从 2.62 TB 到 5,120 token：蛋白质模型的部署阶梯

9 月 14 日，ColabFold 发布 1.6.3。同一个月更早的时候，Martin Steinegger 的一个实验页面安静上线：在手机浏览器里，直接跑 AlphaFold2 的单链推理。费电、发热、烧流量，但它跑通了。

一头是巨头在云端堆十亿级结构，一头是有人把 AF2 塞进手机浏览器。这两件事之间隔着什么？隔着一整条部署阶梯。这篇把折叠模型的部署形态按门槛排成一张表，从 2.62 TB 的数据库到手机浏览器里那点算力，顺带回答三个问题：16 GB 显存到底能干什么，该把自己放在阶梯的哪一级，以及为什么「结果接近 AF3」不等于「论文里可以写 AF3」。

一、先说新闻：1.6.3 的三件事#

ColabFold 这条线的基本盘是「云端 MSA + 免费 GPU」：序列比对交给 MMseqs2 服务器，预测跑在 Colab 的卡上，用户一个本地环境都不用装。1.6.3 这版把「本地」这条腿也补上了：

更新	内容	含义
全量 pip 安装	pip install colabfold[alphafold]	不再依赖 notebook 环境，自托管从「能折腾」变成「一条命令」
--use-fast-kernels	Turing/Volta 架构的老卡（T4、V100）大幅提速，作者口径 2.5x	实验室里压箱底的老卡重新有了用武之地
ipSAE / pDockQ2	界面置信度指标直接进主输出	复合物预测的「这条链和那条链是不是真结合」有了标准化读数

顺带修了两个 bug，其中一个是 1.6.2 的 --use-pallas 在特定头维度下静默算错点积。科学计算里最阴险的就是这类「不报错、只给错答案」的问题——这也是为什么上周拆那份可复现性基准时，验收学要单独写一节。

前瞻部分同样值得关注：仓库里出现了 ColabFold2_preview.ipynb，以及一条 af3-preview 分支（pip install "colabfold[alphafold3]@git+https://github.com/sokrypton/ColabFold@af3-preview"）。都标着 preview，但方向清楚：AF3 这一代的推理，ColabFold 打算原样接管。

二、真正跑进手机的那扇门#

比 1.6.3 更有意思的是另一个页面。它的副标题原话是：Run AlphaFold2 monomer inference locally in your browser with WebGPU——AlphaFold2 的单体推理，在浏览器里、在本地设备上完成，由 Martin Steinegger 发起。

先泼三盆冷水，作者帖里自己写的：费电池、会过热、烧流量。然后是两个技术边界：

一，只支持 monomer。 复合物、配体、核酸，都还不在便携范围里。

二，模型在本地，比对在云端。 MSA（多序列比对）仍由 ColabFold 的公共服务在线生成。这一条决定了它「烧流量」——也决定了折叠模型离真正的端侧还有多远。这个依赖后面还会反复出现。

所以定位要说准：这是实验性演示，「能跑」不等于「能用」。但它是一块浮冰——推理下沉到端侧这条路，折叠模型这边第一次有了实打实的立足点。

三、部署阶梯：从 2.62 TB 到 5,120 token#

把目前的部署形态排成一张表，每一格的数字都来自官方文档，不是估计：

部署形态	代价	换来什么
AF2 原生（真开源）	仅 Linux；下载 556 GB、解压 2.62 TB、预留 3 TB 盘；官方参考机 A100 + 85 GB 内存	机构级的完整能力，权重自由使用
AF3 本地	代码 Apache 2.0；权重受专门条款约束（非商业、禁止再训练）；约 1 TB 数据库；官方只在 A100/H100 80 GB 上验证过 5,120 token 满载	当代最强复合物预测，但显存和条款双重门禁
ColabFold 云端（默认）	免费额度、排队	零部署门槛，16 GB 级免费卡就能跑
ColabFold 绝对本地	建库 940 GB；batch 搜索约 128 GB 内存；索引常驻内存版要 768 GB–1 TB	全程离线，数据不出域
AF2 进浏览器（WebGPU）	monomer；MSA 仍云端；手机电池与流量	推理端侧化的第一步

几个数字值得单独说。

16 GB 显存能干什么？ ColabFold 官方 FAQ 的原话：约 16 GB 的卡，最大长度约 2,000 残基。这是 AF2 时代的实用天花板。

80 GB 是什么线？ 不是「至少 80 GB 才能装」，而是 AF3 官方文档的担保线：输入不超过 5,120 token 时，官方只在单张 A100 80 GB 或 H100 80 GB 上验证过。低于这个配置不是不能跑，是官方不为你的规模背书。

token 这笔账#

5,120 这个上限里藏着一个容易忽略的定义问题：AF3 的 token 是统一计数单元——蛋白残基 1 个 token，核酸碱基 1 个 token，配体按原子数计。

所以「预设它结合一个小分子」不是加一个分子，是加几十上百个 token。复合物越大、配体越多，撞墙越快。显存封顶的是体系规模，不是精度——官方原话就是 “GPUs with more memory can predict larger protein structures”，更大不更准，只更大。

顺带一个容易被忽略的细节：AlphaFold Server 网页版自己的 token 上限是 5,000，比本地的 5,120 担保线还要紧一点。云端大方，但不是不设防。

笔者的实测体感在 AlphaFold Server 网页版上：两个蛋白对接，十几分钟起步；先提交两个任务把服务「焐热」，后面的 400–600 残基链才能稳定在四五分钟一条——不预热的话，首跑半小时起步，甚至直接卡死。至于原生部署那套（3 TB 盘 + A100 起步），个人自己折腾纯属浪费，这条阶梯的下半段本来就不是为个人准备的。

四、折叠模型为什么在变轻（我的理解，不是拆解）#

先划边界：Evoformer 内部的消息传递、三角更新的机制细节、蒸馏与再训练的门道，这篇不碰——AF2/AF3 本体是计算生物学家的主场，我的水平不够拆它，只谈理解。

我理解的趋势是组件替换。AF2 引以为傲的三角更新，是蛋白质领域专门设计的组件；2025 年苹果的 SimpleFold 反其道行之，用纯通用的 Transformer 层加流匹配把它换掉，30 亿参数拿到 AF2 九成性能、约一成算力，轻到消费级笔记本能跑（上一篇算过这笔账）。WebGPU 移植是同一个方向的工程面：只有当模型由通用组件构成，浏览器和消费硬件的生态才接得住它。

领域专用组件换通用组件，换来可部署性，付出去的是前沿精度。这笔权衡现在还没收敛，两条线都活着。

五、下沉到哪一层：一张选型边界表#

阶梯摆完了，真正的问题是：你该站在哪一级。 这张表按场景给答案，卡点一并列出：

场景	建议层位	卡点
课堂演示、科普、快速查一个结构	AlphaFold Server 网页版	免费但每天 30 个 job；服务端 token 上限 5,000，配体一加就紧
日常单链与复合物预测，数据可以出域	ColabFold（notebook 或 pip 版）	免费卡有限额；16 GB 显卡约 2,000 残基封顶
未发表序列、企业内部数据，不能出域	ColabFold 绝对本地	940 GB 建库加约 128 GB 内存的门槛
复合物 + 配体 + 亲和力，且要能商用	Boltz-2 / Protenix v1 / Chai-1	结果需自己验收；16 GB 只覆盖中小体系
手机端现场查看	AF2 WebGPU 浏览器 demo	实验性；仅 monomer；MSA 仍走云端

三条选型原则，按优先级排：

一，数据出域是第一约束，不是算力。 未发表序列一旦贴进公共服务，就当它已经公开。机构在意的从来不是你烧几张卡，是你把什么传给了谁——绝对本地那 940 GB 存在的全部理由就是这个。

二，按体系规模选层，不按牌子选。 5,120 token 的官方担保线、16 GB 的 2,000 残基线，先把问题的规模算出来，再挑层。顺序反过来，只会浪费排队时间或者买错卡。

三，免费层的排队成本也是成本。 半小时起步的首跑、十几分钟的二聚体，乘上课题周期就是真实工期——有时候一次绝对本地的建库投入，比长期排队便宜。

六、结果接近，不等于认可等价#

讲到 AF3 的替代品，就得讲清开源阵营的真实位置。目前三个代表：

• Boltz-2（MIT 与 Recursion）：MIT 协议全开源，第一个把结构预测和亲和力预测做在一起的共折叠模型，中小体系单卡 16 GB 级可跑
• Protenix（字节）：v1 代码与权重 Apache 2.0、明确可商用，技术报告口径在相同数据规模下超过 AF3——但 v2 的权重已转闭源，开源收紧的信号值得记一笔
• HelixFold3（百度）：结果上无限接近 AF3，许可却是 CC BY-NC-SA，商用没门；部署在它自家的平台才顺手

但读论文的时候你会发现另一件事：方法部分的预测工具一栏，作者们写的仍然是 AlphaFold、AlphaFold-Multimer。开源替代品拿得到接近的分数，拿不到引用里的名字。

而让这件事更微妙的是谷歌的大方。AlphaFold Server 每人每天 30 个 job，免费；一个课题组只要有几个人注册谷歌账号，日常发论文需要的预测量基本就摊得开——连「自己部署」的必要性都被直接瓦解了。其他模型的生态难就难在这：它们不是输在结果，是输在正版免费。 生态锁从来不一定要靠收费，大方同样能锁死一个市场。

顺着这个机制还能推出一个不太好听、但大概率成立的预测：既然开源模型的结果「差不多能用」，而审稿人要看的只是方法栏里 AlphaFold 这几个字——那么拿其他模型的输出、在论文里标成 AlphaFold 结果的操作，恐怕不会少。开源模型拿不到名字，名字却可以被白嫖；认可墙走到极端，就是认可被冒领。这话没法统计，只能算机制层面的推断——哪天有人认真去对一遍论文预测结构与所用工具的匹配度，估计会很有意思。

这不是技术问题，是认可问题——而认可本身就是验证闭环的一部分。巨头那篇里说过：验证闭环厚的层，才是领域人的壁垒。开源模型要翻的是三面墙：认可（学界引用习惯）、许可（非商业条款）、部署（离开自家平台就不顺手）。三面墙里，代码墙最先倒，认可墙最难翻。

学术复现是慢变量：OpenFold 复现过 AF2，OpenFold-3 的预览也在路上，目标是逐位复现 AF3。学术界补位总是慢半拍，但从不缺席。

七、阶梯收拢#

整条阶梯收拢成一句话：能力每上一级，依赖就重一截；依赖每重一截，能自由用它的人就少一批。 2.62 TB 的库锁住机构层，5,120 token 的担保线锁住云端之外的规模，940 GB 的建库门槛锁住数据不出域的需求，手机浏览器那点算力只够 monomer——每一级的门槛都是诚实标价的。

对生物人的落位：先用最上层把问题做起来，AlphaFold Server 和 ColabFold 的免费额度足够起步；等问题规模和数据敏感性把需求顶到哪一级，再上哪一级——顺序反过来就是浪费。巨头占着最上面几级台阶，中间的台阶属于会按需选层的人。

上这张牌桌，依然不需要苹果的预算。

数据口径#

• ColabFold 1.6.3（2026-09-14 发布）：pip 全量安装、--use-fast-kernels、ipSAE/pDockQ2、--use-pallas 与 single_sequence 修复——GitHub Release ↗；「2.5x 提速（含 T4/V100）」为作者 Milot Mirdita 发布帖口径；ColabFold2_preview.ipynb 与 af3-preview 分支均在仓库主干可见
• AF2 WebGPU 移植：项目页 ↗，副标题与「MSA 由 ColabFold 公共服务提供」为页面原文；「电池/过热/流量」警告出自作者发布帖
• AF2 部署要求：官方 README ↗——仅 Linux、556 GB 下载、2.62 TB 解压、3 TB 盘、参考机 12 vCPU/85 GB 内存/A100、权重 CC BY 4.0
• AF3 部署要求：官方安装文档 ↗——约 1 TB 盘、Compute Capability 8.0+、5,120 token 满载仅在 A100/H100 80 GB 验证、建议 64 GB 内存；token 计数方式（残基/碱基/配体原子）为官方输入文档口径；权重条款以其仓库 WEIGHTS_TERMS_OF_USE.md 为准
• ColabFold 本地化：940 GB 建库、batch 搜索约 128 GB 内存、索引常驻 768 GB–1 TB、约 16 GB 显卡最大长度约 2,000 残基——均为仓库 README 与 FAQ 原文
• Boltz-2 的 MIT 许可与亲和力能力、Protenix v1（Apache 2.0）与 v2（权重转专有）的许可变化、HelixFold3 的 CC BY-NC-SA、Chai-1 的 Apache 2.0（README 口径），均以各自仓库当前 README/许可文件为准；OpenFold-3 为其仓库预览页口径
• AlphaFold Server 免费额度：每人每天 30 个 job、服务端 token 上限 5,000——官方 FAQ ↗ 与 EBI 使用指南同口径（2026 年 1 月第三方教程亦确认 30/日）；「多账号摊薄额度」「借名标注结果」为基于机制的推断，非实证统计
• 「预热后四五分钟、二聚体十几分钟、首跑半小时或卡死」为笔者在 AlphaFold Server 网页版的实测体感，非基准测试，仅供参考量级
• 第五节选型表为本文基于上述公开口径的整理与判断，非任何官方建议