被英伟达点名的杭州团队，补上了AI for Science的「最后一公里」

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 被英伟达点名的杭州团队，补上了AI for Science的「最后一公里」 杰西卡 2026-09-16 11:40:35 来源： 量子位 杰西卡 发自 凹非寺 量子位 | 公众号 QbitAI AI for Science的竞争，正在向 科研闭环 延伸。 以 蛋白设计 为例，尽管蛋白模型越来越强，但真正想设计一个分子，研究人员还需要找文献、查结构，再下载权重、配置环境，把计算任务送上服务器。 等模型给出结果，还要换个工具看结构、做筛选，判断哪些候选值得继续……一次计算跑完，下一步从哪里开始，往往仍 靠研究人员把各个环节接起来 。 现在，这些隐藏在模型前后的工作，开始被AI公司重新审视。 今年4月， OpenAI 推出面向生命科学的 GPT-Rosalind ；6月， Anthropic 发布 Claude Science ；8月，Anthropic又公布Agent参与蛋白质设计、衔接外部实验验证的研究。 这些进展指向同一个变化：AI不再只负责模型本身的计算环节，也开始 参与模型前后的研究工作 ，可以分析结果、调整方案，继续推进任务。 国内，也已经有团队走到了类似的交叉路口。 杭州一家 AI蛋白质设计公司力文所 ，他们近日发布了 Lévin™ Harness ， 面向科研社区开放使用 。 △图源：力文所Lévin™ Harness产品界面 它把数据、模型、插件工具、算力和工作流放进了同一个Agent工作区，由研究人员定义目标、方法和关键决策，Agent则据此推进计算、分析结果，再根据反馈调整下一轮方案。 在Lévin™ Harness中，用户可以选择专业的科学模型和分析工具完成蛋白质结构预测、序列设计等计算任务，但Lévin™ Harness本身不绑定特定模型，通用模型层保持开放。 新的模型和科学能力，还可以通过插件继续加入，任何人都可以为自己的模型、想加入Agent能力的模型制作 专属插件 。 不仅如此，一套研究方法跑通之后，还可以沉淀为 Workflow ，用于重复运行和继续修改。 Lévin™ Harness的核心职责，就是把模型、工具、算力和研究过程组织到同一条工作链上。 这解决的恰恰是AI for Science当下正在面临、比单次推理复杂得多的问题： 如何让这些智能真正进入科研现场，并且持续工作下去。 AI模型解决科学问题，Agent开始组织科研闭环 力文所发布的 Lévin™ Harness ，是一款 以Agent为核心的蛋白质设计应用 ，也可以近似理解为一个专门服务生命科学研究的Agent工作台。 在同一个工作台里，研究者可以提出目标、查看分子结构、组织计算，也可以在结果出现后修改方案。这些动作始终围绕同一个项目进行，前一步得到的信息能够继续供后一步使用。 这里的Agent，依靠 通用大模型 （DeepSeek、Kimi、GLM、Qwen、小米MiMo等开放模型）理解研究人员的需求、规划步骤，再调用相应工具执行任务，用户只需要用自然语言描述需求； 专门训练的科学模型和分析工具 会承担蛋白质结构预测、序列设计等计算任务。 △图源：力文所 Harness则负责连接这些能力与所需数据、算力，并保留研究过程。 研究人员只需负责科学目标、方法和关键决策，且随时可以审阅结果、补充条件或纠正方向。 这套分工，本质上是为了尽可能缩短 从想法到结果 的路径，让复杂的设计过程集中在同一个对话式工作环境里完成。即便是不懂程序的科研人员，也能快速完成蛋白质设计。 那么具体怎么实现这种 「端到端」 过程呢？可以用 蛋白binder设计任务 举个例子： binder是能够与目标蛋白结合的蛋白分子。传统的binder设计，需要研究人员弄清楚它需要结合哪个靶点、结合什么位置，以及希望通过这种结合实现什么目的。 明确这些问题后，团队才能给设计模型提出约束，生成候选，再筛选出值得投入实验的分子。 △AI生成 这条路径中的每一步，都会影响后面的选择。因此，任务从一开始，就需要把 文献、结构和设计条件 放在一起考虑。 而在Harness里，研究人员可以提出针对某个靶点设计binder的目标，由Agent参与靶点调研、整理相关信息，辅助分析可选择的结合位置，研究者再根据研究目的确定方法和约束，让后续计算有明确的方向。 不过这里可能存在一个问题，就是Agent需要 “看懂” 研究人员正在研究的分子。 蛋白质由氨基酸连接而成，链中的氨基酸单元通常被称为残基。这条链会折叠成三维结构，序列中相距很远的残基，可能在空间中彼此靠近。 Binder能否与靶点形成合适的结合界面，就与这些空间关系直接相关。所以研究人员选中了哪个残基、正在比较哪两种构象等信息，也需要纳入Agent的工作范围。 为此，力文所在Agent工作区内置了三维分子可视化工具，屏幕上的分子结构信息及相关操作，可以直接转化为Agent的上下文，让对话指向一个明确的研究对象。 △图源：力文所Lévin™ Harness产品界面 研究者在对话中提出“这里”这样的模糊词汇，Agent也能理解具体的空间位置；后续是否调整某个残基，进一步检查局部相互作用，也有了可供共同审阅的依据，结构分析因而能够跟着任务贯穿设计过程。 有了判断依据，下一步就是 把设计思路落实为计算 。 蛋白质设计领域已有不少专业工具出现，比如 AlphaFold 等模型用于结构预测， ProteinMPNN 可以为给定结构设计氨基酸序列， Pallatom 面向全原子蛋白质生成， RFantibody 则服务于抗体设计……Agent会根据任务意图自行选择相应能力。 △图源：力文所Lévin™ Harness产品界面 不过工具一旦多了，使用它们本身也会产生工作量。不同模型的输入、输出和运行环境未必一致，上一项计算的文件怎样交给下一项工具，设计条件怎样转换成参数，都需要有人处理。 为了解决这个问题，Lévin™ Harness通过定制的插件系统，把专业能力接进了同一套环境。 对于已经接入的插件，系统可以自动完成工具的下载、安装和调用，Agent再根据目标自行选择合适的工具、配置参数，串联相应计算。 而且用户还可以 继续通过插件加入新的模型和科学能力 ，搭建自己的专属插件，保留了研究方法的选择空间。 与此同时， 计算资源 同样接入了这条工作链。 结构生成和批量筛选常常需要持续运行GPU作业，Harness则可以连接本地工作站，或把任务提交到远程GPU服务器，让大型计算在后台进行，完成后再由Agent分析产物，推进后续步骤。 △图源：力文所Lévin™ Harness产品界面 回到binder任务，Agent此时能够组织候选生成与评估，并结合结构分析给出筛选依据。 不过，一轮计算结束，研究通常还没完成。如果候选没有满足约束，或是在不同评价项上表现不一，研究人员仍需要判断问题出在哪里。 这就需要 Workflow ，把这些能力组织成 可执行、可修改 的研究方法。体现在Harness中，就