1,320 个 AI 设计的蛋白质送进实验室,354 个命中

过去五年，AI 把蛋白质设计变得极其便宜。AlphaFold、RFdiffusion、Boltz 等工具让一台笔记本电脑就能生成成千上万个候选分子。但每个设计都要在真实世界里验证才算数，而验证依然又慢又贵。

慢到什么程度？Adaptyv CEO Julian Englert 在 2023 年打过一个比方：想象一下，每次你用 GitHub Copilot 生成代码，都要等十周才能运行，每次运行还要花 1,000 美元。这就是蛋白质设计师的日常。

Englert 和另外三位创始人都是洛桑联邦理工学院（EPFL）出身的工程师。2021 年，他们带着无细胞蛋白质合成和纳流体芯片技术进入 Y Combinator，次年拿到 Wingman Ventures 领投的 250 万美元种子前融资，2025 年 9 月又完成 800 万美元种子轮。

公司的逻辑始终没变：AI 模型的好坏取决于训练它们的实验数据。设计工具的产能已经爆炸，因此实验数据的产能必须跟上，否则整个行业会被卡在最慢的一环。

Adaptyv 的核心资产是一套自动化工作站：把氨基酸序列转成 DNA，在无细胞体系里合成蛋白质，再用表面等离子共振（SPR）测出结合亲和力，全程机器人操作。用户上传序列，三周内拿到结构化的实验数据。听起来像流水线，但背后是试剂、仪器、协议和质控的复杂协调。

2025 年，他们表达了超过一万个蛋白质，服务 30 多个团队。在一次公开竞赛中，这套流程把成功率从 2.5% 提升到 13%，只用了两个月。

真正的变化发生在 2026 年。4 月，Adaptyv 上线 API，让 AI 智能体可以绕过人类直接下单实验；5 月接入 Benchling 的订购体系。实验从此变成一次 API 调用，因此 AI 智能体可以在夜里自动跑完整个流程。几年前，这样的流程需要一个实验室一整年的工作量；如今任何人都能从笔记本电脑上端到端跑完，花费几千美元的 token、算力和实验额度。

公司披露，过去一年实验室吞吐量增长超过 5 倍，客户超过 100 家。名单里既有 Chai Discovery、Boltz 这样的 AI 制药公司，也有罗氏和诺和诺德这样的大药企。为什么大药企愿意把实验外包给一家 30 人的初创公司？因为自建同等产能的自动化实验室，成本和周期都远远更高。

与 Anthropic 的合作，是这套基础设施的第一次公开大考。Anthropic 从 Adaptyv 过往的公开竞赛里挑了 16 个靶点，让 Claude Opus 4.8 和 Mythos Preview 在 Claude Science 平台上自主完成设计。

模型从一段约 3 万 token 的协议出发，自己查文献、选表位、调用 RFdiffusion3 和 BoltzGen 等开源工具，每个靶点交出 30 个候选。整个战役持续 24 到 48 小时，没有任何人类参与设计决策。

实验是盲做的。Adaptyv 收到的是匿名序列，不知道哪个模型设计了哪个蛋白。结果：95% 的设计成功表达，354 个结合目标，总体命中率 26.8%，而行业基线通常在 10% 到 15%。

如果 Claude 参加 Adaptyv 的蛋白质设计竞赛，能赢几场？答案是六场里赢五场。在 TREM2 靶点上，它的命中率达到 80%，人类竞赛的最佳成绩只有 38.3%。在 RBX1 上，最强结合体的亲和力达到 3.9 纳摩尔，比竞赛冠军的 25.7 纳摩尔强了 6 倍多。

但失败同样值得记录。16 个靶点里，MBP 全军覆没，GDF-8 因蛋白聚集无法测量。在尼帕病毒竞赛中，Claude 没能击败人类冠军的设计。

这离真正的药物还有多远？Adaptyv 在博客里承认，这些蛋白质只完成了长征第一步：证明自己是结合体。另一家 CRO Twist Bioscience 独立复测了全部设计，数据随后公开在 Proteinbase 和 Hugging Face 上，任何人都可以复核。值得注意的是，Anthropic 目前仍限制其最强模型处理生命科学任务，正在为科学家准备专门的准入计划。

为什么说这可能是 AI 生物学迄今最干净的一次能力评估？模型不知道自己正在被考，实验方不知道序列来自哪个模型，数据全部公开。基准分数可以刷，但实验数据很难造假，因此这种双盲设计本身就是稀缺品。

这正是 Adaptyv 的长期布局。从 2024 年的 EGFR 竞赛开始，他们陆续办了 RBX1、尼帕病毒等多场公开竞赛，上百名设计师同场竞技，结果全部开源。2025 年 10 月上线的 Proteinbase 专门收录带实验验证的蛋白质数据，包括别人不愿公开的阴性结果。

2026 年 5 月的一场黑客松里，6 个 AI 智能体与 10 支人类团队同题竞争，命中率打成平手。人类最好的结合体亲和力 1.11 纳摩尔，智能体最好的是 3.64 纳摩尔，但差距已经不大。

评估基础设施为什么突然成了最拥挤的赛道？8 月 24 日，Insilico 上线收录 129 个基准的 O3DC 索引；2 月，CASP、DREAM 等五家机构组成 BEACON 联盟；欧盟 JRC 的 480 模型盘点报告则直言，基准分数证明不了部署就绪度。Adaptyv 的位置更靠下游：别人给模型打分，它负责生产打分所需的地面真相，因此无论哪把尺子胜出，都离不开它的实验产能。

4,000 万美元将用于两件事：把洛桑团队翻倍，以及 2026 年第四季度在伦敦开设新办公室和实验室。领投方 Highland Europe 是欧洲成长期基金，老股东 ACE Ventures、ByFounders 和 Y Combinator 继续加注，公司累计融资超过 5,000 万美元。

但"生物代工厂"这个词在资本市场有前车之鉴。Ginkgo Bioworks 2021 年以约 150 亿美元估值上市，2025 年营收只有 1.7 亿美元。股价跌去超过 95%，累计亏损 60 亿美元。

耐人寻味的是，Ginkgo 如今的自救方案恰恰是关掉传统实验室，押注自动化实验室和云服务，并且与 OpenAI 合作。上一代代工厂的溃败证明了重资产模式的风险。但新一代的入场券依然是同一套逻辑：AI 需要实验数据，谁能便宜地生产数据，谁就卡住生态位。

区别在于客户结构。Ginkgo 当年把赌注押在少数大客户的长周期项目上，Adaptyv 的客户名单里是上百家按次付费的 AI 团队，单次实验的决策周期以天计。因此它的收入更像云计算，按用量计费，随客户的模型迭代而增长。

Anthropic 的实验目前还是开环：设计、测试、公布结果，到此为止。真正的闭环是智能体根据实验数据自己发起下一轮设计，那时实验需求将不再取决于人类科学家的数量。闭环尚未实现，但需求已经爆炸。Adaptyv 赌这一天会到来，而 Ginkgo 的教训提醒所有人：赌对了方向，也可能输给单位经济。