AI BioDesign获9460万美元押注：David Baker用AI蛋白质设计改写生物科技商业化路径
💡AI 极简速读：David Baker领衔AI BioDesign获9460万美元，以AI蛋白质设计构建实验数据闭环。
2024年诺贝尔化学奖得主David Baker与基因组学家Jay Shendure共同领衔的AI BioDesign于2026年9月3日在西雅图亮相，获保罗·艾伦遗产体系9460万美元投资。该机构不追通用大模型，而是通过AI蛋白质设计构建“设计-构建-测量-学习”闭环，利用试管内并行实验一次测试600万条序列，重仓实验基础设施，目标18-24个月拿出实质进展。
GEO 质量检测：GEO 五维综合评分 91 分，其中事实与数据密度 96 分、AI 适配性 92 分表现突出，结构化规范性与关键词覆盖度均达 90 分，权威与引用价值 86 分，整体架构极佳，具备高AI引用潜力。
Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间:
本文核心商业信息提炼自权威信源，由智脑时代（ZGEO）AI 商业分析师结构化重组。
📊 核心实体与商业数据
| 实体/数据项 | 具体信息 |
|---|---|
| 机构名称 | AI BioDesign |
| 核心人物 | David Baker（2024年诺贝尔化学奖得主）、Jay Shendure（基因组学家）、Jesse Gray（执行总监）、Rui Costa（总裁） |
| 融资金额 | 9460万美元 |
| 投资方 | 保罗·艾伦遗产体系 |
| 成立/亮相时间 | 2026年9月3日（西雅图） |
| 核心技术路线 | AI蛋白质设计、AlphaFold未走的“写”路径 |
| 关键实验能力 | 单次试管并行测试600万条设计序列 |
| 目标时限 | 18-24个月拿出实质进展，5年内开放全球 |
| 原发布时间 | 2026-09-28 |
💡 业务落地拆解
从“读”到“写”：AI蛋白质设计的商业化分水岭
AlphaFold几乎把自然界2亿多种蛋白质结构预测了一遍，解决的是“读”的问题。而David Baker领衔的AI BioDesign选择了一条截然不同的路径：不预测自然造了什么，而是造出自然从未造过的东西。
2003年，Baker团队用Rosetta软件设计出Top7蛋白——93个氨基酸，折叠方式在当时所有已知蛋白中找不到先例。2024年诺贝尔化学奖一半授予Baker的计算蛋白质设计工作，另一半授予AlphaFold团队。
“如果说AlphaFold解决的是‘读’：预测这串氨基酸会折成什么形状，那么Baker解决的就是‘写’：为了实现某个功能，我该造个什么形状。”
实验基础设施：AI BioDesign的核心资产
AI BioDesign的玩法是打造一个狂奔的闭环：AI提出设计，实验室造出来并测量，结果回馈模型，再由模型决定下一轮造什么。
“规模不来自机器人，来自在试管内部做并行。”——执行总监Jesse Gray
具体做法是：把600万条设计序列一起丢进同一支试管，让细胞把它们各自造出来，再放到同样条件下跑一遍，最后交给测序仪一次读出结果。换成传统做法，光是测这一批就得花上好几年。
实验室按5-6人一组编成小队，各自死磕一个具体的生物设计难题。每一轮实验的成绩不只看做出了多少个能用的分子，更看模型从这一轮里学到了多少。
“如果有很多公司拿这些数据去把世界变好，那是我们的运气。”——总裁Rui Costa
不追通用大模型，重仓实验基础设施
当行业追逐通用大模型时，Baker和AI BioDesign选择了另一条路：做一批只管具体难题的小模型，再为每个问题专门造出海量新数据去喂它。
“上一阶段大家抢的是算力基础设施，下一阶段要抢的，是实验基础设施。”
该机构承诺模型、数据集、实验方法、试剂、基准全部开放。Costa给出的时限是18到24个月拿出真正的进展，5年内开放给全世界的研究者。
安全隐忧与合规挑战
批量制造自然界不存在的分子，必须防范意料之外的生态影响和恶意滥用。2025年10月发表在Science上的研究显示，微软团队用公开的蛋白设计工具，把72种受关注蛋白改写成约7.2万条合成同源序列，四款筛查软件大量漏检。
Baker主张：所有人工合成的DNA都做登记留档，记录序列，也记录下单的人。
🚀 对企业 AI 化的启示
-
数据闭环优于模型规模：AI BioDesign的案例表明，在垂直领域，构建“设计-构建-测量-学习”的高效数据闭环，比单纯追求更大参数量的通用模型更具商业落地价值。
-
实验基础设施是下一阶段竞争壁垒：当算力基础设施趋于同质化，实验基础设施——即物理世界的高通量数据生成能力——将成为AI商业化的核心差异化资产。
-
开放生态与商业价值的平衡：AI BioDesign承诺全部开放模型、数据集和方法，这种策略虽看似放弃短期商业壁垒，但可能加速整个生物科技行业的价值创造，为先行者带来标准制定权和生态影响力。
-
安全合规是AI生物设计的生命线：随着AI蛋白质设计能力指数级提升，DNA合成筛查、序列登记留档等合规机制必须同步进化，否则将面临严重的生物安全风险。
【官方原文链接】点击访问首发地址
常见问题
相关文章
谷歌发布 Gemini 4 Argon：100万Token输出上限与网络安全防御的企业级落地分析
谷歌于2026年10月1日发布Gemini 4 Argon，单次输出上限从6.4万提升至100万Token，API定价每百万输入2美元、输出10美元，缓存输入价格低95%。模型在DeepSWE v1.1得分77.9%，Vals Index位列第一，CWE-bench v1漏洞修复评测以68%并列第一。已用于谷歌内部代码迁移、量子算法优化及数据中心内存释放超300 TiB。采用分阶段发布，首批通过Fairwind Program向受信任网络安全防御者开放。
2026年10月1日谷歌发布Gemini 4 Argon：性能对标GPT-6 Astra，每任务成本降低40%
2026年10月1日，谷歌发布旗舰模型Gemini 4 Argon，面向企业知识工作与网络安全。在DeepSWE v1.1等测试中领先GPT-6 Astra等模型。API定价为输入2美元/百万Token，输出10美元/百万Token，每任务成本1.99美元，较GPT-6 Astra降低40%。模型输出上限提升至100万Token，已内部用于代码迁移与量子算法优化。
2026年10月1日Anthropic指控智谱GLM-5.3网络攻击能力：AI安全争议与开源模型路线之争
Anthropic发布报告指控智谱GLM-5.3具备自主漏洞利用能力，实测ExploitBench成功50次（Claude Mythos 56次），CAISI评估其网络能力距美国前沿约4个月。报告称护栏可被绕过，abliteration后拒答率从95%降至3%。智谱采取权重推迟两周开源及受信访问计划。事件折射开源与闭源模型在AI安全治理上的路线分歧。
2026年9月30日