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 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。

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。

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。

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。

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。

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。

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，就是研究者确定科学方法和关键决策，Agent协助连接、运行与调试，再根据结果参与调整。

比如，一轮候选都没有达到预期，研究人员与Agent就需要回看结合位点和设计约束，检查生成方法与筛选策略，再决定修改哪一环。

Agent可以提出建议并执行新方案，研究人员则审阅这些判断，让任务继续围绕原来的研究目标推进。

候选进入实验后，整理好的实验结果也可以返回项目，成为下一轮设计的依据。如果分子没有呈现预期功能，团队便需要重新审视评价方法。

直观理解这一套流程就是，实验操作仍由实验团队完成，Harness承接的是研究人员、计算工具与反馈之间的协作。

随着多轮调整，经过验证的工具组合、参数和检查步骤能够留在Workflow中，供类似任务复用。

Lévin™ Harness的产品思路，始终围绕科研任务怎样继续推进，让不同环节围绕研究目标接续起来，形成一个科研闭环。

目前，Lévin™ Harness已面向科研社区开放使用，支持搭载Apple芯片的Mac。

作为力文所研发的Agent，它天然继承了团队在蛋白质设计上的多年积累。要理解它今天的样子，就得回到这家公司起步的地方。

AI蛋白设计公司，为什么自己做Harness？

杭州力文所生物科技有限公司，成立于2021年9月。公司名字来自蛋白质科学里的经典命题——Levinthal悖论：

一个蛋白理论上存在数量极其庞大的可能构象，如果完全依靠随机尝试寻找天然结构，理论耗时甚至可能远超宇宙年龄；然而，自然界里的蛋白质却可以在极短时间里完成折叠。

由此，怎样从巨大搜索空间里快速找到有效路径，成为了蛋白质科学长期研究的问题之一。

力文所起初想要解决的问题，也围绕蛋白质展开。据了解，其最初的目标就是成为一家通用型蛋白质设计公司——面向不同分子和应用提供设计能力，同时发展自己的产品。

“通用型”意味着，团队需要面对结合蛋白、抗体、环肽和工业用酶等不同方向。这些蛋白质的用途和要求各不相同，力文所需要寻找能够共用的设计能力，再把这些能力放进具体项目中检验。

选择这样的通用型路线，和力文所背后的创始团队有关。

公司创始人兼CEO王浩博，拥有北京大学博士、哈佛大学博士后背景，师从蛋白质AI领域学者Sergey Ovchinnikov，研究经历横跨有机化学、结构生物学、生物信息学和人工智能。

力文所团队本身也带有很强的跨学科特征，同时汇集了计算机科学、结构生物学、化学领域的专业知识和真实实验能力。

早期，力文所搭建了Lésign智能化蛋白设计平台，随后进一步把技术重心推进到全原子蛋白质生成。

其中最具代表性的工作，就是力文所自研的全原子蛋白质生成模型Pallatom。

由于骨架构成蛋白质的主体结构、侧链连接在骨架上，所以骨架、序列和侧链的形状、位置和化学性质，都会影响蛋白质如何折叠，以及怎样与其他分子相互作用。

许多蛋白质生成方法，会先生成骨架，再设计匹配的序列，之后优化侧链，研究者需要不断协调这些步骤。

而Pallatom则从全原子层面处理这种关联，将序列与结构的协同设计纳入统一生成过程，输出包含全原子坐标的结构，让模型在设计时就考虑分子各部分之间的联系，为后续研究提供更完整的起点。

这项研究于2024年公开，随后入选ICML 2025 Spotlight。

Pallatom还曾被英伟达官网收录为代表性“蛋白质基础模型”，与AlphaFold 3、ESM-3、Proteína并列。

Pallatom较早推进的全原子生成思路，后来也逐渐成为蛋白质生成模型的重要技术方向：

例如2025年发布的RFdiffusion3开始直接对蛋白质全原子结构进行生成，并采用atom14表示处理未知序列下的侧链原子；随后发布的通用binder设计模型BoltzGen，也采用了类似的全原子表示。

BoltzGen论文在梳理相关技术路线时，还直接引用了Pallatom，并将Pallatom、RFdiffusion3与BoltzGen并列为采用padded atom14表征的全原子生成方法。

沿着全原子路线，力文所又把能力延伸到结合蛋白、抗体、环肽等任务，形成Pallatom产品家族；面向小分子配体结合蛋白设计的Pallatom-Ligand，也入选了ICLR 2026。

这些不同方向上的延伸，已逐渐与公司的“通用型”目标相连。

然而，候选在计算中获得较好评价，只说明它值得进一步研究，能否被制备并实现预期功能，还需要实验来回答。

在力文所看来，蛋白质结构预测本身并不直接产生实际价值。真正能进入生产和应用场景的分子，必须经过实验验证，证明它在体外或具体应用环境下确实成立。

所以团队认为，公司的“干”和“湿”两种能力必须同时建立——前者指计算设计与分析，后者指真实的生物实验。

量子位获悉，公司成立之初就同时搭建了算法与湿实验团队，两端会不断相互提出新问题。

这在国内AI for Science团队里是相对少见的一种结构，可以近似理解为“伞形结构”：

以共用的AI设计能力支撑不同专业方向和产品线，通过实验体系承接结果，再让具体需求推动共用能力改进。通用能力与产品开发因此能够相互校验。

公司资料显示，其在杭州建设的产业化平台面积超过3000平方米，其中包含1000平方米万级洁净区，同时配置发酵、离心、均质、过滤和柱层析等设备，具备从实验验证、中试到进一步放大的能力。

一项蛋白质研发任务由此变得越来越长。前面有算法设计，中间有模型筛选，随后进入序列合成、活性测试和定向进化，再往后还可能进入工艺开发和中试。

这条链路目前已经产出过不少明确结果。

力文所制备的甜菊糖苷酶制剂，酶转化率高达95%，生产成本下降了50%；其巴西甜蛋白则通过AI驱动的重组表达法替代传统植物提取，纯度达90%，成本降至植物提取法的十分之一。

对一家AI蛋白质设计公司来说，这意味着模型不仅给出了计算层面的答案，其中一些设计已经能够被制造出来，并继续走向生产和应用环节。

不过，随着单点能力变强、研发链条越来越长，模型之外的流程衔接也开始成为另一种成本：

研究人员仍要花大量时间整理信息、配置工具、提交计算，再组织分散的结果。

Lévin™ Harness正是在这一背景下诞生的。

据了解，力文所在2026年初就推进了Harness项目，把调研、模型调用、计算和分析放进同一套环境。

项目最初服务于内部研发，后来团队察觉到科研社区的需求逐渐明确，就开始将其整理为面向社区开放使用的产品。

只不过，当内部工具走向外部，Harness就需要面对另一项要求：

其他机构已经有自己的模型、数据和方法，这些原有积累怎样在新的Agent环境里继续发挥作用？

让研究机构拥有自己的AI科研系统

一套新的工具进入药企或实验室，面对的往往是一套已经运转多年的研究环境。团队通常已经选定常用模型、搭建了服务器，也写过大量分析脚本，形成了自己的实验和筛选方法。

引入一套Agent，首先需要考虑的就是这些投入怎样被继续使用。

Lévin™ Harness保留的模型选择、插件扩展和算力接入空间，就在这里发挥了作用。

研究团队可以选择适合自身需求的通用大模型，通过插件接入新的专业能力，沿用已有计算资源，再围绕自己的项目组织流程，搭建更适配自身的蛋白质设计管线。

不过，机构是否愿意把真实项目放进来使用，还需要确认一个关键因素——数据边界是否清楚。

毕竟未公开的靶点、候选序列和实验结果，关系到具体研发方向；失败记录也包含团队已经试过的路径。

一个外部工具如果要进入这些环节，就必须向研究机构确认数据的安全性。

对此，Lévin™ Harness强调，用户的项目、对话、设置与API密钥都保存在用户自己的机器上；对话会发送给用户配置的大模型提供商。

至于是否备份、备份到哪里，都由用户自行决定，力文所不会使用用户的私有对话或文件训练自己的模型。

机构由此可以根据自身要求选择模型服务和存储安排，将外部智能能力接入项目，同时掌握设计成果和研究记录的保存方式。

且各家团队选择方法、调整筛选标准的经验，以及实验对原有假设的修正，都来自各自的具体项目。

所以同一个公开模型即便被不同实验室使用，不同团队也并不会因此拥有相同的研究能力。

然而需要注意的一点是，这些经验实际有很多散落在脚本、实验记录或是个人记忆中。同一团队中的接手者，即使拿到最终结果，也未必了解采用某种参数或路径的理由。

那么能否把研究方法与相应的过程记录保留下来呢？

Harness的选择是，让其中可执行、可复用的部分进入Workflow，并结合项目记录保留调整依据，供团队继续检验和修改，是否分享也由团队决定。

机构因而可以逐步形成自己专属的AI科研系统：通用模型提供智能能力，专业模型负责科学计算，团队自己的Workflow则体现它怎样提出问题、检验结果和推进项目。

这个前提成立之后，开放生态就有了持续发展的基础。

开发者可以提供模型和插件，研究人员可以分享适用的工作流，使用机构则在公共能力之上保留自己的靶点、候选和实验数据。

力文所则承担连接与运行这些能力的产品工作，让共享方法与机构自身的积累能够同时发展。

这种做法，其实也延续了力文所此前公开Pallatom初代模型代码时的思路——

公开代码让社区能够检查和使用一种方法，但使用者仍需理解适用任务、准备输入、评估输出。如今Harness开放使用，就是进一步将这些环节组织起来，让专业能力有机会进入更多真实研究。

对于力文所，这也打开了自身项目之外的成长空间。此前主要服务于内部研发的经验，一旦转化为可复用的插件和工作流，就有机会进入更多实验室。

而这些方法在不同项目中稳定运行后，公司积累的科学与工程能力，也有望随产品使用而扩大。

力文所提出了这套逻辑的终极目标——让Harness继续连接合成与实验，跟踪任务和样品，将数据收集、分析及反馈纳入持续迭代，逐步向「24小时的智能研发工厂」靠近。

目前从行业维度看，通用大模型与专业科学工具不断进步的同时，AI for Science开始形成更细致的分工。

通用模型可以理解目标、规划任务，专业科学模型负责计算，实验体系则负责验证结果。单点能力越来越丰富之后，新的难题开始出现在这些环节之间：

一个任务该调用什么模型，不同工具应该怎样组合，什么结果值得继续投入实验，实验反馈回来以后又该怎样调整下一轮方案。

这些工作看起来是在连接模型和工具，背后却依赖对科学问题和真实研发过程的理解。科研闭环能否持续运转，最终取决于这些判断、执行和反馈能否真正接续起来。

这也意味着，AI for Science开始需要一类新的组织。

它既要拥有专业的核心能力，也要容纳外部工具和机构自身的积累，更要对行业痛点有清晰的认知。

当下，兼具这些能力的公司仍然少见。

而从Pallatom一路走到Lévin™ Harness的力文所，成为最早一批站到这个位置上的组织者之一。