NVIDIA 在 GTC 柏林發表開放蛋白質設計模型 RFD4-Proteina：與華大合作，序列加全原子結構一次生成
輝達 10 月 21 日在 GTC 柏林宣布與華盛頓大學蛋白質設計研究所合作推出開放模型 RFD4-Proteina，把蛋白質序列與全原子立體結構生成合而為一，四項基準測試的設計成功率與產出速度都超越既有方法；同場加碼 Kumo、Ising 等開放模型。
NVIDIA 10 月 21 日在 GTC 柏林一口氣擴充開放模型陣容，領銜的是與華盛頓大學醫學院蛋白質設計研究所（UW Medicine IPD）合作打造的 RFD4-Proteina——一個開放權重的蛋白質設計模型。同場還宣布與西門子醫療（Siemens Healthineers）在適應性放射治療上的新合作。
RFD4-Proteina：設計加搜尋一次到位
傳統蛋白質設計得走三段式管線：先畫骨架、再定序列、最後補全原子細節。RFD4-Proteina 把這三件事收進同一個模型：序列生成與全原子結構生成同步進行，設計時還能把其他蛋白質、小分子、核酸、聚醣、金屬離子，甚至磷酸化這類修飾過的胺基酸都納入考量。
架構上，它用流匹配（flow-matching）模型搭配自動編碼器：編碼器把每個胺基酸、醣、DNA／RNA 核苷酸壓成一個錨點座標加上一組學到的潛向量，流模型同時生成座標與潛向量，解碼器再還原成完整的全原子 3D 結構與序列。模型還附帶「思考」強度開關（低／中／高三檔），想得越久、通過電腦篩選的機率越高，只是每次設計消耗的算力也跟著漲；另有獎勵引導搜尋，可用外部評估器針對介面面積、氫鍵或配體結合能等目標打分優化。
測試成績與取得管道
根據 NVIDIA 公布的研究草稿數據，RFD4-Proteina 在四項基準測試——蛋白質結合、小分子結合、酵素支架設計、DNA 結合——的計算設計成功率與生成吞吐量，都高於拿來比較的基線方法。公司強調，模型的角色是幫研究人員探索並排定候選名單，最終還是要進實驗室驗證。
取得門檻相當低：即日起可從 build.nvidia.com、GitHub、Hugging Face 下載，也有 NIM 微服務版本，合作夥伴包括 Amazon Bio Discovery、Anthropic 的 Claude Science、Benchling、Databricks、Google Cloud、Nebius、OpenAI 與 Tamarind Bio。10 月 21 日到 11 月 4 日，Hugging Face 上還有跑在 RTX PRO 6000 的免費體驗空間。
同批開放模型：Kumo、Ising 與歐洲主權 AI
這波其實是一整套布局。Kumo 鎖定結構化資料預測，補上語言代理之外的缺口；Ising 面向量子運算的校準與錯誤修正，已有 IQM、SEEQC 採用，AWS 也把它接進平行運算服務；Cosmos、Alpamayo 2 Edge（10 月稍晚釋出）、Nemotron Retriever 同步上架；Nemotron 3.5 Bolt E4B 4GB 預計 10 月 23 日推出。
NVIDIA 醫療副總裁 Kimberly Powell 的說法是，代理式 AI 與物理 AI 正在為醫藥研究打開新的可能——從蛋白質設計、自動化實驗室，到更個人化的癌症治療。整場發表也扣著歐洲「主權 AI」的主軸：模型開放下載，部署與資料主控權就留在研究機構自己手上。
資料來源
- NVIDIA 官方部落格：NVIDIA Open Models Advance Europe’s Sovereign Intelligence Across Industries（2026-10-21）
- Unite.AI：NVIDIA Debuts Open Protein Design Model RFD4-Proteina with UW Medicine（2026-10-21）
- The Circuitry：NVIDIA and UW Institute for Protein Design Release RFD4-Proteina Open Model（2026-10-21）
- TPS Report：RFD4-Proteina: NVIDIA Protein Design Model on Hugging Face Spaces（2026-10-21）