

> 当代码生成的泡沫触碰生物大分子的真实物理定律，制药产业的残酷周期正在无情刺破通用模型的全能神话。

Anthropic与字节跳动近期相继披露重注AI制药赛道的布局，资本与媒体迅速将其包装为继AI写代码之后的下一个爆发级商业风口。然而，用解决形式化代码的成功经验去生搬硬套复杂生物系统，充其量是科技互联网资本在应用场景匮乏时制造的又一场集体幻觉。生物体不是由确定性逻辑构建的操作系统，AI制药所面临的不是参数规模不足，而是生命科学底层机理与湿实验数据的不可穿透性。

## 代码逻辑的确定性无法降维打击生命科学

**维度灾难迷思**　生成式AI在编程领域的势如破竹，归功于计算机语言拥有严格的形式化规范和近乎零成本的运行测试环境，编译器可以在微秒级时间内判定代码的对错。而生物医药面对的是蛋白质动态构象折叠、多靶点非特异性结合以及复杂的细胞微环境代谢，这些体系处于高维且不可逆的非平衡态物理学系统中，靠海量文本概率推演出来的分子结构，在真实的细胞测试中绝大多数都会沦为无效的死分子。

**数据黑洞困局**　科技巨头公关稿件中高调宣称的“数亿级化合物库”，其背后充斥着严重的负样本缺失与分布偏移。学术界和药企在漫长研发史上沉淀下来的，绝大多数是经过粉饰的成功实验数据，而海量具有核心认知价值的失败数据早已被封存于物理垃圾箱。通用大模型在这一严重失真且极其稀疏的数据集上进行预训练，其拟合出的生物活性预测曲线往往只是虚妄的统计学幻象。
![42.jpg](https://static.downly.cn/images/1379e9594fd7cd742dfa6e1c53ed05a8.jpg)
<center>图源备注 图片由AI生成</center>

## 资本退潮后的算力泡沫与药企真实防御

**管线清退与周期审判**　医药研发拥有严格且不可跳跃的客观物理周期，从靶点发现到三期临床试验，任何模型生成的候选分子都必须经受长达数年乃至十数年的活体安全性验证。当首批由所谓大模型辅助设计的分子在临床二期有效性测试中大面积折戟时，被科技叙事推高的生物计算独角兽将迎来惨烈的流动性骤缩，华尔街终将意识到算力无法直接置换细胞的代谢周期。

**药企数据孤岛的绝对封闭**　互联网巨头习惯了凭借爬虫和平台垄断攫取通用数据，但在生物制药领域，跨国药企对核心临床管线和患者生物样本的保护堪称最高防线。巨头模型公司缺乏真正高质量的专有湿实验验证闭环，充其量只能在产业链最边缘的外包筛选环节承接部分低附加值算力服务，根本无法撬动传统医药巨头的核心研发护城河。

![43.jpg](https://static.downly.cn/images/49291d413062334de5011615762af4f0.jpg)
<center>图源备注 图片由AI生成</center>

AI能够成为辅助药物化学家探索化学空间的优良算盘，但试图用几篇华丽的算法论文宣告攻克制药全流程，不过是互联网资本又一次对自然规律傲慢的过度透支。

大模型扎堆AI制药冷思考 算力繁荣背后的生物黑盒与数据断层



> 刚刚斩获诺贝尔奖的AlphaFold缔造者结束九年谷歌生涯跳槽Anthropic，这场顶级人事震荡暴露了AI巨头在生命科学领域的底层商业角力与差异化竞争图谋。

## 拆解跳槽动机　大厂体制与前沿创新的博弈

在硅谷波诡云谲的AI人才争夺战中，John Jumper的离职无疑是一枚重磅炸弹。作为在Google DeepMind深耕九年、一手缔造了AlphaFold这一划时代产品并刚刚折桂2024年诺贝尔化学奖的灵魂人物，他的离开绝不仅是个人职业生涯的常规跳槽。

这一人事震荡发生在谷歌Gemini核心大脑Noam Shazeer转投OpenAI的几天之后。高密度的人才流失，赤裸裸地暴露了谷歌庞大官僚体制在应对敏捷AI创新时的无力感。即便DeepMind的CEO Demis Hassabis给予了高度赞扬，也无法掩盖一个残酷的事实　在算力被集中用于保卫搜索引擎基本盘和追赶OpenAI通用大模型进度的当下，像Jumper这样专注于将AI应用于极致科学探索的顶尖极客，正在谷歌内部面临优先级被边缘化的隐力。他们需要更纯粹、更灵活且没有大公司部门倾轧的土壤。

![32.png](https://static.downly.cn/images/7229310298c2cc167c07ddd4e1171fe9.png) <center>图源备注 图片由AI生成</center>

## 算力换商业壁垒　Anthropic的差异化超车路线

对于接盘方Anthropic而言，招募Jumper绝非只为了给自家研究团队装点门面，而是其深谋远虑的商业护城河构建策略。在通用大模型（AGI）的正面战场上，面对拥有微软无限算力支持的OpenAI，Anthropic如果仅靠“安全对齐”这一张牌，很难在长期的商业变现中持续获得资本市场的青睐。

引入Jumper，意味着Anthropic正在将重兵投向另一个潜力无限的吸金巨兽领域　AI for Science（人工智能驱动科学计算），尤其是极具暴利属性的生物制药与基因工程赛道。AlphaFold已经证明了AI预测两亿多种蛋白质结构的能力，这对于新药研发是颠覆性的提效。Anthropic意图利用其强大的基础模型能力，结合Jumper在生物计算领域的顶级认知，打造出一套针对医疗、制药和生命科学的特种大模型矩阵。这不仅能避开与OpenAI在C端市场的惨烈红海绞杀，更能直接敲开辉瑞、强生等财大气粗的跨国药企的钱袋子。

![33.png](https://static.downly.cn/images/f8f93bbfced2ab23af8f5effb8b8435e.png) <center>图源备注 图片由AI生成</center>

## 动了谁的蛋糕　行业棋盘的连锁反应

这场人事变动动摇了深层行业的利益格局。谷歌不仅失去了一张能在科技史留名的王牌，其在生命科学AI领域的绝对垄断地位也开始松动。未来，AI制药领域的竞争将不再是单纯的算力竞赛，而是“通用认知大模型”与“垂直领域顶尖Know-How”的结合能力之争。Anthropic的一步险棋，已经正式宣告了AI下半场的商业主战场，正从写诗写代码的文娱体验，向重塑人类生命健康边界的硬核产业疾驰而去。

诺奖得主出走折射谷歌人才阵痛 Anthropic的科学计算野心



> 阿里联合开源的LOGOS模型抛弃了传统复杂的3D几何坐标，用纯序列建模完成了对跨领域科学对象的统一编码，仅凭1B参数量便实现了对微软等超大参数模型的技术降维打击。

## 告别3D坐标迷宫　语言模型的降维突破

在过去几年的人工智能驱动科学（AI for Science）浪潮中，研究人员陷入了一个思维定势　如果要让机器理解蛋白质的折叠或小分子的结合，就必须喂给它极其复杂的3D空间坐标，并依赖庞大且耗时的几何神经网络来处理。这种基于几何空间的显式计算，不仅消耗了惊人的算力，更让不同模态的科学对象之间形成了“生殖隔离”。

阿里ATH-Token Foundry联合中国人民大学高瓴人工智能学院开源的LOGOS（Language Of Generative Objects in Science），给出了一种极具极客精神的解法。它完全抛弃了3D坐标输入，发明了一套共享词表的“文字描述法”。无论是蛋白质序列、抗体还是小分子材料，全部被强行“拍扁”，编码成统一的离散Token序列。这就好比将原本需要用三维全息投影才能看懂的建筑图纸，翻译成了一本盲人也能摸读的盲文书籍。大模型只需在同一个生成空间中“自回归”地阅读这些序列，就能在计算的内隐空间中重构出复杂的3D互作规律。

![12.png](https://static.downly.cn/images/872b315aa9d7925df743a77784086fa3.png) <center>图源备注 图片由AI生成</center>

## 消除学用脱节　1B参数逆袭的核心逻辑

这种架构上的重塑，直接带来了算力分配逻辑的革命。过去，模型在预训练时学习的知识，和它在下游实际应用时面对的任务存在严重的“目标偏差”。换一个研究环节，往往就需要重新微调甚至更换模型架构，导致沉没成本极高。

LOGOS的精妙之处在于实现了形式与目标的绝对对齐。预训练数据的序列形式完全等同于下游任务的输入输出，模型在预训练时预测下一个词（Next-token prediction）的动作，就是它在下游进行条件生成时的动作。这种底层知识共享机制，让科学对象之间实现了语言相通。当模型阅读氨基酸序列时，能够直接关联并生成对应的小分子结构。

技术红利直接体现在了参数效率上。参数规模仅为1B的LOGOS，在面对微软采用混合专家架构且参数量庞大得多（8x7B）的NatureLM时，不仅在六大代表性科学任务上毫不逊色，甚至在多项指标上实现了超越。这证明了在科学大模型的赛道上，寻找正确的数据表征语法，比盲目堆砌算力规模要有效得多。

![13.png](https://static.downly.cn/images/08a7f1449bae61e70386de087bdae879.png) <center>图源备注 图片由AI生成</center>

## 开源生态的涟漪效应预判

LOGOS毫无保留地开源模型权重与推理代码，将对整个AI制药与材料科学领域的下游开发者产生深远影响。过去，中小规模的实验室想要进行大分子互作研究，往往会被几何大模型高昂的推理成本劝退。如今，仅需几分之一的算力成本，就能在普通显卡上运行这一纯序列生成的科学基础模型。它不仅降低了计算生物学的入门门槛，更预示着未来所有的多模态科学难题，都可能被大语言模型这把万能钥匙统一拆解。

阿里开源科学大模型LOGOS 以统一语法重构生物计算范式



> 导语：在AI驱动药物研发的赛道上，由OpenAI支持的生物技术初创公司Chai Discovery强势崛起，周一宣布完成1.3亿美元B轮融资，投后估值达13亿美元。本轮由General Catalyst和Oak HC/FT领投，Glade Brook与Emerson Collective新晋入局，原股东OpenAI、Thrive Capital等持续加码，使其自2024年成立以来的总融资额突破2.25亿美元。

## 打造分子领域的CAD套件

Chai Discovery的核心使命极具野心，旨在打造“分子领域的计算机辅助设计套件”。公司并非简单改造现有药物结构，而是聚焦于利用基础大模型预测生物分子间的相互作用，从而从头设计具有治疗潜力的全新药物分子。

今年推出的Chai2模型在行业内引起了不小的轰动。该模型在从零构建定制化抗体方面取得了显著突破，其成功率远超传统方法。尤其是在针对此前被认为“不可成药”的靶点设计上，Chai2展现出了独特的优势，为药物研发开辟了新的可能性。

## 技术基因源自OpenAI与Meta

公司的技术路线与其创始团队的背景密不可分。联合创始人兼CEO Josh Meier在声明中强调，他们的最新模型能够设计出具备真实药物所需理化与生物特性的分子，并攻克那些长期无法触及的高难度靶点。

Meier拥有深厚的AI背景，曾在OpenAI从事研究工作，后加入Meta负责机器学习工程。这种技术基因深深融入了Chai的发展脉络，使其能够迅速将前沿算法应用于生物学难题。

![Google_AI_Studio_2025-12-16T02_30_56.844Z.png](https://static.downly.cn/images/37b9f73ca37829ac82487b6315f6cac0.png)

<div align="center">图源备注：图片由AI生成</div>

## AI原生制药时代的定义者

Chai的快速成长是当前AI制药浪潮的一个缩影。传统药物研发周期长、成本高且失败率大，而AI有望将这一过程从“试错实验”转变为“精准设计”。Chai所押注的“基础模型+分子科学”范式，正吸引全球资本与顶尖人才涌入。

随着Chai2模型投入应用，这家成立仅一年多的公司已从理论验证迈向实际药物发现。在OpenAI生态与顶级风投的双重助推下，Chai Discovery不仅估值飙升，更可能成为AI原生制药时代的定义者之一，用算法重新书写新药研发的规则。

搜索结果: AI制药