经典论文《LINE》与 Google PageRank 一同跻身 WWW 时间检验奖名单，图表示学习的奠基性价值获得学界肯定。
北京、上海和深圳2026年7月3日 /美通社/ — 北京时间2026年7月1日，计算机科学领域的国际学术会议——The Web Conference 2026（2026年国际万维网大会）揭晓了本年度的大奖：Seoul Test of Time Award（时间检验奖）。百奥几何（BioGeometry）创始人唐建博士及其合作者的经典研究论文《LINE: Large-scale Information Network Embedding》，凭借其在十年尺度上对万维网学术研究与产业实践产生的持久且深远的影响，获此殊荣。
Related posts
The Web Conference 时间检验奖旨在表彰在此十年间，持续引领学术思潮并对万维网生态产生深远影响的奠基性研究。该奖项的含金量，可以从其首届获奖者的名单中窥见一斑。2015年，即该奖项设立的首年，国际万维网会议委员会将此项至高荣誉授予了Google创始人谢尔盖•布林（Sergey Brin）和拉里•佩奇（Larry Page），以表彰他们那篇定义了现代互联网检索范式的经典论文——《The Anatomy of a Large-Scale Hypertextual Web Search Engine》。
正如PageRank算法为Web搜索奠定了基石，十一年后的今日《LINE》论文的折桂，标志着图表示学习（Graph Representation Learning），正式被纳入该奖项所代表的”互联网核心基础技术”评价体系。它不仅是一项学术表彰，更是业界对这一技术方向在过去十年中所构筑的产业支撑价值的礼赞。
01 算法溯源：奠定图表示学习的核心方法论
《LINE》论文的核心贡献在于，首次系统性地解决了大规模信息网络的高效嵌入问题——将包含数百万节点、数十亿条边的网络，映射到低维向量空间并保留其局部与全局结构。2015年之前，已有方法在处理这一量级的网络时普遍面临可扩展性瓶颈。《LINE》提出的一阶与二阶邻近度联合优化框架，使社交网络、语言网络、引文网络等任意类型大规模网络的高质量向量化表示成为可能。
《LINE》所代表的方法论意义在于：复杂的结构化数据可以被编码为机器可学习、可计算的表示。这一思想成为此后十年图神经网络（GNN）、知识图谱嵌入（如唐建博士后续的RotatE等工作）、几何深度学习等方向的共同起点。从技术产业演进的长周期来看，《LINE》的意义不止在于提出了一种高效的大规模网络嵌入算法，更在于它回应了人工智能发展中一个持续存在的底层问题：机器如何将真实世界中的复杂连接，转化为可学习、可推理、可生成的表示。
在互联网阶段：图结构帮助机器理解网页连接，支撑搜索引擎等基础设施；在移动互联网阶段：社交网络与推荐系统进一步拓展了图建模的应用边界；进入AI for Science阶段：图表示学习继续向知识图谱推理、分子结构建模和原子尺度相互作用理解等更复杂的问题延伸。
因此，《LINE》论文的长期价值，并不在于将单一论文对应某一次产业变革，而在于它所代表的结构化表示能力，经受住了不同技术周期和应用场景的迁移。从理解连接，到推理结构，再到设计复杂系统——这一跨越三个技术周期的能力演进，正在将图表示学习推向它的下一个主战场：生命科学。而百奥几何，正是沿着这一方向，将历经十一年前沿研究验证的方法论，转化为驱动下一代生命科学研发的AI基础设施。
02 范式延伸：从信息网络到生命分子的底层映射
早在2012年，当业界主流仍聚焦于计算机视觉与自然语言处理时，唐建博士已着手研究图结构数据上的深度学习。沿着这一方向，他带领团队开发了面向药物发现的机器学习平台TorchDrug，并联合NVIDIA、Intel、IBM推出面向大分子的开源平台TorchProtein，在分子性质预测、构象生成等基础问题上完成了大量开创性研究，为后续百奥几何的技术体系搭建了前期基础设施。
唐建博士于北京大学信息科学技术学院获得计算机科学博士学位，曾任微软亚洲研究院研究员，在卡内基梅隆大学与密歇根大学完成博士后研究，此后成为加拿大蒙特利尔学习算法研究院（Mila，由图灵奖得主Yoshua Bengio创立）唯一华人终身教授。2014年获ICML最佳论文奖，2016年获WWW最佳论文提名，多次担任ICML、NeurIPS等顶会领域主席。
03 工程落地：以 GeoFlow 大模型重构微观世界
2023年，AI原生生物科技公司百奥几何正式运营。在微观的生命世界里，蛋白质、抗体、酶等大分子，其本质都可以被抽象为由原子（节点）和化学键（边）构成的三维图结构——这正是图表示学习天然适配的建模对象。目前AI for Science及药物发现领域的主流范式，其底层方法论与图表示学习的技术脉络一脉相承。百奥几何的创立，正是沿着唐建博士沉淀十余年的学术谱系，将几何深度学习与深度生成模型应用于大分子设计与优化。
基于这一技术脉络，百奥几何自研了微观世界模型GeoFlow，将”原子级精度建模分子相互作用”这一核心思想落地为可工程化的大模型，并通过持续迭代，将建模尺度从分子相互作用拓展至更复杂的细胞水平，为下一代药物发现与生命工程构建底层AI基础设施。
在具体应用层面
百奥几何自研的GeoFlow模型在从头抗体设计上已在18个项目中完成验证，零样本命中率达18.7%，最优结合亲和力（KD）达到2 nM，从计算设计到湿实验验证的完整周期可缩短至三周。
基于几何深度学习的抗体优化方法（GearBind）：针对Omicron变体的CR3022抗体优化在3周内将结合亲和力提升17倍（从1 nM至0.06 nM），针对JN.1变体的Ab1372抗体优化将亲和力提升超过300倍（从61 nM至0.21 nM）。
在商业化层面
百奥几何的抗体设计平台已与多家国内外药企达成授权合作。合成生物领域拥有十余条推进至下游BD合作阶段的自研管线。
在疫苗设计方向
公司携手产业伙伴，依托GeoFlow完成了登革病毒包膜蛋白二聚体的稳定化设计，二聚体比例从不足10%提升至95%以上，相关产品已经成功转让给国内头部药企。
在AI酶设计方向
公司已将技术应用于冰片（Borneol）的酶法合成，将单位生产成本压缩至约30美元/公斤，较传统植物提取方案具备超过80%的成本优势，目前已完成500升中试规模的发酵验证。
04 创新闭环：从基础研究到 AI 制药的产业长线
对于百奥几何而言，此次《LINE》论文获选Test of Time Award，不只意味着创始人个人学术成果获得国际认可，更体现了一条从基础研究走向产业创新的长期技术路径：从信息网络中的关系表示，到生命分子世界中的几何建模；从大规模图结构数据的机器学习方法，到面向药物发现和生物制造的AI原生平台；从对复杂系统的理解，到对生命分子的设计与优化。
基础研究的价值，往往需要更长周期才能被充分验证。《LINE》论文在十一年后获得Test of Time Award，说明其所关注的”从结构中学习有效表征”（representation learning from structures）的问题，仍然是人工智能理解复杂系统的核心命题。从LINE到GeoFlow，百奥几何正是将这一核心命题从信息网络延伸至生命大分子——蛋白质、抗体、酶——在”理解结构”到”生成结构”的框架下，构建了一条经十一年前沿研究验证的技术路径。当前，这一路径已在抗体设计、酶工程等产业场景中转化为可工程化的能力。
以此为根基，百奥几何将继续推进几何深度学习与生成式AI在生命科学中的深度融合，致力于打造新一代生命科学AI基础设施，推动AI从理解生命走向设计与创造生命分子。
###
关于百奥几何（BioGeometry）
百奥几何是一家AI原生生物科技公司，成立于2023年。公司致力于将几何深度学习与生成式AI技术应用于大分子药物设计与生命工程领域，自主研发了微观世界大模型GeoFlow，在抗体设计、疫苗研发、酶工程等方向已形成产业级能力，与多家国内外药企建立了深度合作。
注：LINE论文的获奖合作者包括Meng Qu, Mingzhe Wang, Jun Yan, Ming Zhang, Qiaozhu Mei五位学者。Tang et al., LINE: Large-scale Information Network Embedding, WWW 2015。
SOURCE 百奥几何
