1300万天，和0.25秒。

如果有人告诉你，同一道计算题，老方法要花1300万天，新方法只要0.25秒，你会怎么想？

这不是科幻小说。

2026年9月，国内AI for Science企业分子之心在《Science Advances》发表论文，公布其反应性分子动力学平台QuantaMind。

按照传统量子力学计算复杂度外推，处理十万原子级体系，单步计算时间可能需要千万天量级；而QuantaMind在A100 GPU上，同样规模体系的单步计算时间约为0.25秒。

即便把戏剧性拿掉，这个数字依然指向一个重要趋势：过去算不起的问题，正在进入可以反复计算、筛选和迭代的区间。

而数字之外，还有一个更值得关注的方向：当AI越来越会"生成"分子之后，真正昂贵的，已经不是设计，而是判断。

要理解这件事为什么重要，得先说分子模拟里一个经典的三角矛盾。

量子力学方法很准。像DFT（密度泛函理论）这样的计算，可以从电子层面描述化学反应，真正看到化学键怎么断、怎么成。但随着原子数量增加，计算量迅速膨胀。一个蛋白质加上水、离子、底物，轻易就是几万甚至几十万个原子。越接近真实世界，越算不起。

经典分子动力学快得多，可以模拟更大的体系、更长的时间。但经典力场通常把原子之间的化学键关系预先定义好了，擅长回答"这个蛋白质怎么摇摆""这个分子会不会从口袋里跑出来"，却不天然擅长回答"这根化学键什么时候断"。

偏偏化学反应最核心的事情，就是成键与断键。

所以过去几十年，计算化学一直在找一个答案：能不能拥有接近量子力学的精度，同时又获得接近经典分子动力学的速度？

机器学习势函数正在试图填这个缺口。核心思路是用机器学习模型拟合量子力学的势能面，在保持接近DFT精度的同时，获得远超传统量子计算的速度。QuantaMind是这条路线上2026年的最新案例。

论文显示，它不仅模拟了普通分子运动，还重现了质子转移、酸碱中和等化学反应过程。在PET水解酶体系（17,792个原子）中，它重现了完整的酶催化循环，包括质子转移以及化学键的形成和断裂。

以前我们更多在问：这个酶长什么样？

现在开始有机会问：这个酶到底是怎么把反应催化出来的？

分子计算正在沿着一条越来越深入的路线往前走。

结构预测告诉我们"它长什么样"，分子动力学告诉我们"它怎么运动"，反应性分子动力学进一步追问"化学键怎么断、怎么成，反应到底怎么发生"。

从照片，到运动影像，再到化学反应的慢镜头。越往后，对精度、采样能力和计算效率的要求越高。

过去几年，AI制药最热闹的地方是"生成"。

给模型一个靶点，它可以批量吐出大量小分子、抗体、蛋白质候选物。设计速度越来越快。

但这同时带来了一个新的问题。

一个模型一天可以给出成千上万个候选分子，实验室却不可能把它们全部合成出来，再一个一个测。

2026年8月，Anthropic公布了Claude蛋白设计研究的实验数据：15个靶点中14个获得了经确认的结合剂；最终，1,320个设计中获得354个经实验确认的binder，约占26.8%。

在Anthropic分别统计的实验设置中，Mythos Preview多靶点模式的命中率为26.7%，而当前蛋白质设计campaign的典型命中率约为10%到15%。

看起来很漂亮。但同一组数据里藏着一个更值得玩味的细节：其中一个靶点MBP（麦芽糖结合蛋白），90个设计，没有一个被确认结合。命中率从高达90%到低至0%，取决于你碰到的是什么靶点。

Anthropic自己在报告里写得很清楚：计算设计已经大幅提速，但湿实验验证仍需数周。

一些团队的研发逻辑正在从"生成→实验"，变成"生成→计算筛选→机制模拟→湿实验→数据回流→再设计"。

2026年9月，2024年诺贝尔化学奖得主David Baker与基因组学家Jay Shendure等牵头启动AI BioDesign项目。

该项目获得近9500万美元、为期五年的支持，目标并不是再造一个单独的AI模型，而是把AI、大规模生物实验和开放数据连成一个持续迭代的闭环。

据媒体对AI BioDesign实验室的报道，一次实验已经可以在单个混合体系中并行测试约600万条设计序列。

下一阶段的竞争，拼的是"模型+计算+实验+数据闭环"。

当然，距离真正"算懂生命"还非常远。

机器学习力场的泛化能力、不同化学空间的可靠性、长时间尺度模拟、与真实实验体系之间的偏差，都仍然需要持续验证。现在远不是宣布"化学反应已被AI攻克"的时候。

如果把视线从创新药移到生物制造，这件事的意义可能更直接。

因为生物制造的核心工具之一，就是酶。

今天做酶工程，一种常见的方法是：找到一个酶，确定几个可能的重要位点，然后突变、表达、检测。效果不好，再改。本质上仍然带有很强的"试"的成分。

如果反应性模拟能力继续成熟，酶工程就可能从"相关性驱动的筛选"向"机制驱动的设计"迁移。知道"A123V有效"，还要能回答：它有没有改变活性位点的几何结构？有没有影响质子传递路径？有没有降低某一步反应的能垒？

对生物制造而言，真正有价值的不是把某个酶的活性提高30%，而是这个30%最终有没有变成更高的底物转化率、更低的酶添加量、更宽的温度和pH窗口、更少的副产物、更轻的纯化负担，以及最终更低的单位制造成本。

从分子层，到酶层，到工艺层，到经济层。这条链路走通了多少，决定了AI对生物制造的价值到底有多大。

2026年9月21日，深圳粒影生物联合思朗科技、深圳先进技术研究院等发布Physical AI基础设施方案，把分子模拟、AI计算、高通量实验和数据生产接入闭环。粒影生物进一步披露，其"设计→合成→验证"流程可实现24小时迭代。

参考文章：粒影生物创始人：有能力把大量设计快速变成实验，并不断筛掉错误答案

这说明QuantaMind并不是一个孤立现象。这个领域的基础设施方向，正在从"给模型算力"，走向"给模型物理世界"。

过去几年，AI在生命科学里走出了一条清晰的路线。

而AI正在做的一件越来越重要的事情，是在真正昂贵的实验验证之前，帮助我们更早排除错误答案，把实验资源留给更值得验证的候选物。

AlphaFold让我们第一次大规模"看见"蛋白质。生成式AI开始让我们创造自然界不存在的蛋白质。现在，反应性模拟又试图让AI进一步理解：这些分子为什么运动、为什么结合，又为什么发生反应。

AI正在让提出答案变得越来越便宜。但生命科学不会因此变成一个纯粹的计算问题。相反，当设计越来越快，真正稀缺的可能会转向判断、实验和高质量数据。