經典論文《LINE》與 Google PageRank 一同躋身 WWW 時間檢驗獎名單，圖表示學習的奠基性價值獲得學界肯定。
北京、上海和深圳2026年7月3日 /美通社/ -- 北京時間2026年7月1日，計算機科學領域的國際學術會議——The Web Conference 2026（2026年國際萬維網大會）揭曉了本年度的大獎：Seoul Test of Time Award（時間檢驗獎）。百奧幾何（BioGeometry）創始人唐建博士及其合作者的經典研究論文《LINE: Large-scale Information Network Embedding》，憑借其在十年尺度上對萬維網學術研究與產業實踐產生的持久且深遠的影響，獲此殊榮。
WWW 2026 Test of Time Award 授予《LINE》論文及唐建博士（Jian Tang）
The Web Conference 時間檢驗獎旨在表彰在此十年間，持續引領學術思潮并對萬維網生態產生深遠影響的奠基性研究。該獎項的含金量，可以從其首屆獲獎者的名單中窺見一斑。2015年，即該獎項設立的首年，國際萬維網會議委員會將此項至高榮譽授予了Google創始人謝爾蓋?布林（Sergey Brin）和拉里?佩奇（Larry Page），以表彰他們那篇定義了現代互聯網檢索范式的經典論文——《The Anatomy of a Large-Scale Hypertextual Web Search Engine》。
正如PageRank算法為Web搜索奠定了基石，十一年后的今日《LINE》論文的折桂，標志著圖表示學習（Graph Representation Learning），正式被納入該獎項所代表的"互聯網核心基礎技術"評價體系。它不僅是一項學術表彰，更是業界對這一技術方向在過去十年中所構筑的產業支撐價值的禮贊。
01 算法溯源：奠定圖表示學習的核心方法論
《LINE》論文的核心貢獻在于，首次系統性地解決了大規模信息網絡的高效嵌入問題——將包含數百萬節點、數十億條邊的網絡，映射到低維向量空間并保留其局部與全局結構。2015年之前，已有方法在處理這一量級的網絡時普遍面臨可擴展性瓶頸。《LINE》提出的一階與二階鄰近度聯合優化框架，使社交網絡、語言網絡、引文網絡等任意類型大規模網絡的高質量向量化表示成為可能。
《LINE》所代表的方法論意義在于：復雜的結構化數據可以被編碼為機器可學習、可計算的表示。這一思想成為此后十年圖神經網絡（GNN）、知識圖譜嵌入（如唐建博士后續的RotatE等工作）、幾何深度學習等方向的共同起點。從技術產業演進的長周期來看，《LINE》的意義不止在于提出了一種高效的大規模網絡嵌入算法，更在于它回應了人工智能發展中一個持續存在的底層問題：機器如何將真實世界中的復雜連接，轉化為可學習、可推理、可生成的表示。
因此，《LINE》論文的長期價值，并不在于將單一論文對應某一次產業變革，而在于它所代表的結構化表示能力，經受住了不同技術周期和應用場景的遷移。從理解連接，到推理結構，再到設計復雜系統——這一跨越三個技術周期的能力演進，正在將圖表示學習推向它的下一個主戰場：生命科學。而百奧幾何，正是沿著這一方向，將歷經十一年前沿研究驗證的方法論，轉化為驅動下一代生命科學研發的AI基礎設施。
02 范式延伸：從信息網絡到生命分子的底層映射
早在2012年，當業界主流仍聚焦于計算機視覺與自然語言處理時，唐建博士已著手研究圖結構數據上的深度學習。沿著這一方向，他帶領團隊開發了面向藥物發現的機器學習平臺TorchDrug，并聯合NVIDIA、Intel、IBM推出面向大分子的開源平臺TorchProtein，在分子性質預測、構象生成等基礎問題上完成了大量開創性研究，為后續百奧幾何的技術體系搭建了前期基礎設施。
唐建博士于北京大學信息科學技術學院獲得計算機科學博士學位，曾任微軟亞洲研究院研究員，在卡內基梅隆大學與密歇根大學完成博士后研究，此后成為加拿大蒙特利爾學習算法研究院（Mila，由圖靈獎得主Yoshua Bengio創立）唯一華人終身教授。2014年獲ICML最佳論文獎，2016年獲WWW最佳論文提名，多次擔任ICML、NeurIPS等頂會領域主席。
03 工程落地：以 GeoFlow 大模型重構微觀世界
2023年，AI原生生物科技公司百奧幾何正式運營。在微觀的生命世界里，蛋白質、抗體、酶等大分子，其本質都可以被抽象為由原子（節點）和化學鍵（邊）構成的三維圖結構——這正是圖表示學習天然適配的建模對象。目前AI for Science及藥物發現領域的主流范式，其底層方法論與圖表示學習的技術脈絡一脈相承。百奧幾何的創立，正是沿著唐建博士沉淀十余年的學術譜系，將幾何深度學習與深度生成模型應用于大分子設計與優化。
基于這一技術脈絡，百奧幾何自研了微觀世界模型GeoFlow，將"原子級精度建模分子相互作用"這一核心思想落地為可工程化的大模型，并通過持續迭代，將建模尺度從分子相互作用拓展至更復雜的細胞水平，為下一代藥物發現與生命工程構建底層AI基礎設施。
在具體應用層面
百奧幾何自研的GeoFlow模型在從頭抗體設計上已在18個項目中完成驗證，零樣本命中率達18.7%，最優結合親和力（KD）達到2 nM，從計算設計到濕實驗驗證的完整周期可縮短至三周。
基于幾何深度學習的抗體優化方法（GearBind）：針對Omicron變體的CR3022抗體優化在3周內將結合親和力提升17倍（從1 nM至0.06 nM），針對JN.1變體的Ab1372抗體優化將親和力提升超過300倍（從61 nM至0.21 nM）。
圖｜案例1：CR3022 抗體針對 Omicron 變體的優化結果，結合親和力在3周內提升17倍（從1 nM至0.06 nM）。來源：Nature Communications, 2024。
圖｜案例2：Ab1372 抗體針對 JN.1 變體的優化結果，結合親和力在3周內提升超過300倍（從61 nM至0.21 nM）。來源：PNAS。
在商業化層面
百奧幾何的抗體設計平臺已與多家國內外藥企達成授權合作。合成生物領域擁有十余條推進至下游BD合作階段的自研管線。
在疫苗設計方向
公司攜手產業伙伴，依托GeoFlow完成了登革病毒包膜蛋白二聚體的穩定化設計，二聚體比例從不足10%提升至95%以上，相關產品已經成功轉讓給國內頭部藥企。
在AI酶設計方向
公司已將技術應用于冰片（Borneol）的酶法合成，將單位生產成本壓縮至約30美元/公斤，較傳統植物提取方案具備超過80%的成本優勢，目前已完成500升中試規模的發酵驗證。
04 創新閉環：從基礎研究到 AI 制藥的產業長線
對于百奧幾何而言，此次《LINE》論文獲選Test of Time Award，不只意味著創始人個人學術成果獲得國際認可，更體現了一條從基礎研究走向產業創新的長期技術路徑：從信息網絡中的關系表示，到生命分子世界中的幾何建模；從大規模圖結構數據的機器學習方法，到面向藥物發現和生物制造的AI原生平臺；從對復雜系統的理解，到對生命分子的設計與優化。
基礎研究的價值，往往需要更長周期才能被充分驗證。《LINE》論文在十一年后獲得Test of Time Award，說明其所關注的"從結構中學習有效表征"（representation learning from structures）的問題，仍然是人工智能理解復雜系統的核心命題。從LINE到GeoFlow，百奧幾何正是將這一核心命題從信息網絡延伸至生命大分子——蛋白質、抗體、酶——在"理解結構"到"生成結構"的框架下，構建了一條經十一年前沿研究驗證的技術路徑。當前，這一路徑已在抗體設計、酶工程等產業場景中轉化為可工程化的能力。
以此為根基，百奧幾何將繼續推進幾何深度學習與生成式AI在生命科學中的深度融合，致力于打造新一代生命科學AI基礎設施，推動AI從理解生命走向設計與創造生命分子。
