大数跨境

AI 巨头正在「接管」 药物发现?

AI 巨头正在「接管」 药物发现? AI4Peptide
2026-11-16
0
导读:AI 制药观察 · 2026 年秋 · 平台格局AI 巨头正在「接管」药物发现?
AI 制药观察 · 2026 年秋 · 平台格局
AI 巨头正在「接管」
药物发现?

从 3–5 年到 1 年、950 个智能体、6 周拿到湿实验结果
资本与平台一起冲进实验室,临床转化仍是瓶颈
面向:制药 / AI 制药从业者 · 实验室自动化与 CRO · 医疗投资与研究管理
AI 制药智能体平台湿实验闭环2026 平台格局
2026 年秋天,AI 公司集体往药物发现里挤:一边是几百亿美元的融资传闻,一边是自家湿实验室开门。

热闹之外,更值得问的是——到底哪一段真的变快了,哪一段还在按老节奏走。下面用八组判断来拆:每组后面都跟着能查证的数字、机构名和当事人原话;属于我的归纳、或目前仍存疑的地方,单独标出来。
数据来源:Nature Biotechnology, Vol 44, Nov 2026, pp. 1747–1750。
CONTENTS · 目录
01  速度是真的,瓶颈没前移
02  巨头从卖工具到下场做药
03  智能体赢在推理,不在语料
04  设计—测试闭环接上湿实验
05  从头设计:不可能变常规
06  发现得快,不等于发现得对
07  人仍在环路里,门槛变了
08  还没被证明的四件事
附  同期简讯:三条一起看
01速度是真的,瓶颈没前移
观点 · VIEW
AI 把药物发现的前段压缩到约 1 年,可临床转化与评价并没有跟着变快——提速发生在最容易被提速的那一段。
案例与数字 · EVIDENCE

传统流程里,一个靶点走到候选分子要 3 到 5 年。现在这段路被压到 约 1 年,各家平台敢把「速度」写在最显眼的位置,靠的就是这个落差。

2026 年 10 月,Isomorphic Labs 被曝正在谈一轮 400–500 亿美元融资,距离 5 月那笔 21 亿美元只隔了五个月。它手上已有肿瘤、免疫两条临床前管线和 3 家药企合作。资本买的,正是被压缩出来的时间差。

Anthropic 的 Dario Amodei 把话说得更满:AI 可能在 5 到 10 年内治愈大多数重大疾病。但他自己紧接着补了条件——只有把 AI 铺到管线的每一环,这个听起来不可能的目标才勉强可能。被到处引用的往往是前半句。

真正没变的是后半程。临床转化与评价依旧按年走,发现端省下来的时间,到这里会被重新收回去。

判断|把「1 年」直接外推成新药上市周期,是最容易犯的错。分子进人之前确实快了,价值兑现仍卡在临床。
02巨头从卖工具到下场做药
观点 · VIEW
平台方不再满足于给药企供货。模型、湿实验室、自研管线与合作名单,如今握在同一批公司手里;他们从被动供货的一方,变成了亲自下场的玩家。
案例与数字 · EVIDENCE

6 月,Anthropic 发布通用科研工作台 Claude Science。几周后,它在旧金山湾区开了一间湿实验室,同时甩出 Model Hardware Standard:把不同厂商的仪器连成可被智能体调度的整体。这件事交给人工做,动辄耗掉数小时到数天。

到 10 月底,共同开发药物的合作名单已经排到 6 家——BigHat Biosciences、Bristol Myers Squibb、Divergence Labs、Enveda、Generate Biomedicines、The Column Group;另有一个自有的罕见型肌营养不良项目。软件公司开始有了自己的管线。

OpenAI 走的是收购路线。10 月买下成立四年、累计融资 2000 万美元的 Orchestra Bio,补上从发现到临床试验管理的智能体工具,与 GTP-Rosalind、Rosalind Workbench 拼成一整套。

把玩家摊开看:Anthropic、Phylo、Microsoft、OpenAI、Google DeepMind、Amazon、Latent Labs、Isomorphic Labs、Insilico Medicine……通用工作台与专用设计模型两条路同时铺开,彼此的边界正在变模糊。

判断|看一家 AI 公司的成色,别只盯模型。真正拉开差距的是实验执行与数据回流,谁握着这两样,谁才有下一轮的话语权。

03智能体赢在推理,不在语料
观点 · VIEW
智能体与聊天机器人的分水岭不是答得更快,而是能不能绕开「频率偏置」,从冷门通路里提出可验证的假设。
案例与数字 · EVIDENCE

聊天机器人只负责回答问题。智能体不一样:它把任务拆成多步,自己调用接进来的数十种工具、资源与数据,一路跑到底。Co-Scientist 更极端,建在 Gemini For Science 之上,让多个智能体各自提出假设、互相辩驳、自我改进,最后筛出胜出的那个。

斯坦福的 Gary Peltz 做过一次有点扎心的对照。他的实验室在研究表观遗传与肝纤维化,Google 请他试 Co-Scientist,他就把问题抛了过去:哪些靶向表观遗传修饰因子的药能治肝纤维化。系统给了 3 个建议,2 个在实验里真的有效。

对照组是他自己:按数百篇论文支持的通路挑出 2 个药,实验全部无效。Peltz 的解释值得记下来——这类平台用更高层推理生成答案,不容易被「某元素在文献里出现过多少次」牵着走。被选中的那条通路只被两三篇论文提过,却是肝纤维化的关键通路,连抑制剂一起指了出来。

UCSF 的 Steven Francis 遇到的是另一种震动。胶质瘤基因组里有一批异常序列,实验室折腾了几周,最好的猜测是病毒;Claude Science 在完全不知道他们猜想的前提下,一条 prompt判定为污染物。他的原话是:一条 prompt 就到了,而且事先不知道我们怀疑什么。

判断|可迁移的能力是提出与主流文献不同的假设,不是检索速度。但两个案例样本都极小、且属回顾性验证,还撑不起泛化结论。
04设计—测试闭环接上湿实验
观点 · VIEW
CRO 被直接嵌进工作流,计算到湿实验之间的人工协调被拿掉——这才是「6 周出结果」的结构性原因,不只是模型算得快。
案例与数字 · EVIDENCE

Amazon Bio Discovery 把 Twist Bioscience 与 Ginkgo Bioworks 接进了工作流,智能体带着研究者走完 design–test–learn 全程。AWS 的 Dan Sheeran 说目标是让所有生物学家都用得上 AI,并特意点出:集成 CRO 之后,候选分子从计算走到湿实验验证,不再需要人工协调。初期只做结合物。

纪念斯隆-凯特琳癌症中心的 Nai-Kong Cheung 跑通了一个完整闭环:先生成 288,000 个结合物,收敛到 100,000 个交给 Twist 合成并测试,最后拿到 46 个确认结合。从设计到实验结果,6 周。

设备侧是同一件事的另一半。Model Hardware Standard 解决的是「仪器能不能被智能体叫得动」;缺了这一层,前面设计得再快,也要卡在人工排程上。

学术侧干脆模拟整家公司。斯坦福 James Zou 团队的 Virtual Biotech 让 37,000 个智能体分析 56,000 个临床项目,得出「靶向细胞类型特异基因的药物更可能成功」,顺带提出肺癌治疗策略、拆解溃疡性结肠炎的失败机制。

判断|闭环里最稀缺的,正从「设计能力」转向「可调度、可回传数据的实验产能」——这也是实验室自动化与仪器集成真正的位置。

05从头设计:不可能变常规
观点 · VIEW
两年时间,蛋白与抗体的从头设计从「被认为不可能」变成日常工具,连长期难成药的靶点也被重新翻了出来。只是这一切,目前都还停在分子层面。
案例与数字 · EVIDENCE

Simon Kohl 是 AlphaFold 核心成员,2023 年出来创办 Latent Labs。他的回忆很直接:两年前,用 AI 从头设计抗体还被当成计算药物设计的圣杯、被认为不可能;今天,这已经是常规操作。

Latent-X 生成的蛋白结合物、抗体、酶与纳米抗体,亲和力能到 纳摩尔级;2026 年春发布的 Latent-Y 是一个全自动药物设计智能体。Kohl 说,模型一旦投用,就不再需要「采数据—测提升—再来一轮」的迭代,从头设计直接给候选,时间就是这么省下来的。

UC Davis 的 Vladimir Yarov-Yarovoy 在离子通道上泡了 30 年——这类靶点会因构象变化而难成药。他把问题交给 Latent-Y,回来的方案完全跳出他积累的结构与功能认知:「我们没探索过,自然界没探索过,药企也没探索过」。

另一条线在 Isomorphic Labs。2021 年从 DeepMind 分拆,Hassabis 同时挂着 DeepMind 主席;2024 年两家共同推出 AlphaFold 3。五年下来,配体结构预测准确度比 AlphaFold 3 提升 50%,配体结合效率预测同步改进;IsoDDE 把诱导契合与隐匿口袋放进同一套系统建模。CSO Miles Congreve 说,他们刻意把生物学家、化学家和一支更大的技术团队混编,不做前两代 AI 生物科技公司的单边配置。

判断|能力曲线很陡,但证据全部停在分子与实验台层面。「设计得出来」到「进得了临床」之间,还是一片空白。
06发现得快不等于发现得对
观点 · VIEW
最抓人的一次智能体发现,同时也是最经不起追问的一次:体内功能没验证、新颖性被质疑,还顺带扯出数据合规。
案例与数字 · EVIDENCE

Anthropic 在预印本里讲了一个很会讲故事的结果:950 个智能体被放进 19 亿个蛋白簇的数据库里找新逆转录酶,不到一天,其中一个在巨型病毒基因组里找到了目标,还注意到旁边一串重复序列——架构酷似细菌的 CRISPR 系统。他们给它起名 ART。

第一盆冷水来自 CRISPR 研究者 Lucas Harrington:难点、也是真正的发现所在,是弄清这套系统在活体里到底做什么。到现在,体内功能仍没被证明。

第二盆是新颖性。丹麦研究者 Mario Rodríguez Mestre 称,自己早已在私人 Claude 账号里发现过同样的架构。

事情还外溢到了数据层面:Nature 主编 Magdalena Skipper 借这个案例提醒研究者,把数据传进不安全的商业 AI 平台有风险。

判断|评价一次 AI 发现,口径要从「找到了什么」升级到「能否复现、是否原创、有没有体内功能」。用第三方平台做研究的机构,数据合规得同步进流程。
07人仍在环路里,门槛变了
观点 · VIEW
把人从环路里删掉,目前还做不到。更准确的说法是,人的活儿被改成了两件事:问对问题,接得住输出。
案例与数字 · EVIDENCE

Peltz 的条件说得很实在:prompt 得精心准备,关键信息要喂够、目标要讲清、问题要问对。紧接着还有一句——你必须有实验能力来处理输出。

Phylo 的 Kexin Huang 从另一头解同一道题:多数科学家不会跟 AI 代码打交道,所以他们把界面做成直接操作代码、直接看可视化,「像个工作台」。改进版智能体会自己检查局限并纠错;平台免费开放,重算力任务分级收费。

Francis 对节奏的感受更直接:跟这些公司合作最让人印象深刻的,是它们开发东西的速度。

判断|人的角色从「执行实验」上移到「定义问题 + 验证结论」。与其说是缓冲期,不如说岗位说明书被改写了。
08还没被证明的四件事
UNPROVEN · 待证实
① 提速只发生在早期发现,临床转化与评价仍卡着;② ART 的体内功能与发现新颖性都悬着;③ 所有亮眼案例都是极小样本、回顾性或单中心验证,没有一致性对照;④ 人还得下达指令、承担验证。
这四条不是唱反调,而是把「已经做到」和「还没做到」分开摆。热闹之外,边界得自己划。
附同期简讯:三条一起看
出口管制 / 数据基建 / 全球动态
中国拟限制部分生物技术出口:10 月商务部与科技部拟新增 40 项关键技术至出口管制目录,覆盖生物医药、AI、光伏,含 5 项与病原体功能获得平台、细胞与基因治疗、siRNA 相关技术;对外授权(license-out)与研发生产外包服务不在禁令内,靶点识别与验证技术的对外授权一般可获批。据 PharmCube,不涉及平台所有权转移的交易占过去一年中国跨境生物医药交易 95% 以上;征求意见至 11 月中。

UK Biobank 加免疫与脑健康层:£1.57M(约 $2.10M)资助、8 万份血样,每份 2 ml 预计产生超 1 亿个数据点,实时评估约 2,500 个免疫细胞亚群(BD 流式 + Waters 单细胞多组学 + Ultima Genomics 测序);另有 8 万份样本用于神经退行蛋白组研究。底层队列为 2006 年起的 50 万志愿者。

全球四条:印度 Peptris 获 900 万美元政府投资;中国医药新五年规划含 25% first-in-class、50 家药企年销 ≥15 亿美元、5 个全球重磅品种;礼来获批在荷兰建 30 亿美元工厂;新加坡 A*STAR 与 NUS 共建合成生物联合实验室。
编者按 · 个人判断
把上面的数字连起来看,这一波变化的实质不是「AI 会不会做药」,而是「实验产能与数据回流能不能跟上模型」。平台迭代以周计,湿实验与临床验证以年计;两者之间的时差,才是接下来几年真正的竞争位置。
资料出处:Nature Biotechnology, Volume 44, November 2026, pp. 1747–1750,“Are AI tech giants hijacking drug discovery?”,Laura De Francesco。本期不含投入产出分析。

【声明】内容源于网络
0
0
AI4Peptide
专注探索人工智能在多肽药物设计与研发中的应用,定期发布相关的前沿研究、技术解析和行业动态,迎接未来智能药物研发的新时代。
内容 87
粉丝 0
AI4Peptide 专注探索人工智能在多肽药物设计与研发中的应用,定期发布相关的前沿研究、技术解析和行业动态,迎接未来智能药物研发的新时代。
总阅读4.8k
粉丝0
内容87