生成式科學智能新標桿：IntelliFold 2新近發布并開源，全面領先

機器之心發布

在 GenAI 帶動的 “生成式科學智能（Generative Science）” 的新浪潮中，生物基石模型始終是廣受關注的熱門領域；自然界的生命語言（序列、結構）與人類符號語言呈現類似的序列化特征，但其背后蘊含嚴苛的物理約束與生物演化邏輯，長期以來難為人類完全破解，同時因其對于人類生產、生活的關鍵重要作用，使生物基石模型成為領域內廣受關注的 “皇冠上的明珠”。

生物基石模型的關鍵價值，在于其能從海量信息中借助 Transformer 等 GenAI 架構充分打開隱空間，挖掘出人類難以感知歸納卻又大有所用的 “生命語法”；DeepMind 旗下的 AlphaFold 系列研究無疑是其中頗具開創性的重大突破。

及至 AlphaFold 3 發布后，其現象級的突破性進展與巨大產業潛力有目共睹，成為毫無爭議的行業典范。隨后，圍繞結構預測及與之密切關聯的從頭設計應用，全球相繼涌現出一批以 GenAI 大模型尋求突破的代表性成果（Chai Discovery、Boltz、OpenFold 等），明星團隊、大額融資及至大廠并購（Evolutionary Scale）等積極消息此起彼伏，市場熱度持續上漲；但及至 2025 年底，仍鮮有新發模型真正做到與 AlphaFold 3 匹敵［1］。與此同時，受限于開源程度、效能上限、部署便利性等，生物基石模型的進一步普及應用仍面臨高性能、高可用的需求端真實考驗。

在生物基石模型的全球激烈競逐中，IntelliGen AI 于本周末正式發布了 IntelliFold 2，這是繼 2025 年 7 月 IntelliFold 首版發布后的一次重大升級 [2]。

通過從 GenAI 內在邏輯出發的諸多創造性思考與重新設計，以及諸多工程化模塊的突破性創新，IntelliFold 2 成功實現了高效能與多功能的全面突破，在 FoldBench 基準測試中給出了超越 AlphaFold 3 主要指標的優秀表現；在抗體 - 抗原相互作用、蛋白 - 配體共折疊等影響藥物研發成敗的關鍵任務上，IntelliFold 2 也樹立了全新的行業性能標桿，為智能藥物設計提供了可控、高精度的工業級引擎。

免費試用地址：https://server.intfold.com/

核心突破：在關鍵性能指標上全面超越 AlphaFold 3

在生命科學領域，復合物共折疊（Co-folding）預測一直是核心挑戰。IntelliFold 2 在兩個關鍵任務中取得顯著進步，超越 AlphaFold 3、Chai、Boltz 等主流模型：

• 抗體 - 抗原相互作用：以 DockQ > 0.23 為成功標準，IntelliFold 2-Pro 達到 58.2% 的成功率（報告的 v2 模型結果為 5 次運行的平均值，最高分數達 63%），相較 AlphaFold 3 的 47.9% 展現出顯著的性能進步。這一逾10 個百分點的提升，意味著在抗體篩選階段，模型能夠更穩健地邁過可用性門檻，進而減少濕實驗試錯成本，精準鎖定高潛力候補分子。
• 蛋白質 - 配體共折疊：在該任務中，IntelliFold 2-Pro 同樣以67.7%的成功率擊敗 AlphaFold 3（64.9%）及 Boltz 等其他主流模型 。這一精度的穩步提升對于基于結構的小分子藥物設計至關重要，不僅有助于提高虛擬篩選的命中率，也為后續親和力預測、別構靶點捕捉等具體任務打下了堅實基礎。

IntelliFold 2 的發布，通過v2-Flashv2v2-Pro三個版本，精準覆蓋了從學術微調到工業落地的多元需求。目前已正式開源v2-Flashv2兩個版本。其中，v2 版本作為目前精度最高的開源模型之一，將為全球科研人員提供性能卓越的結構預測底座，大幅降低高性能生物計算的門檻 。

“智能” 為徑，開啟范式迭代：四大創新重塑新一代基座

IntelliFold 2 的核心突破，源于對 “信息表征能力” 和 “硬件計算特性” 的重新思考。針對共折疊（Co-folding）這一頗具挑戰性的核心任務，團隊并未因循傳統的 “強數據堆砌” 或單一的 “專家經驗注入” 路徑，而是尋求生命分子微觀交互規律與 AI 計算范式的深度融合，以更好的實現 “底層模型智能” 對 “下游任務智能” 的賦能。

• Scaling Law 在生物計算的驗證：通過 Latent Space Scaling 技術，團隊擴展了 PairFormer 模塊的特征維度，不僅增強了模型對復雜生物大分子相互作用的表征能力，更大幅優化了計算效率，將 GPU 的計算利用率（MFU）從 5% 提升至 30%。這種算力投入帶來了較高的邊際效益，以可接受的時間成本，換取了對復雜結構表征能力的顯著提升。
• 原子級別的精細感知：針對抗體 CDR 區域等柔性、易變的結構，傳統粗粒度建模方法往往難以精確建模。IntelliFold 2 引入了隨機原子級 Tokenization，讓模型在訓練中學會捕捉細粒度的原子接觸模式。這種 “顯微鏡” 級別的感知力，彌補了宏觀表征在局部細節上的缺失，成為其在抗體預測任務中領先的關鍵。
• 強化學習引導的采樣優化：為了解決擴散模型采樣在結構預測任務中的不穩定性，團隊引入基于 PPO 算法的強化學習進一步優化擴散模型。通過將擴散過程建模為隨機策略并進行微調，IntelliFold 2 有效校正了采樣軌跡的偏移，減少了不準確結構的生成，為實際應用提供了可靠的工業級預測結果。
• 難度感知的損失函數：針對復合體中鏈間距離預測等高難度區域，IntelliFold 2 采用了難度感知的損失函數。通過動態調整損失函數權重，引導模型專注于那些容易被忽略的長尾困難區域。這種優化改善了訓練收斂穩定性，提升了模型在處理復雜多鏈復合物時的穩定性。

IntelliFold 2 的技術迭代體現了生成式科學的研發新范式，它既不依賴傳統專有數據注入或專家調優，也非單純的對 Transformer block 堆疊提升參數量，而是結合對領域科學和模型的綜合深入理解，找到好的 scaling 的角度，遵循智能涌現的底層邏輯，求解穩定可泛化的有效性能提升；否則，單純堆砌算力和參數量或者機械地對跨領域先驗經驗進行遷移放大依然達不到好的效果。

靈活可用：從可控預測到應用問題解決的領先實踐

IntelliFold 2 不僅僅實現了精度的提升，還體現了對于可用性的強調：通過通用基礎模型、輕量適配器（LoRA）與任務引導，形成閉環推理鏈路，連接結構預測與諸多功能發現。這超越了傳統單模型 - 單任務開發邏輯，以統一基石模型 - 多任務的架構，開創性拓展了結構模型的效能場景與價值鏈條。同時，這一架構設計也允許領域科學家注入假設、約束和數據，為研究人員進行可控、精準且具有預見性的任務開發打下了創新支點。藉由此次基石模型更新，IntelliFold 2 在蛋白 - 配體親和力預測、別構靶點虛篩等應用問題上充分展示出顯著更優且卓有價值的行業應用潛力。

1. 親和力預測（小分子）

IntelliFold 2 延續了初版的高保真親和力預測能力，不但在 PDBBind 數據集性能優于 Boltz-2 及模型初代版本，還在更接近產業真實任務的復雜 In-house 數據集上親和力預測表現（Pearson r = 0.60）顯著領先 Boltz-2 等開源模型 (0.38)。結合 IntelliFold 特有的別構和表位分析能力，已經形成 “預測結構→估計結合→指導設計” 的完整閉環，并在真實案例中幫助合作伙伴在分子篩選任務上實現了效率與精度的大幅提升以及高難靶點的突破進展。

2. 動態捕捉靶點（別構效應）

在生命的微觀世界里，蛋白質的功能并非由靜態結構決定，而是源于其在復雜能量景觀中的動態構象調控。其中，別構效應是最具代表性的機制之一：只需在蛋白質的一端輕輕撥動 “開關”，就能通過構象的連鎖反應控制另一端的生化活性。雖然這為藥物研發提供了巨大的想象空間，但由于其高度的動態性和復雜性，尋找此類藥物靶點如同大海撈針。

IntelliFold 2 構建了一套 “微觀原子精度” 與 “宏觀構象一致性” 協同的表征體系：在微觀層面，它能以原子級分辨率捕捉氨基酸側鏈的細微偏移；在宏觀層面，則能維持蛋白質整體拓撲結構的物理合理性。以此通用表征為基石，通過針對性地引入別構數據進行高效微調，模型進一步習得了解析復雜別構效應的能力。

借助這一特殊機制的引入，IntelliFold 2 實現了在真實任務上別構位點篩選能力，并作為其動態靶點預測能力的首個應用案例；后續成功幫助合作伙伴實現了基于別構結合的候選分子重新篩選，最終以特定靶點優秀成功率（高至 67%）實現多問題全部命中，并成功轉化至后續環節 asset 開發。

結語 ——“Answer ball” from the East

在語言智能（Language Intelligence）和有形智能（Physical Intelligence）兩大領域，近年來的新一波 GenAI 浪潮持續帶來猛烈沖擊與快速變革迭代，我們正親歷著一場將空前改變生產與生活的智能大變革。圍繞著大語言模型、具身智能、自動駕駛等賽道與產業的發展熱潮，我們欣喜地看到全球科技競爭的高速迭代和諸多優秀成果的不斷涌現，中國科技力量持續追趕甚至并駕齊驅；

然而在關聯諸多領域科學和生產力前沿的 “生成式科學智能” 領域，尤其是在相對高光的生命科學方向，不同于北美市場后 AlphaFold 3 時代模型探索的百花齊放，目前在全球其他地區能夠直接可比的基模成果并不多見。受限于生物基石模型的高算力消耗門檻、LLM 與生物背景的復合人才需求，大中華地區也更多是 Biomap、百度、字節跳動等互聯網大廠背景團隊在持續參與并取得階段性成果。

IntelliFold 2 的發布，及其模型 SOTA 表現與開源舉措，無疑是一記令人振奮的 “Answer ball”。這表明圍繞生成式科學的全球競賽，新興團隊仍然有機會加入競爭，甚至取得領先的卓越表現。

據悉，得益于強大的基石基礎模型進展，IntelliGen AI 首版針對 Binder 和抗體的從頭設計（De novo design）模型也即將于 2026 年中適時發布，進而實現預測與生成的統一，進一步加速藥物研發與生命科學探索的進程。

未來，圍繞生物基石模型的全球競爭無疑將更加激烈；希望新一代際的創新者們能夠實現 “科技有效”，驅動 “智能藥物設計時代” 的真正到來。

［1］Xu, S., Feng, Q., Qiao, L. et al. Benchmarking all-atom biomolecular structure prediction with FoldBench. Nat Commun 17, 442 (2026). https://doi.org/10.1038/s41467-025-67127-3

［2］https://github.com/IntelliGen-AI/IntelliFold