TL;DR：
扎克伯格基金会Biohub突然放出11亿个蛋白质结构，比AlphaFold多8亿，模型ESMFold2全面开源不限商用。谷歌DeepMind的AlphaFold王座这回真有点晃了。学界兴奋但也有质疑：到底是真王者还是碰瓷？反正免费的，先白嫖再说。
AlphaFold 称霸蛋白质结构预测江湖这么多年，拿了诺贝尔奖，一度被认为是「AI 改变科学」的牌面。结果，扎克伯格家的 Biohub 突然甩出一记王炸。
5 月 27 日，Nature 刊文报道：扎克伯格夫妇创立的 Biohub，正式上线 ESM Atlas 数据库，一口气发布了 11 亿个预测蛋白质结构，外加 68 亿条蛋白质序列信息。1
什么概念？AlphaFold 的数据库辛辛苦苦积累了超过 2 亿个结构，ESM Atlas 一来就多了 8 亿条。直接翻了好几倍，而且完全开源，不限商用。
好家伙，这哪是竞争，这简直是掀桌子啊。
11 亿个蛋白质，一把端上桌
蛋白质是生命运转的核心零件。知道它的形状，才能理解它的功能，然后设计新药、攻克疾病。以前解析一个蛋白质结构，实验室里折腾几个月到几年都是常态。AlphaFold 把时间压缩到几分钟，已经是神迹。
现在 ESMFold2 直接把预测规模推到了 11 亿量级，覆盖了大量从未被解析的「暗物质」蛋白质——尤其是来自土壤、海洋等环境的微生物蛋白质数据。这部分在 AlphaFold 的数据库里基本是空白。2
Biohub 科学负责人 Alex Rives 的原话是：「这个图谱展示了蛋白质生物学的全貌，尤其是那些最未知的部分。」1
翻译成人话：以前我们只看到了冰山一角，现在小扎直接把整座冰山搬出来了。
技术解密：ESMFold2 凭啥叫板 AlphaFold？
ESMFold2 走了一条和 AlphaFold 完全不同的技术路线。它不是传统的基于物理和知识的预测，而是把蛋白质序列当成「语言」来学——没错，和大语言模型（LLM）学人类语言的逻辑一模一样。2
它在数十亿条蛋白质数据上训练，让模型学会从序列直接「脑补」出三维结构。这种「蛋白质语言模型」的思路，有点像给 AI 装了个生命代码的翻译器。
训练数据的覆盖范围是关键变量。ESMFold2 纳入的土壤、海洋微生物数据，让它见过的「蛋白质世界」更完整。Biohub 团队声称，ESMFold2 在预测蛋白质之间相互作用的复合结构方面，表现优于 AlphaFold3。1
但最有说服力的不是跑分，而是落地验证。团队用 ESMFold2 设计了全新的蛋白质，拿到实验室合成测试，高比例的设计按预期起效了。从「预测」到「设计」再到「验证」，这条链路跑通，价值就从论文延伸到了真实世界。
开源才是大杀器，Meta 的老套路了
ESMFold2 最锋利的竞争武器，不是跑分，而是完全开源且不限商用。
AlphaFold 虽然也有开放数据库，但 AlphaFold3 在发布初期对商业使用做了限制。谷歌 DeepMind 旗下的 Isomorphic Labs 今年推出的蛋白质相互作用预测模型更是完全闭源。3
而扎克伯格这边，直接把代码和数据全扔出来，任你下载、修改、商用。这招是不是很眼熟？Meta 的 Llama 系列大语言模型就是这么玩的——用开源做基础设施，用生态做护城河。
MIT 的计算生物学家 Ovchinnikov 直接点明：「我预计很多人会很兴奋地想试一试 ESMFold2。」1
全球有大量实验室和研究机构迫切需要一个免费、无限制的结构预测工具。闭源模型再强，能触达的用户群就那么大。开源一开，社区的力量就起来了——迭代、应用、发现原始开发者自己都没想到的用法，这才是真正的杠杆效应。
同行打分：真香还是有水分？
学界反应积极，但保留意见也很明确。
瑞典隆德大学的 Gemma Atkinson 称 ESM Atlas 「应该成为生物学的非凡资源」。1 伦敦大学学院的 Christine Orengo 认可其价值，但强调预测结果需要独立验证。
更尖锐的问题来自首尔国立大学的 Martin Steinegger。他关心的是：ESMFold2 面对那些与已知蛋白质差异很大的「新结构」时，表现到底如何？他的团队此前发现，ESMFold 第一版在这方面并不出色。这个问题对 ESMFold2 依然悬而未决。1
最冷静的判断来自 MIT 的 Ovchinnikov：他认为 ESM Atlas 更适合定位为 AlphaFold 数据库的补充，而不是替代。他还指出，Isomorphic Labs 的闭源模型以及一些 Biohub 没有直接拿来对比的开源模型，也取得了类似水平的成果。ESMFold2 的领先幅度，可能没有论文暗示的那么大。
这种审慎，恰恰折射出蛋白质 AI 赛道的竞争已经白热化。开源、闭源、学术、商业，各路模型都在以极快速度迭代。今天的「最强」，半年后可能就被刷新。
当 AI 开始读懂生命的源代码
这不仅仅是技术竞赛。当 AI 能精准预测所有蛋白质结构，能设计全新的功能性蛋白质且实验验证有效，那距离 AGI 在生命科学领域的落地，可能比大多数人预想的更近。
从分子层面设计生命，按需定制蛋白质，重写进化的规则。这听起来像科幻，但 ESMFold2 这类工具正在一步步把「科幻」变成「工程问题」。
今天，11 亿个蛋白质结构被摊开在桌上，全球任何有网络连接的科学家都可以免费取用。这意味着，AI 理解生命的能力，又上了一个台阶。
至于这个台阶到底有多高？留给学术界慢慢「白嫖」检验吧。反正，免费的，真香。