连破两局，技术又开始降维打击了｜科创要闻

科创要闻2026年第No.37期

2026年9月14日-9月20日

本期要闻汇总人：徐庭芳

技术总是以出人意料的方式，打破藩篱，在边界上长出新接口、新物种。

本周，有人用“联邦学习”法——一种分布式机器学习范式，将分散在企业的数据资源整合起来，共同训练模型，打破“数据孤岛”与“商业机密”不可兼得的魔咒，化零为整。

也有人用“视觉-语言学习方法”（Vision-Language Learning），让图像与文本对齐、理解和生成，打破了计算机视觉与自然语言处理的藩篱，为解读复杂多样的影像医学通用型AI探索出一条实用的路径，举一反三。

五家药企用私有数据联合训练蛋白结构模型

9月14日，由多家跨国家药企联合组成的AISB（AI Structural Biology）网络发布联邦训练结果：艾伯维、Astex、BMS、强生、武田五家药企分别在本地使用20167个药企私有的蛋白-配体结构数据，对OpenFold3模型进行训练，开发了性能更强的新模型——AISB-1-Fed。

在五家公司共同留出的1056个未参与训练的蛋白-配体测试结构上，按“蛋白配体界面 PLlDDT≥0.8”计高质量预测占比：AISB-1-Fed的高质量预测占比达到52.1%，公开版OpenFold3约为35.6%，开源模型Boltz-2为40.9%。

AISB联盟成立于2025年3月，最初有艾伯维、强生两家参与，随后阿斯利康、勃林格殷格翰、BMS、强生、赛诺菲和武田陆续加入，AI制药企业Apheris 提供联邦学习（Federated Learning）设施。技术路线是将训练搬到数据所在的地方，每轮结束后，参与方只回传模型更新给Apheris，聚合成全局模型后再发回各公司。原始结构始终留在公司内部，流动的只有模型参数。

▲联邦学习流程。图片来源：Apheris

https://www.nature.com/articles/d41586-026-02882-x

https://www.apheris.com/resources/federated-training-dramatically-improves-the-accuracy-of-protein-ligand-co-folding-on-private-pharma-structures

• 点评：原始数据不出门，只流动模型参数，长期以来被视为“数据孤岛”的药企内部结构库，有望在不打破合规壁垒的前提下，成为下一代蛋白质-配体共折叠模型的“燃料来源”。（罗仙仙）

全球首个专家级通用医疗影像模型，可识别146种病症

9月17日，阿里巴巴达摩院与浙江大学医学院附属第一医院等机构在《科学》(Science)发表论文An expert-level generalist Al for abdominal CT diagnosis，发布通用医疗影像AI模型DAMORADAR。该模型采用视觉-语言学习方法，让模型直接学习医学影