AlphaFold 3 不香了？开源“群狼”集体掀桌子！

DeepMind 恐怕怎么也没想到，自己辛辛苦苦筑起的 AlphaFold 3 护城河，这么快就被拆得七零八落。

过去一年里，AI 制药圈充斥着各种“脚踢 AF3，拳打 DeepMind”的 PPT 宣发。可每次一进第三方独立的“考场”，这帮自封的“神童”就集体现原形，让人直呼遇上了“科研幻觉”。

就在大家快对这种“放卫星”审美疲劳时，最近几周，ESMFold2、Protenix-v2 和 OpenDDE 三个开源团队，像商量好了一样，接连甩出了极具震撼力的跑分数据。

而这一次，它们没有“既当裁判又当运动员”，数据全部来自第三方独立基准测试——Tamarind Bio 发布的 FoldBench v1。

在最考验硬实力的抗原-抗体结合（antibody-antigen）预测任务中，AlphaFold 3 居然被无情吊打了！

在 FoldBench v1 的 113 个复合物（172 个界面）测试中，各家模型的 DockQ 成功率（%） 如下：

47.9% 对比 81.9%！

这已经不是“险胜”，这是直接把 AlphaFold 3 的神话按在地上摩擦。

为什么曾经不可一世的 AlphaFold 3，会在这次考试中输得这么惨？

1. “全才”终究输给了“专才”

AlphaFold 3 是一个“全能战士”，不仅能预测蛋白质，还能预测 DNA、RNA、化学配体甚至化学修饰。但“样样通”往往意味着“样样松”。

抗原-抗体结合预测是结构生物学里的 “Boss 级关卡”。

抗体用来结合抗原的 CDR 环（CDR loops）柔性极高、变化多端，需要极高精度的局部几何建模。像

OpenDDE 这种专门在抗体和相互作用领域“开小灶”的专才模型，其算法架构针对这种高难度的局部柔性进行了饱和式攻击，自然能把“端水大师” AF3 远远甩在身后。

2. 开源社区的“大力出奇迹”与光速迭代

这里不得不提一下字节跳动开源的 Protenix。

初代 Protenix-v1：跑分只有 34.1%，连 AF3 的尾气都闻不到。

二代 Protenix-v2：在短短几个月内，直接飙升到了 67.1%，反超 AF3 将近 20 个百分点！

这就是开源生态的恐怖之处。一旦像 DeepMind 这样的巨头指明了技术方向（Diffusion 结合 Transformer），开源社区就能以十倍速进行逆向工程、调优和迭代。DeepMind 挤出来的牙膏，开源社区直接拿管子喷。

3. “真金不怕火炼”的独立基准

此前，很多初创公司声称超越 AF3，大多是在自己精心挑选、甚至可能存在“数据泄露”（模型在训练时已经见过的测试集）的私有数据集上跑的分。

而 FoldBench v1 作为不带偏见、公开客观的第三方基准，直接戳破了那些“PPT 药企”的肥皂泡，但也真正捞出了 OpenDDE 和 ESMFold2 这几块真金。

这波“开源围剿闭源”的大戏，像极了当年 Stable Diffusion 在图像生成领域围攻 Midjourney 和 DALL-E。

闭源巨头虽然底蕴深厚，但当开源模型在细分、高价值的药靶领域（如抗体药物开发）实现性能反超，且部署成本更低、自主可控性更高时，闭源的商业壁垒正在被无情瓦解。

AI 制药的“技术平权”时代，真的要来了。