2026 年 6 月 19 日，John Jumper 宣布离开任职近九年的 Google DeepMind，将在短暂休整后加入 Anthropic。DeepMind CEO Demis Hassabis 随后公开致谢，肯定了 Jumper 在 AlphaFold 及 AI for Science 领域的卓越贡献。
Jumper 作为 AlphaFold 的共同创造者及 2024 年诺贝尔化学奖得主，其成果已预测超过 2 亿个蛋白质结构，被全球 200 多万研究者使用。AlphaFold 的成功标志着 DeepMind 从游戏 AI 实验室正式转型为具备科学发现能力的机构。
就在前一日，Transformer 架构奠基人之一 Noam Shazeer 也宣布离开 Google 加入 OpenAI。一周之内，Google DeepMind 连续失去两位标志性人物。透过人事变动观察行业趋势，从 DeepMind 到 Anthropic 再到 OpenAI，三大前沿 AI 实验室正不约而同地将战略重心押注于同一方向：生命科学。
三大巨头的生命科学布局
Anthropic：深度嵌入与闭环建设
Anthropic 的动作最为密集。2025 年 10 月，其推出 Claude for Life Sciences，覆盖文献综述、实验设计及临床文档等任务；2026 年初进一步扩展至医疗服务场景。随后，Anthropic 将战略从“行业版本模型”推向深层能力建设。
2026 年 4 月，Anthropic 以约 4 亿美元收购成立仅数月的 AI 生物技术公司 Coefficient Bio。尽管团队不足 10 人，但其核心成员来自 Genentech 的计算生物学团队，拥有珍贵的药物研发经验。此后，Anthropic 开始自建湿实验室，旨在将研发周期压缩十倍，并邀请诺华 CEO 加入董事会。
6 月 9 日发布的 Claude Fable 5 将生命科学能力作为核心卖点。其底层 Mythos 5 模型在药物设计任务中速度提升约 10 倍，不仅独立完成了基因治疗研究，还在基因组学领域提出了经实验验证的新假说。Jumper 的加入，进一步强化了这一战略布局。
OpenAI：垂直模型与合作网络
OpenAI 采取了不同的路径，侧重于铺设合作网络和开发垂直模型。2026 年 4 月，OpenAI 发布面向生命科学研究的推理模型 GPT-Rosalind，支持假设生成与实验设计，并通过 Codex 接入专业工具库。6 月，该模型升级整合了 GPT-5.5 的 Agentic Coding 能力，发布生命科学研究与 NGS 分析插件，实现了从检索证据到执行生物信息学流程的全链条自动化。
同时，OpenAI Foundation 宣布未来一年将至少投入 10 亿美元用于生命科学领域，重点关注阿尔茨海默症及公共健康数据集。正如 OpenAI 高管 Kevin Weil 所言："2026 年的 AI for Science，将复刻 2025 年 AI for Software Engineering 的成功路径。”科学研究，尤其是生命科学，正成为继编程助手后的下一个高价值工作流。
DeepMind/Isomorphic Labs：独立管线与闭源引擎
图丨Isomorphic Labs 团队（来源：Isomorphic Labs）
DeepMind 孵化的 Isomorphic Labs 选择了第三条路：拆分为独立的 AI 药物发现公司，直接推进临床管线。2026 年 2 月，该公司展示了 Drug Design Engine（IsoDDE），被外界视为接近"AlphaFold 4"级别的进展。与 AlphaFold 的开源路线不同，IsoDDE 专注于蛋白 - 配体相互作用等产业应用问题，采用闭源模式。
Isomorphic Labs 累计融资约 27 亿美元，并与礼来、诺华等药企达成潜在总额近 30 亿美元的合作。尽管临床启动时间略有延后，公司仍计划在 2026 年底前启动第一批临床试验。
综上所述，三家巨头路径各异：Anthropic 致力于将生物能力嵌入通用大模型并构建实验闭环；OpenAI 聚焦垂直模型与工具生态；DeepMind 则通过独立实体深耕自有管线。但目标高度一致：将生命科学确立为软件工程之后的下一个核心战场。
爆发背后的驱动力
临床验证与监管松绑
最直接的推动力在于 AI 设计的药物开始在人体试验中产出结果。2025 年 6 月，英矽智能的 rentosertib 在特发性肺纤维化 IIa 期临床试验中获得积极结果，相关论文发表于《Nature Medicine》。这标志着"AI 能否真正发现药物”从理论探讨迈向了临床实证阶段。
图丨相关论文（来源：Nature Medicine）
此外，AlphaFold 获诺贝尔奖确立了 AI for Science 的学术地位，而 FDA 在 2025 年逐步取消单克隆抗体动物实验要求，鼓励 AI 模型替代，从监管层面打开了新的通道。
数据积累与 Agent 能力跃升
数据侧的变革同样关键。单细胞图谱、空间转录组学等多组学数据的快速积累，为模型训练提供了丰富素材。生物学正从“数据稀缺的湿实验学科”转变为适合自动化闭环的领域。
Agentic AI 的发展让模型从“问答助手”进化为“执行者”。能够自主设计实验、读取数据、修正方案并连接湿实验验证的模型，正在重塑科研流程。无论是 Claude Mythos 5、GPT-Rosalind 还是 IsoDDE，本质上都在将模型嵌入科学工作的执行链条。
商业逻辑与专利悬崖
商业层面，制药行业面临巨大的效率提升空间与迫切需求。麦肯锡估算，生成式 AI 每年可为制药业释放 600 亿至 1100 亿美元价值；BCG 认为 AI 可将临床前发现时间缩短 30%-50%。与此同时，2026 至 2030 年间多款重磅药物专利到期，药企急需利用 AI 快速补充管线以应对收入风险。
泡沫还是革命？
尽管前景广阔，但冷静审视可见，AI 药物发现的临床成功案例依然稀缺。Recursion、BenevolentAI 及 Exscientia 等先行者均经历过管线收缩或临床失败。目前的成功更多是个案突破，尚未形成系统性提高成功率的产业规律。
高估值背后反映的是对稀缺性的溢价。Isomorphic Labs 被视为最接近"AI 原生药企”的实体，而 Jumper 加盟 Anthropic 则意在打造可信的第二极。三大巨头入场后，其长期角色定位——是卖工具、做管线还是收平台税——仍需时间验证。
Anthropic CEO Dario Amodei 曾提出“压缩的 21 世纪”愿景，即 AI 有望将生物学百年的进展压缩至 5 到 10 年。如今，通过收购团队、建设湿实验室、引入顶尖人才，Anthropic 正一步步践行这一路线图。Jumper 的选择也表明，他更倾向于在通用基础模型中内建生物学研究能力，而非单纯经营一家 AI 药企。
这条路线充满挑战。生命科学容错率极低，且伴随生物安全风险。Anthropic 在模型能力与安全管控之间走钢丝的策略，或许正是吸引 Jumper 这类深知技术两面性科学家的关键。
归根结底，生命科学对 AI 的要求远超代码生成或客服对话。它要求模型处理真实世界的物理约束，进行因果推理，并接受湿实验的严格验证。生命科学不仅是 AI 的下一个大市场，更是检验前沿 AI 成色的硬核考场。谁能在此跑通闭环，谁就证明了其模型在真实世界产生可验证结果的能力。
DeepTech深科技