韩国KAIST发布K-Fold生物AI：精度对标AlphaFold3、速度提升25倍，将以Apache 2.0开源
韩国KAIST发布生物AI模型K-Fold：精度对标AlphaFold3、预测速度快25倍，覆盖蛋白-药物结合结构预测，将以Apache 2.0开源并部署HyperLab平台。
K-Fold是什么：不只是另一个AlphaFold
8月28日，韩国科学技术院（KAIST）宣布开发出国产生物AI模型"K-Fold"，直接对标Google DeepMind的AlphaFold3。这是韩国科学技术信息通信部"AI专精基础模型"项目的成果，由化学系Kim Woo-youn教授总体负责，AI研究生院与生物科学系多个团队协同完成，创业公司HITS负责产品化服务。
它的能力边界比结构预测更宽：不仅预测蛋白质三维结构，还能预测蛋白质与药物候选结合时形成的结构，覆盖蛋白-蛋白、抗体-抗原、DNA/RNA等多种复合物。对药物研发而言，这意味着可以在实验室动手之前，先用AI筛选哪些物质更可能与特定蛋白结合。在今年3月政府项目阶段评估中，K-Fold的分子复合物结构预测精度接近AlphaFold3；本月内部评估中，它在部分指标上超越全球模型，在靶向蛋白降解（TPD）药物、GPCR、激酶等结构变化难预测的靶点上表现尤其突出。
25倍速度从哪来：绕开MSA的预训练路线
速度是K-Fold最锋利的差异化：相比现有模型最高快25倍。提升来自对传统流程的釜底抽薪。现有结构预测AI必须经过多序列比对（MSA）——在海量相似蛋白序列中搜索比对，这一前置计算步骤耗时且不可绕过。K-Fold通过大规模预训练降低了对MSA的依赖，并用生成式AI直接学习蛋白与其他物质结合时的结构变化，把预测的前置计算环节整个消除。
这条技术路线的选择耐人寻味：与其在既有框架里优化速度，不如改写流程本身。对于需要大批量筛选候选药物的工业场景，25倍的速度差意味着同样的算力预算可以做25倍规模的虚拟筛选。
Apache 2.0开源+HyperLab：从模型到'AI共同科学家'
K-Fold由7B级主模型与2B级轻量模型组成，将以Apache 2.0许可证开源。开放的不只是权重：模型已部署在HITS的HyperLab平台上，研究者输入自然语言指令——例如"设计与这个蛋白强结合的抗体"——AI就会自动完成结构预测、候选设计、结果评估的全流程。HyperLab连接了120多个计算工具、160多个专业功能和100多个专业数据库与知识图谱，目标是成为理解研究问题、自选工具、持续改进的"AI共同科学家"。
推广也按产业逻辑设计：韩国制药生物协会与韩国生物产业组织将协助向药企推广，包括培训企业员工如何使用K-Fold及如何将其应用于药物设计。
生物AI主权竞赛：专精基础模型的国家队逻辑
K-Fold背后更大的叙事是"AI技术主权"的赛道扩展。韩国政府的"AI专精基础模型"项目，与通用大模型自主化计划并行，瞄准的是生物、医疗等专门领域的基础模型能力——在AlphaFold定义的赛道上，各国不再默认使用美国模型，而是培育自己的选择权。
开源是这套逻辑的关键一环：Apache 2.0协议下，大学、研究机构、药企都能在其上构建自己的服务，模型能力的扩散反过来巩固生态位。对国内同行而言，这面镜子照出的问题很具体——在生物AI这个垂直领域，我们的"专精基础模型+开源数据集+产业推广"组合拳，准备好了吗？
千方医数集编辑部 出品
