亞馬遜在 4 月中旬的 AWS 生命科學研討會上發布了一個新平台：Amazon Bio Discovery。
紀念斯隆·凱特琳癌症中心（MSK）是最早一批測試用戶。他們做了一件很有代表性的事：在數週內設計了近 30 萬個針對兒童癌症靶點的納米抗體候選物，並把表現最好的 10 萬個直接送去濕實驗室做合成和測試。
這個流程，正常情況下要一年。
這個平台是如何運作的
Amazon Bio Discovery 把三件事組合在一起：
一、生物基礎模型庫
平台內建超過 40 個專門針對生物數據訓練的基礎模型，涵蓋蛋白質結構預測、抗體設計、藥物分子生成等方向。提供模型的機構包括 Apheris 和 Boltz，Biohub 與 Profluent 也預計加入。與通用大模型不同，這些模型專門在生物實驗數據上訓練，對分子結構-功能關係有針對性的理解。用戶還可以把自己機構積累的實驗數據拿來微調模型，不需要搭建自己的訓練管線。
二、AI Agent 介面
這是讓非計算專家也能使用的關鍵。用自然語言告訴它要做什麼——例如找可以結合這個靶蛋白的納米抗體——AI Agent 會自動選擇合適的模型、設計實驗流程、解讀計算結果。全程不需要寫程式碼。
AWS 高層 Rajiv Chopra 的說法是：AI Agent 讓強大的科學能力不再只屬於懂計算的研究人員。
三、實驗室介面（Lab-in-the-loop）
這是 Amazon Bio Discovery 真正特別的地方。平台不只是做計算，它還直接對接了真實的濕實驗室。當 AI 篩選出高潛力的候選分子，可以一鍵提交給合作實驗室做物理合成和測試，目前對接的實驗室合作方是 Twist Bioscience 和 Ginkgo Bioworks，A-Alpha Bio 也即將加入。測試結果回來之後，會自動回饋給模型，優化下一輪的設計參數。這就是所謂的實驗循環：AI 設計 → 濕實驗室驗證 → 結果回饋 → AI 再設計。
MSK 的案例到底意味著什麼
紀念斯隆·凱特琳癌症中心是美國頂級癌症研究機構。他們的測試用例：
- 輸入兒童癌症相關靶蛋白的結構數據
- AI 生成約 30 萬個納米抗體設計方案
- 按可製造性、穩定性等指標篩選，選出 10 萬個送去濕實驗室
- 數週內拿到實驗結果
AWS 為這個項目發表了專門的科學白皮書，記錄了整個納米抗體設計流程。傳統流程裡，設計-測試-迭代一輪本身就需要幾個月，跑完整個週期通常要一年。這不只是計算更快的問題，核心是把設計和驗證兩個環節的資訊流打通了，消除了中間大量手工協調的摩擦。
誰在使用
目前已知的早期用戶：
- 拜耳（Bayer）：全球最大製藥公司之一
- 布羅德研究所（Broad Institute）：MIT 和哈佛聯合建立的基因組學研究機構
- Voyager Therapeutics：專注神經疾病基因療法
AWS 同時披露了一個背景數據：全球前 20 大製藥公司裡有 19 家已經在用 AWS 的雲端服務做研究工作。這次不是從零拉客戶，而是在現有客戶裡做深度整合。
為什麼這件事不只是又一個 AI 製藥工具
AI 在藥物發現領域已經折騰了好幾年，各種公司來了又走。Amazon Bio Discovery 不一樣的地方在於：它不只是賣模型或賣算力，而是把計算端和實驗端接在了一起。
藥物研發最慢的環節從來不是跑模型，而是等實驗室檢測結果，是把計算預測和物理驗證之間的資訊打通，是讓一個不懂程式設計的生物學家搞清楚怎麼用 AI 工具。這三個問題，Amazon Bio Discovery 都在正面處理。
當然，平台剛上線，大規模的成本和成功率數據還需要時間累積。MSK 的案例是最好的開頭，但從設計了更多候選物到真的更快發現了能治病的藥，中間還有一段距離。
不過思路值得關注：把 AI Agent 嵌進實驗室物理操作循環，這套框架可以直接複製到材料發現、食品科學、農業化學，任何需要大量實驗迭代的領域都能用。AWS 這次選了製藥，因為市場夠大、需求夠緊迫，客戶也已經在了。
參考來源：AWS Launches Amazon Bio Discovery Agentic AI to Accelerate Drug Development（Genetic Engineering & Biotechnology News）、CocoLoop、Amazon launches its AI drug discovery platform（pharmaphorum）