开场：医疗服务的未来
我们先卖个关子，大家都知道。好了，马上开始。
有时，进步从家里开始：一次更稳的动作，多一点信心，以及恰到好处的照护。它应该用你的语言倾听，理解你的需要，并把你和你的故事连接到下一步。“别担心，我会一直陪着你。”
这样，医生就可以抬起头来，专注地陪伴你；支持也能从屏幕延伸到精准的行动。手术室本身可以帮助团队做好准备，机器人器械则能拓展外科医生的能力。物资会送到真正需要的地方，实验室把样本变成答案。每一次连接都会拼出更清晰的图景，为下一步提供信息，把数字医疗与实体世界中的 AI 连起来，让智能转化为行动。
我们正在共同打造医疗照护的未来，让康复帮助人们回到真正重要的生活中。再迈一步，再开启一段冒险，又多一个向前的机会。
有请 NVIDIA 医疗健康与生命科学业务副总裁 Kimberly Powell。
谢谢你，Constantine。刚才那段是不是让人起鸡皮疙瘩？真的很震撼，让人内心深处有所触动。我得说，Jensen 刚才展示的那些微型鸭子机器人特别有趣。接下来我们也会带来有趣的内容，但更重要的是，大家共同参与设计的医疗未来，蕴含着无比巨大的希望。我们可以携手应对一项全球性挑战。
医疗服务的需求如此庞大，光是今天，我们就没有足够的医护人员来满足，更不用说未来摆在我们面前的严峻形势了。不过，令人振奋的是，创新势头非常强劲。看看 Bessemer 和 Bain 做的这项调查：医疗行业正在利用这些极快的创新周期。
最初，聊天式 AI 只能进行简单的问答，提供一些帮助、补充信息，或帮助你学一点东西。但很快，大家开始思考如何采用现代方法，让 AI 调用工具去完成任务，看看能否实现更多工作流自动化。这些对医疗行业都有帮助，但仍然不够。我们正迅速进入部署智能体系统的时代。这种 AI 能够实际完成工作，一步接一步地衔接起来，解决医疗行业各处的问题，从医疗服务提供方、支付方，一直到生命科学领域。这个行业需要我们做出真正有用的工作，而 2026 年带来的正是这样的变化。现在讨论的已经不只是模型——Jensen 今天谈了很多——而是我们如何……
医疗智能体的价值与安全基础
……围绕模型搭建系统：给它什么工具、什么知识，为它提供怎样的治理和安全机制，以及让它能够以医疗行业所需速度运行的环境。
这项调查另一个令人惊讶的发现，是投资回报。如果回顾过去部署在医疗领域的数字系统，投资回报通常要用两到三年衡量，有时甚至需要五六年。这些系统很复杂。现在我们进入智能体 AI 的时代，智能体可以通过语音访问，就在手机、平板，或你每天使用的任何电脑上。采用门槛几乎瞬间消失：不必再琢磨“该点哪里、该走哪些步骤”，你只需用最符合人类习惯的方式——自然语言——与电脑互动。
因此，医疗行业原本认为需要两到三年才能实现的投资回报，如今实际上在一年内就能实现，而且回报达到投入的三倍。也就是说，每花 1 美元，就能创造 3 美元的价值。这很了不起，医疗行业从未见过这样的成果。这正是我们身处如此令人振奋的时代的原因。
要记住，什么是 AI？它不再只是一个模型，而是智能体帮助我们完成有用的工作，让人类有更多时间去做自己真正想做、也擅长的工作。模型当然仍是系统的一部分，但现在我们要给它一个“身体”或运行框架，再给它手、脚、眼睛和其他能力。这样，它就能成为我们的伙伴、同事、思想搭档或实验室助理。
我们正在开发大量技术，因为医疗行业的工作极其精细，需要高度专业化。我们要思考如何扩展这个平台，释放至少二十年来医疗数据数字化所蕴含的巨大潜力。欧洲积累了丰富的数字数据，美国也是如此。但我们必须让系统以合适的方式访问这些数据、理解这些数据，并把它们作为知识基础，让原本通用的 AI 真正理解医疗行业里发生的事情。
Jensen 谈到 NVIDIA 的智能体知识基础。这些工具可以部署在数据平台之中，而这些平台正被重新设计、重建，以具备 AI 能力。我们必须让原本沉睡、派不上用场的医疗数据变得适合 AI 使用，用它来增强智能体，同时始终把安全与保障放在心上。
Jensen 还介绍了我们借助 Open Shell 构建的出色平台。这是一个安全的智能体运行环境和沙箱。就像雇用新员工，或者让孩子接触新事物时，你会限制他们可以访问的内容一样，我们也会限制智能体的访问权限。我有十几岁的女儿，我不太喜欢手机或社交媒体，所以会限制她们能……
开放模型、物理 AI 与医疗工作流
……她们可以接触什么。这在这里也是同样的道理，对吧？你可以先让智能体拥有很少、严格受限的权限，让它开始工作；随着信任增加，再逐步放开权限。你也可以设计专门化的智能体，让它们彼此沟通、传递任务。医疗行业里有个非常常见的概念，叫标准操作规程。想象一下，每一套操作规程都可以变成一个高度专业化的智能体。
为此，我们认真思考开放模型战略。多年来，NVIDIA 一直在投资建设前沿开放模型生态。正如大家听 Jensen 所说的，我们既在打造处于前沿的开源模型，让你可以按这个行业所需的深度专业知识对模型进行定制；在另一些领域，我们则直接打造前沿模型。这些都将成为医疗行业非常强大的工具。
先来回顾一下我今天要展示的一些模型。开场视频提到了两个概念：智能体 AI 与物理 AI 相遇。医疗是一个极其实体化的行业。归根结底，我本人就在这里；我不是一个虚拟形象，也不是飘在空中的像素。要实现我们想要的目标、让人们生活得更健康，就必须在现实世界中采取行动。
NVIDIA 的 NeMo 模型家族包含开放式语言模型和视觉语言模型，能把通用能力转化为专业能力。今天会有很多例子说明，只需少量后训练，就能在专业任务上取得极其出色的表现，甚至超越前沿水平。
另一些领域里，我们本身就在前沿，比如 Cosmos 这一系列世界基础模型、世界动作模型。我们需要先建立各种条件，例如生成合成数据、构建合成世界，再用各种行动策略训练机器人的“大脑”，让机器人学会如何在现实世界中行动。NVIDIA Cosmos 的这些模型正处于前沿。
我们还有一组很棒的模型，稍后会讲到，主要围绕生物学基础模型和药物发现。药物研发过程十分艰巨、耗时很长，但现在我们开始能够在计算机中模拟药物世界，以前所未有的规模开展工作。
再来看智能体如何真正加入医疗行业的劳动力队伍。归根结底，我们都是患者；在座的许多人都是医疗旅程各个环节的创新者，有些覆盖整个流程，有些专注于其中某些部分。要真正实现转型，我们希望 AI 融入流程的每一步。事实上，这已经在发生，欧洲各地正在涌现大量创新。
我们正在与 Sword Health 合作。大家可能在开场时看到过他们：他们提供 AI 陪伴服务，帮助你在两次就诊之间持续获得所需的医疗支持。这可以用于物理治疗，也可以用于心理健康服务。患者能获得这样的服务，实在令人振奋……
AI 智能体进入患者旅程
……当医生无法随时提供服务时，患者仍可以继续康复之旅。OneAdvanced 正在帮助患者了解医疗体系、进行分诊，并在英国各地安排就诊。Heidi 为医护人员提供自然语言能力：把语音转录下来，再与患者病史和医疗证据结合，从而增强临床决策支持。这样，医生在诊室里就不必一直打字，可以抬起头来。医生希望直视患者，患者也希望医生看着自己。这正是语音、语言模型和智能体系统所带来的改变。
Hollen 正在整合医疗数据的各种模态——我们能够、也一直在采集的种种信号，只是过去往往把它们分别看待。如果我们能构建一个“大型医学模型”呢？这是他们创造的说法。为什么要这么做？因为这个模型能够综合患者旅程中采集到的各种信号，从而开始预测患者的结局，为世界各地的医疗服务提供方提供帮助，也能为生命科学领域的临床试验提供巨大助力。
Dawn Health 最近还宣布与 Merck 合作。如何让接受治疗的患者获得良好的体验？如何了解他们的症状、帮助他们坚持治疗方案，并建立深入的联系？我们都希望能有这样的支持。现在有一些非常出色的新药问世，但我们服药期间也需要支持，想知道出现的情况是否正常。Dawn Health 正在与制药行业合作提供这类帮助。
所以你们看到，我们从患者旅程的起点讲到终点，也讲到了中间的各个环节。这就是我们开始亲身体验的非凡未来。正如 Constantine 所说，欧洲正在焕发生机。现在有五亿人能够接入数字医疗，AI 正被融入整个医疗体系。Ailios 是一套原生支持 AI 的电子健康记录系统，它正在以全新的方式思考如何让 AI 融入整个流程。Corti 则在开发医疗 AI 和临床 AI，这些能力如今已经嵌入数百种应用中。患者旅程和医疗流程的每个环节，都可以利用语音与语言模型，将它们和数据连接起来，转化为真正有用的工作。令人非常振奋。
现在，我们还得确保数字世界里完成的所有出色工作，能够在现实世界中推动解决方案。正如我所说，世界卫生组织预测，几年内全球将短缺约 1,000 万名医护人员。要满足这一需求，我们必须在现实世界中找到办法。
许多医护人员有 30% 的时间，有时甚至高达 50%，都花在行政类、非临床工作上。我们需要设想如何改变这种情况。你们会看到这里有很多机器人，它们可以在医院里运送物品，不必让护士离开需要他们照护的患者。我们……
让机器人在现实医疗环境中工作
……当然，我们也希望看到机器人和系统进入病房，提供信息与服务体验。机器人辅助手术领域已经有先行者，这将是一个充满创新的方向。我们要思考如何教会机器在不断变化的现实世界中行动，这需要提供大量软件和基础设施。
过去几年，NVIDIA 一直在把我们在汽车行业帮助开创的重大突破，应用到医疗领域。从技术平台的角度看，让汽车在现实世界中行驶，与让机器在手术室中自主运行，有许多相似之处。因此我们一直在打造名为 Isaac for Healthcare 的平台，基于 NVIDIA 各领域的强大软件库，并针对物理 AI 的工作流程进行适配。
Apen 正在开拓自主样本运输。他们的机器人可以上下楼梯，为实验室团队运送样本。他们利用 NVIDIA Omniverse 和 Isaac for Healthcare 构建数字孪生。整个过程可以从数据和仿真开始：先采集一些真实世界数据，再用 Cosmos 这样的世界模型扩展这些数字数据，创建大量不同场景和边缘情况——这些情况我们不希望机器人第一次就在现实世界中遇到。可以先在仿真中处理。这样就能得到扩充后的训练数据集，接着进行强化学习和后训练。等机器人进入现实世界时，它就拥有更强健的模型，能在极复杂的环境中运行。
他们利用 Isaac 和 Groot，在创建数字孪生后训练机器人的策略。机器人内部的实时计算机能够感知、观察、推理，然后采取行动。情况很相似：如果我们能解决医院自动化这类医疗场景中的问题，就可以把成果推广到其他领域。
不过，我们还在开发更多面向特定领域的工具。作为 Isaac for Healthcare 的一部分，我们推出了医学物理仿真。进入人体后，物理因素会变得非常关键：组织会变形，器械碰到不同解剖结构时会产生不同反应，机器人必须学会在极短时间内充分适应。类似地，有了仿真环境，就可以构建训练数据集，在模拟器中进行训练和后训练，让策略模型在部署时具备更强能力。
我们正在与一个很棒的生态系统合作，范围不仅包括医院自动化，也包括临床和医疗机器人。
机器人部署是第三个环节。前面讲了数据和仿真，接下来是如何真正部署这些设备。医疗设备领域——说实话，各类机器人也一样——通常采用分散的系统架构。如果你和我们的医疗系统 OEM 合作伙伴交流，会发现他们有不同的业务部门：CT、超声、MRI 等，每一个部门……
医疗机器人部署：低延迟实时计算
……每个部门往往都会重新设计整套系统：自己选择 CPU、FPGA 组合和 GPU 组合。接下来最难的是系统架构和软件编写，必须把延迟控制在预算内，才能部署真正的实时系统。
这里有个例子，算是一次小失误，来自我们一位很棒的产品经理。（笑）他在仿真环境里训练了一个机器人策略，在仿真中一切运行正常。这涉及“重力补偿”。大家看到过那些微型鸭子，它们的重力补偿做得很好，摔倒后还能站起来。如果不知道如何补偿重力，就会看到这样的情况。为什么仿真里一切完美，部署到真实硬件上却出问题？因为数据传输带来了延迟：信息从传感器传到动作执行器，中间经过老式、并非最优的数据路径。
Jensen 用“极致协同设计”这个说法，我们在数据中心里这么做，今天早上大家也看到了我们推出的 AI 工厂。边缘计算也一样，必须把机器人看成一座“住在机器人里的数据中心”。感知真实世界并在真实世界中采取行动，必须极其高效；中间任何延迟都可能导致机器人摔倒。
我们一直在开发实时运行环境，并对 IGX 进行极致协同设计。IGX Thor 将我们的 Holoscan 传感器桥接技术、CPU、GPU 和高速网络整合在一起，并采用标准化网络方式传输信息，带来完全不同的体验。我们把极致协同设计与实时运行环境结合起来，这套环境叫 NVIDIA Holoscan。今天我们宣布推出 Holoscan 5，它采用了这种极致协同设计。
我们围绕 IGX 架构打造了实时运行环境，可以把传感器处理、所需的 AI 推理一直连到动作执行。Holoscan Sensor Bridge 是一项很棒的创新，它能让输入输出速度极快且标准化，避免在各种不同接口之间来回转换，让所有设备都能用统一的方式高速通信。
Holoscan 这个统一运行环境的采用势头非常好，下载量接近 200 万次，其中相当一部分是在最近五六个月里新增的。Holoscan 最初来自医疗业务部门，因为这是一个非常难的问题。我们专攻最难的问题，是因为解决方案也能应用到其他领域。现在 Holoscan 已经部署在许多行业，包括高性能计算、通用机器人和制造业，也被医疗应用采用。
因此，Holoscan 生态系统非常丰富，涵盖工业机器人和医疗机器人。我们可以看到，传感器本身，以及仔细考虑传感器如何与计算机交互，非常重要。传感器桥接技术和各种执行器——可以把它们理解为机器人的眼睛，以及移动手臂的能力——都至关重要。系统设计者……
适应性放疗与医疗设备的下一代形态
……系统必须进入受监管的行业。它们可能需要装在手术室里，也可能必须接受各种测试。因此，我们拥有一个系统与设计合作伙伴生态，能在底层基础设施之上进行周密设计，使其适用于特定行业并实现工业化，再连接到相应的传感器。这个生态非常出色，我们为此感到自豪。欢迎大家了解 Holoscan 5。
今天早上你们已经看到了，我们非常高兴地宣布与 Siemens Healthineers 和 Elekta 合作，共同探索下一代适应性放射治疗。
正如我们所说，在放射治疗这样的流程中，工作非常复杂，但价值极高，甚至能挽救生命。整个过程很困难，我们需要把智能体和数字世界连接起来。首先要处理影像数据，充分理解影像，并制定向肿瘤实施放射治疗的计划。如今这主要依靠人来完成，需要手动勾画、制定计划、模拟放射剂量，整个过程需要极其精细的规划。
Siemens 希望把这一流程变成智能体工作流，让计划人员的效率提高 50%——我应该说，是让他们更高效地完成计划——这样就能更快把治疗提供给患者，还能用自然语言操作。谁不想不用记住该点哪些按钮呢？用自然语言制定计划，再把计划放进仿真中。正如我们之前讲的，人体中的物理过程始终在变化，接受放射治疗时也会发生变化。那么，如何模拟人体的变化？我们可以通过医学物理来模拟患者，也可以模拟医疗设备本身如何运行。影像引导放射治疗设备本质上就是机器人，早已如此。Siemens 长期以来也是一家机器人公司。现在，他们可以利用更完善的仿真，推动最终目标：真正实现实时适应性放射治疗。我们也在共同设计这些系统运行所需的实时计算机。
能和这样专业的团队合作，机会非常难得。我有家人接受过这项技术治疗，我对此心怀感激，也很高兴能推动它迈向下一代适应性治疗。这确实为未来医疗设备勾勒出蓝图。
医疗设备将配备数字信息，用于设备设置和治疗方案配置；也会有语音界面，甚至帮助患者自主完成检查流程；还需要实时感知和控制能力。所有这些将使医疗设备真正具备机器人的能力。
我们也在积极参与一项令人振奋的工作：Open-H 是一个由社区推动、面向医疗的开放数据集。我们最初从临床机器人领域着手，那里有许多不同的机器人形态。我们拥有全球最大、也最丰富的数据集之一，数据超过 750 小时。今天，我们宣布推出面向医院的 Open-H，帮助收集多种、不同类型的医院环境数据，从而开始……
开放医疗机器人数据与自主科学
……通过真实世界数据了解这些环境中发生的事情：人们如何行动、都在做什么？这些数据能成为基础，让我们利用 Cosmos 合成生成更多环境、更多任务、不同类型和数量的人群等各种情境。
我们正与一批出色的合作伙伴共同推出 Open-H 数据集的下一代版本，也可以说是进一步演进，重点面向医院和医院自动化。时机也很巧：Siemens 和 NVIDIA 参与 RoboCup，这项赛事首次设立了医疗挑战赛，这让我很有感触。我记得多年前 NeurIPS 会议开始纳入生物学和化学研究时，大家特别兴奋：这么多优秀的计算机科学家和 AI 研究人员，终于要把目光投向医疗领域。这太棒了，医疗将成为全球机器人专家汇聚的领域，这是一件好事。
我们会发布实践方案和数据集，让大家利用我们的开源工具与数据，参与这项挑战。
接下来谈另一个领域：AI 不只发生在医院围墙之内，也在向医院之外延伸；另一个重要部分是治疗。药物研发目前可能要花 20 亿美元、耗时 12 年——具体数字各有不同——总之耗时很久、失败率太高、成本也太高。我们要抓住机会，把数字 AI 与物理 AI 连接起来，让 AI 成为实验室伙伴，真正参与科学方法。
什么是科学方法？先提出假设，开展大量研究，综合各种信息，思考要进行哪些实验，动手制作、测试，然后再回到循环中继续。这就是科学方法。我们可以把为智能体 AI 构建的能力用于前期工作，例如生成科学假设和开展研究。
接着，要把 AI 连接到我所说的“数字干实验室”。这些是面向特定领域和行业的工具。五十年前，它们可能是实验台上的仪器；如今，它们开始能够以模型的形式呈现。AlphaFold 让我们看到了这一点。
NVIDIA 长期以来一直在开发 BioNeMo 智能体工具包，其中包含各种领域专用工具。现在我们可以把这些工具交给智能体，让它们探索广阔的化学和蛋白质空间，在进入湿实验室之前，先在干实验室中优化设计。
进入湿实验室后，也希望它能够自主运行，不成为瓶颈。如果因为没人来移液，或者没人把样本从一个工作站搬到另一个工作站，科学方法的学习进程就被拖慢，那就太可惜了。把干实验室和湿实验室连接起来，正是令人兴奋的地方。
我们还宣布了与 Danaher 合作的一项重大进展。本周发布的消息聚焦端到端推进自主科学。Danaher 的 VCO 和 Gene 数据平台现在已经完全由智能体驱动。他们……
自主实验室与科学数据飞轮
……他们正在把 BioNeMo 智能体工具包整合进来，这样你就可以在数字工作台上组织分子设计工作流，同时探索如何利用其种类繁多的仪器，更高效地制造和测试各种设计。借助 DGX Spark 这样的边缘计算设备，甚至可以让每台仪器本身变得智能，实现流程编排、质量控制和效率提升。
我们正在思考端到端的流程，适用于当今已经存在的众多实验室。设计仍由科学家主导，同时让科学方法形成闭环。任何科学组织开展的每一项实验，都可以成为科学数据飞轮的一部分，回流到智能体系统中，然后尽可能快地转动飞轮。未来，科学研究的速度应该能跟上计算的速度。若能释放这样的潜力，将会非常了不起。
我们与 Danaher 正在推进的合作令人振奋，他们正在这一领域推出并研发大量创新成果。
Lila Sciences 也在为实验室打造超级智能，同样把数字世界和物理世界连接起来。这正是我想说明的一点：科学研究很大程度上出于现实需要，一直以来都比较狭窄、彼此割裂，因为每个领域都高度专业化。现在，我们有机会把这些专业能力结合起来，让 Lila 达到前沿水平。他们打造的实验室可以处理材料、化学和蛋白质相关工作，并利用 NVIDIA Nemotron 系列完成特定任务，在这些任务上超越前沿，同时大幅改变规模化运行的成本结构。
这里有一个例子：设计合成方案。你们可以看到 GPT Astra；通过少量后训练——公开信息显示，后训练成本约为 2,000 美元——正如 Jensen 所说，他们现在在这项特定任务上已经达到前沿水平。这对未来工作非常有力。
我们来看一段视频。参加过 Jensen 主题演讲的人可能已经看过，但我还是想让大家看看 Lila 如何把数字智能体世界连接到全自动实验室。
科学家能够构想的实验，远远多于他们实际能完成的数量。Lila Sciences 正在把 AI 接入由 NVIDIA 加速的自主实验室。
在这里，科学家的目标是设计一种疗法，利用患者自身的免疫细胞识别并对抗 B 细胞淋巴瘤。
第一步是科学推理。Lila Iris 接收科学家的目标，并制定实验计划。Iris 基于 NVIDIA Nemotron 和 NVIDIA 智能体工具包构建。接着，智能体开始在计算型干实验室中工作。
借助 NVIDIA BioNeMo 构建的领域专用模型，它们可以运行数百万次虚拟实验，在进入实验室测试之前逐步缩小候选范围。
这些候选方案将进入 AI 科学工厂。自主……
AI 科学工厂与蛋白质设计模型
……机器人制造并测试这些候选方案。NVIDIA Isaac 和 Omniverse 帮助开发并仿真机器人系统，Jetson 和 Thor 提供计算能力。实验会测量候选方案的表现。实验结果再反馈给 Iris，为下一轮设计和实验提供信息，然后循环再次开始。
每个周期都会为科学家提供更多证据。因为每项实验背后，都寄托着开发新疗法的希望。
这就是科学令人惊叹的未来，而且他们已经把它建成了。这是一个难得的机会。
NVIDIA 还推出了面向生命科学开发者的 BioNeMo 智能体示例。我们把它作为开源 GitHub 项目发布，展示如何把 NVIDIA 智能体工具包、Nemotron、BioNeMo 智能体工具包及其工具组合起来，组成工作流，让你构建自己的智能体系统。你可以在 build.nvidia.com 体验，也可以从 GitHub 获取，用自己的分子进行测试。
我们构建科学智能体的方式，是使用许多专门化模型，形成多模型系统，并持续跟进下一代前沿模型。我们必须为下一个模型做好准备。这就是现代软件系统的架构。
我们正与优秀的合作伙伴一道构建科学智能体，并使用 BioNeMo 智能体工具包。Bolts 是一个分子设计平台，已经构建了自己的基础模型；现在他们正把它们转变为智能体系统，让分子设计能力大幅增强、速度更快。Bioelevate 是 AI 科学家平台。Benchling 已经被全球数以万计的公司用于电子实验记录，如今可以为它增加智能体工作方式，并实时连接不断产生的实验数据。还有用于 RNA 药物发现的应用。这些应用现在都能成为智能体系统，使用领域专用工具，让数据飞轮和科学飞轮更快转动。
现在，我想向大家介绍一个新的前沿模型。我们今天很高兴宣布推出 RFD4 蛋白质模型。它由华盛顿大学蛋白质设计研究所、诺贝尔奖得主 David Baker 的实验室以及 NVIDIA 研究人员共同开发。这个模型非常出色。它加入了推理能力——上一代蛋白质模型已经开始具备这一点——还具备强大的可编程性，我来解释一下这意味着什么。
模型拥有一个共享的潜在空间，将蛋白质序列和结构连接起来，因此可以同时设计两者。我们还能通过向模型提供输入，对它进行编程，使其完成非常精细的设计。实验验证者花时间帮助我们验证，结果证明这个模型达到了最先进水平。
它基本上可以用一个模型取代几十个专用模型，完成所有这些极其复杂的任务，而且他们正在做一些……
RFD4 蛋白质模型的性能与应用
……过去无法设计出来的蛋白质。让我介绍一下它如何在几个方面开辟蛋白质设计的新性能前沿。一方面，要看给定计算量能生成多少种设计；另一方面，要看在相同计算量下命中率如何，也就是有多少设计值得送进实验室，因为实验室环节成本很高。
在开展实验室工作之前，我们会先判断蛋白质是否能够正确折叠。例如，可以用 AlphaFold 3 检查结构是否正确折叠，并满足所需的结构和置信度标准。图表中越高，表示满足标准的比例越大；越靠右，则代表生成速度越快。这就是我说的新性能前沿，展示的是蛋白质—蛋白质相互作用。
小分子结合剂是另一项独特能力。在设计过程中，蛋白质和小分子会共同适配，这非常令人振奋，设计数量达到原来的五倍。对于蛋白质而言，进化只是碰巧找到了一些能用的东西，然后一路延续下来，并不完美。现在我们可以持续搜索、反复改进，直到设计尽可能理想。借助测试时计算，我们如今可以做到这一点。
蛋白质模型和生物学基础模型正进入规模化部署阶段，计算能力确实能带来更好的蛋白质模型。很多合作伙伴都在参与。你当然可以购买新的 DSX Pod 工厂；除此之外，今天还有各种方式可以使用这项能力。
例如，在 OpenAI ChatGPT Codex 中，现在有一个定制的 RFD4 蛋白质分子查看器和用户界面；Anthropic 的 Claude Sciences 也能通过我们的 BioNeMo 智能体工具包使用它。此外，各家规模化服务合作伙伴也都提供了这项能力。比如 NBS 是一家 Token Factory。如果你要开展设计项目、启动一千块 GPU，它已经准备就绪。
结束之前还有一件特别的事。我知道时间快到了，但我想请大家听听诺贝尔奖得主 David Baker 和他的华盛顿大学团队，以及 NVIDIA 的研究人员，谈谈这个模型有多出色。
自然界中的蛋白质解决了进化过程中出现的各种问题。它们消化食物，调节我们思考时大脑中的神经活动，也驱动我们的运动。蛋白质近乎神奇。设计新蛋白质的意义在于，我们现在可以解决进化过程中并不存在、但对今天的人类非常重要的问题。
这些是自然从未面对过的挑战——自然没有机会或时间去演化出应对方法，例如降解人造农药、治疗阿尔茨海默病、发现新的癌症靶点，或以更环保的方式固定氮。
这个项目大约一年前启动，当时 NVIDIA Research 和华盛顿大学 Baker 实验室各有一小组研究人员参与。
与 NVIDIA 的合作在基础层面和算法优化方面都很出色。他们拥有非凡的专业知识，让我看到了在恰当的时间、地点和资源条件下，可以实现怎样的创新。
RFD4 Protein 将 RFdiffusion 系列模型中的概念结合起来……
RFD4 蛋白质设计的实验验证
……将 RFdiffusion 系列模型与 NVIDIA 开发的 Protina Complexa 系列模型中的概念结合起来，打造出比以往任何模型都更强大的模型。
我们第一次看到计算机给出的结果时，简直不敢相信，结果好得令人难以置信。我们希望让模型接受真正的检验。
从一个想法或概念验证，到获得一瓶可以注射给患者的药物，通常要花很长时间：大约 10 到 12 年，中间还要投入约 10 亿美元。随着 RFD4 Protein 的推出，我们看到了一些分子，可以直接从计算机设计结果进入实验室。它们不仅能与预定靶点结合，设计的结合亲和力还提高了 10 到 1,000 倍。这是利用计算工具加快药物设计流程的一项重大进步。
我的研究方向是设计能够分解农药的酶。酶很棒，因为它们能够进行高度选择性的化学反应，因此最终对环境更友好。
这个问题我已经研究了一年。用新的 RFdiffusion 4 Protein 模型，我们只花了四天时间。而且，我们找到的最佳酶，比我过去一年开发的酶强了一千多倍。
化学研究的方式将因此彻底改变。
我非常期待看到大家用 RFD4 Protein 做出各种出色成果，让世界变得更美好。
这很了不起，对吧？是啊。（掌声）我也为你们感到激动，起鸡皮疙瘩了。四天就能完成原本要花一年的事，而且效果有时能好上一千倍。
再次感谢在场的各位，我们一起在做这件事。我看到许多熟悉的面孔。感谢你们所做的一切。我们很高兴能参与大家为自己设定的非凡使命。祝大家 GTC 体验愉快，也去试试 RFD4 Protein，设计一些蛋白质吧。非常感谢。