硅谷AI巨头，急需创新药研发证明自己

AI 编码的渗透，短期内趋于饱和；硅谷必须尽快找到下一个更大的AI应用领域，才能证明AI配得上它已经烧掉的万亿美元的资本支出。这就是创新药的研发。

2025年，替尔泊肽与司美格鲁肽两大GLP-1机制减肥药物组合的年营收，合计约710亿美元，超过OpenAI与Anthropic年末年化收入运行率（ARR）之和的2倍。

AI 医药的布局正在加速。尤其进入10月，前沿 AI 厂商几乎每周都有新动作，从投资、并购到自建实验室、产业合作，密集加入这场 AI 医药范式革命。与此前主要利用 AI 改进分子筛选与设计等研发环节不同，这一轮，前沿 AI 巨头开始将触角伸向湿实验室，试图贯通从模型提出假设、设计实验，到自动化执行、数据回流与下一轮决策优化的完整链条。年初，英伟达就提出，科学正在进入 Lab in the Loop 的时代。

亲眼目睹过这一领域进展的人，已经看到了其中的机会。今年4月，OpenAI发布GPT-Rosalind，拓展了前沿AI在长周期、重工具 (tool-heavy) 的科学工作流中的生化推理能力边界。时任OpenAI科学业务负责人的凯文·威尔（Kevin Weil）是关键人物。

上周，威尔官宣将全身心投入新公司Warp Sciences的创业。这是一家美国本土的AI自动化药物研发实验室，希望将长期外包给中国药明康德等企业的部分研发工作，转移回美国。威尔不希望美国重演太阳能、无人机和制造业领域的产业竞争失利。

2025/06/03 完整阅读 >

中国创新药的崛起，某种程度上证实了 Lab in the Loop 的重要性。本土CRO与CDMO等在承接海外研发与制造外包业务的过程中逐步成熟，积累了实验执行、项目管理和规模化交付能力，也沉淀了难以完全写进流程文件的专业经验。这些能力又进一步服务于本土创新药企业，成为中国创新药以相对较高的成本效率推进研发的重要支撑；中国将首创新药（FIC）占全球创新药的比例不低于25%，写入了“十五五”预期性指标。

只不过，这个循环是由中国实验室熟练的工程师流水线支撑起来的；相对而言，这种实现方式难以自动递归进化。

现在，AI正在让分子设计变得廉价，这意味着化合物的合成和测试，越来越成为瓶颈。如果美国不抢着干，大多数的订单都会流向中国；因为中国效率更高，成本更低。但是，对于美国而言，这也意味着更多隐性经验仍沉淀在中国；更关键的是，自动化实验室产生的数据，其价值将超过它所合成的化合物。

前沿AI巨头正在“搜刮”已破产公司的专有数据，当然也不会放过仍然运行的实验室流水线数据。当验证成为模型持续进步的关键反馈机制，湿实验室是连接模型、实验与数据，推动系统递归进化的关键节点。因此，夺回湿实验室，已经不仅关乎美国创新药供应链的安全，也关乎美国前沿AI的竞争力。当然，这也是信息科技行业之外，另一个可能创造不菲回报的AI应用领域。

几乎所有的美国前沿AI厂商都已经下场，密集落子Lab in the Loop，几乎覆盖了整条循环的所有关键环节：自主规划科研任务的科研智能体，更具互操作性的数据基础设施，自动执行和验证的湿实验室，以及实验反馈与模型迭代闭环。

科研智能体已经不是新鲜事。今年，除了OpenAI的GPT-Rosalind，Anthropic的Claude Science，谷歌的Gemini for Science，都在探索让模型承担更复杂的科研任务。不过，从智能体提出设想，到湿实验室启动实验，再到实验结果反馈给模型，整个链条仍然存在断点；不同设备、不同实验室、不同模型之间的数据流，其实并没有贯通起来。

因此，目前Lab in the Loop的最大瓶颈，并不完全在于机器人自动化，而是如何让模型理解实验室的真实状态，让不同设备产生的数据能够互通，并将实验过程中的关键变量完整记录下来。当然，这些前沿AI厂商们也没有忘了，尝试让通用模型去驱动机器人。

2026/10/22 完整阅读>

为了追踪实验结果受到哪些因素影响，实验过程必须被细致记录。试剂类型与浓度、添加体积、操作速度、离心力、实验器具，以及不同步骤之间的时间间隔，都可能改变实验结果。

但现实中，实验数据往往分散在仪器文件、供应商软件和不同的实验管理系统中，系统之间的数据转换与传输仍需要人工参与。科学家也很难在实验过程中记录每一个细节。环境温度、湿度和试剂添加间隔等未被完整记录的变量，都会增加解释实验结果的难度。连整理和关联这些实验数据都不容易，那些看起来没有直接价值的阴性结果，就更容易被忽略；但模型“认识”这个世界，需要更多真实数据，包括一次次失败的实验。

Anthropic提出了MHS（模型硬件标准），试图通过统一的设备接口，让智能体发现仪器、读取状态、执行操作，并协调多台设备。它有点类似科学仪器领域的 MCP。Anthropic还开放了Instrument Data to Allotrope技能，帮助 Claude 将不同仪器数据转换为标准化表示，提升不同系统之间的互操作性。

年初至今，英伟达先后与全球两大科研仪器巨头赛默飞（Thermo Fisher Scientific）、丹纳赫（Danaher）合作，布局面向Lab in the Loop 的新一代科研基础设施。

上周，谷歌又提出了 VERID（面向药物发现实验室的“已验证”基础设施）框架。它相当于湿实验室的数字孪生，能够持续追踪设备布局、试剂身份、孔板液体体积和移液枪头库存等物理状态；它可以实时更新。这让AI智能体可以在执行前，查询实验室状态、模拟实验流程，检查碰撞或试剂不足等问题，并记录完整的操作轨迹。

这些工作分别从设备接口、数据标准化和物理状态建模等环节入手，试图打通现实科研工作流中彼此割裂的设备、数据与操作流程。

在展示 VERID 的同时，谷歌还公布了 AI 智能体参与适配体设计的闭环实验。在这项研究中，AI智能体经历了三轮“设计—测试—分析”循环，根据真实实验结果调整设计策略，识别并修正非特异性结合等问题。这正是 Lab in the Loop 的一种最小可行形态；而动手操作仪器的机器人，则是这个循环的终极形态。

OpenAI与Anthropic也初步跑通了类似的最小闭环。年初，OpenAI 将 GPT-5 接入合成生物领军企业 Ginkgo Bioworks的自动化实验室，让模型设计实验、分析结果、提出新的假设，并据此规划下一轮实验方案。双方重复这一循环六次，测试了超过36,000种反应组合，将无细胞蛋白质合成的生产成本降低约40%。

Anthropic则与Adaptyv Bio合作，前者提供智能体，后者提供湿实验室，双方的数据通过API直接传递；该公司已经不满足于依赖外部科研机构，主动在旧金山湾区建立自己的湿实验室，发现并验证了一种类似CRISPR的新酶系统。谷歌最近的几场实验，也跑在自己的湿实验室里。

中国创新药过去的追赶，部分建立在高效率的研发执行体系之上。Lab in the Loop 可能稀释这种优势的价值。

如果这类 Lab in the Loop 系统逐渐成熟，部分原本欧美药企交给中国CRO的实验任务，可能被美国前沿AI公司整合进内部或美国的自动化实验室。而且，即使中国CRO企业或许仍能承接实验订单，核心“学习”环节及其价值，也在更多地转移到前沿AI企业手上。

而且，由于在硅谷的Lab in the Loop中，前沿AI能力往往由Anthropic这样的模型厂商提供，可能形成严峻的准入门槛。9月底，Anthropic 与Adaptyv 启动蛋白质设计竞赛，将模型辅助设计与自动化湿实验验证结合起来。但竞赛明确将中国等国家与地区的参与者排除在外，足以提示这是一个值得警惕的问题。

中国并非在Lab in the Loop上完全缺席。本土CRO与CDMO企业，以及创新药企业，也都在积极拥抱AI。真正的挑战，在于本土的前沿AI厂商，长期跟随式创新，一次次追上硅谷已经验证的技术路径，却始终慢了几步。而这几步的差距，可能恰恰就是新范式形成、复利优势开始累积的窗口。