五家公司，六条线索，AI 生物学的战线正在拉长。以 10 月 19—25 日这一周为窗口，OpenAI、Anthropic 与 NVIDIA 的新动作，与 Google、微软的近期进展接连浮现。但时间需要校准：Google 原文发表于 10 月 16 日，BioEmu-2 模型卡仅注明本月发布。
这些消息涉及分析数据、设计分子、操控实验和协调研发，但共同指向一个更大的问题：科学家的下一步工作，将从谁的系统里发起？巨头争夺的版图，正在沿着科研工作流展开。这是理解这轮密集动作的一条线索，还不足以证明市场已经被瓜分。
读完百万细胞，谁来定义下一步
10 月 21 日，OpenAI 披露与 PerturbAI、Scripps Research 的合作：数千个 GPT-Rosalind 代理，用 32 分钟分析并解释数百万鼠脑细胞的既有实验数据。但这里压缩的是分析与文献串联环节，不能把这 32 分钟写成完成了新的生物实验。
可以把它想成一支分工读卷宗的研究队伍：每个代理追踪一种基因扰动，再汇总解释。官方称，在最大工作量下，分布式代理引用超过 700 篇文献，单代理仅引用 11 篇。但文献覆盖与专家偏好支持的是线索筛选价值，提出的机制仍需实验验证。
Anthropic 在 10 月 22 日选择了另一条靠近科学家的路径：征集生命科学客座研究者，与团队共同开展 8—12 周项目，由公司免费运行模型和相关工具。但这仍是一份合作邀请，交付目标是初步证据、分析或公共资源，尚不能算作科研成果清单。
把两件事放在一起，入口竞争的意味才显现：一边扩大解释数据的能力，一边进入真实研究问题的形成过程。但谁能帮助科学家决定下一项实验，谁就更接近科研的决策入口。这属于战略判断，不意味着科学家已经把决策权交给模型。
实验失败，开始成为系统的资产
Google 在前一周发布的研究，触及另一个难点：代理写出的代码可以语法正确，但移液头仍可能撞上容器。VERID 像实验台的一本实时账本与空间地图，记录设备、液量和耗材状态。它先检查物理条件，再让指令进入机器人。
但安全执行只解决了一部分问题，实验还必须反过来改变设计。Google 报告了三轮适配体设计、筛选与测序反馈，单轮约需 7—10 天。计算负责提出候选，实验负责告诉系统：哪些“好答案”只是看起来好。这才让下一轮搜索有了修正依据。
最有解释力的细节，是系统曾经走错路。肌红蛋白适配体的真实命中率，从首轮 10.2% 降到第二轮 3.7%；追求结合表现富集了非特异性黏附设计。但识别并修正这一偏差后，第三轮命中率回升至 33.5%，实验反馈改变了搜索方向。
但 Google 也明确写道，将 VERID 自动化与蛋白发现闭环织在一起，是下一步工作；人类仍审核序列、核验流程并监督机器人。实验反馈可能成为壁垒，前提是系统能识别自己的失败。把这些构件直接包装成无人值守的科学家，会跳过最难的工程距离。
一张结构图，装不下新的竞争
如果说单一结构像一张照片，微软的 BioEmu-2 则尝试给出一组可能姿态，即生物分子的构象集合。模型支持多链复合物、配体与核酸，但生成多个结构，不等于得到经过校准的真实运动轨迹。模型卡明确提醒，采样频率不能直接解释为热力学概率。
这使竞争的对象从“折成什么样”，延伸到“在不同组成条件下可能呈现哪些状态”。但 BioEmu-2 也划出边界：不生成序列，不预测结合亲和力。因此，它更适合作为研究者探索分子状态的工具，不能凭一段结构演示跨越到药效判断。
NVIDIA 与华盛顿大学蛋白质设计研究所，则在 10 月 21 日公布 RFD4-Proteina。它更像一套带着任务要求搜索方案的设计工具，把分子输入、约束和评分目标接入蛋白生成。但微软的状态建模与这类可编程设计承担不同任务，不宜放在一张榜单上简单排座次。
据 NVIDIA 公告，研究草稿在蛋白结合、小分子结合、酶支架和 DNA 结合四类基准上报告了更高的计算设计成功率与生成吞吐量。但这些指标衡量的是计算筛选表现，候选究竟如何工作，仍要由实验建立证据。模型发布与新药问世之间，还有多层验证。
从研究答案，伸向研发流程
OpenAI 在 10 月 20 日宣布已收购 Orchestra Bio，计划把团队与技术同 Rosalind 整合。值得注意的是，这个平台服务于药物研发的协调工作。但收购所补充的能力，延伸到了研究之外的组织执行：研究发现之后，哪些任务需要启动，哪些依赖可能出问题？
公告举了一个具体例子：生产批次失败，可能推迟临床试验启动，代理可以梳理受影响的活动与时间线，协助比较应对办法。但“协助协调”与“已经缩短药物上市时间”之间，不能画等号。后者需要真实项目的长期结果，公告没有给出这样的成效证明。
NVIDIA 的路径则更像铺设连接层。其公告把 Benchling 的实验上下文、Automata 的实验设施，以及 Boltz 的专用模型和工具放进 BioNeMo 合作网络。但这些合作处于不同阶段，不能把一份生态名单，视为每条研发流程都已端到端跑通。
从这些布局可以推演出一种平台优势：当问题、工具调用、实验记录与任务依赖在同一系统里积累，更换平台的协调成本可能上升。但这种优势能否成立，取决于产品是否真正有用。巨头想占住的，是科学家每天开始工作的位置。
割据的入口，交叉的联盟
但这场竞争有一个反直觉细节：NVIDIA 把 OpenAI、Anthropic 的 Claude Science 和 Google Cloud 都列为 RFD4-Proteina 的接入伙伴。同一家公司，可以争夺研究者入口，也可以分发另一家公司的模型。眼下更像重叠的平台网络，尚谈不上边界整齐的五国地图。
BioEmu-2 模型卡标注 MIT 许可，并链接代码与权重，也提醒我们：开放组件与平台竞争可以同时发生。但评价开放程度，仍须分别核对代码、权重、数据及服务条款。能下载模型，并不会自动回答实验记录能否导出、工具接口是否可替换这些工作流问题。
对科研团队和创业公司，更实际的追问是：原始数据由谁控制，失败记录能否带走，关键模型能否替换？但不能先入为主地认定所有合作都在收走数据。Anthropic 明确表示不要求研究者交出数据，并保留其数据权利。具体条款，比“开放”或“封闭”的口号更值得逐项阅读。
“巨头割据”描述的是入口争夺正在加深，并不宣告生物学的答案已被占领。但当更多候选、解释与任务都由平台组织，研究者需要守住的判断会更加具体：下一项实验为何值得做？如果系统给不出可追溯的理由，又由谁承担验证失败的成本？
