本周, 在圣地亚哥举办的国际生物技术大会（Bio International Convention）上, 人工智能成了绝对的主角, 这是生物科技领域规模最为庞大的行业盛会, 它汇聚了来自整个生态系统的数量众多的企业。
在大会的特别演讲环节之中, 英伟达医疗和生命科学业务的副总裁同时还是总经理的, 是金伯利·鲍威尔（Kimberly Powell）, 她提出一点, 智能体AI很快会为生物科技行业带去的变革, 会跟它先前给软件行业带来的革命一模一样。英伟达的BioNeMo平台是这样的, 它属于核心技术栈, 这个核心技术栈能把通用大语言模型转变成真正有意义的"AI科学家", 它不仅具备更强的能力, 而且运行成本还更低。
英伟达希望让"AI科学家"在生物科技领域普及落地
鲍威尔于演讲起始部分勾勒了行业情形, “我们眼下见到的乃是生命科学领域有史以来速率最为迅速的平台转变, ”她这般讲道, 她将人工智能比作显微镜、X射线晶体学以及基因测序, 并把它称作一种全新类型科学仪器, 但是这一回, 此种仪器并非仅仅用于观察或许给以测定, 它还能够展开论证、进行方案筹备进而予以施行。
在大会期间, 英伟达郑重地推出了BioNeMo智能体工具包, 也就是BioNeMo Agent Toolkit，这此乃是一套软件技术栈, 可把大语言模型转变为领域专门的AI智能体, 能够开展从文献综述开始, 历经蛋白质设计, 直至实验室自动化的全流程生物学以及化学工作, 并且同时对性能与成本进行优化。
从生成式AI到科研智能体
鲍威尔的核心观点是, 生命科学领域有着每年3000亿美元的制药研发预算, 全球研发支出已差不多接近3.8万亿美元, 在过去十年当中已不知不觉为这一拐点做好了准备, 一方面, 生物学、化学、影像学和基因组学领域的AI研究呈现出爆发式增长, 另一方面, 英伟达也一直持续在基础设施层面深入研究部署, 包括GPU、网络、CUDA-X库以及MONAI、Parabricks、cuEquivariance和BioNeMo等领域平台。
过去的12个月到18个月期间, 最大的变化是智能体AI的兴起, 在这类系统中, 大语言模型充当“大脑”, 外层有执行框架去管理工具调用、记忆、执行安全策略以及管理多步骤工作流, 英伟达的NeMo Curator和NemoClaw框架是这一模式的通用实现, BioNeMo智能体工具包是专为生命科学优化的定制版本。
鲍威尔称, 智能体正成为生命科学领域现代应用的核心层, 生命科学领域里, 数以千计的企业都快要成为智能体的构建者, 这和“又一个新模型”的定位大不一样, 这表明生物科技领域下一代应用层不会是图形界面和数据管道, 而是由专业智能体系成的协作网络, 该网络能跨越数字实验室与物理实验室协同开展作业。
BioNeMo：为速度与成本而生的科研工具箱
英伟达此次进行的发布把BioNeMo确立为驱动那些智能体的科学引擎, BioNeMo智能体工具包给到生物科技团队三项关键能力。
其一, 把蛋白质折叠、分子对接、生成式化学、基因组学, 以及影像分析等, 那些经过验证的生命科学模型, 封装成智能体可以直接去调用的工具, 并且提供清晰的接口规范, 明确每个工具的功能、输入要求、预期输出, 还有排错方式。
其二, 借助NIM微服务, 将上述能力对外进行暴露, 对本地部署予以支持, 也支持公有云或者是混合环境从而让制药企业以及生物科技企业能够依据数据合规方面的要求, 还有监管层面的要求, 灵活地去部署计算资源。
其所列第三点, 并非将原始精度当作唯一的目标, 而是着重于对Token效率以及计算成本予以优化, 给予智能体具备高度加速能力的库以及模型调用能力, 对无效Token消耗得以削减, 同时对因重复执行失败步骤而造成浪费的时间加以减少。
鲍威尔特意谈到了历史上经常出现的性能跟成本难以同时兼顾的状况, 她把BioNeMo的技能与工具称作“专业知识底座”, 凭借这个底座让智能体能够凭借“更高的任务完成比率、更精准地执行工作流以及更低的Token耗费开支出”去完成复杂工作流, 而说到这个复杂工作流是什么意思呢, 就是“更少的计算资源、更可靠的结果”。也就是说, 配备了BioNeMo的智能体不但能够产出更为优质的科研成果, 而且还能够减少大语言模型的使用时被调用的次数, 进一步提升GPU利用效率, 与此同时达成成本跟性能两方面的双重优化。
鲍威尔还着重说明, BioNeMo跟智能体框架并没有关联, 同一套工具包能够兼容基于OpenAI构建的智能体, 也能兼容基于Anthropic构建的智能体, 还可兼容基于自研大语言模型构建的智能体, 或者兼容基于英伟达Nemotron模型构建的智能体。将如此情况放在对于那些不想未来十年的药物研发工作流被单一模型供应商给限制住的客户身上, 这一点是极其关键重要的。
AI"联合科学家"的实际应用场景
鲍威尔进行了演示, 以靶向MCL1蛋白的蛋白质结合剂设计工作流为例, 该工作流是为了让这一架构不只停留在图表层面, MCL1是一种帮助肿瘤细胞存活的蛋白质, 传统上, 从理解靶标到生成结合剂候选物, 再到预测结构, 接着评分筛选, 最后确定合成方案, 整个流程需要耗费数月的专业人力。
通用智能体能够尝试去执行这一工作流, 然而, 常常会于“搜索合适的工具、弄清楚调用的方式”方面, 耗费大量的时间以及Token, 甚至根本就没办法完成任务。鲍威尔称, 有了 BioNeMo 之后, 科学家只要给出像是“为 MCL1 设计一个结合剂”这类某个目标就行, 智能体就会自行开展这样一些步骤。这些步骤包括这么几组, 一组为检索或是预测靶蛋白结构还有它的结合区域；另外一组会利用 BioNeMo 生成模型制作出候选结合剂；下一组要针对靶蛋白以及结合剂进行共折叠, 并且借助加速结构引擎评估对接构象；最后一组是对候选物排序, 还要把最优结果反馈给人工审核, 而且是“全程不需要人工来进行干预”。
这恰恰是诸多处于初创阶段的企业所正在追寻的那种“AI科学家”模式, 其中有一个关键的细节是值得予以关注的, Edison Scientific的联合创始人兼首席技术官安德鲁·怀特（Andrew White）表明, 伴随智能体能力的不断提升, “人类出题、智能体答题的时代已然过去, 我们真正所需要的乃是把实验室纳入到反馈闭环之中”, 他的核心判断在于, 真正的瓶颈正从对现有文献进行推理, 转变为去开展新的实验, 而这刚好是数字闭环实验室以及机器人实验室具有极大用武之地的领域。
对生物科技与制药行业的战略意义
针对于生物科技范畴领域之内的决策者来讲, 战略维度层面的影响并非单单局限于某一款特定具体的工具, 而是在于鲍威尔还有参加活动现场嘉宾大伙所共同详尽表述描绘出来的运营模式深层次角度内容上面的转变:
时间线被极大幅度压缩, 鲍威尔持有这样的观点, 智能体将会实现“对于科学发现的提速、令研究周期被压缩”, 那种原本要耗费数年去完成的工作将被缩短到只需数月, 而原本数月就能完成的工作却会锐减到只需数天。Chai Discovery的首席执行官乔希●迈耶( Josh Meier )列举了一个具体的事例, 因受到模型改进进而加快迭代速度、推动, 抗体设计的成功率从千分之一迅猛提升到了10%至 .15%。
针对湿实验室, 速度压力急剧增加, 计算机模拟设计促使设计时间从数月大幅压缩至数小时, 在此情形下, 则实验室工作流演变成新的瓶颈, 迈耶表明, 众多实验检测方案在以往从未依据速度实施优化, 原因是缺乏这方面的驱动力, 然而当下, 加速此闭环已然变成竞争的必要条件。
呈现出全新的协作模式, 鲍威尔有所预见, 那制药公司将会从侧重于“深度科研合作关系”之事, 转至把前沿AI实验室、工具供应商以及平台公司整合入闭环系统的新型合作样式, 在这类系统当中, 每一回实验都会反过来滋养专有基础模型与智能体。Benchling首席执行官萨吉斯·维克拉马塞卡拉, 也就是 Sajith Wickramasekara亦持有相同看法, 觉得电子实验室记录本正从从事后归档工具, 演变成有AI协同加入的“行动系统”。
摧毁围栏、推动领域交融。鲍威尔觉得, BioNeMo等器具会使生物学家得以“用自然语言形式启用高级建模 powers, 而不必撰写任何代码”, 进而突破学科间的围栏, 让更多一线科研工作者都可运用现代AI器具。
对于最后这一点而言, 是特别值得予以关注的。要是AI智能体可以在自然语言对话界面的背后, 稳定且可靠地去协调高端建模以及工作流自动化, 那么“计算生物学家”跟“湿实验室生物学家”彼此之间的实际界限就会开始变得模糊起来。
前瞻：行业信号解读
从行业观察者的眼里看去, 在2026年的BIO大会上传出的核心信号而言, 并不是英伟达"进入"生命科学情形——它在这个领域深入钻研已经超过十年时间——是英伟达正向生物科技领域抢先进行标准化智能体技术栈的行动。智能体工具包BioNeMo, 把英伟达现有的诸多块阵地, 像MONAI、Parabricks、cuEquivariance以及BioNeMo模型等, 归拢成一个连贯运行时, 这一运行时任何智能体框架均可接入, 并且在速度、精度与成本这三个维度上, 给予清晰的价值主张。
被值得关注的同样是开源策略, 鲍威尔清晰地表明, 那个工具包已然在GitHub上被放开呈示, 并且被规划设计成能够与开源以及闭源前沿模型相适配兼容。以此给制药以及生物科技企业赋予了在英伟达工具箱之上构筑自身领域独有的“大脑”的那种灵活性。在知识产权保护、数据本地化合规以及获取监管机构信任极具重要性的那种行业周遭环境里, 这样的灵活性具备至关重要的意义。
鲍威尔于演讲结尾, 用一句话精确概括了英伟达的战略雄心, 那便是: “智能体AI已然革新了编程, 这一点已成为定论。当下, 这个生态系统正在进行集结, 准备采用同样的方式去革新科学本身。” 她觉得, 对于生物科技领域的决策者来讲, AI能不能助力科学研究已不再是个问题, 真正的问题在于 “AI是不是拥有开展科学运行所需的正确工具”。仰赖BioNeMo智能体工具包, 英伟达正在押注, 对于越来越大的行业细分市场来讲, 答案将会是肯定的。
Q&A
问题一, BioNeMo智能体工具包具备怎样的功能, 它相较于普通大语言模型存在什么样的差异呢?
B: 英伟达专为生命科学领域所优化的软件技术栈, 也就是BioNeMo智能体工具包, 它能够把通用大语言模型转变为可以执行端到端生物学以及化学工作流的专业AI智能体, 其覆盖范围包括文献综述、蛋白质设计直至实验室自动化等全流程。相较于普通大语言模型, BioNeMo着重对Token效率以及计算成本进行了优化, 降低了无效调用, 与此同时还提供了蛋白质折叠、分子对接、生成式化学等经验证的专业工具, 从而让智能体能够凭借更少的资源去完成更为可靠的科研任务。
Q2：英伟达的智能体AI怎么用于药物研发？
设想一下靶向MCL1蛋白的药物这一设计情况, 科学家仅仅输入“为MCL1设计一个结合剂”这般自然语言指令, 这种情况下BioNeMo智能体就会自动去完成靶蛋白结构检索, 还会生成候选结合剂这样一过程, 与此同时进行共折叠结构预测动作, 接着评估对接构象, 随后对候选物排序完成全流程, 最终把最优结果返回给科学家让其审核, 整个过程都是不需要人工进行干涉的。要是按照常规, 完成这一流程需要数月专业人力投入, 然而借助AI智能体只需要数天也许数小时, 就能大幅压缩时间 , 把这种流程完成。
问题3: BioNeMo所支持的是怎样的一些AI模型, 它是否会导致供应商被锁定?
A: BioNeMo智能体工具包采用开放设计, 这种设计与智能体框架无关, 它能够兼容基于OpenAI的智能体, 也能兼容基于Anthropic的智能体, 还能兼容企业自研大语言模型构建的智能体, 或者兼容英伟达Nemotron模型构建的智能体。该工具包已在GitHub开放source代码, 在那里, 支持开源前沿模型, 也支持闭源前沿模型, 制药企业可在英伟达工具箱之上自主构建专属领域模型, 生物科技企业同样可在英伟达工具箱之上自主构建专属领域模型, 如此能有效避免遭受单一供应商锁定的风险呢。
还木有评论哦，快来抢沙发吧~