亚马逊面向生物制药行业推出了一款AI驱动的药物研发平台,该公司表示,这一平台将计算方法与湿实验室工作流程整合到单一应用中,能够大幅缩短新药研究周期。
亚马逊云科技(AWS)将这一平台命名为Amazon Bio Discovery(ABD),并将其定位为"实验室闭环"平台。据悉,该平台在发布之初即搭载超过40个AI生物基础模型,配备智能体助手帮助用户为研究项目选择最优模型并解读实验结果,同时还建立了合同研究机构(CRO)合作伙伴网络,负责执行湿实验室实验,实验结果可反馈回系统,进而指导后续设计阶段。
该平台采用四阶段流程:首先对模型进行评估并构建计算机模拟工作流,随后由智能体助手主导实验设计与计算结果分析,最后将最具潜力的候选化合物移交至Ginkgo Bioworks、Twist Bioscience或A-Alpha Bio的湿实验室进行验证。用户可访问AI模型库,也可上传自定义模型或使用第三方工具。
此次发布标志着AWS加快了为药物研发者提供服务与工具的步伐,是继HealthOmics分析平台及用于临床试验患者队列识别的HealthLake服务之后的又一重要进展。
与此同时,此举也使AWS与英伟达、Alphabet旗下Isomorphic Labs以及OpenAI等提供AI药物研发服务的科技巨头形成竞争,其中OpenAI刚刚与诺和诺德签署了战略层面的合作协议。
在竞争优势方面,AWS在企业级云服务领域深耕多年,为全球前20大跨国药企中的19家提供服务,ABD平台正是构建于这一基础设施之上,这或许将成为其打入这一赛道的重要助力。
AWS医疗AI与生命科学副总裁拉吉夫·乔普拉(Rajiv Chopra)向路透社表示,Amazon Bio Discovery目前已在拜耳、博德研究所以及Voyager Therapeutics展开实际测试。
纪念斯隆凯特琳癌症中心的一项研究验证了该平台的能力——在数周内生成了10万个抗体候选分子,并可直接送往湿实验室进行测试,相关细节已记录于官方白皮书中。
AWS的瑞恩·格林(Ryan Green)和金智元(Jiwon Kim)在一篇博客文章中写道,ABD"让实验室闭环模式在整个研究机构中触手可及、规模可扩展"。他们补充道:"实验室闭环药物研发不应占用科学本身的时间,无论你是在设计计算工作流,还是在运行用于验证假设的实验,这一模式都应该向每一位科研人员开放。"
Q&A
Q1:Amazon Bio Discovery平台是什么?能解决哪些问题?
A:Amazon Bio Discovery(ABD)是亚马逊云科技推出的AI驱动药物研发平台,整合了计算方法与湿实验室工作流程。平台内置超过40个AI生物基础模型,并配备智能体助手辅助模型选择和结果解读。它通过"实验室闭环"模式将计算模拟与实体实验紧密结合,能够在数周内生成大量候选化合物,显著缩短新药研究周期。
Q2:Amazon Bio Discovery平台的四阶段流程是怎样运作的?
A:该平台采用四步流程:第一步评估AI模型并构建计算机模拟工作流;第二步由智能体助手主导实验设计;第三步分析计算结果;第四步将最具潜力的候选化合物转交给合作湿实验室(包括Ginkgo Bioworks、Twist Bioscience、A-Alpha Bio)进行实体验证。实验结果还可反馈回系统,持续优化后续研究方向。
Q3:Amazon Bio Discovery目前有哪些机构在使用?效果如何?
A:目前已有拜耳、博德研究所和Voyager Therapeutics在测试该平台。纪念斯隆凯特琳癌症中心的研究项目也验证了其效果——平台在数周内生成了10万个抗体候选分子供湿实验室测试,充分展示了其在大规模药物研发中的实际应用价值。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。