为什么AI大厂的人，都跑去做生命科学了？

7 月 14 日，成立仅两年的 AI 制药公司 Chai Discovery 宣布完成 4 亿美元的 C 轮融资，估值达到 38 亿美元。公司创始人 Josh Meier 曾在 OpenAI 从事研究，公司主要利用生成式 AI 设计蛋白质、抗体及其他生物分子。

同一时间，OpenAI 研究员 Miles Wang 被曝将离职，筹备一家 AI 药物发现公司，多名同事可能随他加入。据报道，这家公司正洽谈约 2 亿美元融资，估值可能达到 20 亿美元。消息称，这家公司可能利用 AI 模型寻找老药的新用途，以及重新评估那些曾在临床试验中失败的药物。

如果把时间拉长一点，会看到一份更长的名单：依托诺奖得主 David Baker 的技术、前 Meta 研究员任 CTO 的 Xaira Therapeutics，带着超 10 亿美元资金高调启动；原 Meta 蛋白质语言模型负责人 Alex Rives 携原班人马独立，斩获 1.42 亿美元种子轮......

在中国，类似的跨界也早已发生。百奥几何创始人唐建原本研究图神经网络、几何深度学习和生成模型；分子之心创始人许锦波也是纯计算机背景。

越来越多的 AI 人才，正在把职业生涯和创业筹码押向生命科学。他们讲述的不只是用 AI 提高制药效率的故事，而是一个基础模型公司，恰好选择了生命科学领域作为自己的验证场景。而且与传统的制药公司融资节奏不同：顶级 AI 人才刚刚决定下场，资本已经开始买单。

这自然引出一个问题：AI for Science 覆盖的范围极广，材料、气候、核聚变、数学证明都在列，为什么偏偏是生命科学，先跑出了一批由大模型人才主导、动辄数十亿美元估值的公司？

AI for Science 有很多选项，为什么生命科学最先跑出来

根据斯坦福发布的《AI Index 2025》报告显示，GPT-4 的训练成本约为 7,900 万美元，Gemini Ultra 则达到 1.92 亿美元。这些数字还没计入人员薪酬、数据处理和模型部署等支出。也就是说，训练一个前沿模型的门槛，已经高到大多数团队根本玩不起。

对于离开大厂的研究者来说，重新创办一家通用模型公司并不是没有可能，但需要面对 OpenAI、Google DeepMind 和 Anthropic 等少数巨头建立的资源壁垒。相比之下，把已经掌握的模型能力迁移到尚未被充分解决的科学问题上，是一条更现实的创业路径。

有行业观察者把正在发生的这种变化称为“brain redistribution”——大脑的重新分配。人才并没有离开 AI，而是从训练通用模型、优化聊天机器人，转向利用 AI 处理药物、材料、能源等更具体的科学问题。

Insitro 的创始人 Daphne Koller 是较早完成这种转型的计算机科学家。她曾任斯坦福大学计算机科学教授，也是在线教育公司 Coursera 的联合创始人。2018 年，她创办 AI 制药公司 Insitro。谈到这次转型时，Koller说，自己越来越迫切地希望 AI 对现实世界产生直接影响。在她看来，AI 当然可以用来做一个更好的销售聊天机器人，但也可以被用于更具抱负的用途。

这种追求并非个例。生命科学招聘机构 Aspire 在与候选人的接触中发现，一些 AI 和机器学习人才离开大型科技公司时，反复提到三个诉求：现实影响、工作自主性和目的感。他们希望看到自己建立的系统如何改变一项实验、一次诊断甚至一种疾病的治疗，而不是成为大型互联网产品中难以感知结果的一环。

不过，使命感仍不足以解释人才为什么集中流向生命科学。材料、气候和能源同样能够产生现实影响，生命科学更受关注，还因为它同时具备技术可以迁移、产业愿意付费和已有成功先例等条件。

首先，AI研究者的能力可以直接平移过来。训练大模型所需要的序列数据处理、自监督学习、强化学习和算力基础设施，与训练蛋白质和分子模型存在相通之处。

其次，制药是少数愿意为“降低不确定性”支付高额费用的行业，且该行业拥有成熟的资产交易体系。塔夫茨大学药物开发研究中心的一项研究估算，一款新药从研发到获批上市的资本化成本约为 26 亿美元，进入临床试验的候选药物，最终获批的比例只有约 12%。所以，哪怕 AI 只是把 12% 这个数字提高几个百分点，也可能为药企带来巨大的经济价值。

更重要的是，人类对生物系统的理解本身还很有限，反而给了 AI 发挥的空间。AlphaFold 开发者 John Jumper 曾在一次采访中表示，药物发现困难不只是因为投入不够，也因为“我们还不了解生物学”。人体有两万多个编码蛋白质的基因，细胞内部还存在大量动态相互作用，仅靠逐个研究，很难处理这种复杂程度。AI 的潜在价值恰恰是从大规模数据里找出人类难以同时观察的规律。

图 | John Jumper （来源：YouTube）

AlphaFold 则提供了一个得到科学界认可的成功先例。风险投资机构 a16z 曾将其与 ChatGPT 对照：2022 年 11 月，“ChatGPT 时刻”向世界宣告人工智能已然到来。但早在近两年前的 2020 年 12 月，“ AlphaFold 时刻”就已经让大多数生物学家确信了这一点。也就是说，生命科学领域对 AI 有效这件事的信念建立，比公众对大模型的信念建立早了将近两年。

对这些 AI 研究者来说，转向生命科学是一笔相对具体的账：继续训练通用模型，需要与少数大厂竞争算力和资本；进入生命科学，原有的模型训练能力仍然可以使用，研究成果又有药企愿意付费，并且已经有 AlphaFold 这样的成功案例。相比其他 AI for Science 方向，生命科学的技术路径和商业出口都更清楚。

AI 制药不是新故事，但人、钱和模型的位置变了

这一轮 AI 人才进入生命科学之前，AI 制药已经热过一次。

2012 年前后，Exscientia、Atomwise 相继成立；2013 年，Recursion 创办；2014 年，Insilico 成立； 2018 年，Daphne Koller 创办 Insitro。创始团队的主流配置是生物或制药背景+少量 AI 能力嫁接，很少能看到大模型实验室的一号研究员亲自下场。

它们共同建立了上一轮 AI 制药的基本逻辑：药物研发已经有一套从靶点、分子到实验和临床的流程，AI 的作用是改善其中的搜索与预测效率，更快找到值得验证的候选方案。

经过十多年发展，这些公司并非没有产出。它们建设了自动化实验平台，与大型药企签署合作，并将一批候选药物推进人体试验。走得最远的项目之一，是 Insilico 用于治疗特发性肺纤维化的 rentosertib。

根据该公司披露，rentosertib 的 TNIK 靶点由 AI 平台筛选，分子结构通过生成式化学平台设计和优化。2025年，其 IIa 期试验结果发表于 Nature Medicine；2026 年 7 月，公司启动 III 期临床试验，计划在中国 47 家研究中心招募 320 名患者。

不过，上一轮发展也逐渐暴露出 AI 制药的边界：模型可以更快地产生候选结果，却不能替代后面的实验和临床验证。统计数据显示，AI 发现的药物在 II 期临床试验中的失败率约为 60%，与传统药物一样。“最大的瓶颈显然仍然是临床试验。”AI 制药公司 Lila Sciences 公司的首席技术官 Andrew Beam 曾直言不讳地表示。

（来源：Nature）

2024 年 8 月，Recursion 宣布以 6.88 亿美元全股票交易收购曾经的竞争对手 Exscientia——这被外界普遍解读为两家没有拿出亮眼临床数据的公司抱团取暖，也是 AI 制药赛道首次出现两家上市公司合并；同一时期，另一家先驱公司 BenevolentAI 的主导药物在特应性皮炎的 IIa 期研究中未能击败安慰剂，直接导致项目终止、股价暴跌、大规模裁员，并通过合并方式私有化退市。

截至 2026 年 7 月，仍然没有一款被行业广泛认定为由 AI 发现或设计的药物获得监管批准。上一轮 AI 制药由此留下了一个尚未回答的问题：更快找到候选药物，能否最终转化为更高的临床成功率？

新一轮公司正是在这个基础上出现的。它们没有放弃靶点发现和分子设计，但 AI 在公司中的位置发生了变化。在这些公司里，计算团队不再只是药物研发的支持部门，基础模型、强化学习和算力工程能力本身就是组织公司的起点。

融资节点也明显前移。2024 年，Xaira 带着超过 10 亿美元承诺资本成立；原 Meta 蛋白质语言模型团队创办的 EvolutionaryScale 完成 1.42 亿美元种子轮。Chai 最初获得约 3,000 万美元种子资金，成立两年后估值已经达到 38 亿美元；Isomorphic Labs 则在 2026 年完成 21 亿美元 B 轮融资，用于扩展药物设计引擎并推进内部候选药物。投资人开始在公司尚未拿出临床结果时，就为团队的大模型经验和平台潜力支付高价。

技术目标也从单项预测向整个研发系统延伸。华大涌生智能的 CEO 杨梦告诉 DeepTech，早期 AI 制药更多使用一个模型解决亲和力、溶解度或分子设计等具体问题；基座模型和 agent 出现后，行业开始尝试调用不同的专业模型和工具，把多个研发环节组织到同一套工作流中。

比如， EvolutionaryScale 的 ESM3 同时处理蛋白质的序列、结构和功能；Chai 希望建立分子设计的计算机辅助设计平台；Isomorphic Labs 则尝试把 AlphaFold 扩展为覆盖结构预测、结合亲和力和分子设计的药物设计引擎。一些公司进一步提出“虚拟细胞”，希望预测基因敲除、药物处理等干预将如何改变细胞状态。

但模型更大、覆盖环节更多，并不等于已经解决了上一轮的验证问题。杨梦也指出，目前还没有谁真正跑通生命科学研究的全部流程。其核心在于，人类对生命的认知仍十分有限，大模型难以充分掌握这些知识。剩余的大部分未知领域，仍需通过持续产生新的实验数据来逐步突破。

因此，新一代公司开始强调干湿实验闭环：模型提出方案，实验室进行验证，实验结果和失败信息再回到模型中。湿实验室不再只是研发管线的执行部门，也成为生产训练数据的一部分。

当然，这种变化同样不是这类新公司的专属。成立于 2013 年的 Recursion 如今也在建设生物学“世界模型”和虚拟细胞。与其说两代公司正在分道扬镳，不如说整个行业都在从利用 AI 筛选候选方案，转向让模型、数据和实验形成连续系统。

模型读到的，只是药物研发的一部分数据

伦敦国王学院药物化学家 Miraz Rahman 举过一个例子。为了让抗生素发挥作用，候选化合物首先要进入细菌细胞。一些已发表研究显示，在分子中加入伯胺可能有助于化合物穿过细菌细胞膜。根据这些论文训练的 AI，容易把它总结成一条规律，反复推荐带有伯胺结构的候选分子。

但 Rahman 的实验室也做过大量类似实验，其中许多结果显示，加入伯胺并没有改善化合物进入细菌的能力。这些失败结果没有发表，模型因此只能看到“加入伯胺后成功”的案例，看不到更多没有效果的案例，最终高估了这条规律的可靠性。

图 | Miraz Rahman（来源：伦敦国王学院）

这个例子说明 AI 制药面对的一个基本问题：生物学数据看起来很多，但模型读到的通常是经过筛选的数据。论文和药企更愿意公布成功结果，大量失败实验被留在实验室内部。模型由此学到的，可能不是完整的药物研发规律，而是哪些结果更容易被发表。

数据即使被公开，也未必能够直接放在一起训练。人工智能生物技术公司 Owkin 的首席数据科学官 Eric Durand 提到，不同实验室使用的设备、试剂和实验方法不同，会形成“批次效应”。Relay Therapeutics 计算化学家 Pat Walters 也指出，不同实验室产生的数据很难做到严格的同类比较。样本处理方式、试剂和细胞批次的差异，甚至同一个分子的不同表示方法，都可能被模型误判为有意义的生物学信号。

因此，AI 制药缺少的不只是更多数据，而是能够说明实验在什么条件下成功或失败的数据。

药企手中其实积累了大量这样的记录，但很少对外开放。Rahman 估算，即使相对开放的制药公司，公开的数据可能也只占内部数据的 15% 至 30%，临床试验数据的公开比例最高约为 50%。这些公司自身也深知其所掌握数据的价值。2018 年，诺华的首席执行官 Vas Narasimhan 曾表示，公司正在转型为一家“医药与数据科学公司”，并强调其致力于将 AI 应用于药物研发。药企不愿分享也不难理解：某个分子为什么失败、某类靶点存在哪些风险，本身就是多年研发投入形成的资产。

这可能解释了上一代 AI 制药公司面对的部分困难。它们可以利用公开数据库和合作数据优化靶点、结合力、溶解度等前端指标，但真正决定药物能否成功的人体安全性和疗效数据，通常掌握在药企、医院和试验申办方手中。即使 AI 公司参与了前期发现，也不一定有权把后续临床结果用于训练自己的模型。

更麻烦的是，临床数据无法快速产生。一次细胞实验可能几天或几周得到结果，一项临床试验却可能持续数年。不同药物、疾病和患者群体之间差异很大，有限的临床结果也很难像互联网文本和代码一样，迅速变成大规模、可重复使用的训练材料。上一代公司的数据飞轮即使能在临床前转起来，进入人体试验后也会明显减速。

行业在尝试补这些缺口。加州大学旧金山分校 James Fraser 团队获得美国 ARPA-H 最高 3,050 万美元资助，正在建设名为“AVOID-OME”的开放项目。它不只收集哪些分子能够与目标蛋白结合，还要系统记录哪些相互作用可能造成吸收、代谢、排泄和毒性问题。正如 Walters 所说，一个分子即使与靶点结合得很好，如果进入人体后很快被排出，也没有药物价值。

另一种办法是在不交出原始数据的情况下共同训练模型。MELLODDY 项目让 10 家药企通过联邦学习使用各自的化合物数据，数据仍留在公司内部，但模型可以从多家公司的结果中学习。项目公布的结果显示，10 家参与企业的模型均获得不同程度的改善。

不过，联邦学习只能缓解数据产权问题，不能消除批次效应、阴性数据缺失和临床反馈缓慢。不同公司的实验标准如果不一致，模型仍然可能学到错误规律；没有被记录的失败，也不会因为训练方式改变而自动出现。

Insilico Medicine 采取了一种更直接的办法：尽量给现有信息增加可信度权重。创始人 Alex Zhavoronkov 曾告诉 Nature，公司建立了评估论文作者可信度的工具，还会观察药企公布临床结果后的股价变化。如果公司宣称结果积极，股价却大幅下跌，系统会倾向于把它当作负面信号。这种方法未必能准确判断一项研究，却说明 AI 制药公司面对的现实不是没有信息，而是要从带有偏差、包装和缺失的信息中判断什么值得相信。

新一代公司强调 AI Native，很大程度上就是希望从源头重新设计数据生产过程。模型提出实验方案，自动化实验室负责执行，仪器参数、试剂批次、操作过程和失败原因被统一记录，再用于调整下一轮模型。湿实验室因此不只是验证部门，也是一套持续生产训练数据的系统；自有管线则让公司有机会继续获得临床阶段的结果。

当然，真正有价值的数据不仅是最终结果，还包括仪器参数、耗材批次、实验环境、操作流程和失败原因。优质数据不一定只是数量多，更重要的是链路完整，能够说明一个方案为什么成功、又为什么失败。因此， AI for Bio 下一阶段的竞争重点，是把干实验和湿实验的闭环真正建立起来。

这并不是这类新公司独有的做法，Recursion、Insitro 等上一代公司也很早就在建设自动化实验和数据平台。真正的变化在于，越来越多公司把数据闭环放到了组织设计的中心：先考虑模型需要什么反馈，再设计实验室、数据系统和研发流程。

不过，AI 原生公司仍然没有解决最慢的一环。实验数据可以通过自动化批量生产，人体临床结果仍然需要患者和时间。它们因此面临一个现实选择：把模型交给拥有数据和临床能力的药企，还是继续向下游延伸，自己掌握实验、管线和后续反馈？

对这个问题的不同回答，形成了新一代公司的路线分化。

卖模型，还是自己造药？

AI 人才进入生命科学后，并没有形成一种统一的公司模式。不同公司的主要分歧在于：只提供模型和软件，还是继续向下延伸，掌握实验数据和候选药物。

Chai 更接近药物设计平台。公司将自己定位为“分子领域的计算机辅助设计工具”，利用模型设计抗体、蛋白质等生物分子，再与拥有实验、临床和商业化能力的药企合作。目前，Chai 已经与礼来、辉瑞、诺华等公司建立合作。礼来不仅使用其软件，Chai 还将利用礼来的专有数据训练定制模型。

这种模式不需要独自承担临床试验的成本，可以同时参与多个药物项目。代价是，一旦候选药物成功，药物资产的大部分价值仍然掌握在合作药企手中。Chai 的联合创始人 Jack Dent 曾表示，许多同行希望建立自己的药物管线，而 Chai 选择成为一家平台公司。它押注的是，药物设计软件本身可以形成足够大的市场。

Cradle 走得更像一家标准的软件公司。客户按照项目购买年度许可，保留所设计蛋白质的知识产权，Cradle 不收取里程碑费用和销售分成。但它仍在阿姆斯特丹建设了湿实验室，用来验证模型设计的蛋白质，并生产训练模型所需的数据。

Xaira Therapeutics 和 Isomorphic Labs 则向下游走得更远，希望同时掌握模型、实验数据和药物资产。

Xaira 成立时获得超过 10 亿美元资金，将业务分为 AI 研究、实验数据生产和药物开发三个部分。按照公司的公开表述，每一项实验既用于验证候选药物，也用于生产新的训练数据；实验结果再被用于改进模型和设计下一轮实验。公司由此形成“模型提出方案—实验验证—数据回流—模型调整”的循环。

对这类全栈公司来说，自建实验室还有另一个现实作用：把模型生成的候选方案做成可以交易的药物资产。公司可以完成分子合成、药效和毒性验证，再将项目推进至临床前候选物、IND 或早期临床阶段。在证明管线具有一定价值后，公司不必独自把药物做到上市，也可以通过 BD 将开发和商业化权利授权给大型药企，获得首付款、研发里程碑和销售分成。

Insilico 已多次验证这一商业路径。比如 2025 年授权一项 AI 发现的肿瘤临床前资产，潜在总额超过 5.5 亿美元；2026 年 2 月，Insilico 因 MEN2501 完成首例患者给药，再次获得 500 万美元里程碑付款。

Isomorphic Labs 采取的是合作与自研并行的模式。一方面，它与礼来、诺华和强生合作，利用自己的药物设计引擎寻找候选分子；另一方面，也在推进全资拥有的内部项目。公司 2026 年完成的 21 亿美元融资，部分将用于推动内部候选药物进入临床。

这种模式为 Isomorphic 保留了更多选择：部分项目可以与药企共同开发，部分资产可以在合适阶段通过 BD 授权，也可以继续由公司自己推进。相比纯软件模式，它有机会获得更多药物成功后的收益，但也要承担更长的研发周期和更高的失败风险。

因此，新一代公司的真正分歧，不是谁使用 AI 更多，也不只是谁建了湿实验室，而是谁拥有数据、谁拥有候选药物，以及谁来承担临床风险。

Chai 希望成为药物设计平台，主要通过模型和药企合作；Cradle 通过自建实验室验证和改进软件，但不参与药物的里程碑付款和销售分成；Xaira 和 Isomorphic 则继续投入实验和管线，既可以自己推进候选药物，也可以通过 BD 出售或授权药物资产。

湿实验室由此承担了两项任务：一是生产和验证模型需要的数据，二是把计算结果转化为可以交易的管线。对于全栈公司来说，数据闭环解决的是模型如何继续改进，管线 BD 解决的则是这些研发投入如何提前变现。

这些选择对应着不同的商业判断，哪一种模式能够成立，最终取决于模型产生的候选方案能否通过实验和临床验证，以及由此产生的价值最终留在谁手中。

而这场人才迁移是否成立，最终并不取决于谁从 OpenAI、Meta 或 DeepMind 带走了多少研究员，也不取决于公司成立时拿到多少融资。平台公司需要证明药企会持续为模型付费，全栈公司则需要证明自有实验和数据能够提高研发效率，并最终带来更好的临床结果。

1.https://hai.stanford.edu/assets/files/hai_ai_index_report_2025.pdf

2.https://www.311institute.com/ai-models-that-cost-1-billion-and-100-billion-to-train-are-coming-says-anthropic-ceo/

3.https://www.cnbc.com/2026/04/28/meta-google-big-tech-staff-ai-labs-investors.html

4.https://www.a16z.news/p/science-at-the-speed-of-inference

5.https://www.nature.com/articles/d41586-025-00602-5

6.https://www.nobelprize.org/prizes/chemistry/2024/jumper/1925168-interview-transcript/

7.https://www.nature.com/articles/d41573-022-00025-1

8.https://blogs.nvidia.com/blog/ai-in-healthcare-survey-2026/

免责声明：本文旨在传递生命科学和医疗健康产业最新信息，不代表平台立场，不构成任何投资意见和建议，以官方/公司公告为准。本文也不是治疗方案推荐，如需获得治疗方案指导，请前往正规医院就诊。

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成