英伟达点名的杭州团队，补上AI科研最后一公里

AI for Science的竞争，正在向科研闭环延伸。

以蛋白设计为例，蛋白模型虽越来越强，但真正设计一个分子，研究人员仍需查文献、找结构、下载权重、配置环境，再将计算任务送上服务器。模型给出结果后，还要换工具看结构、做筛选，判断哪些候选值得继续。一次计算跑完，下一步从哪里开始，往往仍靠人把各环节接起来。

如今，这些隐藏在模型前后的工作，开始被AI公司重新审视。今年4月，OpenAI推出面向生命科学的GPT-Rosalind；6月，Anthropic发布Claude Science；8月，Anthropic又公布Agent参与蛋白质设计、衔接外部实验验证的研究。这些进展指向同一变化：AI不再只负责模型本身的计算，也开始参与模型前后的研究工作，能分析结果、调整方案、继续推进任务。

国内已有团队走到类似交叉路口。杭州AI蛋白质设计公司力文所近日发布Lévin™ Harness，面向科研社区开放使用。它把数据、模型、插件工具、算力和工作流放进同一个Agent工作区，由研究人员定义目标、方法和关键决策，Agent据此推进计算、分析结果，再根据反馈调整下一轮方案。

在Lévin™ Harness中，用户可选择专业科学模型和分析工具完成蛋白质结构预测、序列设计等任务，但平台本身不绑定特定模型，通用模型层保持开放。新模型和科学能力可通过插件继续加入，任何人都能为自己的模型制作专属插件。一套研究方法跑通后，还可沉淀为Workflow，用于重复运行和修改。其核心职责，就是把模型、工具、算力和研究过程组织到同一条工作链上。

这解决的正是AI for Science当下比单次推理复杂得多的问题：如何让智能真正进入科研现场，并持续工作下去。

Lévin™ Harness是一款以Agent为核心的蛋白质设计应用，可近似理解为专门服务生命科学研究的Agent工作台。研究者可在同一工作台提出目标、查看分子结构、组织计算，并在结果出现后修改方案，前一步信息能继续供后一步使用。Agent依靠通用大模型（DeepSeek、Kimi、GLM、Qwen、小米MiMo等开放模型）理解需求、规划步骤，再调用工具执行任务；专门训练的科学模型和分析工具承担蛋白质结构预测、序列设计等计算。Harness负责连接这些能力与数据、算力，并保留研究过程。研究人员只需负责科学目标、方法和关键决策，随时可审阅结果、补充条件或纠正方向。

以蛋白binder设计为例，传统流程需研究人员明确靶点、结合位置和目的，再给模型提约束、生成候选、筛选分子。在Harness里，研究人员可提出针对某靶点设计binder的目标，由Agent参与靶点调研、整理信息、辅助分析结合位置，研究者再确定方法和约束。由于binder能否与靶点形成合适界面，与残基空间关系直接相关，力文所在Agent工作区内置三维分子可视化工具，屏幕上的分子结构信息及操作可直接转化为Agent上下文，让对话指向明确研究对象。研究者说“这里”，Agent也能理解具体空间位置。

有了判断依据，下一步是把设计思路落实为计算。Agent会根据任务意图自行选择AlphaFold、ProteinMPNN、Pallatom、RFantibody等专业工具。但工具多了，使用本身也产生工作量。Lévin™ Harness通过定制插件系统，把专业能力接入同一环境，自动完成下载、安装和调用，Agent再选择工具、配置参数、串联计算。用户还可通过插件加入新模型和能力。计算资源同样接入工作链，可连接本地工作站或提交远程GPU服务器，完成后由Agent分析产物、推进后续步骤。

一轮计算结束，研究通常还没完成。若候选未满足约束，研究人员仍需判断问题所在。这就需要Workflow，把能力组织成可执行、可修改的研究方法。研究者确定科学方法和关键决策，Agent协助连接、运行与调试，再根据结果参与调整。候选进入实验后，整理好的实验结果也可返回项目，成为下一轮设计依据。实验操作仍由实验团队完成，Harness承接的是研究人员、计算工具与反馈之间的协作。随着多轮调整，经过验证的工具组合、参数和检查步骤能留在Workflow中，供类似任务复用。

Lévin™ Harness的产品思路，始终围绕科研任务怎样继续推进，让不同环节围绕研究目标接续起来，形成科研闭环。目前，该产品已面向科研社区开放使用，支持搭载Apple芯片的Mac。

力文所成立于2021年9月，名字来自Levinthal悖论：蛋白理论构象数量极其庞大，随机尝试寻找天然结构耗时可能远超宇宙年龄，但自然界蛋白质却能在极短时间内完成折叠。公司最初目标就是成为通用型蛋白质设计公司，面向不同分子和应用提供设计能力。创始人兼CEO王浩博拥有北京大学博士、哈佛大学博士后背景，师从蛋白质AI学者Sergey Ovchinnikov，研究横跨有机化学、结构生物学、生物信息学和人工智能。团队也带有强跨学科特征，汇集计算机科学、结构生物学、化学知识和真实实验能力。早期，力文所搭建Lésign智能化蛋白设计平台，随后把技术重心推进到全原子蛋白质生成，最具代表性的工作是自研全原子蛋白质生成模型Pallatom。