诺奖得主贝克押注9460万美元，要造自然没走过的那条设计路线

不追更大模型的诺奖团队

2026年9月3日，AI BioDesign 项目在西雅图亮相，总部离艾伦研究所只有几分钟路程。领头的是2024年诺贝尔化学奖得主、计算蛋白质设计开创者 David Baker，和基因组学家 Jay Shendure。项目背后是保罗·艾伦（Paul G. Allen）遗产体系旗下基金会 FFST 投入的9460万美元，由艾伦研究所、华盛顿大学和弗雷德·哈钦森癌症中心三方牵头。

AI BioDesign 的思路是不预测自然造了什么，而是造出自然从未造过的东西。今年8月的一次实验里，研究助理 Jack Boylan 调出前一晚的结果：DNA测序仪旁的试管里，泡着一大批人工设计、自然界从未进化出来的DNA序列，哪条能用全靠机器一次读完、一次报出。团队曾把600万条设计序列一起丢进同一支试管同时测——传统做法光测这一批就得花好几年。

试管里的设计-构建-测量-学习闭环

核心循环是"AI提出设计，实验室造出并测量，结果回馈模型，再由模型定下一轮造什么"。执行总监 Jesse Gray 说，这里没有铺满机械臂的自动化车间，"规模不来自机器人，来自在试管内部做并行"。用 Shendure 的话说，是劫持进化留给人类的细胞流水线，把几百万条序列丢进同一支试管，让细胞各自造出来、跑一遍同样条件，再交给测序仪一次读出哪些能用。

实验室按五六人一组死磕具体设计难题，机器学习团队随时接应，每轮成绩不只看做出多少能用的分子，更看模型从这一轮学到了多少。

与 AlphaFold 的分野

AlphaFold2 解决的是"读"——预测已知氨基酸序列会折叠成什么形状，据诺贝尔委员会新闻稿，它已被190多个国家超过200万研究者使用，预测了自然界几乎全部两亿多种蛋白质结构。Baker 走的是"写"这条路：早在2003年他就用 Rosetta 软件设计出93个氨基酸、自然界无先例的全新蛋白质 Top7。2024年诺贝尔化学奖，一半给了 Baker 的计算设计，一半给了 Hassabis 和 Jumper 的结构预测。

"写"这一半缺数据：自然界没有的分子查不到数据库，只能自己造、自己测。这也是资源取舍的转移——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，9460万美元花在了测序仪和实验室人力上，而不是训练更大的模型。Shendure 把这个方向类比为"工程学的第四次跃迁"——继工业革命、电气化和数字革命之后，AI 与生物学的结合。

开放策略与滥用风险

AI BioDesign 打算把模型、数据集、实验方法和评测基准全部开放共享，艾伦研究所总裁 Rui Costa 说："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。"但批量制造自然界不存在的分子躲不开滥用风险：设计画得再好，最后都要有人把它合成成真实DNA。Baker 提出的应对办法，是给所有人工合成DNA登记留档，记录序列和下单的人。

Costa 给出的时间表是：18到24个月内拿出实质进展，五年内向全世界研究者开放平台和数据。Baker 自己也承认，这条路上会先冒出一批造得出来、却讲不清为什么有用的分子。接下来值得盯的，是第一批公开数据集和评测基准何时落地，以及有没有分子真正跑通设计、合成、验证全链条。