NVIDIA BioNeMo平台賦能AI科學家：將生命科學發現轉化為可調用的智能體工具

AI科學家正在成為科學計算的新界面。這些智能體能夠閱讀論文、編寫代碼、生成假設、調用API、檢查文件並迭代結果。但在生物分子研究領域，AI科學家能力的上限取決於它能可靠、正確且高效使用的科學工具。通用型智能體可能理解蛋白質折疊、分子對接、序列設計等任務的相關性，但它需要知道調用哪個AI模型、如何格式化請求、哪些輸入參數重要以及如何解讀結果。NVIDIA BioNeMo平台正是填補這一鴻溝的關鍵基礎設施，它將NVIDIA加速的數字化生物學棧轉化為AI科學家可用的工具。

BioNeMo平台提供了兩層核心能力。首先是加速工具層：NVIDIA NIM和BioNeMo開放模型將核心生物分子能力封裝為經過優化的可調用服務，涵蓋結構預測、分子對接、分子生成、序列設計、比對搜索和基因組學。這些能力由cuEquivariance（結構模型）和Parabricks（基因組學）等NVIDIA加速庫驅動，而非僅運行在NVIDIA硬體上。其次是智能體就緒接口：BioNeMo Skills將每個能力打包為文檔化的可調用資源，使智能體能夠選擇正確工具、發送有效請求並讀取結果。

在實際工作流中，AI科學家可以完成多步驟的生物分子研究任務：使用MMseqs2生成多序列比對（MSA Search）、用Boltz-2或OpenFold3折疊肽序列、用GenMol生成分子、用DiffDock將配體與蛋白質靶標對接。這些能力通過NIM微服務以托管端點或本地部署方式提供。BioNeMo Skills描述了每個模型的用途、必需輸入、可選參數、預期輸出和故障模式，使AI科學家能夠準確選擇工具、準備有效請求並解析CIF、SDF、FASTA等科學文件格式的輸出結果。

在部署策略上，托管NIM端點適合快速訪問和非生產環境，無需管理基礎設施和GPU調度；本地NIM部署則適合需要反復調用同一模型的工作流，可提供更低的預熱延遲和資料本地性。BioNeMo平台還通過MCP（Model Context Protocol）伺服器封裝暴露尚未打包為NIM的開放模型，使智能體能以相同的調用模式訪問整個生物學AI工具棧。通過BioNeMo平台，AI科學家可以將結構預測、分子生成、對接、序列分析和基因組學作為可調用工具，從提示到假設，從假設到模型調用，從模型輸出到下一個科學決策，形成完整的研究閉環。