顾全全创业推出 Geodesic Intelligence，打造药物发现的 AI 原生平台

不是又一家 AI 制药公司

顾全全最近正式离开字节跳动 Seed 团队，创办了 Geodesic Intelligence。这家公司一亮相就明确表示：它不是传统意义上的“AI 制药公司”。

传统模式里，AI 团队做计算预测，药企团队做实验验证，两边常常脱节。Geodesic 的思路更激进——把整个药物发现流程重构为一个 AI 原生系统，从提出科学问题开始，到最终产出候选药物，全程由统一的智能体驱动。

他们的目标很直接：找到从生物学洞见到有效药物之间的最短路径。为此，Geodesic 同时推出了三个核心组件：NovaDDE（科学推理平台）、NovaAtom-Lite（结构预测模型）和 NovaLab（内部湿实验室）。三者构成一个闭环，试图让计算与实验真正咬合。

NovaDDE：把科学家的问题变成可执行任务

NovaDDE 是整个系统的“大脑”。它不是一个简单的工具集合，而是一个能主动规划、执行和评估药物发现工作的智能体平台。

当科学家输入一个问题——比如“有没有可能针对某个突变蛋白设计抑制剂？”——NovaDDE 会先拆解这个问题，然后自动调用所需资源：查文献、分析已知靶点、检索相关蛋白结构、运行计算模型、评估分子可行性。每一步的中间结果都会被记录、评估，并决定下一步动作。

这个过程依赖于对多源信息的整合能力：科学文献、生物数据库、分子结构数据、专业计算工具（如分子动力学模拟器）、以及 Geodesic 自研的生物模型。关键在于，这些模块不是孤立调用，而是在一个统一框架下协同工作。

换句话说，NovaDDE 试图把原本分散在不同专家、不同软件、不同阶段的工作流，压缩成一个连贯的推理链条。科学家不再需要手动切换十几个工具，而是专注于提出好问题，剩下的交给系统处理。

NovaAtom-Lite：轻量版结构预测模型

与 NovaDDE 配套发布的，是 NovaAtom 家族的第一个模型：NovaAtom-Lite。

这是一个轻量级的全原子结构预测器，能根据生物分子的序列（包括蛋白质、DNA、RNA 和小分子配体）预测其中每个重原子的三维坐标。更重要的是，它还会为每个残基以及每一对残基提供校准后的置信度指标，帮助判断预测结果的可靠性。

技术上，NovaAtom-Lite 结合了进化信息（如多序列比对）、可选的结构模板，以及一个基于扩散机制的生成模型。主体网络先构建整个分子组装的表示，扩散模型再在此基础上生成原子坐标。

虽然 Lite 版本主打快速推理，但它为后续更大规模的 NovaAtom 模型铺路。目前，Geodesic 正在训练更大容量的版本，并进行广泛的基准测试和校准研究。未来模型将支持更复杂的约束条件，比如环肽、大环结构、共价修饰等。

这类能力对药物设计至关重要——很多新型疗法（如 PROTAC、多特异性抗体）依赖精确的原子级相互作用，传统粗粒度模型难以胜任。

NovaLab：让 AI 设计接受物理世界检验

再好的计算预测，也必须经过实验验证。Geodesic 没有把这一步外包，而是自建了 NovaLab——一个内部湿实验室。

所有由 AI 设计出的候选分子进入 NovaLab 后，会经历一套结构化验证流程。问题难度逐级上升：首先看能不能合成出来（制造可行性），然后验证实际结构是否匹配设计（设计匹配度），接着测试是否能与靶点结合（可结合性），再评估结合强度和特异性（结合效果），之后考察信号稳定性、细胞活性，最后才是治疗可行性和体内有效性。

这个流程不是单向的。实验结果会实时反馈回 NovaDDE 和 NovaAtom，用于修正模型假设、优化下一轮设计。Geodesic 希望通过这种紧密耦合，让每个“计算-实验”循环变得更短、信息量更大、迭代效率更高。

湿实验环节往往是药物发现的瓶颈。NovaLab 的存在，意味着 Geodesic 能控制整个链条中最不可控的部分——物理世界的不确定性。

顾全全的学术积累如何落地

顾全全的背景横跨理论机器学习、大模型对齐和科学智能。他在 UCLA 领导 AGI 实验室多年，2023 年加入字节 Seed 后聚焦 AI4S。这段经历让他看清了一个现实：当前的 AI 制药大多停留在“用深度学习加速某个子任务”，而非重构整个研发范式。

Geodesic 的做法更接近 AGI 思路——不是堆砌模型，而是构建一个能自主完成复杂科学任务的系统。NovaDDE 的推理链、NovaAtom 的结构生成、NovaLab 的实验反馈，共同组成一个具备“感知-思考-行动-学习”能力的闭环。

这种架构对工程和科学的要求都很高。既要懂蛋白质折叠的物理规律，也要掌握大模型训练技巧；既要能写高效代码，也要能操作液相色谱仪。顾全全团队显然在刻意打破这些边界。

为什么现在做这件事？

过去几年，AlphaFold2 和 RoseTTAFold 证明了 AI 能解决蛋白质结构预测这一长期难题。但结构只是起点，离真正设计出有效药物还很远。中间隔着靶点验证、分子生成、ADMET 性质优化、合成可行性、临床前测试等重重关卡。

大多数公司选择在某个环节切入，比如用生成模型设计小分子，或用图神经网络预测结合亲和力。Geodesic 的野心在于打通全链路——不是只做“更好”的预测，而是重新定义“如何做药物发现”。

这需要大量数据、算力、实验基础设施，以及对生物学的深刻理解。顾全全选择此时创业，或许是因为基础模型能力、实验自动化水平、以及跨学科人才储备终于达到了临界点。

真正的挑战还在后面

尽管愿景宏大，Geodesic 面临的挑战也不小。首先，湿实验成本高昂，NovaLab 能否维持高频迭代是个问题。其次，药物发现的成功率极低，即使 AI 提升了效率，仍需面对生物学本身的复杂性和不确定性。最后，如何与传统药企合作或竞争，也是商业模式上的关键考验。

不过，如果他们真能实现“从问题到候选药物”的端到端自动化，哪怕只缩短一年研发周期，对行业都是巨大冲击。毕竟，一款新药平均研发成本超过 20 亿美元，时间就是金钱。

Geodesic 的官网（https://geodesiclab.com/）目前展示了初步技术框架，但尚未公布具体管线或合作伙伴。接下来几个月，外界会更关注他们的第一个实验验证案例——那才是检验这套 AI 原生平台是否真正有效的试金石。