从生成式 AI 到工业智能体：环肽药物研发正在被重新组织

当 AI 从「生成答案」走向「组织研发」——CP-GFM-SGX 与正在打造的自动驾驶实验室

北京深智序元生物（Profundata）· 牛津大学 联合研发

──────────────────────────────

图1工业AI驱动环肽发现

一、下一个竞争优势，不来自更大的模型

生物医药行业正在拼命提升研发效率。但下一个竞争优势，不会来自某个更大的模型按需生成答案，而来自能够推理、规划、验证、批判并持续学习的专业智能体网络——它把碎片化的工作流，变成一个会自我调整的发现系统。

这是近期行业分析给出的核心判断，也是我们做 CP-GFM-SGX 时最直接的体感。

近日，由北京深智序元生物（Profundata）联合牛津大学共同研发的环肽药物设计工业智能体平台 CP-GFM-SGX，通过文章CP-GFM-SGX: Topology-Aware Cyclic Peptide Generation and Design with Receptor-Conditioned Structural Evaluation and Experimental KRAS Affinity Opti发表于 ChemRxiv上（10.26434/chemrxiv.15010253/v1），配套技术报告与代码同步在 GitHub 开放（YulixirAI/CP-GFM）。

二、为什么是现在

生物医药正承受来自各个方向的压力：研发成本上升、周期拉长、失败率高、必须更早做出更好的决策。

生成式 AI 已经在靶点识别、先导生成、文档撰写和知识整合上展现出真实价值。麦肯锡估计，生成式 AI 每年可在制药与医疗产品领域创造 600 亿至 1100 亿美元的价值，其中 150 亿至 280 亿美元来自研究与早期发现；在某些场景下，它能把先导化合物的识别速度从数月压缩到数周。

但这一轮变化比"效率提升"更大。行业正在从"把 AI 当工具做孤立任务"，转向"把 AI 当作科研的操作系统"。

原因在于：药物发现从来不是一个单点预测问题，而是一条由相互依赖的决策构成的链条——横跨生物学、化学、数据工程、实验、安全性、法规与管线策略。

一个聊天机器人跑不好这条链。一组协同的智能体，或许可以。

三、生成式 AI 为什么已经不够

生成式 AI 擅长产出内容：总结文献、提出分子、起草方案、回答技术问题。

但药物发现不靠"内容生成"取胜。它依赖判断、迭代、证据追踪、工具调用和跨职能协同。

行业分析里有一句很到位的话：模型本身通常只占工作量的很小一部分，更难的部分在于把它们接到企业数据、领域工作流和决策流程上。

于是真正的战略比较，已经从"用不用 AI"变成了「传统 AI vs 多智能体 AI」：

换句话说，未来不是"一个超级模型"，而是"一支 AI 药物发现团队"。

技术栈也在同步变清晰：LLM 仍是交互与推理层，但它周围越来越多地环绕着编排框架、检索系统、仿真工具、知识图谱、领域模型、实验室自动化和工作流引擎。 整个栈正在从"语言生成"走向"自主科学基础设施"。

四、一支「AI 药物发现团队」里有什么

理解多智能体最好的方式，是想象一家生物技术公司里的高效项目组——不是一个大而全的系统，而是一组各自有角色的专业智能体，横跨靶点发现、先导识别、先导优化与临床前评估。

OrgAgents 是一个代表性框架：它用基于角色的 LLM 智能体模拟一家虚拟药企，把工作流分成靶点发现、先导识别、先导优化、临床前候选评估四个阶段；在每个阶段里，智能体承担接近真实团队的职责——疾病分析、靶点评估、口袋分析、分子设计、相互作用分析、毒性审查、合成可行性。

Co-Scientist 展示了另一种能力：它是一个多智能体科学推理系统，专门做假设的生成、反思、排序、演化与元评审——不是简单产出答案，而是在智能体之间形成结构化的科学辩论。在生物医学验证中，它帮助识别出急性髓系白血病的药物重定位候选、提出协同组合方案，并在肝类器官中发现了抗纤维化候选物。

这说明多智能体不只是工作流自动化，它可以贡献真正具有实验相关性的假设生成。

CP-GFM-SGX 想回答的是第三个问题

如果说OrgAgents 展示的是组织形态，Co-Scientist 展示的是假设生成能力，那么 CP-GFM-SGX 面对的是一个更硬的问题：

当分子本身有严格的化学身份要求时，多智能体必须怎么组织？

环肽恰好是最苛刻的测试场景。

图2 同一候选需要在成环、结构评估与验证中保持可追溯的化学身份

一条环肽候选要成为可决策的对象，必须穿过六个完全不同的专业环节：

靶点与口袋分析 → 环肽生成 → 成环化学与拓扑审查 → 受体环境结构评估 → 物理评分 → 实验决策

这是六个学科。药物化学家、结构生物学家、计算化学家、分析科学家，各自用不同标准判断同一个分子。指望一个网络同时把六件事做好，本身就是错误的假设。

所以 CP-GFM-SGX 按这条流水线组织成六个专业智能体：靶点分析、环肽生成、成环化学与拓扑审查、复合物结构评估、物理评分、实验反馈——以计算提名为决策出口。每个智能体由它需要的输入和产出的输出定义，可以独立版本化、验证和替换。

为什么环肽比蛋白或小分子更能检验多智能体架构？** 因为它对"身份"的要求严格得多。一条肽链要首尾成环，成环方式、连接位点、立体化学稍有不同，就是另一个分子；只凭"两端距离够近"算不了数，必须有化学上成立的环化键。**在这种分子上，"这个候选还是不是原来那个分子"是一个必须时刻回答的问题。

候选死在交接处，不死在生成器里

这是我们在实践中体会最深的一点。

多智能体最大的风险不在单个智能体的能力，而在交接处。候选很少死在生成器里，它死在智能体之间的传递上：

• 结构是基于已经变更的受体状态精修的

• 一个不错的分数，对应的分子图其实重建时丢了手性中心

• 一次失败的合成悄悄从分母里消失，成功率自己就变好看了

这些都不是报错。它们看起来像结果。

所以 CP-GFM-SGX 在智能体之上加了一层协调层——统一候选证据状态：一个候选在每个智能体之间携带稳定的身份，把靶点环境、分子图、声明的成环键、结构证据、路线版本绑在一起。没有该阶段要求的证据，就不允许把这个候选推进到下一阶段。

这正是"把组织智能编码进一个模块化系统"在分子层面的具体做法。

KRAS：这个闭环已经跑通过一次

在一项独立的 KRAS G12D–GDP 环肽项目中，实验测量直接改写了后续设计决策.但最有价值的不是这个数字，而是较弱的分子也干了活：一个中性取代没能复现精氨酸效应，这条支路因此被放弃；芳香取代不如双阳离子设计，资源于是转向电荷位置与间距。

实验反馈只有把失败测量保留为一等证据，才能累积。 丢掉它们，每一轮都要从同样的假设重新开始。

五、科学家 + 智能体：新的协作模型

必须先破除一个误解：智能体不是来替代科学家的。

更现实的未来是"人类科学家 + AI 智能体"的深度协作闭环。多智能体可以检索更广、记得更多、比较更多选项、迭代更快；而人类仍然负责定义目标、判断生物学合理性、解释模糊性、决定可接受的风险，以及判定证据是否足以行动。

这种混合模型在开发运营里已经出现。麦肯锡认为，代理式 AI 可以通过实时监测、数据清洗、文档生成与申报准备来改造临床和法规工作流：在已记录的案例中，起草错误减少了 50%，临床研究报告定稿从约 12 周缩短到 6 周，法规审查时间可能减少最多 40 天；他们还提到由中央"智能体铸造厂"协调 30 个以上专业智能体的工作流设计。

这也将重塑科研人员的技能结构。未来的科学家需要的，不只是编程和写提示词，而是：

• 把问题表述成机器可执行的形式

• 监督自主工作流

• 用实验现实校验模型输出

• 理解数据来源与血缘

• 像管理一支不知疲倦的初级团队那样，与 AI 系统协作

实践中，明天的顶尖研究者可能一半是首席科学家，一半是系统思考者，一半是科学智能的产品经理。

图3 CP-GFM-SGX智能体中各个专业模块围绕同一候选证据协同工作

六、从自动驾驶实验室到 2030

多智能体 AI 最具变革性的落点，是自动驾驶实验室（Self-Driving Lab）与闭环实验。

这类系统把 AI 推理与机器人、自动化检测连成一体，让"提出假设—设计实验—执行—分析数据—提出下一轮实验"形成持续闭环。已有综述认为，自驱动实验室几乎可以自动化整个科研方法链条，人类只需在异常情况下介入。

在药物发现领域，这个方向已有先行者：MicroCycle 等平台展示了把自主合成、纯化、检测、数据分析与下一轮选化合物整合进同一循环的可能性；更早的 Eve 则证明自主平台能够独立发现命中化合物。

图4 自动驾驶实验室（Self-Driving Lab）与闭环实验

我们正在打造这样的闭环

路径分三步，每一步都有明确交付物：

第一步 · 实验数据回读自动化 —— 让 SPR/BLI 结果不再靠人整理进表格，而是结构化地回流到设计智能体。解决"数据进得来"。

第二步 · 实验编排智能体 —— 平台不再只是接收结果，而是主动提出下一批要合成和测量的分子，包括优先级、对照设置，以及哪些假设值得用一次实验去证伪。解决"实验排得对"。

第三步 · 接入自动化合成与检测 —— 把人的手从实验台前拿走，让"设计—合成—测量—再设计"连续运转。这一步才是真正的自动驾驶实验室。

七、边界：我们还没有建成自动驾驶实验室

这一点必须说清楚。

目前跑通的是一条有人参与的闭环：计算设计 → 人工合成与测量 → 结果回流 → 下一轮设计。它的价值在于证明了这条链路每一段都能接上、每一段的结果都能被追溯。

从"有人参与的闭环"到"自动驾驶实验室"，中间还隔着：

• 实验编排的可靠性——智能体提出的实验方案，命中率有多高

• 自动化硬件的稳定性与通量

• 异常处理——当实验偏离预期时，系统能否识别并停下来

• 最关键的：当智能体自己决定做什么实验时，谁来保证它的判断是可审计的

最后一条，正是证据状态层要继续承担的工作。自动驾驶实验室的风险不是"跑不起来"，而是"跑错了却没人知道"。

八、结语：分水岭是操作模型的重构

生成式 AI 打开了门，多智能体 AI 才是把行业推过这道门的力量。

到 2030 年，未必会出现完全自主的药企，但一定会出现智能体驱动的研发组织：文献综述、靶点排序、先导设计、实验规划、数据对账、技术文档，逐步被协调起来的 AI 团队分担。

最终的竞争优势，属于那些把专业智能体、可信数据基础设施、人类科学监督，以及最终的闭环实验室执行结合起来的组织。

对决策者而言，行动信号很清楚：不要再把 AI 当成一堆互不相干的试点。 现在就开始为代理式研发模型打地基——把科学推理、领域工具、实验反馈与跨职能决策，连成一个自适应的系统。

先完成这次转变的公司，不只是跑得更快——它们会学得更快、决策得更好、发现得更多。

环肽研发的下一程，正在这条路上。

──────────────────────────────

关于 CP-GFM-SGX

CP-GFM-SGX 是由北京深智序元生物（Profundata）与牛津大学联合研发的环肽研发工业智能体平台，相关科学工作已以预印本形式发布于 （10.26434/chemrxiv.15010253/v1），配套技术报告与代码同步在 GitHub 开放（YulixirAI/CP-GFM）。