8月21日 AI 早报：五条要闻，模型路由争夺入口，生物 AI 转向验证

本期覆盖北京时间 2026 年 8 月 20 日 07:15 至 8 月 21 日 07:15 的公开进展，按行业影响力、实际变化和来源可核验程度排序。重点看模型调用入口、开放模型生态、生物 AI 的实验验证，以及智能体进入真实系统后的安全边界。

发生了什么： 企业支出管理平台 Ramp 于美国时间 8 月 20 日推出 AI 模型路由服务 Router。它允许用户和企业通过一个 API 在 OpenAI、Anthropic、DeepSeek、Moonshot、Minimax、Nvidia、xAI 和 Z.ai 等模型之间切换。Router 目前只在美国提供，2026 年剩余时间免收服务费，但用户仍要支付模型推理费用；新用户可获得 26 美元额度。1

Router 还提供按偏好选择模型的策略：用户可以指定模型供应商的弹性用量档位，也可以让系统根据最多三个自定义基准选择模型，或只把难题交给更贵的模型。控制台会展示 token 用量、成本、延迟和备用模型调用等信息。1

为什么重要： 模型竞争正在多出一层「怎么选模型」的基础设施。企业可以把成本、速度和任务难度放进同一个路由规则里，模型提供商则要争夺被路由器选中的调用量。Ramp 的做法也把企业费用管理延伸到了 AI token 支出管理。

证据边界： Router 的免费期只覆盖服务本身，推理费用仍由用户承担。它默认保留模型输入、输出和工具调用记录一年，用户可以选择退出；Ramp 称会在使用这些内容改进产品前移除个人可识别信息。这个数据留存设置会直接影响企业评估合规和敏感数据使用边界。1

发生了什么： Google DeepMind 于 8 月 20 日称，开放模型家族 Gemma 的累计下载量已经超过 10 亿次；Google 还称，开发者在过去两年发布了超过 10 万个 Gemma 模型变体。Google 同日上线了官方 Awesome Gemma GitHub 仓库，用来整理社区项目、微调模型、教程和开发工具。2

Google 还列举了 Gemma 在卫星图像分析、印度医疗数据处理和单细胞癌症治疗研究等场景中的应用。其中，下载量、模型变体数量和应用案例都属于 Google 对自身生态的统计与介绍。2

为什么重要： 开放模型的竞争指标正在从一次发布的榜单成绩，扩展到模型能否被下载、改造、部署和再次分享。10 亿次下载不等于 10 亿个活跃用户，也不等于每个变体都具备稳定效果，但官方目录的出现说明模型供应商开始主动管理社区资产和开发者入口。

发生了什么： 8 月 20 日发表于《Nature Communications》的一项研究，使用 RFdiffusion、ProteinMPNN 和 AlphaFold2 等工具设计针对三种癌细胞表面蛋白的 AI 微型结合剂，并通过哺乳动物细胞表面展示、流式细胞分选和测序进行筛选。研究团队在 PD-L1 目标上确认了 17 个候选中的 15 个具有结合能力，三个代表性结合剂的解离常数约为 2—230 纳摩尔。3

研究还发现，能结合目标蛋白并不自动意味着它能在 CAR 细胞工程中正常工作：部分结合剂被改造成嵌合抗原受体后，细胞表面运输能力和功能表现较差。团队随后通过遗传算法改变结合界面以外的区域，找到有利于 CAR 表达和靶向肿瘤细胞杀伤的等电点范围。3

为什么重要： 这项研究把 AI 蛋白设计的验证链条往前推进了一步：模型生成只是起点，研究者还要在细胞中筛选结合能力，再处理表达、运输和功能之间的工程冲突。结果支持的是细胞实验和分子优化层面的进展，不能直接等同于临床疗效或可用药物。

发生了什么： 欧盟委员会联合研究中心（JRC）8 月 20 日发布基于 480 个生物 AI 模型的报告，评估这些模型的能力、基础设施需求和现实部署准备度。报告认为，蛋白质结构、功能注释和分子设计等数据较丰富的方向进展更快；单细胞生物学等数据更少、标准化程度更低的方向仍然落后。4

JRC 把 AlphaFold 和 ESM3 等模型描述为在各自科研领域已经较成熟，但技术准备度仍处于低到中等水平；报告称，受调查模型中没有一个完成过整合性的准备度评估。报告还称，学术界参与了 85% 的受调查模型开发，产业界参与了近 40%，而仅由产业界开发的模型中只有 17% 发布训练代码。4

为什么重要： 这份盘点把「模型在论文或基准上表现好」和「模型可以在医疗、工业环境中承担任务」分开了。对开发者和投资人来说，下一步要看的不只是模型能力，还包括数据治理、可复现性、临床或工业基准，以及部署后的安全责任。

发生了什么： 英国国家网络安全中心（NCSC）8 月 20 日发布《Managing the cyber risk of agentic AI》，将智能体系统的网络风险管理重点概括为安全防护、沙箱隔离和主动监督，并强调在获取自主系统收益的同时限制其非预期行为。5

为什么重要： 当 AI 系统可以连续调用工具、访问环境并执行多步任务时，风险控制对象就从单次模型输出扩展到整个执行环境。NCSC 的这份指导把部署问题落到了三个可操作的控制点：系统能做什么、它被隔离在哪里，以及出现偏离时谁负责及时介入。对企业而言，能否说明这三点，会比单纯展示模型的任务成功率更接近真实的上线门槛。

本期五条进展放在一起看，AI 的竞争入口正在从「谁的模型更强」扩展到「谁能把模型接入更大的生态、工作流和现实系统」。下载量、路由器、细胞实验和安全沙箱，分别在衡量使用规模、调用效率、现实效果与失控风险。