Isomorphic Labs

10 月 7 日，由扎克伯格与普莉希拉·陈支持创立的非营利科研机构 Biohub 宣布进一步扩大「虚拟生物学计划」（Virtual Biology Initiative）。据 DeepTech 等报道，该计划将联合美国能源部（DOE）、美国国立卫生研究院（NIH）、Google DeepMind、Isomorphic Labs、Meta 等机构，汇集总计约 18 亿美元的资金、数据与算力，为 AI 生物学搭建公共的数据底座。 为什么是「数据底座」而不是又一个模型 AI for Science 跑了几年，行业逐渐形成一个共识：卡脖子的往往不是模型不够强，而是高质量、机器可读的生物数据太少、太碎。蛋白质结构预测之所以轰动，前提是有了大规模结构与序列数据；想再往药物、细胞、疾病机理走一步，缺的正是这样一层公共数据基础设施。 虚拟生物学计划的思路，是把分散在各机构的生物学实验数据标准化、打通，让 AI 模型在上面做可复现的预测与发现。这更像给后来者修一条公共高速，而不是某一家自己造一辆跑车。 过去几年，各家实验室各存各的数据，格式不统一、样本不对齐，AI 模型学出来的结论很难互相复现。这个计划想解决的，正是这个最基础也最磨人的问题。 为什么这些对手愿意坐到一桌 Google DeepMind（AlphaFold、Isomorphic Labs 团队）、Meta（FAIR 的基础模型）本是模型竞赛的对手，却愿意参与同一个数据计划。原因很现实：没有共享数据层，各家都在重复造轮子、用低质数据内卷；而生物学的公共价值，足够大到让竞争先让步于协作。 判断 18 亿美元买的不是立竿见影的新药，而是未来十年 AI 驱动生物学的「公共主干道」。对科研界，这是把 AI for Science 从单点突破推向平台化的关键一步；对产业，谁能在这层数据底座上先长出可落地的模型，谁就拿到下一轮药物研发的入场券。真正的成果不会明年就见效，但方向已经明确。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：虚拟生物学计划 💬 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