亚马逊在4月中旬的AWS生命科学研讨会上发布了一个新平台：Amazon Bio Discovery。
纪念斯隆·凯特琳癌症中心（MSK）是最早一批测试用户。他们做了一件很有代表性的事：几周内设计了近30万个针对儿童癌症靶点的纳米抗体候选物，并把表现最好的10万个直接送去湿实验室做合成和测试。
这个流程，正常情况下要一年。
这个平台是怎么工作的
Amazon Bio Discovery把三件事组合在一起：
一、生物基础模型库
平台内置超过40个专门针对生物数据训练的基础模型，覆盖蛋白质结构预测、抗体设计、药物分子生成等方向。提供模型的机构包括Apheris和Boltz，Biohub与Profluent也预计加入。
和通用大模型不同，这些模型专门在生物实验数据上训练，对分子结构-功能关系有针对性的理解。用户还可以把自己机构积累的实验数据拿来微调模型，不需要搭建自己的训练管线。
二、AI agent界面
这是让非计算专家也能用的关键。用自然语言告诉它要做什么——比如找可以结合这个靶蛋白的纳米抗体——AI agent会自动选择合适的模型、设计实验流程、解读计算结果。全程不需要写代码。
AWS高管Rajiv Chopra的说法是：AI agent让强大的科学能力不再只属于懂计算的研究人员。
三、实验室接口（Lab-in-the-loop）
这是Amazon Bio Discovery真正特别的地方。平台不只是做计算，它还直接对接了真实的湿实验室。
当AI筛选出高潜力的候选分子，可以一键提交给合作实验室做物理合成和测试，目前对接的实验室合作方是Twist Bioscience和Ginkgo Bioworks，A-Alpha Bio也即将加入。
测试结果回来之后，会自动反馈给模型，优化下一轮的设计参数。这就是所谓的实验循环：AI设计 → 湿实验室验证 → 结果反馈 → AI再设计。
MSK的案例到底意味着什么
纪念斯隆·凯特琳癌症中心是美国顶级癌症研究机构。他们的测试用例：
- 输入儿童癌症相关靶蛋白的结构数据
- AI生成约30万个纳米抗体设计方案
- 按可制造性、稳定性等指标筛选，选出10万个送去湿实验室
- 几周内拿到实验结果
AWS为这个项目发表了专门的科学白皮书，记录了整个纳米抗体设计流程。传统流程里，设计-测试-迭代一轮本身就需要几个月，跑完整个周期通常要一年。
这不只是计算更快的问题，核心是把设计和验证两个环节的信息流打通了，消除了中间大量手工协调的摩擦。
谁在用
目前已知的早期用户：
- 拜耳（Bayer）：全球最大制药公司之一
- 布罗德研究所（Broad Institute）：MIT和哈佛联合建立的基因组学研究机构
- Voyager Therapeutics：专注神经疾病基因疗法
AWS同时披露了一个背景数据：全球前20大制药公司里有19家已经在用AWS的云服务做研究工作。这次不是从零拉客户，而是在现有客户里做深度整合。
为什么这件事不只是又一个AI制药工具
AI在药物发现领域已经折腾了好几年，各种公司来了又走。
Amazon Bio Discovery不一样的地方在于：它不只是卖模型或卖算力，而是把计算侧和实验侧接在了一起。
药物研发最慢的环节从来不是跑模型，是等实验室检测结果，是把计算预测和物理验证之间的信息打通，是让一个不懂编程的生物学家搞清楚怎么用AI工具。这三个问题，Amazon Bio Discovery都在正面处理。
当然，平台刚上线，大规模的成本和成功率数据还需要时间积累。MSK的案例是最好的开头，但从设计了更多候选物到真的更快发现了能治病的药，中间还有一段距离。
不过思路值得关注：把AI agent嵌进实验室物理操作循环，这套框架可以直接复制到材料发现、食品科学、农业化学，任何需要大量实验迭代的领域都能用。AWS这次选了制药，因为市场够大、需求够紧迫，客户也已经在了。
参考来源：AWS Launches Amazon Bio Discovery Agentic AI to Accelerate Drug Development（Genetic Engineering & Biotechnology News）、Amazon launches its AI drug discovery platform（pharmaphorum）