每年的 Advancing AI 大会，AMD 都要向客户回答一个问题：Instinct GPU 除了训练大模型，还能进入哪些长期、可重复的行业工作负载。今年的大会围绕 MI455X、Helios 机架，以及微软、Anthropic 等大客户展开；但在 4 个定制演示席位中，AMD 出人意料地把一个位置留给了 AI 制药公司 MindWalk。
MindWalk 展示的 ReefIQ，是一层连接药企内部数据与 AI 模型的软件，并在会上完成首次公开演示。产品本身并不醒目，反常的是它出现的位置——AMD 把一个生命科学应用放进了最核心的 GPU 展示环节。
AMD 过去已经通过 EPYC、Instinct 和赛灵思的硬件进入医学影像、测序和高性能计算。MindWalk 所代表的是更进一步的尝试：让 ROCm 直接进入药物研发的软件工作流，成为研究人员日常使用的计算平台。
而于此同时，AMD 的老对手英伟达也已经沿着这条路走了多年。从医疗计算平台 Clara，到药物研发平台 BioNeMo，再到与礼来、Illumina、IQVIA 和 Thermo Fisher 的合作，它正在把模型、数据处理和自动化实验室逐层纳入 CUDA 生态。生命科学由此成为两家公司 AI 平台竞争的新战场。
MindWalk 可以看作 AMD 为 ROCm 安排的一次压力测试。ReefIQ 的产品表现是一方面，对 AMD 来说，更重要的信号是它运行在 Instinct 上。这关系到一个更大的问题：当 AI 离开通用聊天机器人，进入拥有专用软件、专有数据和监管要求的实验室，AMD 能否提供一条不依赖英伟达的计算路径？
客户能在 Instinct 上构建什么
两年前，AMD 的问题还很简单：硬件不错，软件拖了后腿。
2024 年，咨询机构 SemiAnalysis 用 5 个月测试 MI300X、H100 和 H200。MI300X 在显存容量和理论总拥有成本上占优，公开版软件却无法把优势转化为实际训练效率，开箱体验中还出现大量错误，这家机构给出的结论也很简单：AMD 尚未跨过 CUDA 护城河。
到 Advancing AI 2026，同一家机构调整了判断。ROCm 的模型配方、文档、可复现性和上游框架支持已经改善，AMD 团队适配新模型的速度也明显加快。部分关键优化仍来得晚、上线后仍会破坏持续集成，软件成熟度还没有达到英伟达的水平，但“ROCm 无法使用”已经无法准确描述如今的状况。
在生命科学层面，这段变化可以提炼为几个客户案例。
蛋白质设计公司 310 AI 称，它的模型基于 PyTorch，一名工程师大约用半天便完成了从竞争对手 GPU 到 ROCm 的迁移。MindWalk 的核心模型也能迁移，Deep Graph Library、SE(3)-Transformers 等依赖 CUDA 的专业库却需要 AMD 和 Brium 工程师专门适配。
这就是 AMD 的真实进度。通用模型的迁移壁垒正在降低，生命科学的长尾软件仍然属于 CUDA。
我们知道，药物研发并非单一模型任务，一个团队可能同时使用蛋白质语言模型、图神经网络、分子动力学模拟、结构预测、文献检索和内部数据工具。只要其中一个关键库只能稳定运行在 CUDA 上，采购部门就很难因为某张 GPU 显存更大或单价更低而更换整套平台。
因此，AMD 先去寻找了愿意共同解决问题的客户。2025 年 1 月，它向抗体设计公司 Absci 投资 2,000 万美元；随后由 Silo AI 帮助 AstraZeneca 把 REINVENT4、SemlaFlow 和 SwinUNETR 等模型迁到 MI300X。Absci、AstraZeneca、310 AI 和 MindWalk 的共同作用，是替 ROCm 找出进入生命科学工作流时的切入点。
ReefIQ 延续了这条路径。它坐在药企数据和 AI 模型之间，强调模型可更换、客户数据留在原有环境，并把计算交给开放基础设施。这与 AMD 希望表达的价值完全一致。
要注意的是，AMD 与 MindWalk 没有披露新的商业或财务关系，ReefIQ 也远未成为行业标准。所以它的意义更接近一个软件栈演示：AMD 开始展示“客户能在 Instinct 上构建什么”，而不再满足于证明“Instinct 能跑什么”。
英伟达卖的是默认选项
对于 AMD 来说，它主要面对的难题，来自英伟达已经积累多年的先发优势。生命科学软件并不是因为 GPU 性能更强就自动迁移到 CUDA，而是英伟达通过从 Clara、BioNeMo 等平台入手，直接提供模型、开发工具和行业软件，把 CUDA 逐步嵌入了医学影像、基因组分析和药物研发流程。
英伟达最早选择了生命科学中计算量大、流程相对标准化的任务。
Parabricks 是一套基因组分析软件，它将序列比对、排序和变异检测等步骤搬到 GPU 上，帮助研究人员从 DNA 或 RNA 测序数据中寻找突变。MONAI 处理的则是 CT、MRI 等医学影像。医院和医疗设备厂商可以利用这套开源框架标注影像、训练模型，再把模型部署到临床环境中。Holoscan 进一步把 AI 推向设备端，让医疗设备在采集影像或传感器数据的同时完成实时处理和模型推理。
BioNeMo 将同样的思路带进了药物研发。研究人员可以用它训练或微调生物分子模型，完成蛋白质结构预测、候选分子生成和虚拟筛选等任务。模型训练完成后，NIM 可以将 AlphaFold2、DiffDock 等模型封装成带有标准接口的推理服务。药企无需重新搭建整套运行环境，就能把这些模型接入已有的研发软件，并部署在自己的数据中心或云端。
这些产品面向的用户和任务各不相同，却覆盖了数据处理、模型开发和实际部署等多个环节。其中不少算法和模型来自学术界及开源社区，英伟达负责将它们针对 GPU 优化，并提供统一的部署和技术支持。随着更多生命科学工具围绕 CUDA 完成适配，客户采用英伟达 GPU 时获得的不再只有算力，还包括一套已经能够投入使用的软件组合。
研究人员用 CUDA 训练模型，软件公司优先优化 CUDA，药企购买更多英伟达集群，新的生命科学工具又优先在这些集群上发布。每增加一个模型和库，后来者的迁移成本都会再高一点。CUDA 的优势来自这个持续自我强化的循环，而不止是芯片性能。
BioNeMo 正在生命科学里复制这一过程。2024 年，英伟达称已有超过 100 家企业将其接入药物研发；2025 年又与 IQVIA、Illumina、Mayo Clinic 和 Arc Institute 合作，将临床、基因组和实验数据带入平台。
这些合作的价值远不只卖出多少张 GPU 这么简单。IQVIA 拥有超过 64PB 医疗数据，Illumina 控制基因测序和多组学的重要入口。谁的软件负责处理这些数据，谁就更容易获得下一轮模型训练和推理需求。
2026 年，英伟达又把边界扩展至实验室。它与礼来计划在 5 年内共同投入最多 10 亿美元，把药企科学家、英伟达工程师、BioNeMo 和 Vera Rubin 集群放进同一座联合实验室；与 Thermo Fisher 的合作则试图连接科研仪器、AI 智能体和实时数据分析。
由此形成了一个非常清晰的的产品闭环：模型设计实验，仪器执行实验，结果返回数据平台，下一轮模型根据新数据继续筛选。芯片、软件和实验不再是三笔独立采购，而是一条连续运行的计算流水线。
对英伟达而言，这比押注某一款 AI 药物更有吸引力。药物可能失败，每一个失败的项目依然需要模型训练、分子筛选、模拟和实验分析。只要药企相信增加计算可以提高研发效率，GPU 消耗就会发生在临床结果揭晓之前。
所以说，英伟达卖的不是某个分子，它卖的是研究人员开始新项目时默认打开的环境。
AMD 的机会，藏在默认选项之外
如此看来，AMD 好像还是处于明显劣势？它没有与 BioNeMo 对等的生命科学平台，也缺少英伟达在基因组、影像、科研仪器和实验室机器人上的产品组合。
但我们认为，AMD 仍然有机会，因为生命科学与训练前沿大模型并不完全相同。
许多生物模型规模不算巨大，却需要装入大量序列、结构和关系数据。MI300X 的 192GB 高带宽内存可以让部分蛋白质模型留在单张 GPU 中，减少跨卡拆分。大量虚拟筛选和文献检索任务也更在意单位成本与吞吐量，而非用数万张 GPU 训练全球最大的模型。
数据位置同样重要。药企通常不愿把专有实验数据交给一个完全封闭的外部平台，研究团队也会同时使用公有云、本地集群和合作机构的计算资源。ROCm 的开放性和硬件选择空间，在这类混合环境中具有实际价值。
AMD 无需在生命科学中全面取代英伟达。只要它成为可信的第二供应商，药企就能获得采购议价权，避免新模型和数据永久绑定在 CUDA 上。对于规模庞大的计算预算，即使只分走一部分工作负载，也足以形成可观市场。
最终问题仍落在软件上。“开放”有时意味着客户能够自由组合；也可能意味着没有一家厂商负责把所有组件调通。英伟达的完整平台价格更高、锁定更强，却能减少工程团队处理驱动、容器、专业库和集群调度的时间。药企最终计算的是研发人员的时间，而不仅是 GPU 每小时价格。
310 AI 半天完成迁移，说明 PyTorch 已经削弱了部分硬件绑定。MindWalk 仍需 AMD 工程师协助修改专业库，则说明这种便利尚未覆盖整个生命科学栈。
所以，AMD 真正的里程碑不会是又一家客户登台，也不会是一组 MI300X 对 H100 的跑分。它需要让一家没有 AMD 专属支持的普通生物技术公司，也能自行安装环境、运行模型、定位错误并升级软件。
到那时，ReefIQ 之类的演示才会从展会案例变成生态。
算力公司会比药企更早拿到回报
制药行业长期面对一条与摩尔定律方向相反的曲线。Scannell 等人统计发现，从 1950 年到 2010 年，每获得一款新药批准所需的研发投入，在扣除通胀后大约每 9 年翻一番。研究者将这一现象称为“Eroom 定律”。它描述的并非某项实验越来越昂贵，而是整个行业投入了更多资金、设备和数据，最终获批的新药数量却没有按相同比例增长。
毫无疑问，AI 已经明显提高了药物发现阶段的计算吞吐量。研究人员可以在合成分子之前筛选更大的化学空间，也可以更快完成蛋白质结构预测、分子对接和候选物优化。但这些能力首先增加的是可供选择的候选物数量，能否提高最终的新药产出，目前仍缺少足够长的临床记录。
2024 年的一项研究统计了截至 2023 年底完成Ⅰ期临床试验的 24 个 AI 发现或设计的药物，其中 21 个成功进入下一阶段，成功率约为 80%—90%；到了 Ⅱ 期，已有结果的 10 个药物中只有 4 个成功，约 40%，与传统研发的历史水平接近。Ⅰ 期主要考察安全性和耐受性，Ⅱ 期才开始验证药物能否对患者产生预期疗效。
两组数据的落差可能说明，AI 已经更擅长设计性质合适、能够进入人体试验的分子，却还没有证明自己同样擅长判断复杂的人体生物学。由于样本规模很小，这个结论仍只能视为早期信号。
因此，判断 AI 制药需要区分两个指标：研究吞吐量和研发生产率。前者衡量模型能够生成多少分子、处理多少实验数据；后者衡量每获得一款获批药物究竟需要投入多少资金和时间。GPU 可以直接提高前一个指标，却未必立即改善后一个指标。
这种差异也形成了两种回报周期。只要药企训练更多模型、扩大虚拟筛选并处理更多实验数据，芯片公司的收入就可能增长。药企需要等候候选物通过湿实验、临床试验和监管审批，才能确认这些计算投入是否降低了每款获批药物的总成本。芯片公司的回报可能在几年内出现，制药公司的验证周期往往超过 10 年。
当然，两种回报最终仍会汇合。假如 AI 只是把更多候选物送进实验室和临床阶段，却没有提高后续成功率，增加的候选物反而会推高实验和试验支出。药企届时会重新审视基础设施预算，单次推理成本和模型生成速度也无法继续支撑扩张。
因此，衡量英伟达和 AMD 的生命科学布局，不能只看蛋白质每秒生成量。还要看这些计算最终产生了多少经过实验验证的候选物，新模型从发布到进入稳定研发环境需要多少工程时间，以及失败实验产生的数据能否改善下一轮预测。英伟达的软件组合可以缩短部署和整合过程；AMD 提供的低成本与开放路径，则要证明节省的硬件支出不会被迁移和维护成本抵消。
参考资料：
1.https://newsletter.semianalysis.com/p/nvidia-buys-illumina-the-ai-foundry
2.https://www.amd.com/en/corporate/events/advancing-ai.html
3.https://www.globenewswire.com/news-release/2025/01/08/3006086/0/en/absci-and-amd-announce-collaboration-and-strategic-investment-to-accelerate-the-future-of-ai-drug-discovery.html
4.https://www.nvidia.com/en-us/industries/healthcare-life-sciences/
5.https://newsletter.semianalysis.com/p/can-amd-break-the-cuda-moat-amd-advancing
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成
热门跟贴