一句话看懂：NVIDIA 发布了 BioNeMo Agent 工具包，通过 GPU 加速和代理编排，将分子结构预测中耗时数天的 MSA 生成、推理等环节缩短数倍，使大规模虚拟筛选和大型复合物预测变为可行。
事件核心：发生了什么
NVIDIA 在官方博客中介绍了其 BioNeMo Agent 工具包，旨在加速生物分子结构预测与共同折叠（co-folding）工作流。该工具包集成了多个加速组件：GPU MSA 搜索（基于 MMseqs2-GPU，在 L40S 上比 CPU JackHMMER 快 177 倍）、cuEquivariance 几何学习库（在 B300 GPU 上可将 OpenFold3 前向传播延迟降低最高 3.1 倍），以及 Fold-CP 多 GPU 扩展方案。所有组件可通过代理（Agent）统一编排，例如使用一行命令将 MSA 搜索技能集成到 Claude Code 中。博客同时给出了在 H100 和 B300 GPU 上的具体基准测试数据，显示 MSA 阶段在万 token 规模下线性扩展，cuEquivariance 在 2048 序列长度下将推理时间从 300 秒降至 97.6 秒。
为什么重要
共同折叠模型的复杂度与序列长度的三次方成正比，单 GPU 内存限制了可预测复合物的规模。此前 CPU 端 MSA 生成是瓶颈，而推理阶段的内存和时间开销也让这类模型难以应用于虚拟筛选等需要处理数亿化合物的场景。NVIDIA 的这套解决方案同时解决了三个关键问题：将 MSA 从 CPU 卸载到 GPU、通过定制 CUDA 内核加速模型推理、通过多 GPU 分发突破内存上限。这使得 OpenFold3 这类模型从研究工具向产业级药物发现和高通量筛选平台迈进，直接影响了 AI 辅助药物设计的技术可行性和成本结构。
对用户/开发者/创作者的影响
对于从事计算药物发现、蛋白质设计的团队，BioNeMo Agent 工具包提供了可直接调用的 NIM 接口（推荐自托管版本）和 Skill 集成方式。开发者可以在几分钟内将 GPU MSA 搜索和加速推理能力集成到自己的 AI Agent 中。B300 用户能获得最大收益，但 H100 同样有明显提升。目前 cuEquivariance 已作为可选依赖集成进开源 OpenFold3 仓库，社区可直接使用。唯一需要注意的是，build.nvidia.com 托管的 API 端点不适合大规模请求，大规模部署应使用自托管 NIM。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
首先，MMseqs2-GPU 的加速优化已上游回主仓库，社区能否快速跟进适配更多分子预测模型值得观察。其次，cuEquivariance 的 B300 加速效果依赖 Blackwell 架构的 DPX 指令，这意味着旧架构用户可能无法获得全部性能提升，可能影响工具包的通用性。最后，BioNeMo Agent 工具包的 Skill 生态是否会有第三方贡献者参与扩展，将决定其能否成为 AI 药物发现领域的主流开发框架。
