9 月 17 日，Anthropic 公布了一组面向生物分子研究的新动作。根据文中信息，Claude 在不到四周内优化了 30 多个开源生物分子模型，平均将推理速度提升约 4 倍，并推出低内存模式，可在单个 NVIDIA H100 GPU 节点上处理超过 10000 个 token 的生物分子系统预测。
同一天，Anthropic 还与 Adaptyv Bio 联合发起蛋白质设计公开赛，设置了 5 道前沿设计难题，计划在 Adaptyv 的自动化实验室中验证 5000 条以上设计，并提供最多 100 万美元的 Claude 积分。
不过，按文中梳理的时间线，Anthropic 并不是最早推出同量级激励计划的一方。就在其发帖前一天，也就是 9 月 16 日，AI 制药公司 Geodesic Intelligence 已经公布了一项面向药物发现的挑战计划，而且切入点并不是直接悬赏解法，而是先向全球征集最值得解决的问题。
Geodesic 先发起百万美元级挑战
Geodesic Intelligence 向全球征集药物发现领域最难的问题，标准只有一项：问题一旦被解开，能够改写未来 5 到 10 年行业能力边界。其科学委员会将逐一评审，入选问题每道奖励 10 万 Geodesic credits。
在问题确定后，Geodesic 还会单独开启解题征集。每道正式挑战中，提交经过验证解法的参与者可获得 100 万美元现金奖励。文中强调，这部分奖励并非积分，而是现金。
创始人顾全全在转发时写道：「有些问题值得用最快速度去解，药物发现就是其中之一，一起把最难的题找出来、解掉。」
两套机制的差别：一个做实验，一个先立题
文章将 Anthropic 与 Geodesic 的方案并列比较。
Anthropic 与 Adaptyv Bio 的蛋白质设计公开赛，采用每周一道设计题的形式，重点是比较谁设计的 binder 能在实验室中被制备并完成测量。根据官方条款，比赛没有现金大奖，所谓 100 万美元主要由 Claude 积分和湿实验费用构成。
Geodesic 的 Grand Challenges 则把重点放在问题筛选上。100 万美元现金奖励留给经过验证的答案，但第一步是让外部提交「什么问题最值得解」。按时间顺序看，Geodesic 早于 Anthropic 一天发布相关计划。
参赛资格条款引发对比
文中还把焦点放到了参赛资格上。
Anthropic × Adaptyv 蛋白质设计公开赛首页写着「Open to everyone and free to enter」，即对所有人开放且免费参赛。但在官方比赛条款 Section 3.1 中，列出了禁赛地区，参赛者不得为以下地区的合法居民或注册实体：Belarus、China、Cuba、Iran、Myanmar、North Korea、Russia、Sudan、Syria、Crimea 等。
按这一条款，中国研究者无法参加这场比赛。文章据此指出，首页的「Open to everyone」与条款中的地域限制并不一致。
相比之下，Geodesic 的 Grand Challenges 征题页面写道：「Anyone is welcome to submit questions, whether you are a researcher, clinician, drug developer, student, or simply someone with a deep interest in the future of drug discovery.」文中据此表示，该页面对研究者、临床医生、药物开发者、学生等开放提交问题，未以国籍或身份作为前置条件。
Geodesic Intelligence 是谁
文章称，9 月 10 日，顾全全在 X 上官宣 Geodesic Intelligence，并同时发布两款产品。公司官网首页给出的目标是：「Build AGI that discovers the shortest path from biology to medicines」。
围绕这一目标，Geodesic 搭建了一套名为 Nova Stack 的技术栈，覆盖软件、模型和实验室三层。
NovaDDE：面向科学家的智能体工作台
NovaDDE 被描述为 Geodesic 的智能体工作台，用于把文献检索、生物学证据查询、分子结构分析、计算模型运行和结果评估等流程整合到同一平台中。系统通过 AI 智能体为科学家规划任务、调用模型并评估结果，同时记录每一步决策。
用户既可以用自然语言描述实验决策，也可以直接进入设计模式，在靶点表面圈定区域，让系统生成约 80 个氨基酸的 binder。官网展示的数据漏斗为：设计 1000 多个候选分子，筛出 100 多个高质量方案，最终 10 多个进入实验室验证。
文章还提到一个数据使用细节：用户的靶点数据归用户所有，不用于训练模型，如有删除要求则删除。
NovaAtom：全原子结构预测模型
NovaAtom-Lite-Preview 是 Geodesic 自研的全原子结构预测模型，也是 NovaAtom 家族的首个成员。其功能是输入一组分子序列，输出其中每个重原子的三维坐标。
文中列出了该模型的三个特点：
- 支持蛋白、DNA、RNA 和小分子的一体化预测，而不是分别预测后再拼接。
- 支持复杂约束条件，包括环状多肽、需要与靶点形成共价键的药物，以及指定结合位置等。
- 提供可信度标签。每个靶点给出 5 个预测结果并排序，同时标注各结构位置的模型置信程度。
目前公开的是轻量快速版，更大版本仍在训练中。
NovaLab：把设计送进湿实验验证
NovaLab 是 Geodesic 自建的湿实验验证系统，用于把计算设计转化为实际实验对象。文章称，每个 binder 需要经过七个环节，包括能否制备、制备是否正确、是否能够结合、结合强度如何、换用另一台仪器复测后信号是否成立、是否具备成药潜力，以及最终是否有效。
这些实验数据会再反馈给 AI，用于训练下一代模型。文中将这一流程概括为「AI → 设计 → 实验 → 学习 → 再来一轮」的闭环。
文章还指出，AI 制药公司并不少见，但在初创公司中，同时自建 AI 智能体、基础模型和湿实验室的全链条布局并不常见。多数同行要么偏模型，要么偏实验，而 Geodesic 选择了全栈路线。
药物研发开始为「问题」本身付费
文章最后把这轮动作放到更大的竞赛框架中。文中提到，OpenAI 曾投入数百万美元算力攻克数学难题，随后放弃百万奖金；Anthropic 则拿出百万级资源支持蛋白质设计比赛，让更多设计进入实验室验证。
Geodesic 选择了另一条路径：先向全球征集最值得解决的问题。
按文中的概括，Anthropic 试图解决的是「验证贵」的问题，Geodesic 试图解决的是「方向对不对」的问题。两种做法并不冲突，但文章认为，谁先把问题定义清楚，谁就更可能影响这个行业未来十年的方向。
本文来自微信公众号「新智元」，编辑：所罗门。