2026年6月30日，Anthropic在旧金山开了一场发布会。没有发布新模型，发布的是一个叫Claude Science的科研工作台——能把六十多个生物学数据库、基因组学工具包、蛋白质结构分析工具整合到一个界面里，让科学家不用在十几个网页和软件之间来回切换。哈佛大学物理学家Matthew Schwartz测试后给出的评价是：在文献整合与假设生成层面，科研能力大约相当于一名研二学生。这条新闻本身已经够大了。更大的消息在后面：Anthropic宣布，自己也要做药。一个AI公司，不做搜索、不做编程，跳进制药这个上百年历史、又贵又慢的行业。它到底想干什么？

Anthropic和Google DeepMind，这两家全球AI领域最具代表性的公司，几乎在同一时间把生命科学推到了战略核心位置。一个推出Claude Science，一个持续推进AlphaFold与Isomorphic Labs。它们押注的，不只是AI医疗，而是AI能力真正进入现实世界最复杂、最昂贵、也最难验证的行业。

我想回答一个更根本的问题："AI做药这件事，到底有几种做法？它们之间有什么本质区别？"这不是一个学术问题。理解了这个区别，你才能看懂为什么有的AI公司只卖工具、有的AI公司自己造药，以及——哪条路更可能走通。

一、只有两种基本思路

如果把今天的AI制药行业拆开来看，其实只有两种最基本的思路：一种是"药企用AI做药"；另一种是"AI公司自己做药"。看起来只有几个字的区别，本质却完全不同。传统药企把AI当研发工具，而AI公司把药物研发当成训练AI能力的一部分。一个追求的是研发效率，一个追求的是模型能力。

第二种，"引擎派"，AI自己就是做药的核心。以英矽智能为代表的AI原生药企走的是另一条路，它的"生成式AI平台Pharma.AI"能将临床前研发周期从传统方法的数年大幅压缩，合成分子数量也显著缩减。2025年，它的AI驱动药物Rentosertib的IIa期临床结果登上了《自然·医学》——这是一个标志性事件，说明AI设计的候选药物已经能够进入临床验证，并取得积极的IIa期结果。

这两种模式已经在市场上共存了很多年。现在Anthropic横插一脚，用一个"科研工作台"大摇大摆走进来——而且它既不是工具派也不是引擎派。它是第三派："通用层派"。它不是像英矽智能那样自己做AI药物发现平台，也不是像恒瑞那样把AI插入现有研发流程。它的做法是：做一个连接所有科研工具的通用工作台，让科学家用它来做任何事——包括但不限于药物研发。Anthropic真正想做的，并不是再造一家AI制药公司，而是希望成为科研工作的入口。它希望未来科学家打开电脑以后，不是先打开数据库，而是先打开Claude Science。

生命科学负责人Eric Kauderer-Abrams说得很直白：Claude Science与Claude Code是并列关系。Claude Code已经成为软件开发领域的通用层，全球程序员用它来写代码、调试、部署。Anthropic想把同样的模式复制到科学研究里。这个策略放到AI制药的棋盘上，就变成了三条清晰的路径。

工具派只参与局部步骤——靶点筛选、分子优化——不决定"研究什么"。引擎派参与全流程生成，但决策权到临床前阶段为止。通用层想控制的是科研入口和工作流调度权：谁来用、用什么工具、怎么跑流程。

三家的赌注完全不同，更深一层看，三类模式面对的甚至不是同一个问题。工具派解决的是"效率问题"——能不能更快？引擎派解决的是"生成问题"——能不能找到人类想不到的药？而通用层面对的是"如何定义可验证性本身"——AI给出的结论，怎么被检验？实验室验证，还是算法交叉验证？

Google选择赌"模型本身"——只要AlphaFold持续进化，所有AI制药公司都得依赖它。OpenAI选择赌"垂直准入"——把最强的生物推理模型锁在企业级客户里，高门槛高利润。Anthropic选择赌"工具杠杆"——用最轻的方式铺到最多科学家手里，跑通规模后再自己下场验证。

哪条路最聪明？现在说还太早。但有一件事是确定的：Anthropic做了这三家里最聪明的一个动作——收购。

二、4亿美元买了一个信号

今年4月，Anthropic用全股票交易的方式收购了一家成立不到一年、员工不到十人的AI biotech初创公司——Coefficient Bio，金额约4亿美元。这是Anthropic历史上第一笔重大收购。两位联合创始人都来自Genentech内部的机器学习药物发现团队。

为什么这件事很重要？因为工具卖不卖得动，取决于卖工具的人有没有自己用过。

Eric Kauderer-Abrams在接受采访时抛出的理由是："Anthropic顶着公益法人帽子，可以做传统药企不愿意碰的被忽视疾病。"这话有道理，但不是全部。其中一个更现实的商业逻辑是：一家自己没做过药的AI公司，去向礼来、诺华推销制药工具，说服力天然打折扣。但一旦自己的团队用Claude Science把一个靶点从想法推进到临床候选物，这个故事讲给药企听，分量完全不同。这就是Coefficient Bio存在的意义——不是在实验室里做几个分子，而是让Anthropic拿到"我也做过药"的入场券。

三、但两边都有自己的"阿喀琉斯之踵"

传统药企用AI，最大的瓶颈不是技术，是"人"。

行业内的人都清楚，药企研发由首席科学家（Bio-boss）说了算。他们中的很多人很难信任一个黑盒AI给出的颠覆性建议。IT团队在药企内部往往属于辅助部门，缺乏话语权。AI的潜力被传统冗长的审批和决策流程严重稀释。用一个形象的比喻来说：把F1引擎装进马车，速度也快不到哪去。

AI原生药企的瓶颈则是另一个维度。英矽智能在临床前阶段的巨大速度优势，是实实在在的事实。但是——"算法再快"，也无法加速生物学上细胞培养、动物实验和人体临床所需的时间。当AI设计的分子进到临床阶段，面对人体毒性、临床招募和监管审批这些"脏活累活"时，AI公司的算力优势就撞上了一堵非常坚实的墙。这里说的"AI主导研发"，指的是从靶点发现到先导化合物确认全程由AI推动。按这个标准，截止到2026年年中，全球确实还没有一个获得监管批准上市的案例。

更深刻的挑战来自AI能力的边界。Xaira Therapeutics的CEO Marc Tessier-Lavigne在最近一次行业会议上梳理了AI制药的进展：2023年实现从头设计全新蛋白质，2024年实现从头设计全新抗体，2026年可以针对大部分测试靶点产出高亲和力抗体——虽然进展神速，但他仍然给出了一个冷静的判断："一点击按键，就有满足需求的候选药物出来？不现实。"

Anthropic的Kauderer-Abrams也承认了另一个根本性困难：绝大多数生物学研究不存在唯一标准答案。这和代码完全不同，代码是有"对错"的——程序跑通了就是对，跑不通就是错。但生物学没有这个属性，团队不得不构建从生物学数据中提取训练问题的全新方法，这些数据凝聚了行业专家的共识，但缺乏绝对的标准答案。这也是Anthropic自建湿实验室、自己做实验产生数据的原因——已发表文献得不到真实反馈，自主实验数据才能形成持续校正的闭环。

四、但真实世界不是三分法，而是融合系统

如果只看以上两条线，会以为这是一个"谁取代谁"的故事。但2026年最真实的趋势是融合，不是替代。

传统药企在向AI靠拢。石药集团已经能用自建的AI平台与阿斯利康达成53.3亿美元的合作——它不再只是"买AI工具"，而是自己有了AI能力。AI公司也在向传统药企的领地渗透。英矽智能已有七项资产授权给制药公司，管线开发业务收入占比超过42%；晶泰科技的自动化机器人每月产生超过20万条反应数据，建立了从实验到数据的闭环——这种"湿实验+干算法"的融合壁垒，是纯API公司复制不了的。

晶泰科技的案例值得多说一句。它的自动化实验室每月产生的20万条反应数据中，不仅包含成功案例，更重要的是大量"失败的负样本"——这是AlphaFold这类纯软件公司最缺的东西。负样本对于AI训练的价值不亚于正样本，但绝大多数AI模型接触不到。这种"实验-数据-模型迭代"的正向循环，形成了纯算法能力无法逾越的壁垒。

很多人以为，两种模式只是AI参与多少的问题。

其实真正的区别是目标不同。

传统药企研发药物，是为了获得一种新药；AI公司研发药物，则希望借这个过程不断训练模型。

对于前者来说，AI服务于药物；对于后者来说，药物研发本身，也是AI学习的一部分。

未来的行业领跑者，必然是能把生物学深厚积淀和计算能力深度融合的企业。它不是"传统药企"，也不是"AI公司"，而是一个新的物种。

结语

回到开头的问题："AI公司自己做药"和"传统药企用AI做药"，到底有什么区别？

表面看，两者都在做AI制药。本质上，它们回答的是两个完全不同的问题。传统药企关心的是：怎样更快研发出一款药。AI公司关心的是：怎样通过研发药物，让AI真正学会做药。一个把AI当工具。一个把药物研发当作训练AI的方法。

当越来越多AI公司开始建设湿实验室、积累真实实验数据、建立自己的研发闭环，这两条道路也正在慢慢汇合。未来真正领先的企业，很可能既不是传统药企，也不是纯AI公司，而是一种能够同时理解生物学和计算科学的新物种。

AI医疗 · 用最笨的方法做最扎实的内容

本文不构成任何投资建议或医疗建议。