这不是又一个AI制药公司的PR新闻。这是AI药物发现基础设施格局的一次结构性拐点。
本文从技术架构、Scaling Law、开源vs闭源格局、投资含义四个维度，拆解OpenDDE的本质意义，并回答一个核心问题：当小公司敢于用Apache-2.0开源对抗Google的IsoDDE闭源垄断，AI制药的底层游戏规则是否正在被重写？
三个你不需要读完全文的判断：
- OpenDDE在抗体-抗原共折叠这一特定任务上，已经是开源模型的SOTA，且与Google闭源IsoDDE的差距在快速缩小
- 生物分子基础模型正在经历类似LLM的Scaling Law阶段——谁的算力投入大，谁的模型强，但开源策略正在打破这一垄断逻辑
- Aureka的真正野心不是卖模型，而是通过开源建立生态标准，再用干湿闭环的数据飞轮构建护城河
一、引言：被忽视的"Linux时刻"
2026年上半年，AI制药行业的叙事被三件事主导：英矽智能Rentosertib进入III期临床、MNC砸700亿美金抢AI制药平台、以及Google IsoDDE正式闭源。
这三个事件串联出行业一个深层矛盾：AI制药技术本身在快速进步，但对这些技术的获取权正在迅速集中。IsoDDE闭源后，全球学术界、初创公司、中小型药企能够接触前沿生物分子基础模型的通道被Google牢牢卡住。
就在这个节骨眼上，Aureka OpenDDE发布了。
OpenDDE不是第一个开源生物分子模型——Protenix、OpenFold3都在它前面。但它是第一个在抗体-抗原共折叠这项业界公认的硬任务上，把性能拉到接近IsoDDE水平的开源模型。而且它给的是全套：训练代码、推理Pipeline、checkpoint、基准测试脚本，全部Apache-2.0。
作为AIDD产品经理，我可以直接告诉你这意味着什么：如果IsoDDE是Windows，OpenDDE就是Linux。在PC时代，Windows赢了市场份额，但Linux赢得了整个云计算基础设施层。在AI制药领域，同样的故事可能正在重演。
二、技术拆解：OpenDDE到底做了什么？
先说结论：从模型架构看，OpenDDE不是一个"有样学样"的复制品，而是在AlphaFold3/IsoDDE技术路线上做了三个实质性创新。
2.1 原子级潜在推理（Atomic Latent Reasoning）
这是OpenDDE最核心的设计差异。
传统结构预测模型的逻辑是：读入序列 → 生成残基表示 → 直接预测坐标。但OpenDDE在"生成坐标"之前加了一步——结构Token推理。
具体来说，模型把每个残基扩展成多个结构Token（主链、侧链、核酸碱基、配体），然后在这些Token之间执行一轮关系消息传递。这相当于模型在提问："在确定原子位置之前，我先想清楚这些化学基团之间应该怎么摆放。"
技术实现上，OpenDDE用了一个Pairformer风格的主干（Trunk），但把Pairformer隐藏层维度从AlphaFold3的128扩展到384——参数量增加3倍，计算量增加约9倍。然后在结构Token图上执行成对条件注意力和三角更新来精炼关系表示。
我为什么觉得这个设计很重要？
因为在药物研发实践中，许多问题本质上不是"结构预测"问题，而是"关系推理"问题。比如设计一个抗体，你需要理解CDR环与抗原表位之间的几何互补性，而不是单独预测每一个loop的结构。OpenDDE的架构设计体现了这种"先理解关系，再生成结构"的哲学，这是从"预测工具"向"设计引擎"的关键跃迁。
2.2 形状互补性损失函数（Shape-Complementarity Loss）
这是一个看似不起眼但实际非常关键的工程创新。
抗体-抗原结合的核心是界面互补性。传统损失函数只衡量预测坐标与真实坐标的距离（如LDDT、DockQ），但Aureka加入了一个显式的形状互补性损失 $L_{shape}$，它计算四个因子：
- 朝向因子（$f_{face}$）：两个表面是否面对面
- 相对因子（$f_{opp}$）：表面法线是否相反
- 间隙因子（$f_{gap}$）：距离是否接近理想值
- 冲突因子（$f_{clash}$）：惩罚空间冲突
这让我想起做抗体设计时的一个实际痛点：很多AI模型预测的抗体-抗原复合物，LDDT分数看起来不错，但界面上总有原子穿模或空隙过大，根本不能用于后续的分子动力学模拟。$L_{shape}$ 就是直接解决这个问题的——它不是"分数好看就行"，而是在物理合理性层面做约束。
2.3 统一预测与设计框架
OpenDDE把结构预测和从头设计统一为同一个条件去噪问题。
通过控制两个原子掩码 $m_{known}$ 和 $m_{target}$，模型既可以做全结构预测（所有原子都是目标），也可以做条件生成（固定口袋结构，生成配体/抗体CDR）。
听起来像是技术细节，但实际上这对药物研发工作流有直接影响。传统上，虚拟筛选用一套模型、抗体设计用另一套模型、亲和力预测又用一套——管线衔接需要大量工程工作。OpenDDE的架构设计目标是让"预测"和"设计"共享同一套表示学习流程，减少模型切换的摩擦成本。
当然，目前这个功能还是"基础框架已搭建，但需要进一步验证"的阶段。Aureka自己在技术报告中承认了这一点——downstream capabilities还需要大量工作。
三、Benchmark表现：离IsoDDE还有多远？
这是最值得认真审视的部分。OpenDDE在抗体-抗原共折叠的三个基准测试上的表现：
- PXMeter-AB Top-1: 51.0%（Oracle: 65.9%）
- FoldBench-AB Top-1: 70.0%（Oracle: 81.9%）
- 2026ARK-AB Top-1: 66.4%（Oracle: 80.1%）
几个关键观察：
- 开源模型中的绝对领先：2026ARK-AB上第二名的ESMFold2只有51.0%，OpenDDE的66.4%甩开15个百分点。在抗体的世界里，这是一个代差级别的差距。
- FoldBench-AB的抗原-抗体DockQ达到0.700，而AlphaFold3只有0.488，ESMFold2是0.581。注意，这是OpenDDE直接比较AlphaFold3的官方输出，没有经过任何微调或领域适配。
- Oracle vs Top-1的差距：OpenDDE的Oracle选择率（从多个采样种子中选最优）在大多数基准上都显著高于Top-1。FoldBench-AB的Oracle甚至可以做到81.9%。这说明模型的潜在生成能力远强于单次推理的表现——问题主要卡在置信度校准和候选排序上，而不是生成质量本身。
- 与IsoDDE的距离：Aureka非常谨慎地表述为"narrows the gap with reported IsoDDE-level results"。官方没有给出IsoDDE在相同基准上的绝对数字，所以无法做精确对比。但从OpenDDE在蛋白质单体（LDDT 0.890）和蛋白质-蛋白质（DockQ 0.769）上的表现看，它已经在某些维度追平甚至超越了IsoDDE的公开水平。
我的判断：OpenDDE在抗体-抗原这个特定领域已经做到了开源模型的SOTA，而且和闭源IsoDDE的差距在快速缩小。对于90%的学术研究和早期药物发现场景，这个精度已经完全够用。
3.4 一个产品经理的视角：OpenDDE的工程细节
作为AIDD产品经理，有三点工程上的细节一般人不会注意，但我认为值得展开讲。
第一，Fold-CP上下文并行。 OpenDDE集成了一套叫Fold-CP的并行框架，解决token成对表示的内存瓶颈。对于2000个token的输入，单GPU直接OOM，4路上下文并行（CP4）可以处理峰值内存约80GB。这意味着什么？做抗体-抗原复合物预测时，一个典型的抗体（约1300个残基）+抗原（约500个残基）的组合，用4×A100是可以跑动的。对中小型团队的工程部署非常友好。相比之下，IsoDDE需要多大算力才能部署？Google没有公开，但从其规模反推，至少是OpenDDE的5-10倍。
第二，训练数据供应链。 OpenDDE的训练分为6个阶段，从"实验结构（精度）"→"蒸馏数据（广度）"→"实验结构（精度）"的迭代循环。其中SAbDab在最终阶段占13%的权重。这很关键——做抗体设计的都知道SAbDab的数据质量远高于非冗余PDB，但数据量小、覆盖窄。OpenDDE把它作为最后阶段的精修数据，与前面大规模蒸馏数据形成互补。这种数据调度策略，反映的不仅是工程水平，更是对抗体药物研发领域知识的深度理解。
第三，评估方法论。 所有真实结构和模板数据库使用2021年9月截止日期过滤。这意味着2021年9月之后解析的所有PDB结构都不参与训练。这个cutoff在业界并不统一——有些模型用2020年（数据更保守），有些用2022年（数据更多但leakage风险更大）。OpenDDE选了2021年9月这个中间值，并对Benchmark做了明确的披露。当前很多生物分子模型在数据泄露问题上极其不透明，Aureka愿意公开这件事，至少说明他们对评估方法论是认真的。
四、Scaling Law：生物分子基础模型的"算力军备竞赛"
这篇文章最被低估的部分，是Aureka对Scaling Law的研究。
OpenDDE的训练消耗了约414,000 GPU小时（50×8块NVIDIA 80GB Ampere GPU训练6周 + 8×8块141GB Hopper GPU训练1周）。按AWS p4d实例的On-Demand价格估算，仅训练成本就在150-200万美元左右。对于一个未上市的中美双总部公司来说，这是真金白银的投入。
Aureka报告了三个关键Scaling趋势：
- 训练计算量与性能正相关：更大模型（更多参数）× 更多训练数据 → 更好的共折叠精度。这一趋势在模型中呈现亚线性增长，与LLM的Scaling Law逻辑一致。
- 测试时计算量也能换性能：增加随机采样种子数（从1个到多个），FoldBench-AB的Oracle成功率从约66%提升到>90%。这是一个非常实用的发现——意味着在不改模型的情况下，仅增加推理计算量就能获得可观的性能提升。
- 数据蒸馏的有效性：OpenDDE的训练策略是"先实验结构（精度）→再蒸馏数据（广度）→最后回到实验数据（精度）"。这一策略的核心洞察是：蒸馏数据虽然单个样本的精度不如实验结构，但它覆盖的分布更广，有助于模型泛化。
从投资视角看，这三点意味着什么？
第一，生物分子基础模型正在进入"大力出奇迹"的阶段。谁能持续投入算力，谁就能在模型性能上建立先发优势。这不是一个算法竞赛，而是一个基础设施竞赛。
第二，但OpenDDE的开源策略打破了这一逻辑的垄断性。如果最好的开源模型每6-12个月追平闭源模型的水平，那么"闭源军备竞赛"的商业模式就面临挑战。Linux没有赢得桌面，但赢得了云基础设施——同样的逻辑可能适用于AI制药。
第三，414,000 GPU小时听起来很多，但对于一家可能计划融资的公司来说，这其实是一个非常好的story：我们用相当于GPT-3级别1%的算力，训练出了一个在特定任务上接近Google规模模型的生物分子基础模型。如果加上开源社区的力量，这个模型的迭代速度可能会超过IsoDDE。
五、开源 vs 闭源：AI制药的格局之变
把OpenDDE放在更大的行业背景中看，我们需要回答一个战略性问题：为什么Aureka要选择Apache-2.0开源？
在当前AI制药基础模型的版图上：
| 模型 | 公司 | 许可 | 定位 |
|---|
| IsoDDE | Google/Isomorphic Labs | 闭源 | 商业授权 |
| AlphaFold3 Server | Google DeepMind | 闭源 | 仅限非商业 |
| OpenDDE | Aureka | Apache-2.0 | 开源 |
| Protenix | 字节跳动 | 开源 | 非商业/科研 |
| OpenFold3 | 学术社区 | 开源 | 科研 |
关键差异在于：Protenix虽然有开源版本，但字节跳动的商业化策略是"平台化"，它不会把自己的核心Pipeline建立在开源版本上。而Aureka采取了最激进的路线——不仅开源，还提供全部训练代码和checkpoint，且使用最开放的Apache-2.0许可。
Aureka为什么要这么做？
我认为有三层逻辑：
第一层：生态系统构建。 在抗体AI这个领域，Generate Biomedicines、BigHat、百图生科都在做自己的闭源平台。Aureka的差异化策略是：不做应用层竞争，而是做基础设施层的开放标准。如果开源社区和学术界都把OpenDDE作为标准底座，Aureka就自然成为了抗体AI领域的"红帽"。
第二层：数据飞轮。 Aureka同时在做自动化湿实验平台（autonomous antibody-design agents + 高通量单细胞功能筛选 + 自动化酵母进化）。开源模型可以吸引大量用户使用→用户反馈bugs和edge cases→模型持续改进→吸引更多用户。这是一个经典的开发者生态策略。
第三层：人才和融资叙事。 在当前的AI制药资本环境下，"我们用开源模式挑战Google的闭源垄断"是一个非常有吸引力的叙事。它既不像传统Biotech那样需要漫长临床，也不像纯AI公司那样变现路径模糊——它讲述的是"AI制药基础设施"的故事。
六、干湿闭环：被PR新闻掩盖的真正野心
OpenDDE的发布稿中提到了一段值得认真对待的信息：
"Aureka is pairing this computational foundation with a high-throughput automated wet-lab platform to build a dry-wet closed-loop discovery system."
这不是一句客套话。Aureka的模式是自己在实验室跑抗体筛选实验，把实验反馈数据feed回模型，形成闭环。
具体来说，他们的计划是：
- 自主抗体设计Agent提出候选分子
- 高通量单细胞功能筛选验证
- 自动化酵母进化优化
- 实验表型和功能数据反馈到模型
这个模式如果跑通，将直接解决AI制药行业最核心的痛点：数据飞轮不转。
大多数AI制药公司的困境是：模型生成分子→外包CRO验证→等6-12个月拿到结果→数据已经过时了。Aureka把高通量湿实验内置到平台中，理论上可以将一轮"设计-验证-学习"周期缩短到几周。
当然，说比做容易。干湿闭环是AI制药界的"统一场论"——晶泰在尝试、Recursion在尝试、百图生科也在尝试。没有人真正跑通。但OpenDDE的开源策略为Aureka提供了一个独特的优势：如果社区在使用OpenDDE的过程中产生了大量的benchmark数据，这些数据本身就可以作为"类实验反馈"来改进模型。
6.1 为什么这次可能不一样？
过去干湿闭环失败的核心原因，不是技术问题，而是激励问题。晶泰的干湿闭环是内部封闭的——数据只进不出，社区没有贡献动力。Recursion的闭环建立在自有数据上——资产不能共享，外部无法验证。
Aureka的模式不同：模型是开的，代码是开的，但湿实验数据产生的飞轮是封闭的。这是一个"开放核心+专有增值"的混合模型。社区贡献算法改进，Aureka用自有的湿实验平台持续产生高质量数据来微调模型。这种设计借鉴了红帽的商业模式——开源操作系统免费，但企业级支持和技术咨询收费。
6.2 关键风险
但我也必须说清楚风险：Aureka目前只公布了计划，没有任何公开证据证明干湿闭环已经跑通。建一个自动化湿实验平台的资本开支在千万美元级别，对于一个未上市的早期公司来说，这可能是一个烧钱的无底洞。如果Aureka在OpenDDE上投入了太多算力资源，导致湿实验平台的投入不足，干湿闭环就永远停留在PPT上。
七、投资含义：开源的基础设施值多少钱？
最后，回到最实际的问题：OpenDDE和Aureka的投资价值在哪里？
7.1 技术壁垒分析
OpenDDE的655M参数架构并不算大——相比之下，GPT-3是175B参数，差了260多倍。但OpenDDE的价值不在于模型规模，而在于三件事的结合：
- 抗体-抗原共折叠的开源SOTA：在这个特定任务上的领先性，使它在抗体药物发现这个细分市场有明确的产品市场适配。
- Scaling Law证据：证明了生物分子基础模型存在清晰的scaling趋势，意味着更大的投资可以产生可预期的回报。
- 开放生态策略：Apache-2.0许可 + 全套训练代码 + 干湿闭环计划，构成了一个完整的生态故事。
7.2 天花板在哪里？
上限：Aureka成为AI制药领域的"红帽"——开放核心 + 商业服务（企业版咨询/定制化训练/湿实验验证）。类比红帽200亿美元被IBM收购的案例，如果Aureka能在抗体AI基础设施领域建立类似的市场地位，价值空间在数十亿美元级别。
下限：开源模型性能始终追不上闭源模型（特别是IsoDDE）。社区贡献不足，开发节奏放缓。最终被大厂的闭源平台碾压。
7.3 关键跟踪指标
对投资者而言，以下指标比"融资额"或"合作数量"更有意义：
- GitHub Stars/Forks/Contributors：开源社区的活跃度是OpenDDE生态健康度的直接指标。
- Hugging Face模型下载量：用户实际使用的频率。
- 抗体管线数量：走完"干→湿"闭环的候选分子数量。
- $L_{shape}$改进：形状互补性损失是否有开源社区的后续改进。
- IsoDDE+OpenDDE精度差距变化：每个新版本发布时，差距是在缩小还是在扩大。
八、结论
OpenDDE的发布不是一个"又一个AI制药模型"的故事。它是一个小公司敢于用最开放的策略挑战最强大竞争对手的故事。
在技术层面，OpenDDE做了三件正确的事：原子级潜在推理、形状互补性损失函数、统一预测与设计的架构。在战略层面，它做了一件更大胆的事：用Apache-2.0开源对抗Google的闭源垄断。
这个策略能否成功，取决于三个条件：社区生态能否建立起来、干湿闭环能否跑通、以及IsoDDE的下一个版本会不会把OpenDDE再次甩开。
但有一点是确定的：AI制药的基础设施正在经历硅谷历史上最经典的剧本——闭源vs开源。 上一次这个剧本上演时，Linux和Apache赢了。这一次，谁会成为赢家？
答案可能在未来12-18个月内揭晓。但至少在今天，OpenDDE的存在本身已经改变了这场比赛的走向——它从"有没有开源替代品"的问题，变成了"开源替代品够不够好"的问题。这个转变本身就是一种胜利。
参考文献
[1] Aureka AI Research. "Folding, Reasoning, and Scaling with Open-source Drug Discovery Engine." arXiv:2607.03787, July 2026.
[2] Aureka. "Aureka Releases OpenDDE, an Open-Source Drug Discovery Engine Designed to Accelerate AI-Driven Therapeutic Discovery." PRNewswire, July 6, 2026.
[3] OpenDDE GitHub Repository. https://github.com/aurekaresearch/OpenDDE
[4] Abramson, J. et al. "Accurate structure prediction of biomolecular interactions with AlphaFold 3." Nature, 2024.
[5] Google DeepMind. "IsoDDE: Isomorphic Drug Discovery Engine." Technical Report, 2025-2026.
[6] Lin, Z. et al. "Evolutionary-scale prediction of atomic-level protein structure with a language model." Science, 2023. (ESMFold)
[7] Chen, B. et al. "All-atom biomolecular structure prediction with Protenix." bioRxiv, 2025.
[8] Ahdritz, G. et al. "OpenFold3: Open-source implementation of AlphaFold3." GitHub, 2025-2026.
[9] SAbDab: The Structural Antibody Database. http://opig.stats.ox.ac.uk/webapps/newsabdab/sabdab/
[10] PXMeter: Protein complex structure prediction benchmark. https://pxmeter.com
