中秋放假那天晚上，我去了一趟英灵殿科技在杭州的据点。写字楼里空荡荡的，但张昊天还在改论文。他今年 26 岁，公司成立不到六个月，已经拿了累计近 5000 万美元的融资。但他此刻的状态，更像个被 deadline 追赶的博士生。
我简单参观了他们的办公室，然后和他聊了很久。说实话，我心里一直有个疑问：市面上做 AI 制药模型的公司已经这么多，但大家的共识都是模型只起辅助作用，他凭什么相信自己能杀出重围？
"市面上的公司做的都不 solid"
我犹豫了一下，但还是把这个有点冒犯的问题问出了口："你相信你现在做的事情吗？"
"相信。"语气平静，但后半句几乎是扔出来的："我认为目前市面上的公司做的都不 solid。"
这句话从一个 26 岁的人嘴里说出来，很容易被当成狂妄。但他的履历让这句话有了另一层分量：浙江大学药学与物理学双学位，博士就读于华盛顿大学 David Baker 实验室——2024 年诺贝尔化学奖得主的实验室，Rosetta 平台和 RFDiffusion 都诞生于此。但他没等博士毕业就退了学，今年 4 月直接在杭州注册成立英灵殿科技（Valhalla Technology）。
资本市场的反应快得惊人。三个月内，公司连续完成多轮融资，累计近 5000 万美元，投资方名单拉出来很长：五源资本、真格基金、中科创星、襄禾资本、国方创投、陆石投资、奇绩创坛、L2F 光源创业者基金。但他似乎没太把这笔钱挂在嘴边，聊得更多的还是论文。
五篇论文，只回答一个问题
从 8 月初到 10 月初，英灵殿科技密集挂出 5 篇论文。我一篇篇读完，发现它们看似分散——蛋白质、核酸、小分子、智能体、基准测试——但串起来只回答一个问题：AI 能不能在全原子尺度上，真正学会分子之间的相互作用？
最新的一篇是 10 月 1 日挂出的 CODesign，做的是全原子蛋白质结合体的"共设计"。打个比方：传统设计流程像先画建筑草图再配钥匙，草图和钥匙常常对不上；CODesign 让序列、骨架和局部原子结构在同一个生成过程里一起长出来。他们为此蒸馏了约 10.5 万个序列-结构一致的二聚体数据，仅此一项就把平均唯一成功设计数从 5.54 个拉升到 9.46 个，提升 70.9%。在蛋白质靶点和小分子靶点两类基准上，它的计算成功率都做到了第一。但更值得注意的一个决定是：代码、模型权重和新数据集将全部开源。
9 月 4 日的 RFOptimization（RFO）则是一篇"售后"论文——分子生成出来成功率太低怎么办？这篇与 Baker 本人合著的论文给出了一套免训练的优化器：把结合体改进变成逐残基的突变搜索，用全原子结构预测模型的梯度引导突变方向。在 13 个治疗靶点上，它把 RFdiffusion 生成设计的平均计算成功率从 6.73% 拉到 22.31%；在 FGFR2、PD1 等六个基线成功率为 0 的靶点上，直接实现了从零到超过 27% 的突破。但算力账更夸张：每得到一个通过三重模型共识过滤的设计，RFO 摊销约 26 个 GPU 分钟，而主流方法 BindCraft 要约 34 个 GPU 小时——效率差了将近 80 倍。
8 月 15 日的 NACraft 把同样的思路推到了核酸上。适配体设计长期依赖湿实验里一轮轮的筛选富集，但 NACraft 完全免训练：把核苷酸序列当成可微调的参数，对着结构模型的反馈做反向传播。在靶向选择性测试里，它生成的 1800 个候选中有 69.44% 更偏好阳性靶点 EGFR 而非脱靶的 HER2；在独立 AlphaFold3 评估下，它在 11 个核酸-蛋白靶点中的 10 个上压过了此前最好的生成模型。换句话说，核酸这个传统上最难设计的模态，也被纳入了同一套全原子逻辑。
一边造分子，一边造"科学家"
另外两篇论文的野心在另一个方向上。9 月的 ADMET-EvO 是一个"自进化"科研智能体，但它不只自动建模，还会把每一次实验的证据——支持的、被否的、不确定的——全部记下来，用来修正下一轮的研究策略。
在成药性预测最常用的 TDC 基准的 22 个任务上，它拿到 96.77 的任务归一化总分，为目前最高。但更让人意外的是成本账：证据驱动的策略选择把累计训练时间砍掉了 72.2%，从 2.247 小时压到 0.625 小时。
但 8 月的 EpiBench 偏偏反其道而行：它不给 AI 加分，专门给 AI 出难题。这个基准用 1609 个有结构或实验证据支撑的样本，考核大语言模型能不能从序列直接推理抗体的表位——抗体药物研发里最核心的决策之一。
但结果相当不留情面：在最核心的抗体条件表位识别任务上，九个主流大模型里表现最好的 Grok 4.20 也只有 33.6 分，离 25 分的随机基线不远，而专用模型能到 40.2 分。自己掏钱证明"现在的 AI 还不行"，这种论文在创业公司里并不多见。
"模型在学原子间的相互作用力"
我把最尖锐的问题留到了最后："真的有这么多数据给你做全原子吗？你又怎么保证它的泛化能力？模型到底在学什么？"
但他几乎没有犹豫："原子间的相互作用力。"
这个答案其实是英灵殿全部技术的题眼。蛋白、DNA、RNA、小分子、离子，在传统框架里是五个不同的问题域，但在物理本质上都是原子按一定规则的排列。
他们正在迭代的全模态分子世界模型 AlloDesign，目标就是让五大分子模态任意组合的从头设计，都收敛到同一个物理框架里。这也解释了那 5 篇论文的分布：
信念感的代价
创业是需要信念感的，我在张昊天身上看到了很强的那种：这件事就应该我来做，这件事只有我能做好。但信念感不是没有代价的。他也抱怨过，说非常想念大学时光——现在的自己被各种事情包围，融资、招人、论文、实验，已经很难抽出身，真正放松下来。中秋夜的写字楼里，这种代价具体得触手可及。
客观地说，这场豪赌远未到揭晓的时刻。这 5 篇论文的成功几乎全部是计算层面的成功，CODesign 在论文结尾也自己承认：这些提升能否转化为更高的结合亲和力和实验成功率，仍有待湿实验验证。全模态世界模型的承诺也才刚刚开了个头。但那天晚上离开的时候我想，这个行业里论文年年有，真正稀缺的东西在下面这句话里。