2025 年 9 月，Chenqing Hua（Will Hua）入学耶鲁大学，开始攻读计算机科学博士。但同一年，他被确诊淋巴瘤。2026 年 3 月，入学刚满 6 个月，他正式退学，搬到了加州。
9 月 18 日，Hua 在 X 上自述了这段经历。"Facing cancer changes your calculus overnight."他在帖子里写道——面对癌症，一个人对时间的计算方式会一夜之间改变。他意识到自己没有数年时间去写增量式的学术论文，必须去做能立刻改变临床结果的东西。但他没有离开这个领域，反而把赌注加倍押了进去。
这场退学，是一场回归
把 Hua 的履历摊开看，退学并不像冲动之举。他本科和硕士都在 McGill 与 Mila 度过，但方向一直在向生物靠近：本科师从 William Hamilton 做图神经网络，成果拿过 NeurIPS 2022 Spotlight；硕士导师换成 Doina Precup 和 Guy Wolf，转向图机器学习与药物发现。
更关键的是，他从 2023 年 9 月起就在 Aureka 做研究实习，做蛋白质与酶工程的生成模型。但履历之外还有一层：2025 年，他同时在斯坦福做访问学生，并在 Harvard 和 MIT 跟随 Omar Abudayyeh 与 Jonathan Gootenberg 做蛋白工程研究。
所以更准确的说法是：他退学后全职投入的，是一家自己已经参与了三年的公司。
但回归的代价同样真实——放弃耶鲁博士学位、押注一家 2023 年才成立的初创公司，这个选择放在任何时间点都不算稳妥。
他押注的到底是什么？
Hua 现在担任 Aureka 的 AI 研究负责人，他团队的核心产品叫 OpenDDE（Open-Source Drug Discovery Engine）。简单来说，过去的结构预测工具一次只折叠一条蛋白链，但 OpenDDE 把整个分子体系——蛋白、核酸、小分子配体、离子——放进同一个全原子模型里一起折叠，术语上叫共折叠（co-folding）。预测和设计在这套框架里是同一个条件去噪问题：留空掩码就是结构预测，固定住抗原骨架，同一个模型就变成了设计引擎。
真正让这件事有张力的是开放程度。今年 7 月 3 日，OpenDDE 以 Apache-2.0 协议放出预览版：训练代码、推理管线、模型权重、Docker 镜像、benchmark 全部公开。这个 655M 参数的模型，训练消耗约 41.4 万 GPU 小时——相当于一张卡跑 54 年。但它对标的 Isomorphic Labs 的 IsoDDE 至今闭源，Hua 在帖子里直接把问题挑明了："what if the frontier of computational drug discovery was open?"
开源跑分，能赢闭源吗？
至少在其最成熟的抗体-抗原共折叠任务上，答案目前是肯定的。OpenDDE 在 FoldBench-AB 上的 RANK 成功率达到 70.0%，排第二的 ESMFold2 为 58.1%，AlphaFold3 为 48.8%；在 PXMeter-AB 和 2026ARK-AB 两个基准上它同样排第一（需要说明，2026ARK-AB 是 Aureka 自建基准）。
但这些数字来自官方自测，含金量需要第三方验证。
技术报告还研究了 scaling 行为：抗体-抗原预测性能随训练 token 量、随"token 量×参数量"增长而稳定提升，OpenDDE 落在拟合曲线上，闭源的 IsoDDE 也大致如此。报告据此提出两个 scaling-law 方向，并观察到一条清晰的 scaling 趋势。但要克制的是，这还只是共折叠模型上的经验趋势，距离 LLM 领域那种能跨任务预测性能的 Chinchilla 式定律还很远。
我们把它装上了一张 4090
官方数字之外，BioTender 对 OpenDDE v1.0.0 做了一次独立实测。全部测试用例在单张 RTX 4090（24GB 显存）上完成，端到端推理耗时 111 到 169 秒。但真正的发现在消融实验里：不加载多序列比对（MSA）时，蛋白质单链的 pLDDT 置信度只有 37.0，几乎不可用；通过 ColabFold 公共 API 加载 MSA 后，同一指标跳到 88.2，提升 138%。蛋白-配体复合物更极端，从 34.1 升到 87.0。
抗体是唯一的例外。类赫赛汀抗体的 VH+VL 在无 MSA 模式下就拿到 pLDDT 96.9、ipTM 0.97，加载 MSA 只再涨 0.5 分。这意味着抗体筛选可以跳过 MSA 搜索、实现秒级响应，但 RNA 预测仍然平庸——tRNA 的 pLDDT 只有 59.7，这是整个领域的共性难题，OpenDDE 也没能例外。
还要说清楚边界：官方明确标注当前版本为 preview，不建议用于生产管线。它今天是一个跑分领先的开源共折叠模型，但距离"药物发现引擎"的全貌还有很长的路。
511 个抗体的盲测，赢家是一家 AI 公司
8 月 19 日，《Nature Biotechnology》发表了 AIntibody 竞赛的完整结果——这个对标 CASP 的赛事让 29 家机构提交 511 个 AI 设计或预测的抗体，全部在统一湿实验条件下前瞻、盲测验证。但赢家是一家 AI 公司：Aureka 的模型 AuraIDE（论文中署名 AuraBind）拿下任务一"亲和力成熟"的第一名，最佳抗体的 KinExA 亲和力达 94.7 pM，较亲本抗体提升约 2,000 倍，前五名里占了三席。
对比坐标是实验方法本身：组织者再做一轮组合文库筛选，拿到的最佳实验抗体是 113 pM。
但论文自己的结论非常克制：这类成功是少数例外，没能迁移到其他任务——任务二里，除了一个模型，所有 AI 预测高亲和力克隆的表现还不如随机挑选。
1 亿美元，买一个闭环
资本市场已经先一步下注。8 月 10 日，Aureka 宣布完成 1 亿美元 B 轮融资，Granite Asia 独家领投首轮，HighLight Capital 等跟投，累计融资近 2 亿美元。资金用途写得很明确：大规模训练下一代生物基础模型，升级 Lab-in-the-Loop 实验反馈引擎。但比金额更有信息量的是结构——开源的 OpenDDE 做底座和声量，闭源的 AuraIDE 配合单细胞功能筛选与高通量验证形成数据闭环。
赌局还没开牌
Hua 在帖子结尾写下的目标是：治愈疾病、消除痛苦、延长健康寿命。他把最快的路径押在开放科学和前沿模型上。但这场赌局现在走到了哪一步，需要拆开来看。
公开证据能支持的结论目前仍然有限：OpenDDE 是一个跑分领先的开源共折叠模型，AIntibody 证明了 AI 在定义明确的抗体任务上可以赢，但 scaling law 还只是一条趋势曲线。他的病情叙述来自本人自述，而这场赌局的胜负，最终要由开源社区用 OpenDDE 做出什么来决定。