单张GPU跑10万原子：分子之心QuantaMind把酶催化反应模拟成电影

分子之心最新披露，其反应性机器学习力场 QuantaMind 已把可模拟的体系规模推到十万原子量级，并且只需单张 GPU 即可运行。按量子位的报道，在最新扩展测试中，QuantaMind 能以接近量子化学计算的精度模拟十万原子级体系数百纳秒的反应过程，单步计算耗时约 0.25 秒，不需要昂贵的超算集群。

这项能力的论文底座发表在《Science Advances》。论文中，QuantaMind 对一个包含 17,792 个原子的完整 PET 水解酶（PETase）体系连续模拟了 6 纳秒，体系中除了酶蛋白和底物，还有近 5000 个水分子；全程不预设任何反应路径，质子转移、断键、成键以及完整的酶催化循环都在计算里一步步发生。

分子模拟长期受困于精度、时间、规模三者不可兼得的“不可能三角”。高精度的量子力学方法能看清反应的每个细节，却只能处理几百上千个原子、极短的瞬间；传统分子模拟能覆盖数万乃至百万原子，但默认化学键固定不变，酶催化、酸碱反应这类过程天然“看不见”。此前的 AI 分子模拟模型多数学的是分子稳定状态的样子，没见过反应正在发生的瞬间。

QuantaMind 的做法是让 AI 大量看“反应正在发生”的样子。论文用 5,286 个化学反应的关键构型训练模型，把不同来源、不同精度的计算数据按质量加权整合，再通过“先用模型跑模拟、再对拿不准的构型补做高精度计算并补充训练”的循环持续补短板。报道称，长时间模拟中体系总能量漂移很小，可稳定支撑数百纳秒的连续模拟而不崩溃。

在质子在水中的连续跳跃、纯水的自发解离、几乎瞬间完成的酸碱中和这三道性质不同的压力测试中，QuantaMind 的结果均与实验高度吻合，而且它并未针对这些反应做专门训练。更进一阶的测试来到蛋白质环境：模型把一种蛋白质放进接近真实实验条件的缓冲液里跑了 20 纳秒，让关键位点自行得失质子，估算出的临界点 5.81 与核磁共振实验值 5.5 接近。

论文还从各阶段随机抽取构型，用量子力学级别的计算方法复核，吻合度超过 0.99，也就是说 AI 的判断与量子力学计算几乎一致。论文通讯作者许锦波是公认的“AI 蛋白质折叠奠基人”，他 2016 年提出的 RaptorX-Contact 是全球首个有效的 AI 蛋白质结构预测算法；他创办的分子之心成立于 2022 年，2026 年 6 月完成 A 轮系列融资、累计逾亿美元，7 月正式开放 AI 原生的生物经济操作系统 MoleculeOS。

论文之外的能力已经在真实项目中出现。在一项延长半衰期的 pH 敏感抗体设计项目中，QuantaMind 辅助设计的候选抗体在 pH 6.0 下的解离速率达到 pH 7.4 下的 62 倍，这样的结果过去往往需要多轮湿实验筛选才能获得；在酶工程领域，团队也借助它探明多种复杂催化酶的反应机理、锁定关键突变位点，从而缩小湿实验范围。

对产业而言，这一进展的意义在于把化学反应的验证从实验室前移到计算机里：精度、时间、规模第一次有被同时推开的迹象，酶工程、抗体设计等长周期研发环节的试错成本有机会下降。据分子之心披露，QuantaMind 正同时把三个边界往外推——体系规模从万原子拓展到数十万原子、模拟时长从数十纳秒延伸到数百纳秒、计算速度再翻倍；这些能力能否在更多真实体系中稳定复现，是接下来值得观察的重点。