9月3日，华盛顿大学宣布启动AI BioDesign项目，一个投入9500万美元、旨在"建模自然设计规则并转化为可用生物工具"的大型开放科学计划。项目由艾伦研究所、华盛顿大学与弗雷德·哈奇癌症中心三方共建，资金来自FFST基金会，领衔者正是因蛋白质设计获诺贝尔奖的David Baker。他在声明中表示："AI的速度第一次开始匹配合成生物学的实验能力。"项目将AI模型训练与大规模可重复湿实验耦合，再把成果以开放形式分享，目标直指新酶、新疗法乃至低功耗生物计算机的设计与制造。
AI BioDesign的出发点，是AlphaFold之后生物学面临的新课题。DeepMind的AlphaFold把超过2亿个预测结构送进公共数据库，帮科学家理解了大量无法在实验室解析的蛋白质，但预测只是上半场。设计出能正确折叠、能在细胞中发挥功能并存活的新分子，需要规则、约束与反馈回路，这些是静态预测工具无法单独提供的。项目要补上的正是这个缺口，让模型学习哪些序列基序驱动结合、稳定性与催化活性，再用高通量化验在数千个候选中验证这些猜想，预测与验证之间不断迭代，把模糊的设计原则变成可用的工作零件。
这一定位比单纯的"AI预测"更进一步。项目团队强调，今天的生物学只是自然界可能性的一个切片，与理论上可能存在的数万亿条DNA序列相比，人类所见不过是冰山一角。这个巨大落差既是挑战也是设计空间，与其被动编目，不如主动设计。AI可以快速搜索庞大的设计空间，高通量化验则能验证命中结果并修正模型遗漏的失败模式，两者咬合形成的飞轮，正是项目名中"BioDesign"的核心，设计不再是灵感的偶然产物，而是可规模化、可复现的工程流程。
从具体科学目标看，项目首批攻关方向覆盖多个层面。设计能够降解塑料与工业废物的新型酶，为环保提供生物解决方案；改造抗体与疫苗抗原，让免疫疗法更快进入临床前验证；探索基于蛋白质的逻辑开关与信号通路，为低功耗生物计算机储备基础元件。David Baker团队在蛋白质从头设计上的深厚积累，让这些目标并非空谈，其实验室过去几年已产出多款经实验验证的定制蛋白，AI BioDesign要做的，是把这类成功从"单点突破"变成"流水线作业"，让设计、表达、纯化与功能测试的循环速度提升一个量级，让更多实验室能够用上同一套被反复验证的设计工具。
AI BioDesign最具反差的特征是开放策略。合作方计划发布开源模型、数据集、化验方法与实验室流程，让其他团队能复现结果、补充数据并为新目标改进模型。艾伦研究所在开放科学上的积累颇为深厚，其主导的大脑与细胞图谱项目都以大规模公开著称；弗雷德·哈奇癌症中心则带来肿瘤学与免疫学深度，可能塑造早期疾病导向测试的方向。三方共享的开源栈，意味着从模型到化验协议都可供外部实验室直接使用。
开放策略的现实指向，是制药AI领域日益明显的"封闭联盟"倾向，许多突破被锁在私有财团内部，小实验室难以触及。项目提供共享基线后，学术实验室与小生物技术公司可以站在同一平台上验证claims，错误也更容易被发现，因为大量眼睛可以测试同一套代码与协议。若模型更新与真实世界基准绑定，而非精心挑选的演示样例，行业与监管机构的信心也会随之提升。当然，开放也伴随治理挑战，开放化验与模型涉及双重用途风险，如何在加速善意研究与防范滥用之间取得平衡，是项目必须正面回答的问题。
开放策略若要真正兑现，还需要解决协作机制的现实问题。高校与科研机构的计算资源参差不齐，模型复现依赖统一的评测基准与数据格式，项目计划以公开排行榜和标准化化验协议作为社区协作的锚点，让任何实验室都能把自己的候选分子送进同一套测试流水线。资金层面，9500万美元的初始投入覆盖项目早期运转，后续是否扩展取决于阶段性成果；三方机构还在同步推进人才培养，让研究生在训练模型与操作实验台之间自由切换，为开放科学式的生物设计储备下一代研究者。从模型发布、数据共享到人才流动，AI BioDesign试图搭建的是一整套可复用的开放基础设施，而不只是几个孤立的科研成果。
如果AI BioDesign兑现承诺，行业价值链条可能发生迁移。标准化验会成为通用货币，跨机构结果可比，因为协议与评估代码一致；药物项目可能更早从靶点想法推进到验证候选分子，因为化验能快速标记死胡同；塑料降解酶等环境工具可在真实底物与污染物上筛选，而非只在实验室理想条件下测试。当价值从拥有黑盒模型转向掌握问题选择、临床转化与制造能力，开放生态将重塑生物技术创业的竞争逻辑，先发优势不再是藏起来的模型，而是跑得更快的实验循环。对资源有限的高校团队与小公司而言，这意味着无需自建昂贵的自动化平台，就能把论文里的设计想法直接推进到可验证的原型阶段，整个行业的创新门槛被整体拉低，愿意参与共建的机构也会越多。
对更广泛的AI4S领域而言，这个项目提供了一个关键参照，把AI放进可重复的湿实验闭环，并全程开放。此前深势科技、英矽智能等公司已证明"AI预测加自动化验证"的商业闭环可行，而AI BioDesign试图在学术层面把这条链路公共化。项目能否真正落地，取决于高通量化验的标准化程度、开放社区的实际采用率以及安全审查机制的有效性。可以预见，无论最终产出多少新酶与新疗法，AI BioDesign都已经把"开放科学式生物设计"的旗帜插在了蛋白质研究的下一个高地上。