AI制药

就在今天，AI 圈又传出几个值得细读的消息。医疗是 AI 最难也最值钱的场景：辅助诊断、药物研发、健康管理都在加速，但合规与责任是最大的门槛。 辅助诊断到了什么阶段？ 辅助诊断已进入临床辅助阶段：影像识别、病历质控、风险预警，定位是「医生的第二双眼」。它辅助决策，不替代责任。把镜头拉远，AI医疗落地 背后其实是需求和供给的双向奔赴。 AI 制药真的提速了吗？ AI 制药在靶点发现、分子生成、临床试验设计上明显提速，周期缩短以年计。但临床验证依然是硬门槛，AI 只是加速器。一个更直白的信号是：愿意为 AI医疗落地 付钱的人正在变多。 医疗 AI 的合规门槛在哪？ 医疗数据合规是最大门槛：隐私、授权、跨境都是红线。医疗 AI 企业比拼的不只是模型，还有合规与信任。值得注意的是，这类变化往往比想象中来得更快。 AI 医疗的慢是必须的慢：数据合规、临床验证、责任界定——每一步都慢，每一步都值钱。 延伸思考 医疗 AI 的从业门槛在「责任界定」：辅助诊断出错的責任在医生还是在系统，必须提前划清。医疗 AI 公司比拼的不只是算法，还有与医院、监管、保险的协作能力。这个行业慢，但每一分积累都是护城河。责任界定的实践：把系统定位写成「辅助工具」而非「决策主体」（医生保留最终决策权）；在协议里写明使用边界与免责条款；建立完整的使用日志（每次辅助建议都有记录可追溯）——三条线做到，责任框架就清晰了；再配合医院端的「医生培训」（让医生理解系统的能力边界与使用方式），降低误用风险；医疗 AI 的信任是「层层盖章」盖出来的：算法验证、临床测试、伦理审查、监管备案，每过一关，壁垒厚一分，急不来，但一旦建成，竞争者极难复制。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

2026年10月22日前后，AI制药赛道连出两条消息：OpenAI收购药物研发协同平台Orchestra Bio，团队与技术并入其生命科学研究平台Rosalind，据报道该平台CTO来自北大（来源：https://hub.baai.ac.cn/?tag_id=14）；同日，前OpenAI首席产品官Kevin Weil联合创立Warp Sciences，由Lightspeed领投2.15亿美元，用AI与机器人加速新药研发（来源：https://hub.baai.ac.cn/?tag_id=101）。一前一后，标志着AI驱动的科学发现正在从「单点工具」升级为「研发组织」。 范式转移到底转移了什么？ 过去谈AI制药，主流叙事是生成新分子：给我靶点，模型吐一批候选结构。但Orchestra Bio被收购的方向恰恰相反——它侧重药企研发全流程的协同管理，而不是分子生成。这说明行业已经过了「指望一个模型包打天下」的阶段，开始把AI嵌进项目管理、实验排期、文献综合、数据沉淀的整条链路。新药研发最贵的不是想出一个分子，而是十年、十亿美金、九次失败。 机器人为什么也进了实验室？ Warp Sciences用AI加机器人的组合，指向的是「自动化湿实验室」：智能体提出假设，机器人做实验、读数、反馈，模型再根据结果迭代。人类科学家从亲手操作中解放出来，变成假设的提出者与结果的裁判。这条路线把「AI研发AI」的逻辑从数字世界延伸到了真实的烧杯与离心机。 离真正的新药还有多远？ 理性的预期是：AI不会一夜之间变出神药，但会显著缩短「找到下一个值得进入临床的候选物」的时间，降低试错成本。蛋白质结构预测已经证明了一次，接下来是因果推理与高通量实验的闭环。对这个赛道，看一年会失望，看五年会吃惊。资本的耐心、实验室的迭代速度与监管的开放程度，三者相乘，才决定这场范式转移真正落地的节奏。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

前 OpenAI 首席产品官 Kevin Weil 离开大模型公司之后，选择去造药了。美东时间 2026 年 10 月 22 日，他联合创立 Warp Sciences，由 Lightspeed 领投 2.15 亿美元，方向是用 AI 与机器人加速新药研发（来源：https://hub.baai.ac.cn/?tag_id=101）。这笔钱的看点不在金额，而在「AI+机器人」这个组合——它意味着最顶尖的产品人认为，下一波生命科学的杠杆点，不在屏幕里跑模型，而在实验室里跑机械臂。 为什么是 AI 加机器人，而不是纯 AI？ 过去十年 AI 制药的主流叙事是「坐在电脑前设计分子」，但真正卡住药企的是实验闭环：你设计出一百个候选分子，谁来合成、谁来测试、谁来把数据喂回模型？机器人实验室把这条流水线自动化之后，模型迭代周期从「月」压到「天」。这和大模型本身的 scaling 逻辑一样——数据飞轮转得越快，智能增长越快。Warp Sciences 赌的是：把机器人化学家当成 GPU 那样的算力单元，药物研发的成本曲线会重演芯片行业的摩尔定律。 顶级产品人入场意味着什么？ Kevin Weil 在 OpenAI 管的是产品化，不是算法。他出来创业，说明 AI 制药的瓶颈已经从「模型够不够聪明」迁移到「工作流够不够顺」。这和软件行业的规律一致——一旦底层能力过剩，竞争就转到产品形态和用户体验上。对生物行业的创业者来说，这是信号：未来五年最值钱的不是再发一篇论文，而是把实验流程拆成可被智能体调度的标准动作。 这对一人公司有什么启发？ 普通人当然开不起机器人实验室，但 Warp 的思路可以小尺度复用：任何一个垂直领域，只要存在「重复实验+数据反馈」的循环，就值得用 AI 加自动化工具把它做成飞轮。比如本地小店的选品、自媒体的选题测试、跨境电商的广告素材迭代——把手工试错变成自动闭环，就是硅基创业的最小单元。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

OpenAI 的触手又伸向了实验室。这一次它收购的不是做新分子生成的明星团队，而是药物研发 AI 协同平台 Orchestra Bio，团队与技术并入生命科学研究平台 Rosalind，CTO 来自北大（来源：https://hub.baai.ac.cn/?tag_id=14）。值得注意的是，这笔收购侧重的是药企研发全流程管理，而非炫技式的新药分子生成。这说明前沿模型公司终于想明白了：制药行业最痛的地方，不是算不出一个候选分子，而是一个药从立项到临床要走十几年、几十亿美金、上百个跨学科团队。 为什么买的是「流程平台」而不是「分子生成器」？ 过去几年 AI 制药的故事，大多围绕生成式模型设计新蛋白、新小分子展开，融资热度高但临床转化慢。药企真正愿意付钱的，其实是研发漏斗里的那些管理黑洞：候选分子怎么排序、实验数据怎么沉淀、跨地区团队怎么对齐、失败案例怎么复用。OpenAI 买 Orchestra Bio，本质是把通用智能体塞进药企的项目管理骨架里。这和 Uber 把 ChatGPT Work 铺给员工是同一个逻辑——智能体的价值不在单点生成，而在跨流程编排。 Rosalind 平台的野心是什么？ OpenAI 内部的生命科学平台 Rosalind，已经不满足于当一个聊天式科研助手。把 Orchestra Bio 并进来之后，它要做的是药企的「硅基 COO」：从靶点选择、实验设计、数据分析到注册申报，每个环节都有智能体盯着。对小 biotech 来说，这意味着未来雇佣一家 AI 公司，等于同时买了 CRO、CDMO 和项目管理办公室。对独立开发者而言，制药垂直工作流的工具链正在被大厂整合，缝隙里的机会在于更小的切片——比如某一种实验仪器的数据自动结构化。 AI 制药的变现路径因此变了吗？ 变了。早期 AI 制药靠「发现一个药、分里程碑款」，周期长、风险高。现在的路径更像 SaaS：把智能体按席位卖给药企研发部门，按使用量收费，现金流立刻可见。这对整个行业是好事——模型公司有稳定收入，药企有可量化 ROI，独立开发者也能围绕这些平台做插件。硅基介入碳基生命科学的方式，正在从「炼金术士」变成「项目经理」。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

Scripps Research官网10月19日前后发布，获得Jen-Hsun and Lori Huang Foundation（黄仁勋夫妇基金会）的重大算力资助，额度超过1400万小时CoreWeave与NVIDIA GPU，用于一项AI驱动的生物医学创新：在数字环境中模拟虚拟生发中心（germinal center）的抗体进化过程，加速疫苗与治疗性抗体的发现。Scripps同时表示将把研究工具开放给更广泛的科研社区。传统抗体研发依赖体外筛选与动物免疫，周期长、成本高，虚拟生发中心在计算环境里复现B细胞突变、克隆选择与亲和成熟的动力学，让研究者在GPU上快速模拟多轮进化，筛选出亲和力高、特异性强的候选抗体。TSN Media等媒体报道了这笔算力对学术机构的意义。与直接给钱不同，按GPU小时计价的捐赠让非营利研究机构得以使用原本只有云厂商能负担的大规模模型训练资源。 虚拟生发中心为什么是AI制药的关键一环？ 抗体在体内的成熟发生在淋巴组织的生发中心：B细胞快速突变，高亲和力克隆被反复选择扩增。把这一过程搬到计算环境，相当于在数字试管里并行跑上万轮进化，缩小湿实验筛选范围。AI负责建模突变与结合力，GPU负责大规模并行模拟，目标是把候选抗体从数年压缩到数月，这对新发传染病疫苗与罕见病治疗尤其重要。 1400万小时GPU具体支持什么研究？ 这批算力不是训练通用大模型，而是服务于抗体结合预测、序列生成与进化模拟的专用模型，可能包含结构预测、亲和力打分、突变库搜索与虚拟筛选。1400万小时是一个大型学术项目级别的资源量，足以支撑反复训练与大规模虚拟实验。资助方为基金会而非商业采购，研究成果与工具开放的承诺也降低了学术机构之间的重复建设。 非营利实验室获得超大算力会改变科研格局吗？ 过去顶尖AI制药算力集中在药企与少数大厂，学术团队常常只能用小规模模型发论文。基金会直接投放GPU小时，让公立研究机构能与企业在同规模计算上竞争。但算力只是入口，抗体设计最终仍需湿实验验证，数字筛选结果不等于临床有效，计算与实验的闭环质量决定产出价值。 黄仁勋夫妇基金会持续押注AI科学意味着什么？ 对NVIDIA生态而言，学术项目是未来工程师与新算法的孵化器；对科研而言，非商业捐赠避开了药企独占成果的风险。虚拟生发中心工具开放后，中小实验室也能参与抗体进化模拟，长期可能压低AI制药的入门门槛，但湿实验产能与监管路径仍决定转化速度。 信息来源与延伸阅读？ Scripps Research garners major support for AI innovations in biomedicine with compute grant - Scripps Scripps Huang GPU hours coverage - TSN Media 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

10月19日，韩国光州科学技术院GIST AI大学院李贤珠教授团队公布AI模型InFo-DRP，用于预测癌细胞对新药的反应。团队基于大规模癌细胞药物反应数据库，与6种现有AI模型对比，在两种严格设定下验证能力。第一种是训练数据中未出现的全部药物，InFo-DRP预测相关系数PCC达到0.617，高于现有最佳水平0.489，提升26.2%；第二种更苛刻，要求候选药与训练药物核心化学骨架完全不重叠，PCC达到0.592，而现有最强模型只有0.436，提升35.8%。研究论文于9月30日发表在IEEE Journal of Biomedical and Health Informatics，10月19日由GIST对外公布成果。 见过的药预测准，为什么没见过的才算真本事？ 多数药物反应模型在训练集分布内表现良好，一旦遇到新化学骨架就大幅退化，因为模型记住的是已知分子的模式而非通用规律。InFo-DRP从药物多种化学特征中筛选有用信息，再与癌细胞基因表达信息联合建模，目标是在新药开发早期缩小候选范围、排定实验优先级。骨架不重叠测试专门用来检验泛化能力，35.8%的提升说明它捕捉到了更底层的结构与响应关系，而非记忆已知样本。 这套模型能替代湿实验吗？ 不能。PCC是相关性而非绝对精度，模型输出的是候选优先级排序，真正的药效、毒性与联合用药反应仍需细胞与动物实验验证。价值在于把海量虚拟分子中可能有效的那一小批先挑出来，降低化合物筛选成本与周期。研究面向的是早期发现阶段，不涉及临床剂量与人体安全性判断。 与主流AI制药路线差异在哪里？ 当下AI制药多聚焦生成新分子结构，InFo-DRP属于反应预测侧，解决的是给定分子后判断癌细胞会不会响应，两者可串联使用。模型把基因表达作为条件信号，意味着同一药物在不同肿瘤亚型上的差异也能纳入预测，这对精准医疗中的分层筛选更直接。 这项成果对临床前管线意味着什么？ 实验室阶段最大的浪费是把资源投到不可能有效的分子上，AI排序能先砍掉低概率候选，让实验集中在高潜力对象。但从GIST团队的学术模型到工业级管线，还需要更大规模多中心数据、可解释性与监管认可，短期内更适合作为研究助手而非决策替代。具体而言，当前训练依赖单一来源的细胞系与化合物数据库，不同实验室培养条件、测量批次与癌细胞系背景差异都会引入分布偏移，模型在独立队列上的稳定性尚未被验证；工业落地还要求给出可追溯的特征权重，让药学家知道模型依据哪些分子片段与基因表达信号做出判断，而不是只交付一个黑盒分数。因此这项成果更适合接入早期筛选流水线做粗排，最终取舍仍由资深研发团队结合实验结果决定。 信息来源与延伸阅读？ 학습하지 않은 신약 후보도 반응 예측，GIST 이현주 교수팀 AI 모델 - 인공지능신문 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

据 Whats the Big Data 10 月 17 日报道（https://whatsthebigdata.com/ai-news/astrazeneca-bets-1-5-billion-on-ai-virtual-human-to-discover-new-heart-and-liver-disease-drugs/ ），阿斯利康与生物技术公司 Insitro 签署总额最高 15 亿美元的合作，用 AI 发现肝病与心脏病新疗法，消息于 10 月 15 日宣布。阿斯利康首付 4000 万美元，若研究达成特定开发与销售里程碑，Insitro 可再获 14.6 亿美元，外加未来药物销售版税，15 亿总额完全取决于项目进展与商业成功。研究聚焦两个方向：代谢功能障碍相关脂肪性肝炎 MASH，一种严重脂肪肝；以及影响心肌的心肌病。 Insitro 的虚拟人平台结合 AI、机器学习与实验室培养的人体细胞研究疾病如何发展，把生物数据与计算机分析结合，帮助科学家理解病因、识别潜在靶点。平台不是对某个人的完整数字复制，而是生物模型、数据与机器学习的组合。分工上，Insitro 用 AI 与实验室研究找候选药物，阿斯利康负责临床开发与后期上市。 首付与里程碑的结构说明谁在担风险？ 4000 万首付对 15 亿总额，比例不到百分之三，意味着绝大多数钱要等到靶点验证、临床推进与销售达标之后才支付。这种结构把早期风险压在 Insitro 一侧，阿斯利康只为已证明的发现付费。对 AI 制药公司，这既是机会也是考验：拿到大合同标题容易，走完里程碑拿到全款的案例过去并不多。 为什么先选 MASH 与心肌病？ 两种病都是患者庞大、现有药物有限、机制复杂的慢性病。MASH 脂肪堆积、炎症与肝损伤严重时发展为肝硬化或肝衰竭；心肌病影响心脏泵血能力、可能走向心衰。这类多因素疾病靠传统单一靶点筛选命中率低，恰恰适合用细胞模型加机器学习穷举变量。虚拟人平台的价值不是直接造药，而是把找靶点这一步的失败率降下来。 AI 制药的叙事到了哪一步？ 过去几年 AI 制药合同金额屡创新高，但真正走到上市的药物寥寥。阿斯利康这笔交易的看点在于它绑定了具体病种与明确里程碑，而不是泛泛的平台合作。对行业观察者，下一个刻度是首批候选分子能否进入临床二期，以及虚拟人平台给出的靶点在真实人体上是否复现动物与细胞结果。在那之前，15 亿只是一张远期支票。 虚拟人与真正的数字人差在哪里？ 报道里特别澄清，平台不是对某个具体病人的完整数字复制，而是用生物模型、细胞实验数据与机器学习搭建的疾病模拟器。这个区分很重要：前者涉及个人隐私与伦理争议，后者是一种体外的计算化病理模型，输入基因型、代谢特征与细胞反应，输出可能的靶点假设。药企买的不是替身，而是一台把实验数据转成候选靶点的推理机器，后续仍然要回到真实细胞与动物实验一步步验证，AI 只负责把候选名单缩短。 药企为什么愿意为早期发现付远期支票？ 传统新药靶点筛选失败率极高，越往后烧钱越猛，把成本前置到计算与细胞阶段，哪怕命中率只提高一点，也能省下后期临床的巨额损耗。15 亿里程碑结构表面上是药企谨慎，实际上是把 AI 平台的报酬与真实验证结果绑定，让它没有动力堆砌漂亮论文。这笔交易对整个 AI 制药行业的参照意义在于：合同金额标题不重要，能走完几个里程碑才是真正的行业温度计。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

据财联社十月十五日报道，临床阶段癌症药物制造商与技术公司 Iambic Therapeutics 已将美国 IPO 价格定在区间中点，以每股 16 美元发行约 938 万股，筹集 1.5 亿美元。此前推介区间为每股 15 至 17 美元。按发行后流通股计算，公司市值约 7.58 亿美元。 这家总部位于圣地亚哥的公司，股东名单里有英伟达。招股材料显示，Iambic 利用 AI 与机器学习技术辅助发现新药物，IPO 募资将主要推进三种尚处早期阶段的候选癌症药物研发。 AI 药企的 IPO 估值锚是什么？ 先算倍数：7.58 亿美元市值对应一家还在临床早期、没有获批产品的公司。这个定价锚不是收入，而是临床管线数量与 AI 平台的故事纯度。参照过去两年 AI 制药公司上市的估值区间，头部平台公司在临床前阶段就能拿到 5 到 10 亿美元市值，Iambic 的定价属于中规中矩。 真正的看点是流动性信号。2026 年以来生物科技 IPO 窗口时开时关，AI 制药公司能以区间中点定价、不折价发行，说明机构买家对「AI 发现药物」这个标签仍愿意付溢价。 英伟达系公司上市潮说明了什么？ 英伟达通过投资臂和生态基金，已经在医疗、工业、机器人领域投了一批公司。Iambic 上市是这条投资链的退出案例之一。对英伟达而言，被投公司上市有双重收益：账面回报兑现，同时向市场证明 GPU 算力在药物研发里的变现能力。 对投资人而言，这也是一个观察窗口：Iambic 的三种候选药都在早期，临床成功概率天然不高。买它的股票，本质上是买「AI 平台会持续产出管线」的期权，而不是买某个具体药物的获批预期。 7.58 亿美元市值撑得住 AI 制药叙事吗？ 理性地看，这个体量的 IPO 不太可能成为板块旗手。真正的大票还在后面：如果头部 AI 制药平台在 2027 年集中递表，Iambic 这种早期案例会被当成定价参照系。 对一级市场创业者，这条新闻的启示是：即使收入微薄，只要管线里有三个以上候选药、股东名单里有硬科技巨头，公开市场依然给出 7 亿美元量级的入场券。退出通道并没有关上，只是门槛从「营收规模」换成了「故事纯度与股东背书」。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论 ...

十月十五日，由英伟达参股的 AI 药企 Iambic Therapeutics 宣布将美股 IPO 定价在区间中点，每股十六美元，发行约九百三十八万股，募资约一点五亿美元。这是 AI 制药赛道今年最重要的公开市场事件之一——它意味着资本市场开始为「AI 设计的肿瘤药」这种新资产定价。 Iambic 到底做什么？ 它是临床阶段公司，主打用 AI 做分子生成与结构预测，再把候选分子推进真实临床试验。和纯软件 AI 公司不同，它手里有真实的管线、真实的人体试验数据。英伟达的参股让它自带算力背书——从结构预测到分子动力学，整个流程跑在 GPU 集群上。 AI 制药为什么现在才 IPO？ 过去几年 AI 制药公司估值反复波动，因为大家发现「AI 能设计分子」和「分子能过二期临床」之间隔着十万八千里。Iambic 走到 IPO，说明它已经有至少一条管线走到了人体试验阶段，开始用真实数据代替 PPT。这是 AI 制药从故事变成生意的分水岭。 接下来要看：招股书里临床进度的真实数据；上市后第一个季度的管线推进节点；以及其他 AI 制药公司（Recursion、Exscientia 之后的新一波）会不会跟进。硅基生物化学的第一块公开市场墓碑，立在了十月十五日。 AI 制药的估值锚点终于从论文变成临床了吗？ 过去 AI 制药公司讲故事靠的是「我们用 AI 设计了多少分子」，资本市场不认。Iambic 能走到 IPO，核心是它手里有临床阶段的管线——这是可以被 FDA 数据验证的东西。这标志着行业的估值锚点在迁移：从「模型能力」迁移到「管线进度」。未来 AI 制药公司的财报会和传统药企越来越像，只是研发费用率高得离谱，因为算力就是新的实验室。 对行业观察者来说，这家公司的招股书会是一份难得的样本——它把 AI 在药物发现各环节的真实渗透率、失败率、成本节省写得清清楚楚。读懂这份文件，就读懂了 AI 制药离真正工业化还有多远。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

硅基速览 9月17日，字节跳动拆分出的AI制药公司完成首轮融资2.9亿美元，估值15亿美元。 同期AI制药赛道密集出手：Anthropic 4亿美元收购Coefficient Bio，Isomorphic Labs完成21亿美元B轮（AI制药史上最大单笔）。 全球科技巨头正在用AI重构药物研发：从靶点发现到临床试验，AI正在把10年10亿美元的开发周期压缩到3年2亿美元。 正文 字节为什么要做AI制药 2026年9月17日，据第一财经报道，字节跳动拆分出一家AI制药公司，完成首轮融资2.9亿美元，估值达15亿美元。这不是字节第一次碰生物科技——2025年字节曾投资过几家AI制药初创公司——但这次是直接下场做药。 科技巨头做AI制药，不是赶时髦。这个赛道有一个根本的商业逻辑：传统药物研发需要10年、耗资10-20亿美元，成功率不到10%。如果AI能把这个周期压缩到3年、成本降到2亿美元、成功率提升到30%，那就是一个万亿级别的市场。 字节的切入点是：利用其在大模型和视频生成上的技术积累，做"蛋白质结构预测+药物分子设计"。简单说，就是让AI理解蛋白质的三维结构，然后设计出能与目标蛋白质结合的小分子药物。这正是DeepMind在AlphaFold上验证过的路线。 AI制药赛道2026年的融资狂热 字节不是唯一一家在AI制药上下重注的公司。据东吴证券统计，2026年这个赛道的融资密集到令人咋舌： Isomorphic Labs（Google DeepMind分拆）：完成A轮6亿美元、B轮21亿美元（AI制药史上最大单笔），并与礼来（最高17.45亿美元）、诺华（最高12.375亿美元）达成大额BD合作。 Anthropic：2026年4月以约4亿美元收购成立仅8个月的AI制药初创Coefficient Bio，启动自主药物研发项目。超过3万名BMS研发人员接入Claude用于药物研发。 NVIDIA：一年内投资了8家AI生科公司，把AI制药作为其"物理AI"战略的重要组成部分。 字节跳动：60亿元建设AI原生生物计算平台。 这个赛道的融资密度，已经超过了2024年的AI编程赛道。 两种路线之争：平台派vs管线派 AI制药公司目前分成两条路线，字节这次拆分走的是哪一条？ 平台派：为药企提供AI工具，帮药企自己做药。这种模式轻资产、收入可预测，但利润率受限于药企的IT预算。 管线派：自己下场做药，承担管线失败的风险，但一旦成功，回报是10倍百倍。Anthropic收购Coefficient Bio、Isomorphic Labs自己推进药物管线，都是这条路线。 字节拆分的AI制药公司选择了管线路线——自己做药，承担风险。这意味着它需要建立完整的药物研发管线：靶点发现、分子设计、临床前验证、临床试验。这比做工具难得多，但回报也大得多。 AI制药的技术突破点在哪里 硅基视角拆解一下，AI制药到底解决了什么问题： 靶点发现：传统药物研发需要科学家从海量生物文献中人工挖掘可能的药物靶点，这个过程需要数年。AI可以分析蛋白质相互作用网络、基因表达数据、临床试验结果，在几周内识别出高潜力靶点。Isomorphic Labs在这方面已经有多个靶点进入临床前阶段。 分子设计：找到靶点后，需要设计出能与靶点结合的小分子。传统方法是"高通量筛选"——在实验室里测试数百万个化合物。AI可以直接生成符合分子结构要求的候选化合物，把筛选量从百万级降到千级。 临床试验优化：AI可以分析患者基因数据、电子病历、试验记录，优化临床试验的患者招募和试验设计，把临床试验周期缩短30-50%。 硅基AGI社区在论坛silicon-agi.com上有不少生物信息学背景的开发者在讨论AI制药的技术细节，从AlphaFold 3到蛋白质语言模型，讨论非常专业。 硅基点评 字节拆分AI制药公司，标志着中国科技巨头正式加入全球AI制药竞赛。这个赛道的特点是：技术壁垒极高、周期极长、失败率极高，但一旦成功回报极大。它不是一个适合独立创业者的方向——你需要数十亿资金、数百名生物学家和化学家、十年以上的耐心。 但硅基视角也要指出：AI制药的"应用层"有很多机会。不是只有自己做药才能赚钱，为药企提供AI工具（分子设计平台、临床试验优化、电子病历分析）、为CRO提供自动化流程、为医院提供AI辅助诊断——这些都是在巨头够不着的细分场景里赚钱的机会。关键是你要真正懂行业痛点，而不是只懂AI技术。 本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com