估中有22项优于最佳外部模型，26项评估中有24项与最佳模型持平或更优[18] - 该模型特别适合研究罕见突变和疾病机制，例如预测白血病患者中的非编码基因突变如何激活附近致癌基因[27] AlphaGenome技术特点 - 长序列高分辨率：能分析100万碱基对的DNA序列，单碱基精度预测，训练时间仅需4小时且计算资源仅为Enformer模型的一半[12] - 多模态预测：可同时预测基因起始/终止位置、RNA水平、DNA可及性等数千种分子特性[9][13] - 高效突变评分：1秒内评估基因突变对所有特性的影响[14] - 新型剪接建模：首次直接从序列明确建模RNA剪接位点，有助于理解遗传疾病机制[15] 行业应用价值 - 疾病研究：更精确确定疾病成因和突变功能影响，发现新治疗靶点，特别适合研究罕见遗传病[23] - 合成生物学：指导设计具有特定调节功能的合成DNA[24] - 基础研究：加速基因组功能元件绘制和关键DNA指令识别[25] - 案例验证：成功预测T细胞白血病中非编码突变通过引入MYB结合基序激活致癌基因TAL1[26][27] 技术局限性 - 难以准确捕捉相隔超过10万碱基对的调控元件影响[32] - 未针对个人基因组预测进行验证，无法全面展现突变导致复杂性状的机制[32] - 目前仅开放非商业用途API接口，预测功能仅限于科研用途[32] 模型架构与性能 - 架构结合卷积层检测短模式、Transformer传递序列位置信息、多层网络转化预测[9] - 训练数据来自ENCODE、GTEx等公共联盟的数百种人类和小鼠细胞数据[9] - 在剪接分类(auPRC)、RNA-seq覆盖(Pearson r 32bp)、DNA可及性等模态评估中相对改进最高达32.6%[29]

蛋白质结构预测技术突破 - 南开大学郑伟教授团队开发了新型蛋白质结构预测工具D-I-TASSER，在CASP15比赛中表现优于AlphaFold2和AlphaFold3 [2][3] - D-I-TASSER成功预测了人类蛋白质组中19512个蛋白质，覆盖率达95%，能够折叠81%的蛋白质结构域和73%的全长序列 [3][12] - 该技术融合深度学习和物理模拟，实现了高精度的蛋白质结构和功能预测 [3] AlphaFold的局限性 - AlphaFold在多结构域预测方面存在短板，80%的人类蛋白质含多个结构域，传统方法常忽略域间相互作用 [6] - AlphaFold是静态模型，难以捕捉蛋白质动态变化，对缺乏同源序列的蛋白质预测能力骤降 [6] - 纯数据驱动方法可能丢失蛋白质折叠的底层物理规律 [6] D-I-TASSER技术创新 - 深度融合深度学习与物理模拟，整合多源信息并利用物理引擎迭代优化结构 [8] - 首创自动切割-独立预测-动态组装的流程，域内精度达0.858，较AlphaFold2提升2.8%，域间取向误差降低17% [8] - 采用升级版DeepMSA2搜索宏基因组数据库，多序列比对信息量提升6.75倍 [11] 技术性能表现 - 在CASP15盲测中，对困难靶标的预测精度比AlphaFold2高29.2% [11] - 成功解析超过3000个氨基酸残基的超大蛋白质，如新冠病毒刺突蛋白，捕捉开放/闭合双构象 [11] - 无序区域构象多样性比AlphaFold高59%，系统注释了ATP结合、铁硫簇组装等关键功能位点 [14][15] 当前挑战 - 对孤儿蛋白（同源序列<1%）预测精度降至0.67 TM-score [20] - 尚未涉及蛋白质复合体的结构预测 [20] - 计算耗时仍高于纯深度学习模型 [20]

Demis Hassabis的AI探索历程 - 作为AI先驱，Hassabis从小痴迷国际象棋，13岁成为国际象棋大师，这段经历塑造了他对认知过程的思考方式[6][7][8] - 2010年联合创立DeepMind，2014年被谷歌以超5亿美元收购，2017年开发出仅用4小时自对弈就能击败人类大师的AlphaZero算法[3][4] - 2024年因开发AlphaFold2蛋白质预测模型获得诺贝尔化学奖，该模型已解析2亿种蛋白质结构，覆盖190国200万用户[4][46] DeepMind技术突破与产品布局 - Project Astra是谷歌基于Gemini 2.0的多模态智能助手，能通过文本/语音/图像/视频交互，整合Google搜索/地图等核心服务[14][15][16] - Astra演示中展现出艺术鉴赏能力，能识别画作风格并创作故事，产品定位为"能看能听能交流"的具身智能系统[19][20] - 谷歌可能重启AR眼镜项目，访谈中展示了嵌入眼镜的原型设备，此前谷歌眼镜曾因隐私问题在2015年退出市场[24][42][44] AGI发展前景与行业影响 - Hassabis预测2030年可能实现AGI，届时系统将深度理解环境并融入可穿戴设备，药物研发周期有望从10年缩短至数周[14][46][51] - AI可能在未来10年内实现治愈所有疾病，AlphaFold已推动帕金森治疗和抗生素研究取得突破[46][47] - 机器人技术或迎来重大突破，但需警惕AI系统失控和恶意滥用风险，需建立全球协调的安全框架[53][55][56] AI伦理与哲学思考 - 当前AI不具备意识，但未来模型可能展现自我理解特征，需区分机器模仿与人类碳基意识的本质差异[52] - 呼吁建立AI伦理新范式，需要哲学家参与引导技术发展，平衡创新与人类价值观[49][50][57] - AI发展呈指数级增长，成功吸引大量资源与人才，但需防范技术主导权争夺导致的安全标准降低[14][56]

Demis Hassabis, Co-Founder and CEO of Google DeepMind and Nobel Prize Laureate in Chemistry 2024, attends the Artificial Intelligence (AI) Action Summit at the Grand Palais in Paris, France, February 10, 2025. Benoit Tessier | Reuters On a rare sunny day in London at the Google DeepMind office, Colin Murdoch saw the bank deposit from his employer come through. It wasn't his paycheck. Google was investing in his startup. The fledgling company was Isomorphic Labs, the secretive artificial intelligence life sc ...