健身房冠军走进荒野

🚪 开门之前：这个系列讲了什么

前两篇先快速过一遍。第 1 篇里，AI 把手伸出屏幕去拧现实世界的门把手，物理世界根本不理会它的指令：网络有延迟，传感器会撒谎，世界模型在健身房里练出的肌肉，到了门口先挨一顿现实的打。第 2 篇里，AI 开始跟人打交道，发现人类社会也不按字面沟通：用户会中途改主意，"我说过了"和"这就算数了"之间隔着一整个职场的弯弯绕。

今天这篇是终章，AI 推开的第三扇门：机构。

场景不再是网络消息和多轮对话，而是三家真实药企的实验室——GSK、Sanofi、AstraZeneca。AI agent 进去做先导优化，干的活和一位在职药物化学家几乎一样。四位专业化学家盲评，分不出哪些结构出自 AI 之手。

听起来像庆功稿。但论文真正的答案藏在别处：决定成败的，是评分模型在它熟悉的地盘之外还能不能信。这个结论先放最后，我们从厨房讲起。

论文来自 AMD Silo AI（斯德哥尔摩/赫尔辛基）和 AstraZeneca（剑桥/哥德堡），作者 Pierre Llompart、Levent Guner、Helen Lai、Alessandro Tibo、Yijie Xu，2026 年 10 月 5 日挂在 arXiv 上（2610.06411）。标题玩了个双关：From Benchmark to Bench。Benchmark 是基准测试，Bench 是实验台。基准是健身房，实验台是荒野。整篇论文说的就是健身房冠军第一次进荒野的故事。

🏋️ 健身房里全是冠军

先把"这件事为什么难"讲清楚。

一颗药从想法到上市，中间最烧钱的一段叫先导优化（lead optimization）。研发团队手里通常已有一个苗头化合物——某个分子在靶点上有活性，像个天赋不错但毛病一身的实习生：活性可以，溶解度稀烂，毒性不明，进不了人体。先导优化的任务，是把这个实习生培养成能独当一面的候选药物：活性再推高，毒性再压低，溶解度、渗透性、代谢稳定性一项项修。麻烦在于每一项都在和另外几项打架——活性拉满的结构往往溶解度崩盘，脂溶性调好了代谢又出问题。

这个过程靠一个循环驱动：设计、合成、测试、分析，简称 DMTA。转一圈，几周；转几十圈，几年。药物研发成本的最大贡献者之一，就在这几十圈里。

REINVENT 4 是目前生产级的分子生成框架，专在这一步"造分子"。它有个性格特点：只优化专家喂给它的评分函数。分数目标写什么，它就朝什么方向狂奔；目标本身写错了、超出能力范围了，它看不见。像一位刀工一流的厨师，菜谱递到手就能把菜做满分，但菜谱的毛病，不归他管。

Agentic 系统承诺接管全流程：自己规划、自己调工具、根据实验反馈闭环调整。这几年文献里的药物 agent 不少，问题是绝大多数评测只问两件事——"工具执行得对不对"，"通用分子基准跑分高不高"。这相当于只考察厨师的刀工，从没尝过他做的菜。

MAGI 把考场直接搬进了荒野：真实项目、真实目标、真实的时间截断，唯一的让步是回顾性重放——用历史数据倒带，让 agent 重新打一遍当年人类打过的战役。

👨‍🍳 认识一下主厨

MAGI 是一个开放、模块化的药物化学编排层，后端是 Claude Sonnet 4.6，通过 MCP（Model Context Protocol）暴露 24 个工具，分六组：服务发现、数据检索、TTP 管理、评分与预测、优化控制、结果检索。

先讲 TTP，全系统的枢纽。TTP 全称 Therapeutic Target Profile，治疗目标档案。用厨房打比方，它是一张点菜单，药物化学家对这张菜单负全责。菜单上每道菜（每个优化目标）写清楚：谁来评分（评分服务）、往高做还是往低做（优化方向）、做到什么算合格（目标值和可接受区间）、味道怎么换算成分数（可欲性变换）、整桌里这道菜有多重要（权重）。另有护栏（guardrails），单独 pass/fail 评估——菜再好吃，用了客人过敏的食材，直接出局。

TTP 是 schema 校验、版本化的 JSON，不是聊天聊出来的口头默契。agent 想改目标，得正儿八经改文件、留版本，每次修改都进档案。之后一个叫 mapper 的组件把 TTP 编译成 REINVENT 能执行的评分配置。

多目标怎么合成一个总分？这里用了经典而聪明的配方：Derringer-Suich 加权几何平均。为什么用几何平均而不用算术平均？举个例子：期末数学 100 分，体育 0 分，算术平均分 50，成绩单看着还过得去；几何平均直接把这种"一条腿飞起、一条腿截肢"的组合打回原形——100 和 0 的几何平均就是 0。药物分子就需要这种残酷：某个端点彻底报废的分子，不许靠另一个端点逆天平均出"还行"。

还有一条纪律值得单独说：任何端点缺数据，这个端点就是"不可评估"，绝不许大模型估一个数填上去。在人人吹捧"AI 什么都能编"的年头，这个系统明确划线——有些空格就是要空着。

评分服务的阵容相当整齐：全局 ADMET 集成模型（XGBoost、Chemprop-MTL、CheMeleon-MTL 三模型集成，训练用了 156,797 个分子、186,120 个稀疏标签，覆盖 7 个端点）；Sanofi 四个项目各自的专属配体模型；Boltz-2 做共折叠，预测蛋白质和分子叠在一起的姿势；PoseBusters 检查构象有效性，姿势在物理上站不住脚就直接出局；还有相互作用分析器。所有服务走统一 REST 契约（POST /score），像一家要求所有供应商用同一款快递盒的平台。

一个细节很见工程品味：结构证据靠"工件身份"传递——PoseBusters 检查的就是 Boltz-2 输出的那个复合物，同一个对象，不是各自另造一份。否则前后端对不上号，检查就成了走过场。

那么一场战役里，agent 的一天长什么样？先调服务发现找到能用的评分器，检索历史数据看起始化合物和类似物的档案，撰写 TTP 并交给 schema 校验，启动 REINVENT 优化任务，期间反复轮询监控进度，任务跑完取回生成池，按综合分挑短名单，再带着新证据进入下一轮。每一步都过审计，每一步都留痕。这套流程里没有魔法，全是工种；MAGI 的活法是把工种接成流水线，让证据能顺着管道流。

可审计性做到了偏执：每条模型消息、每次工具请求和结果、每个 TTP 版本、每份评分配置，全部写进 JSONL 转录；科学适应（有证据支撑地改目标、改权重、改搜索策略）和执行修复（报错了重试）分开记录。为什么这么较真？因为后面会看到，agent 最值钱的动作就发生在这里。

🔀 两条出菜路线

同一间厨房，同一位验货员，MAGI 让两条路线打擂台：

LLM 路线：reasoning 后端直接提名短名单，每轮约 5 个分子。主厨亲手调味——凭经验、凭对食材的理解，手起刀落。

REINVENT 路线：agent 自己撰写和更新 TTP、启动并监控优化任务、取回生成池、再从中选短名单。主厨不动锅铲，命令一整个后厨远征——开的火多，出的菜广。

🔬 九场战役

实验设计是这篇论文最硬的骨架。

九个回顾性先导优化战役，三家药企，固定时间截断重放：四个 GSK BET BD2 系列战役（GSK-S1 到 S4，这四个化学系列在 J. Med. Chem. 上发表过）；Sanofi 的四个 RetroDMTA 项目——FXa（凝血因子 Xa）、MMP8（基质金属蛋白酶-8）、PPARδ、RENIN（肾素）；外加一个未公开的 AstraZeneca 战役，只报 logD7.4 的聚合分布，化合物集、靶点、治疗领域全部保密。

每个战役的规则：只给 agent 一个起始化合物加 4 个实测类似物，其余全部扣住。跑 5 轮迭代优化，每轮产出约 5 个短名单进入下一轮。评价分子有一整套体检表：有效率、累积唯一性、新颖性、和扣住化学的相似度、轮内多样性、可合成性，加上 Boltz-2 的 iPTM 分数和相互作用数，再加上可观测的操作调用数——最后这位是工作量指标，谁累谁闲，一目了然。

主端点按项目定：GSK-S1 考动力学溶解度，GSK-S2 考膜渗透，GSK-S3/S4 和 AZ 战役考 logD7.4；FXA 考 pKi，外加溶解度和 logD 目标；MMP8 和 RENIN 考 pIC50；PPARδ 考 pEC50。

扣数据这事值得展开。Sanofi 的模型只见过时间截断之前的化合物，未来队列在生成端和评分端两头扣死。打个比方：让一位厨师只看五道旧菜，预测餐厅未来一年的口味走向，猜错没有重来。健身房里没这门课，这课只在荒野开。

📊 性格相反的双胞胎

结果第一页：两条路线都产出了有效结构，性格完全相反。

LLM 路线是聚焦的局部优化器。紧贴所示化学做小幅改造，用更少的操作达到相当甚至更高的主端点活性。刀刀见肉，不跑远。

REINVENT 路线是更广的空间探索者。新颖性、多样性明显更高，在 Sanofi 项目里离所示化学最远——后厨远征确实到了新大陆。轮内多样性这条指标上，它也压过 LLM 路线。

代价是操作负载。REINVENT 的可观测操作数是 LLM 的 4 到 9 倍：启动任务、监控进度、失败恢复、取回结果，步步要调工具。RL 循环在内部每次战役还多探索约 10 万个结构，底层工具调用比 LLM 路线高出四个数量级。一边像狙击手，一边像集团军。

换句话说，两条路线各占探索-利用权衡的一端：LLM 精修，REINVENT 跳出起始 chemotype（化学骨架类型）远征。项目早期需要快速确认苗头，局部精修划算；项目卡住需要换骨架，远征才有价值。两条路线本身没有高下，它们的命运被同一个东西攥着——往下看。

🎯 尺子决定成败

论文最核心的答案在这：赢家的名字不在两条路线里。目标达成由评分模型决定，不由生成路线决定。

九个战役中，GSK 的三个系列加 AZ 战役达成目标。两场失败，精确对应评分模型的适用域出界。

GSK-S1 失败的原因：主端点动力学溶解度的目标值，落在了模型训练数据覆盖的范围之外。尺子只在量过的范围内是准的，超出范围，读数就是猜的。生成器造一万个候选，每个都在这把失真的尺子下量身高——量出来的排名和真实排名差出十万八千里，优化器再勤奋，也只是朝错的方向加速。

RENIN 失败的原因更隐蔽：配体模型在扣住集上的排序相关系数只有约 0.31。排序是优化的心跳——优化器本质上是跟着分数爬坡，分数对真实活性的排序只保得住三成，等于让一位重度近视的裁判给百米决赛排名次。两条路线在 RENIN 上一起扑空，不是不努力，是裁判的视力定了比赛上限。注意这两场失败的画风：一场是模型从没见过这个量程（外推），一场是模型见过但记混了（弱排序）。病因不同，结局一样。

评分模型的三种病，论文点得很清楚。系统性偏差移动数值标尺：所有人的身高被集体量矮五厘米。值域压缩抹平真实差异：一米六到一米九在尺子上只占一格。弱排序相关让候选排序不可靠：前面那位近视裁判。后厨远征到新大陆又怎样，验货员那把尺子到了新大陆就失灵，菜照样出不了门槛。生成器的宽度，一种病也补不上。

为什么评分模型能拥有这么大权力？因为在整套系统里，agent 的每个决策都要经由评分服务表达——评分服务是 oracle（神谕），oracle 的适用域，就是 agent 的能力边界。厨师的每个决定最后都要过验货员那关，验货员的尺子在哪失效，厨房的天花板就钉在哪。

Sanofi 四场战役给这个结论添了层质感：两条路线都追平了扣住化合物的预测主活性，但只有 FXA 和 PPARδ 跨过项目阈值。而且 LLM 路线达成目标的次数多于 REINVENT 路线——重现了这些项目历史上达到的质量，但没有超越。局部精修在这个赛场上更划算，这本身也是评分环境塑造出来的结果。

💡 高光时刻：它自己换了把尺子

全论文最动人的一幕在 GSK-S1。

这场战役的主端点是动力学溶解度，前面说了，目标值在模型训练范围之外，打不动。按常理 agent 会怎么做？硬磕，磕满五轮，交一份"已尽力"的报告。MAGI 里的 agent 没这么干。它发现这个端点持续没有改善，自主把热力学溶解度提为代理端点——两种溶解度物理上相关，而热力学溶解度在模型能力范围之内——随后提案出现真实改善（论文 Figure S12）。

这个动作值得停三秒。考卷上有一道题超纲，它没瞎编答案，也没交白卷，而是找了一道等价的、自己会做的题，并且先跟评分系统商量好了再答。文献管这类动作叫 evidence-motivated（证据驱动）的目标变更，和执行层面的报错重试分开存档。

这也是 MAGI 真正想说的：编排框架的价值不在"能调 24 个工具"，在两个更难的判断——选哪个工具，何时改写目标。工具调用是手脚，这两个判断才是脑子。

🎭 实验室里的图灵测试

只看数字，实验已经可以进教科书。作者做了件更狠的事：盲评。

四位化学家，28 个评审问题。任务：分辨哪些分子出自 agent，哪些是被扣住的、当年人类做出来并实测过的化合物。结果：分不出来。对两条设计路线也无偏好。他们觉得 agent 的 SAR 推理（"改这个基团活性就涨"那类构效关系）大体可信但不完整——思路清晰，经验尚浅。

图灵测试的原始版本是骗过普通人，后来加码到骗过专家。这一场发生在实验室，没有剧本没有表演，AI 就是靠干活通过了。没有骗，只是真的分不出来。

读法有两层。往亮了说：AI 的产出物已能混入真品无压力。往暗了说：分不出，不代表完美——它只是和当年人类做的一样好，一样会被评分模型的近视传染。盲评证明的是"分辨不出"，不是"无可挑剔"。

🌀 结构证据搅动牌桌

还有一条支线值得讲。

传统优化里，结构信息常被当事后参考，优化主要靠打分函数驱动。MAGI 里 Boltz-2 做的是共折叠预测——把蛋白质和分子直接叠在一起，输出结合姿势和亲和力信号。实验发现：按 Boltz-2 亲和力重排 top-5 短名单，名单大幅变化，且变化方式取决于具体目标。PoseBusters 在旁边盯着构象有效性，物理上站不住脚的姿势直接出局。

这说明结构证据可以直接搅动优化过程，不必干等到终点线才举个分数牌。分子不是一维的分数，是三维的姿势；优化用上三维信息，牌局会变。

🧱 终章：墙不在模型内部

三篇合起来，是"AI 出门之后"的全景。第 1 篇，物理世界的墙：网络不按指令执行，健身房的肌肉在门口挨现实的打。第 2 篇，人类社会的墙：对话不按字面沟通，说过不等于算数，意图中途改道。这一篇，产业机构的墙：化学家分不出 AI 的手稿，但裁决者是评分模型的适用域——尺子在自己的地盘之外量不准，菜就出不了门槛。

一个母题反复出现：AI 出门后，真正的墙都不在模型内部。推理、生成、工具调用，健身房里全能练；门外的三面墙，分别长在物理世界里、人的心里、裁判的视力里，哪面都不归模型自己管。

诚实清单也摆在这：提案端点是预测值，不是实测值；每个条件只跑一个后端、一条轨迹，没有静态目标对照组，agent 自身的贡献没被单独隔离；时间切分挡住显式泄漏，挡不住预训练可能见过这些数据。荒野的第一批探险报告，本来就该标注哪里有雾。

讨论部分点名两个天花板：评分服务在工业场景的适用域，和 agent 的 SAR 推理质量。前者定速度，后者定远度。值得注意的是，这两个天花板一个都不在 agent 自己身上——一个在它调用的工具里，一个在它读不懂的化学直觉里。MAGI 留下的方法论是：把"评分服务的适用域"当一等公民来管理——TTP 是显式的，评分是集中的，证据是带身份的，变更是留痕的。要知道尺子的盲区，先得承认尺子有盲区。未来的药物 agent 竞赛，比的恐怕不是谁的生成器更野，而是谁更清楚自己的尺子在哪失效。

门外的世界三部曲到此完结。物理世界、人类社会、产业机构，三面墙都摸过了。墙在门外——但门已经被推开了一半。另一半，要看我们什么时候能给 AI 一把在荒野里也不失准的尺子。

参考文献

• Llompart, P., Guner, L., Lai, H., Tibo, A., Xu, Y. From Benchmark to Bench: Can Agents Survive Real-World Drug Discovery? arXiv:2610.06411 [cs.AI], 2026-10-05.
• REINVENT 4：生产级分子生成框架，MAGI 的生成与优化后端。
• Derringer, G., Suich, R. Simultaneous Optimization of Several Response Variables. Journal of Quality Technology, 1980.（Derringer-Suich 可欲性函数）
• Boltz-2：蛋白质-配体共折叠与结合亲和力预测模型。
• PoseBusters：对接姿势的物理有效性检查工具。
• GSK BET BD2 四个化学系列（J. Med. Chem. 发表），GSK-S1 至 S4 战役来源。
• Sanofi RetroDMTA 四个先导优化项目：FXa、MMP8、PPARδ、RENIN。