当一个做实验的科学家不再需要自己搭建服务器、写代码跑模型，只需要像和朋友聊天一样描述需求，就能让 AI 完成量子化学计算和分子动力学模拟——这听起来像科幻，但正在变成现实。

一款新药的背后，是十年光阴和数十亿资金的豪赌

制药行业有个残酷的共识：发现一颗能上市的药，平均要花十年以上，烧掉十几亿美元。更扎心的是，绝大多数候选分子在实验室里走到一半就夭折了，前期投入全部打水漂。

这些年，一波又一波 AI 创业公司喊着要「颠覆 drug discovery」。它们确实让研究人员的日子好过了一些——前提是，你本身已经是能写代码、搭环境的计算科学老手。

但问题来了：真正懂分子生物学的实验科学家，未必是计算机高手。于是，一个尴尬的局面出现了——工具越来越强大，但能用好工具的人始终是那一个小圈子。

SandboxAQ 觉得，问题不在模型不够强，而在门槛太高了。这家公司选择了一条不太一样的路：不跟同行卷模型精度，而是让更广泛的科学家群体能够真正「用上」这些模型。

Alphabet 亲儿子出身，手握近十亿美元弹药

说到 SandboxAQ 的背景，确实不容小觑。

这家公司大约五年前从 Google 母公司 Alphabet 分拆出来，现任董事长是 Google 前任 CEO Eric Schmidt。融资方面已经累计拿到超过 9.5 亿美元，业务版图也不小，除了药物研发，还涉足网络安全等领域。

但最让圈内人感兴趣的，是它手里那套叫 LQM（Large Quantitative Model，大型定量模型） 的东西。

不是读文章学出来的模型，是懂物理定律的模型

现在市面上的主流大模型，本质上都是「读万卷书」型选手——在海量文本里找规律，然后生成看起来像那么回事的回答。这个路径写文案、改代码都很溜，但碰到严谨的分子计算就容易露怯。

SandboxAQ 的 LQM 走的是另一条路：它不是从文字里学模式，而是从物理定律出发。换句话说，它懂的是牛顿和薛定谔的语言，不是海明威和莎士比亚。

这套模型能做什么？

• 量子化学计算：预测分子之间的能量变化和电子行为
• 分子动力学模拟：看分子在不同环境下怎么运动、怎么互动
• 微动力学分析：追踪化学反应在分子级别是怎么一步一步展开的

这三项能力串在一起，就构成了一条完整的「虚拟实验室」流水线：候选分子还没进真实实验室，AI 已经能预判它大概率表现如何。这意味着什么？把烧钱又耗时的试错环节，尽量压缩在电脑前完成。

按照 SandboxAQ 官方的说法，LQM 面向的是整个「定量经济」——涵盖生物制药、金融服务、能源、先进材料等领域，总量超过 50 万亿美元。显然，这家公司志不在做一个聊天机器人或编程助手，它瞄准的是 AI 真正该去啃的硬骨头。

跟 Claude 联手，把门槛砍到零

以前想用 SandboxAQ 的 LQM，不是注册个账号那么简单。用户得自己准备计算基础设施，配置环境、部署模型——对没有 IT 背景的研究人员来说，这本身就是一道高墙。

现在不一样了。SandboxAQ 和 Anthropic 达成合作，把自家的科学模型直接接进了 Claude。

这意味着什么？

一个搞材料实验的博士生，或者制药公司的研究员，不需要懂云计算，不需要写一行代码。打开 Claude，用自然语言描述你想研究的分子或者材料，背后的 LQM 就会开始运转，把复杂的物理模拟结果用你能听懂的方式呈现出来。

SandboxAQ 的 AI 模拟业务总经理 Nadia Harhen 把这称为里程碑式的突破：「这是我们第一次在对话式 LLM 上跑前沿的定量科学模型，而且任何人都能用自然语言访问它。」

以前，这套能力是「高配玩家专属」；现在，它变成了「会打字就能用」。

当对手在卷精度，它在卷「谁能用得上」

药物研发 AI 赛道里不缺明星选手。比如 Chai Discovery 和 Isomorphic Labs，都是融资拿到手软、团队星光熠熠的项目。它们的核心逻辑是：把模型做得更准，预测得更好。

SandboxAQ 没有否定这条路，但它选择了一个差异化的切入点——解决「谁能用」的问题。

这个策略背后的逻辑其实很朴素：再好的模型，如果只有 1% 的人能跑起来，那它的社会价值就被锁死了。而一个精度稍逊、但能让 50% 的科学家都用起来的工具，反而可能撬动更大的实际改变。

来看一个简单的对比：

当然，这个对比不等于说后者在所有维度上都「完胜」。对于需要深度定制和底层控制的高级用户，直接调用模型原生的灵活性仍然不可替代。但 SandboxAQ 的赌注是：先把蛋糕做大，让更多人进来，再逐步深化。

谁在用？那些已经被其他软件「伤过」的人

SandboxAQ 的客户画像非常清晰：大型制药公司或工业企业的 计算科学家、研究科学家和实验人员。这些人通常已经在市场上试过一圈现有的软件，结果不太理想——要么模型精度不够，要么算出来的东西在真实世界里一验证就走样。

Nadia Harhen 在采访中直言：「我们的客户之所以来找我们，是因为他们试遍了市面上的其他工具，但问题的复杂程度超出了那些软件的承受范围，导致从数字世界往真实世界『翻译』的时候失败了。」

这正是 LQM 强调「物理 grounded」的意义所在。一个从文本规律里学出来的模型，可能会在某些边缘 case 上给出看起来很合理的答案，但完全违背了化学原理。而基于物理方程和真实实验数据训练的 LQM，至少在底层逻辑上不会犯这种「常识性错误」。

对于这些企业来说，选择 SandboxAQ + Claude 的组合，不只是图一个方便使用的界面，更是在寻找一个能从计算预测平稳过渡到实验验证的可靠桥梁。

药物研发的「ChatGPT 时刻」到了吗？

把强大的科学模型塞进对话式 AI，这件事的象征意义不小。

回想一下，ChatGPT 之所以引爆全球，不是因为它的技术原理有多超前——GPT 系列已经迭代了好几代。真正的质变在于，它把原本藏在 API 文档和代码里的能力，变成了一个 grandmother 都能上手的聊天框。

SandboxAQ 和 Anthropic 的合作，某种程度上是在科学计算领域复刻这个逻辑。量子化学、分子动力学、微动力学——这些曾经需要专业软件和硬件才能触碰的领域，现在可能被一句简单的自然语言请求打开。

当然，距离「人人都能设计新药」还有很长的路。药物研发涉及生物体内复杂的代谢、毒性、免疫反应，单靠分子层面的模拟远远不够。但把最烧钱的早期筛选环节大幅提速降本，本身就是一个巨大的商业价值和社会价值。

更重要的或许是思维方式的转变。当实验科学家不再需要为了跑一个模拟而去恶补 Python 和云计算，当想法和验证之间的摩擦被降到最低——创新的瓶颈就从「技术门槛」转移回了「想象力」。

这也许是这次合作最深远的影响：不是替代科学家，而是让科学家把精力花在真正该花的地方。