WWW时间检验奖颁给唐建博士：图神经网络的十年远征与AI制药的底层逻辑¶

Ch01.013 WWW时间检验奖颁给唐建博士：图神经网络的十年远征与AI制药的底层逻辑¶

📊 Level ⭐ | 11.1KB | entities/www时间检验奖颁给唐建博士图神经网络的十年远征与ai制药的底层逻辑.md

WWW时间检验奖颁给唐建博士：图神经网络的十年远征与AI制药的底层逻辑¶

编辑｜冷猫

在人工智能这个以「季度」甚至「月度」为单位刷新认知的领域，谈论「十年」是一件十分奢侈的事。

技术发展得越来越快，永远有更新的亮点技术在抓住我们的眼球。也正因如此，当一项成果在提出十年之后被重新拿到聚光灯下，并被郑重授予一枚「WWW 2026 Test of Time Award」时，它触及了一个深刻的问题：什么样的研究，能体现超越时间的价值。

7 月 1 日，在迪拜举办的 The Web Conference 2026（国际万维网大会）上，一篇发表于 2015 年的论文《LINE: Large-scale Information Network Embedding》被授予 Seoul Test of Time Award（时间检验奖）。这篇由国际知名 AI4S 科学家、Mila 终身教授、百奥几何公司创始人唐建博士领衔、与 Meng Qu, Mingzhe Wang, Jun Yan, Ming Zhang, Qiaozhu Mei 等人合著的论文，目前被引次数已超过 7300 次。

论文链接：https://dl.acm.org/doi/10.1145/2736277.2741093

值得一提的是，Seoul Test of Time Award 的首届得主是大家都很熟悉的拉里・佩奇与谢尔盖・布林（PageRank 的提出者），其含金量不言而喻。

然而，拉长历史的维度来看，这篇论文真正迷人地方，不仅在于它对过去的总结，更在于它对未来的跨界启示。

唐建博士这篇工作，在 PC 互联网时代，支撑了搜索引擎、PageRank 和知识图谱的发展；在移动互联网时代，支撑了社交网络的建模和商业推荐系统的运转。更与其他工作不同的是，这项工作并未随着互联网红利的退潮而褪色。相反，当 AI 技术范式跨入深度学习与大模型时代，它所沉淀出的底层数学逻辑，开始向着一个远超想象的全新领域蔓延 —— BIO AI。

当年用来理解万维网、连接网页节点的数学模型，在经过几何深度学习（Geometric Deep Learning）的演维后，如今正成为最前沿的 AI for Science 范式，去理解和设计人体内的抗体分子。

从错综复杂的 Web 网络，到精密绝伦的蛋白质三维结构，看似是两个毫不相干的世界，但在几何图神经网络的解构下，它们共享着同一种底层的数学语言。这是一场跨越十年的技术远征，不仅验证了信息科学的第一性原理，也正是唐建教授从学界迈向产业界的逻辑起点。

从万维网到蛋白质：

一条意外但又合理的技术线

LINE 解决的问题，一句话就能说清：怎么把一张有着数百万节点、数十亿条边的巨大网络，压成机器算得动的低维向量，同时又不丢掉它的结构。

它和稍早的 DeepWalk、稍晚的 Node2Vec 一起，把「图表示学习」从一个边缘话题做成了一个独立方向。

比较有想象力的读者们可能已经发现了端倪。

现实世界里的关系本质上都是图。网页之间是链接构成的图，人和人之间是关系构成的图。当唐建把视线越过屏幕、投向更微观的世界，他看到的还是同一种结构。蛋白质是原子与化学键构成的图，小分子是图，细胞内的相互作用网络也是图。

所以，LINE 的边界不可能局限于互联网。2023 年，唐建博士创立的百奥几何正式运营，一个从底层重构生命科学的研发范式，打造下一代 AI 原生（AI Native）的生物科技公司。

而这家公司的技术内核，正是从 LINE 一路延伸下来的技术逻辑：既然分子天生就是三维的图，那么在图上理解与生成结构的能力，理应能被改写成设计分子的能力。

在 LINE 发表之后，唐建博士的每一步都在这条技术线上前进：用于知识图谱推理的 RotatE，再到面向药物发现的开源平台 TorchDrug，以及联合英伟达、英特尔、IBM 推出的、面向大分子的 TorchProtein。旁人眼里彼此独立的一个个项目，在唐建博士这里，是同一个问题的不同切面。

唐建博士，北京大学计算机博士，微软亚洲研究院研究员，卡内基梅隆大学与密歇根大学博士后，此后成为蒙特利尔学习算法研究院（Mila）华人终身教授，2014 年拿下 ICML 最佳论文奖。

在图机器学习最前沿泡了十余年，唐建博士决定让自己的工作在生命科学上探寻广阔的应用前景，与其说是灵光乍现的转身，不如说是蓄谋已久的收敛。

一以贯之的技术底色：

GeoFlow 的三级跳

人工智能的技术浪潮分三个阶段演进：以大语言模型为代表的数字 AI，以自动驾驶、人形机器人为代表的物理 AI，以及以生命科学为战场的生命 AI。

生命 AI 正是百奥几何的使命，是「深度理解生命的底层语言，并在原子级精度上实现对生命分子可编程的工程化改造」。

作为一个由学界大牛创立的「AI 原生」公司，技术力必然是其立身之本。这也意味着从算法内核、模型训练，到高通量自动化湿实验闭环，全部自建。

支撑这一切的核心，是自主研发的底层大模型。那条从 LINE 一路延伸的技术路径，最终落到了一个叫 GeoFlow 的「微观世界模型」上。

2024 年 6 月的第一代 GeoFlow，生成式 AI 抗体设计大模型，基于几何深度学习架构和最新的流匹配生成模型，能够同时用于抗原 - 抗体复合物结构预测和抗体设计两项关键任务。

GeoFlow V1 做的是最基础的一件事，全原子建模。直接下沉到原子层面，把每个原子的三维坐标、化学键的长度与角度，原原本本地建进模型。这背后是几何深度学习加深度生成模型的组合拳，真正学会的是原子在三维空间里的合理配置。

基于 GeoFlow 的抗体从头生成示意图

粒度下沉带来的是精度的抬升。仅这第一代，GeoFlow 在蛋白 - 蛋白复合物结构预测上就摸到了与 AlphaFold 3 同一水准。要知道，AlphaFold 系列是 DeepMind 的招牌工作，这一模型的问世，直接宣告了百奥几何国际第一梯队的底层技术地位。

GeoFlow V1 抗原 - 抗体复合物预测评测结果

更关键的是，全原子这条路一旦走通，就为后面「不止会看、还要会造」的设计能力打好了基础。

2025 年 4 月，GeoFlow V2 问世。这是一个里程碑式的进化。

抗体从头设计一直是这个领域公认的硬骨头，难点在于抗体与抗原结合的界面由高度柔性的 CDR 环主导，比那些相对刚性的支架蛋白难建模得多，长期以来只有少数海外闭源模型能碰。

在此之前，结构预测和从头设计通常是两拨人、两套模型各干各的：一套负责「给定序列，算出结构」，另一套负责「给定需求，生成序列」。GeoFlow-V2 第一次把这两件事捏进了同一

关联¶

相关概念: Harness Engineering