AI做生物分子设计这件事，长期卡在两个地方：一是模型能力，二是算力归属。前者决定能不能算出有用的结果，后者决定谁能用得起。9月17日，昌平实验室与华为联合发布TorchX全原子生物分子模型体系，一次性回应了这两个问题：模型侧给出三个核心模块，算力侧做到昇腾NPU原生，同时把推理代码、训练代码、模型权重与训练数据全部开放。
TorchX由三个核心功能模块组成。TorchFold负责抗体与抗原复合物的结构预测，TorchScore负责候选复合物的结构评价，TorchCraft则通过预测器反演开展分子设计。三者串起来，构成从结构预测到质量评价再到反向设计的完整链条，而不是各自独立的单点工具。
分工的意义在于闭环。只做预测，用户拿到结构后仍要判断好坏；只做评价，前提是有结构输入；只有把预测、评价与设计打通，才能形成设计、评估、迭代的循环。对药物研发来说，这个循环的效率决定了候选分子的筛选速度。
TorchCraft的能力边界也做了明确设计，它实现了跨分子类型的统一全原子设计，可同时用于微型蛋白结合体、框架约束的VHH、环肽以及小分子结合口袋设计。针对IFNAR2、IL-7Rα等靶点的微型蛋白及VHH设计均经过生物层干涉法验证，达到纳摩尔亲和力，且实验候选直接取自TorchCraft的输出，而不是人工挑选后的结果。
TorchFold保留AlphaFold3的网络架构，但通过三项创新训练策略做了改造：界面特异性坐标损失、高噪声扩散调度策略，以及两轮置信度筛选蒸馏。这些改动的直接结果是训练数据规模的变化，非冗余抗体抗原训练样本由约5000个扩展到24500个。
数据规模带来的提升相当明显。在FoldBench基准上，TorchFold的成功率由34.0%提升至70.1%，提升超过一倍。在五项来源不同、时间范围不同、抗原组成也不同的抗体抗原基准上，模型都表现出稳定的高质量界面恢复能力，说明提升不是针对某个测试集的过拟合。
抗体抗原复合物的结构预测难度高于通用蛋白结构预测，原因是界面区域小、构象变化大、可用的高质量训练数据稀缺。把训练样本扩到接近五倍，本质上是在用数据规模补偿这一领域的结构性数据缺口。这也是国产团队在这个方向上的现实突破口：不一定要在架构上另起炉灶，把数据组织与训练策略做扎实同样能拿到结果。
TorchX更受关注的部分是算力侧的定位。官方称其为业界首个NPU原生的开源全原子生物分子模型体系，推理与训练代码全面适配昇腾NPU。华为与昌平实验室通过蛋白质序列残基注意力算子融合、流水调度以及昇腾亲和性优化等方式，提升了推理训练速度并降低显存占用。
工程细节里能看到适配的深度。在TorchCraft中使用了可重入式梯度重计算，期间双方联合修复了PyTorch原生梯度重计算在当前模型下的显存泄漏问题；针对长序列场景，华为团队补齐了注意力算子的反向计算功能，使该算子在当前模型下可以正常使能。这类工作不会出现在论文标题里，却决定了模型能不能真正跑在大规模训练任务上。
把这件事放回9月的国产算力脉络看，意义更清楚。9月中旬中电信开源星辰Xing4.0-29B-A4B，全程基于昇腾910C与国产框架训练，训练吞吐较开箱状态提升约96%；9月19日华为披露昇腾已跨越生态拐点，基于昇腾完成预训练的大语言模型与多模态模型超过40个，CANN开源社区月均活跃开发者超5200人。从只能跑推理到能完成训练，是国产算力生态最关键的一步，而TorchX补上的是科研这一侧的场景验证。
TorchX的开源范围值得单独拆开看。除了推理代码与训练代码，昌平实验室还开放了模型权重与训练数据，权重按MIT许可发布。对科研工具而言，开放训练数据比开放权重更难，也更稀缺，因为它涉及数据来源、清洗流程与标注标准这些通常被视为核心资产的环节。
开放训练数据的直接效果是可复现性。其他团队可以用同一份数据验证结果、在此基础上继续训练，而不是只能接受官方给出的评测分数。对生物医药这类对结论严谨性要求极高的领域，可复现是成果被采信的前提。
另一层效果是降低使用门槛。生命科学领域的研究者往往算力有限，如果模型必须依赖特定商业平台，能力再强也难以普及。代码、权重与数据三者齐备，加上对国产算力的适配，等于把整条链路交给科研机构自己掌握，这对上百万科研工作者来说意义直接。
把TorchX放回9月的AI for Science进展里，能看到一个共同趋势：从单点突破走向闭环验证。五家跨国药企用联邦学习训练出蛋白预测模型，证明竞争企业可以在不共享原始数据的前提下共建模型；分子之心的反应性力场框架把分子模拟推进到动态反应层面；Periodic Labs用自家高通量实验室产出的湿实验数据训练材料分析模型。这些工作的共同点是，模型不再只是分析工具，而是嵌入了设计、实验与验证反馈的完整链条。
对国内团队来说，闭环的构建方式还多了一层考虑：算力与工具链的自主性。当模型训练、推理与实验验证的每一环都能在自主技术栈上跑通，科研效率的提升才不会被外部供给波动打断。TorchX把这三个环节都做了适配与开放，指向的正是这个目标。