1965年，戈登·摩尔提出了那条著名的摩尔定律，即半导体算力大约每两年翻一倍。这条曲线向上走了半个多世纪，数字世界因此天翻地覆。

2012年，反摩尔定律被提出，它在医药领域意味着这样一种困境：每投入十亿美元，获批的新药数量每九年减半。一条曲线向上，一条曲线向下，两条线背道而驰了六十多年。

六十多年里，新药研发越来越难，传统工具链支离破碎，多数团队只能拿着开源模型做局部修补。与此同时，AI先后完成了数字世界和物理世界的重构。现在，它来到了最难的生命世界。而百奥几何，正是这个路口上走得最远的一家。

近日，百奥几何完成数亿元战略融资。比起融资额大小或是投资方背景，这笔钱的重点在于，它确认了一个拐点：当行业还在应用层寻找增量时，这家AI Native公司已经用三年时间，完成了从团队搭建、底层大模型研发到商业闭环的验证。

从原子层面重新设计生命，不再是论文里的远期设想，而是正在发生的工程化现实。

01

从数字、物理到生命AI：

AI的第三条道路

正如人们所熟知的那样，人工智能正在沿着数条清晰的主线重构世界。

第一条是数字AI，以大语言模型和多模态模型为代表，正在重塑人类的信息与知识世界。第二条是物理AI，以自动驾驶和人形机器人为代表，正在重塑人类的物理与机械世界。

而第三条是生命AI，它不止于信息处理或机械控制，而是要深入理解生命的底层语言，在原子级精度上实现对生命的工程化改造——这或许是三条线里最难的一条。蛋白质、抗体、酶等生物大分子的设计空间近乎无限，但生命的底层数据是三维图结构，传统的序列建模或图像识别逻辑无法直接迁移。

百奥几何创始人唐建博士很早就注意到了这个差异。2022年接受AI科技评论采访时他指出，生物医药领域获得实验数据极其困难，往往成本昂贵且周期漫长，这导致AI必须在极少样本的条件下学习。这种数据稀缺性，让生命AI的迭代逻辑与数字AI截然不同。

数据稀缺性带来的直接挑战，最终都体现在了产业端的成本与效率上。生物医药行业对此感受最深。如前文提到的反摩尔定律所示，行业内面临着“研发成本持续攀升、产出效率却在下降”的困境。一位切入AI制药底层模型的从业者向AI科技评论指出，过去多数创业公司将管线卖给药企，看似找到了商业模式，实则陷入传统biotech的老路——被同化、利润薄、易受甲方价格控制。这种路径依赖说明，只做应用层的局部增效，无法打破行业的结构性困境。

比商业模式困境更深层的，是工具链本身的割裂。AlphaFold能预测蛋白质结构，但设计新分子往往需要切换到其他工具；预测结构、设计序列、实验验证，每一步使用不同的平台和逻辑，误差逐级放大。而国内多数“AI+Bio”团队，底层依赖国外开源模型进行微调，本质上是在别人的地基上修修补补。面对难成药靶点和复杂抗体设计这类硬问题，应用层的修补很快触及天花板。

唐建认为，这背后还有一个更根本的产业逻辑。大模型可以“模型即产品”，靠基模能力卖token就能赚钱；但生物医药是垂类，“模型再准也只是锤子，得找到好的钉子。”这意味着生命AI的终局竞争，不只看基模性能，更看能否把模型放进具体应用场景，与干湿实验形成闭环。一个团队必须同时理解算法、生物和产业的语言，把结构预测、序列生成、成药性评价与湿实验反馈整合成闭环。只有这样，才能从底层重构研发范式，从“理解生命”跃迁到“设计生命”。

当数字AI和物理AI的基础设施已经成型，生命世界仍在等待属于自己的操作系统。而决定未来几十年新药研发效率的底层战场，已悄然开启。

02

从学术直觉到产业收敛：

一个AI Native团队的三年

百奥几何的创始人唐建，在十多年前就做出了一个独特判断，与眼下BioAI的进展形成了草蛇灰线。

2013-2014年左右，深度学习的大潮涌向图像识别和自然语言处理，但唐建特地转向了图结构数据这个深度学习尚未涉及的问题。在他看来，社交网络和知识图谱固然是热门方向，但生物制药才具备杀手级的应用潜力——蛋白质、抗体、酶等生命分子的底层数据，天然就是三维图结构。

这个判断带有对数据结构与应用场景匹配的底层直觉，此后十年，唐建的研究工作也沿着这一判断继续向前航行。从密歇根大学到加拿大AI之父Yoshua Bengio教授创立的Mila实验室，他成为该机构最早进行生命科学研究的教授，图结构深度学习论文LINE在WWW会议上被引用超七千次，学术上的积累也为后来的创业提供了具体的坐标。

2022年，大分子AI制药工具TorchProtein开源。经过一年的思考，唐建觉得该往前再走一步。“希望能够更进一步，使研究成果不仅仅局限于论文的形式。”他告诉我们，当时学术界还没有相似的平台，他决定把积累整合成一个通用工具。这个想法很朴素：让后来的研究者可以直接使用，而不必重复造轮子。

降低门槛的思路，后来延续到了百奥几何。2023年3月，百奥几何正式运营。

但创业初期，核心团队几乎全是计算机背景，AI与生物学之间的“语言鸿沟”成了第一道必须跨越的墙。生物领域的人才普遍资深，早期对AI通常是观望甚至质疑的态度，“生物的人，除非你做出药来才会相信你。”唐建感慨，跟他们沟通，讲AI多厉害没用，必须形成行业认知，说清楚AI怎么解决行业痛点，拿出足够复杂的具体成功案例，才能建立信任。

这种跨学科磨合持续了数年。百奥几何自建了两套湿实验平台，分别对应抗体药和合成生物学。“模型底层一样，但不同应用场景需要的生物人员专业知识画像完全不同。”这种跨学科磨合远非易事——AI团队与生物团队的文化氛围、管理方式差异巨大，直接拉长了行业的迭代周期。

技术路线也曾走过弯路。百奥几何成立之初的愿景就是实现抗体从头设计，但技术始终未达到最佳预期，因此2024年至2025年底期间，团队将重心转向合成生物学，甚至尝试自建工厂走重资产路线。但工厂侧的认知更多从制造业的思维出发，难以与AI研发团队达成共识，这次合作最终未能顺利落地，这也一度影响了公司的融资节奏。

唐建向AI科技评论坦言，2025年底，百奥几何正式做了战略收敛，研发聚焦创新药主航道，合成生物学领域则采用合作分成形式。此番战略回调之后，轻装上阵，抗体技术率先突破，公司回到正确轨道。

支撑这些突破的底层模型，也在同一时期快速迭代。从2024年6月发布的GeoFlow V1开始，百奥几何的底层模型能力快速迭代。V1主要做抗原抗体复合物结构预测，对标AlphaFold 3；V2在国际上首先提出用一个模型同时做复合物结构预测和从头生成，将“理解”与“生成”统一；V3引入大模型推理阶段的多步推理，提升了抗体从头设计的成功率。目前V4正在研发，建模尺度从单个分子拓展至细胞水平的分子系统。

AI科技评论了解到，百奥几何也是国内最早突破抗体从头设计的团队。其底层技术路线与海外头部公司类似，都基于diffusion model，但差异化在于V2提出的统一模型思路——用一个模型同时完成结构预测和de novo design。这一思路同样出现在Chai Discovery和Boltz等模型中。

与英伟达的合作也持续多年。唐建在Mila期间带领团队开发了针对小分子和蛋白的开源机器学习平台TorchDrug与TorchProtein，其中TorchProtein便是与英伟达、英特尔、IBM等团队共同完成。近期合作进一步加深，英伟达General AI团队注意到AI for Science特别是蛋白质设计的潜力，双方在技术层面开始更紧密的协作。唐建也参与了部分工作，包括在搜索阶段增加算力、利用test time compute提高设计成功率。这些技术探索被应用到GeoFlow V2到V3的迭代中，使百奥几何在底层技术层面始终与国外头部团队保持同步。

三年时间，百奥几何完成了从学术工具到产业基础设施的跃迁。但这只是验证了技术可行性，真正的考验在于，这些底层能力能否在产业端重新定义研发流程。

03

从分子到系统：基模能力的产业验证

底层模型跑通之后，真正的考验是产业交付。百奥几何也制定了两个重点战略方向：抗体药物开发和合成生物学里的酶设计。

抗体从头设计是百奥几何最先突破的硬骨头。针对一个难成药靶点设计高特异性结合抗体，传统方式需要从动物免疫或天然库中筛选，但靶点所在的蛋白家族里，其他成员与目标靶点只差两个氨基酸，很难找到不脱靶的分子。“我们通过GeoFlow做了精准建模设计，成功找到了几个抗体，能够跟靶点结合得很好，同时跟另外的靶点不结合。”他透露，相关分子目前正在往IND阶段推进。

疫苗设计的进展则更迅速。2025年，百奥几何合作开发疫苗，难点在于设计一种蛋白，使其能够高效自组装为稳定的二聚体。实验数据显示，天然蛋白里这种二聚体比例不足10%，而百奥几何介入后，直接提升至90%以上。目前相关疫苗已成功转让给下游药企，正式步入产业化阶段。

合成生物学方面，冰片提供了一个不同的验证场景。这种中药活性成分过去只能从樟科植物提取。植物里的冰片含量极低，是自然进化凑巧产生的副产品，一株植物往往要种一两年才能采收。百奥几何通过GeoFlow重新设计了一种酶，把它导入微生物，让发酵罐里的微生物主要生产冰片，而不再是微量副产品。这样一来，成本降到植物提取的十分之一，且不再受季节和种植周期限制。相关技术也已在工厂完成中试放大，目前正与下游合作方洽谈生产。

从抗体到疫苗再到酶，三个案例的落点各不相同，但底层逻辑一致：AI重新定义了流程本身。

传统方式拿到先导分子，需要通过动物免疫筛选再优化，周期长达9~12个月。现在，百奥几何的做法是跳过动物免疫，直接从计算端生成候选分子，靶点交付周期能大幅缩短，短则一个月，长则三个月——更实质的变化是成功率：有些难成药靶点，传统动物免疫根本做不出来，计算端却能给出可行方案。

管线验证只是起点。唐建认为，这个领域真正的长期壁垒在数据端。接下来百奥几何将搭建自动化实验室——现有湿实验室之外，自动化平台能产生更大通量的数据，把干湿实验的迭代效率再提一档。

他的愿景是模型能够自我进化，形成一套自主进化、自主执行的系统，类似Claude设计下一代系统的方向。叠加自动化实验室之后，就能做自主的科学探索，比如在药物研发里做靶点的自主发现、分子的自主设计验证。

这指向一个更大的行业判断。在唐建看来，大模型的发展早已为AI制药的演变路径给出了清晰预演：“在大模型生态中，我们已经看到一个残酷的现实——随着前沿基模在架构与通用能力上的持续进化，其不断外延的能力边界，正在直接‘蚕食’大量缺乏核心壁垒的下游应用。”正因如此，在垂类基模领域，Isomorphic、Chai Discovery、百奥几何等头部团队都选择了闭源——模型本身就是核心竞争力。未来两三年，行业将出现明确分化：不具备基模训练能力的团队，会逐渐失去对 AI 制药下一阶段游戏规则的定义权。

百奥几何的边界也在随之扩展。GeoFlow V4正在把建模尺度从单个分子推向细胞水平的分子系统。从抗体、疫苗到酶工程，从药物发现到合成生物学，底层能力一旦验证，天花板就不再是单一管线，而是生命工程的基础设施本身。

被命名为Moore和Eroom的两条曲线，仍在运行。百奥几何正在两者之间撕开一道口子——跳出“为旧流程加速”的局部修补，转向底层重构，从原子层面重新设计流程。

从抗体、疫苗到合成生物学，从GeoFlow V1到V4，底层模型的能力边界不断扩展，唐建的判断也始终如一：行业终局由基模层的底层操作系统定义，应用层的微调无法改变格局。

如今，生命世界正在等来属于自己的操作系统。而百奥几何，已经和Isomorphic、Chai Discovery一起，站在了定义这套系统的最前排。BioAI时代刚刚开启，底层基础设施的搭建者已经先行一步。

起底智元机器人，谁在推动一个庞然大物向前

走访 ICRA 30+中国企业，我们发现具身智能产业三大趋势 | ICRA 2026