9 月 25 日消息，科技媒體 9to5Mac 昨日（9 月 24 日）發布博文，報道稱蘋果研究團隊發布了輕量級蛋白質折疊預測 AI 模型 SimpleFold，采用流匹配（Flow Matching）方法替代多序列比對（MSA）等復雜模塊，大幅降低計算成本。

該媒體指出 AlphaFold2（Google DeepMind 的突破性 AI 模型）、RoseTTAFold 等傳統模型雖然具備更高的精度，但由于依賴多序列比對、三角更新等計算密集的特定架構，訓練與推理成本高昂。蘋果團隊希望通過簡化結構，降低硬件門檻，讓更多科研團隊受益。

SimpleFold 核心采用 2023 年提出的流匹配（Flow Matching）方法，這種技術源自擴散模型，但在生成過程中不逐步去噪，而是直接從隨機噪聲一次生成目標結構。相比逐步迭代的擴散模型，這種方式跳過多個去噪環節，計算量更低、生成速度更快，已在文本生成圖像和 3D 建模領域獲得成功。

在實驗中，研究人員分別訓練了從 100M 到 3B 參數的多個版本，并在 CAMEO22 和 CASP14 兩大權威基準上進行評估。

這些測試覆蓋了模型在泛化性、魯棒性（Robustness，一個系統或過程在面臨干擾、不確定性或異常輸入時，仍能維持其功能或穩定運行的能力）和原子級精度上的表現，結果顯示，SimpleFold 在性能上穩定優于同類流匹配模型 ESMFlow，并媲美頂尖模型表現。

具體來看，SimpleFold 無需使用昂貴的多序列比對和三角注意機制，在 CAMEO22 上達到 AlphaFold2、RoseTTAFold2 約 95% 的性能。更小的 SimpleFold-100M 版本在保持高效的同時，性能超過 ESMFold 的 90%，驗證了通用架構模塊在蛋白質預測領域的可行性和競爭力。

研究還發現，隨著模型規模和訓練數據增加，性能穩定提升，尤其在高難度測試中優勢明顯。蘋果團隊強調，SimpleFold 只是起點，希望它能推動社區構建更多高效、強大的蛋白質生成模型，進一步加速藥物研發和新材料探索。