筑基AI4S：摩尔线程全功能GPU加速中国生命科学自主生态

先说几个核心判断：人工智能正在给精准医疗和药物研发带来深刻的变革——这个判断，今天已经不需要过多解释了。真正值得关注的是，这场变革的逻辑底层已经发生了转移：解码生命奥秘的关键，正从传统的实验观测，转向算力与算法的协同突破。蛋白质结构预测、基因组分析与医学影像，这三项技术构成了生命科学AI的核心工具箱，它们的能力，直接决定了新药研发的效率，也决定了精准医疗能走多远。

然而，一个现实困境长期存在。作为蛋白质结构预测领域的标杆，AlphaFold 3的训练代码并未完全开放，商业使用也受到限制。这意味着，全球的科学家很难基于它去构建真正自主可控的研发环境。更深层的挑战在于合规：无论是蛋白质结构预测还是基因组分析，都涉及大量人类遗传数据，而相关法规对数据的跨境流动有着明确的约束。因此，从模型到算力，构建全链路的自主能力，已经不仅仅是科研效率的问题，而是合规与安全的必然要求。

好在，技术工具的层面正在迎来破局。2026年，字节跳动发布了Protenix-v1，在Apache 2.0协议下完整开源了代码及模型参数。业界普遍认为，这是首个在同等条件下，性能表现达到甚至超越了AlphaFold 3的全开源模型。可以说，生命科学领域终于迎来了一个自主可控、可训练、可定制的开源基础模型。

不过，工欲善其事，必先利其器。模型开放只是一个起点。这些模型能不能真正进入科研与产业工作流，关键要看它能否在国产算力上跑通训练、推理、精度验证和开发环境。摩尔线程的旗舰级训推一体全功能智算卡MTT S5000，基于自主MUSA软件栈，已经完成了对蛋白质结构预测模型Protenix和基因组基础模型Evo 2的完整验证。实测数据很有说服力：在蛋白质结构预测的训练任务中，单卡性能达到了国际主流GPU的115%以上；在基因组大模型的推理与训练任务中，精度与国际主流GPU持平。此外，摩尔线程还开源了MUSA加速版的MONAI 1.5.0，为AI医学影像这一关键环节提供了国产算力支持。这整套动作，让AI4S的工具环变得真正可控。

生物医药研发对算力的依赖正在日益加深，而算力供应链的安全性，直接影响着科研与产业的稳定性。摩尔线程的全功能GPU能够完整承载生命科学AI前沿模型的生产级负载，为国内的科研机构、药企及医疗机构提供了一个自主可控的高性能计算基座，有效降低了对单一算力路径的依赖。

这可以看作是中国AI医药研发领域的一个里程碑：从可控模型到自主算力，从结构预测到医学影像，一个完整、开放、可控的AI医药研发底座，正在形成。

生命的数字镜像

人类生命体由约30亿个碱基对编码而成。如果把人体比作一台精密运行的计算系统，那么感冒发烧就像是临时的进程异常，免疫机制可以自动修复。但像癌症、渐冻症这样的重大疾病，根源在于写入基因组深处的代码错误：抑癌基因被篡改，导致细胞增殖失控；运动神经元的代码发生乱码，指令无法传达。这些内源性错误无法通过常规手段修复，必须从分子层面进行靶向干预。

要理解这些疾病，需要回归生物学的中心法则：DNA转录为RNA，再翻译为蛋白质。蛋白质从氨基酸序列折叠为三维空间构象，多条肽链又可以组装成功能复合体（比如血红蛋白）。整个过程中，一个核心共识贯穿始终：序列决定结构，结构决定功能。

图1：基于AI生命科学技术的肿瘤精准诊疗与新疗法研发协同框架

正是基于这一逻辑链条，AI驱动的精准治疗解决方案得以构建。目前，基于生命科学AI的癌症精准治疗已经形成了一个完整的技术闭环：

1. 基于MONAI等框架的AI影像学，实现早筛与监测； 2. 基因组大模型（如Evo 2）解读突变功能； 3. 结构预测模型（如AlphaFold / Protenix）揭示蛋白结构变化； 4. 在此基础上设计靶向药物或降解剂； 5. 最终通过临床验证与数据回馈，持续优化模型。

这一技术路径的实现，高度依赖于蛋白质结构预测、基因组分析与医学影像这三类关键工具。

生命科学AI的工具箱

Protenix：蛋白质结构预测的开源破局

蛋白质的结构决定了它的功能。精确预测蛋白质的三维结构，是理解疾病机制、设计靶向药物的关键。

从2018年开始，DeepMind的AlphaFold系列不断刷新着结构预测的精度边界。2024年发布的AlphaFold 3，已经能同时预测蛋白质、DNA、RNA及小分子配体等复合物结构。但问题依然存在：它的训练代码没有完全开放，商业使用也受限制，全球的科研机构很难基于它做定制化开发。

Protenix的出现正好填补了这个空白。2025年5月，字节跳动发布了Protenix-v0.5.0，成为开源社区中追平甚至挑战AlphaFold 3水平的重要力量。到了2026年2月，Protenix-v1正式发布，在Apache 2.0协议下完整开源代码及模型参数。根据媒体报道，Protenix是首个在相同训练数据与推理预算下，性能达到甚至超越AlphaFold 3的全开源模型。它采用Transformer+Diffusion架构，能精准处理蛋白质、DNA/RNA及小分子配体。开发者可以基于Protenix在自有数据集上进行微调和训练，为特定的研究任务提供了灵活的技术路径。

Evo 2：从“阅读”到“写作”基因组

Protenix解决了“序列→结构”的映射问题，但更深层的源头问题依然存在：基因如何决定蛋白质序列？为什么某些基因更容易突变并导致疾病？修改基因会产生什么后果？

人类基因组总长约30亿碱基对，其中编码蛋白质的基因仅占1%-2%，大部分是非编码区。正是这些非编码区，承载了人与人之间90%以上的遗传差异，其功能机制至今尚未被完全阐明。而像糖尿病、精神分裂症这类复杂疾病，往往涉及多个微效基因的叠加效应——这需要更强大的基因组建模能力。

图2：Evo 2和Evo 1的模型框架

Evo 2由美国Arc研究所等机构共同开发，2026年3月发表于《自然》期刊。作为面向生命科学领域的基因组基础模型，Evo 2借鉴了大语言模型的理念，在超过12.8万个物种、9.3万亿个核苷酸（OpenGenome 2数据集）上完成了训练，覆盖了细菌、古菌、真核生物三大生命域。它的训练数据量是前代Evo 1的30倍，采用了StripedHyena 2架构，可以一次性处理长达100万个碱基对的序列，训练效率达到了传统Transformer的三倍。Evo 2提供70亿和400亿参数两个版本，其中400亿参数的版本，是目前最大的开源生物学AI模型。

Evo 2的核心能力主要体现在两个维度：

精准预测：它能够零样本评估编码区和非编码区基因突变的影响。在区分乳腺癌相关基因BRCA1的有害突变与良性突变时，预测准确率超过了90%，为临床解读“意义未明变异”提供了重要工具。

生成设计：从“阅读”基因组进化到了“写作”基因组。成功案例包括设计模拟生殖支原体的简化基因组、人类线粒体基因组、酵母染色体片段，以及设计并合成功能性噬菌体——部分设计序列在导入大肠杆菌后，产生了具有杀菌活性的病毒颗粒，为应对抗生素耐药性提供了新思路。

MONAI：医学影像的“事实标准”

在AI医学影像领域，算法正从基础2D图像筛查，迈向复杂的3D器官分割与生成式内容创建。作为该领域公认的“事实标准”，基于PyTorch构建的开源框架MONAI（Medical Open Network for AI），已经成为连接前沿学术研究与临床落地应用的关键桥梁。截至2024年底，它的全球下载量已经突破350万次，在行业内被广泛应用。

MONAI采用清晰的三层架构设计：

MONAI Core：提供专门针对医学影像的高效数据处理、变换方法与网络架构； MONAI Label：作为智能标注工具，通过AI辅助大幅提升数据标注效率； MONAI Deploy：支持将训练好的AI模型打包并部署至临床环境。

凭借从数据标注、模型训练到临床部署的完整闭环能力，MONAI已然成为医学影像AI研究与应用的主流框架。

结构预测模型涉及复杂的pair representation、几何推理与扩散式计算，对显存、访存及数值稳定性要求极高；基因组基础模型面向超长序列与大规模数据训练，对长上下文处理、分布式训练及吞吐效率要求严苛；医学影像框架强调从标注、训练到部署的完整链条，对框架兼容性与工程落地能力要求更强。对国产GPU而言，真正的挑战不仅仅在于跑通模型，更在于同时完成算子适配、数值稳定性验证、训练与推理双场景支持，以及开发环境的可复现封装。

摩尔线程全功能GPU实践

面对这些挑战，摩尔线程基于自主MUSA软件栈，完成了对Protenix、Evo 2及MONAI三大生命科学AI工具的完整验证与支持，覆盖了推理、训练及医学影像三大场景。

Protenix：训练性能达115%以上

Protenix-v0.5.0作为开源社区中追平AlphaFold 3水平的重要版本，为开发者提供了可训练、可定制的全栈开源方案。摩尔线程在MTT S5000上完成了对该模型的推理与训练验证。

图3：7r6r等示例序列在MTT S5000上的推理重建结果和误差对比

推理精度：选取7r6r、7wux、7pzb三个示例序列进行推理重建测试。从图示结果看，重建可视化效果与参考实现基本一致，端到端整体计算误差小于1%，充分验证了推理结果的准确性与可靠性。

训练性能：在全数据集训练任务中，MTT S5000单卡性能达到了国际主流GPU的115%以上。

图4：Protenix-v0.5.0实测表现

Evo 2：精度完全对标

在Evo 2_7B模型上，摩尔线程完成了推理与训练的精度对标。对4个序列生成任务的比对显示：序列生成Score和准确率与国际主流GPU完全持平，充分体现了MUSA软件栈对基因组大模型的完整兼容性。

图5：Evo 2_7B实测表现

MONAI：国产化加速

在医学影像环节，摩尔线程已经开源了MUSA加速版MONAI 1.5.0，为AI医学影像领域提供国产算力支撑。基于MUSA软件栈，摩尔线程实现了对MONAI最新仓库的原生支持，开发者可以实现“零学习成本”的无缝迁移。

一个值得关注的案例来自锦瑟医疗，这是一家国内领先的XR+AI智慧外科解决方案提供商，已经将MONAI深度集成至其产品线。锦瑟医疗CTO陈亮表示：“我们基于CUDA开发的成熟算法，可以低成本、高效率且无损地迁移到摩尔线程MUSA平台。在AI医学影像的复杂实际任务中，MUSA展现出与CUDA对等的计算精度与运行稳定性。”

这意味着，国产全功能GPU的价值已经不再局限于研究端的模型验证，而是开始进入更接近真实医疗应用的工程链路。

筑基AI4S，共创生命科学新未来

从基因序列到蛋白质宇宙，生命科学的AI化正在重塑我们对疾病的理解与治疗的根本范式。在AI for Science的版图中，蛋白质结构预测与基因组设计，已经成为了检验算法创新与算力能力的试金石。

摩尔线程在生命科学领域的一系列探索，成功推动了“开源模型—本土软件栈—国产算力—开发者工作流”的全链路闭环。对国内的科研机构、药企和医疗技术团队而言，这意味着在许可条件、数据合规、供应链安全与长期迭代能力上，拥有了更高的自主性，能加速从验证到落地的整个流程。

生命的数字镜像正在被层层解码。在AI for Science的时代浪潮中，从基因到蛋白质的未竟之路，值得所有开发者和产业参与者共同探索。