AI for Science正在成为继大模型之后，最受产业与科研两端重视的算力应用场景。摩尔线程近期在MTT S5000上打通字节Seed团队开源模型Protenix-v2​成为一个值得关注的新闻。

Protenix-v2由字节跳动Seed团队研发，2026年4月发布，在多项核心基准上持平甚至超越AlphaFold 3，并且开源、可私有化部署，能够端到端预测蛋白质、DNA、RNA、小分子配体复合物。

MTT S5000跑通Protenix-v2：从“能跑”到“能进实验室”

在MTT S5000上，摩尔线程基于自主MUSA软件栈，完成了Protenix-v2从MSA 输入、模型前向推理到结果后处理的完整业务链路。

测试采用BF16精度，保留MSA处理、模型推理、后处理全流程，选取12个代表性蛋白质样本进行单卡对标：

• 12个样本中，10个样本端到端推理速度快于国际主流GPU；
• 平均提速约 26%；
• 精度方面，单样本最大差异控制在约1个百分点内；
• 蛋白三维构象评估指标高度对齐，构象具有生物学等价性。

换句话说：不是“差不多能跑”，而是速度有优势、精度可采信、结果能拿去科研。

更复杂的两个样本，如9JIL、9NN9，S5000仍略慢于对比卡，但也说明国产GPU在长序列、复杂复合物上的调优空间还在继续打开。

更重要的是交付方式。摩尔线程同步放出面向科研场景深度调优的Docker镜像：

registry.mthreads.com/public/protenix_v2:musa

科研用户不必从零编译环境，拉镜像就能复现流程、做蛋白质结构预测和分子辅助设计。北京大学/昌平实验室曹云龙-简繁冲团队独立测试后确认：相比S5000上直接开箱推理，优化镜像推理速度再提升100%以上。

摩尔线程的AI4S布局：三条主线，一套国产底座

如果只盯 Protenix-v2，看到的是一次模型适配；如果把镜头拉远，会看到摩尔线程在AI4S上的系统布局。

大分子结构预测：Protenix系列​

解决蛋白质、核酸、小分子复合物“长什么样”的问题，服务靶点发现、抗原设计、蛋白工程、药物构象评估。

基因组分析：Evo2​

面向长序列和基因组尺度建模，服务基因功能注释、变异效应预测、合成生物学等任务。

医学影像：MONAI​

面向CT、MRI、病理图像等临床数据，服务医学影像分割、检测、手术规划和医院端AI应用。

三条线拼起来，正好覆盖AI4S里最关键的三个尺度：分子—基因组—临床。

在此基础上，摩尔线程形成了一条国产化技术链。

为什么AI4S尤其需要“全功能GPU”

大模型时代，大家习惯用FP8、显存、集群规模来评价GPU。但AI4S不一样：

• 有深度学习，也有传统HPC；
• 有BF16推理，也有双精度科学计算；
• 有训练，有推理，还有预处理、后处理、仿真、可视化；
• 对数值稳定性、访存带宽、长时序计算的要求极高。

MTT S5000的定位正是“训推一体全功能GPU智算卡”，原生支持FP64双精度，也具备FP8推理、多媒体处理、硬件级安全能力。

这类产品形态的价值，在AI4S里会比在纯互联网推理场景里更突出：

因为科研机构要的，不是一张只会跑Transformer的卡，而是一张能同时接住科学计算、AI模型、医学数据和私有化部署的卡。