今年「自主实验室」「AI 闭环」这些词,发布会上有,融资新闻里有,连招聘启事里都有。大家对闭环的理解也是相差很远:什么才算真正的闭环?人们在投入 AI 疯狂生长中,各种尝试到底走到了哪一步?
举三个例子:
一件是英矽的 Rentosertib。靶点 AI 筛选的,分子是 AI 设计的,现在已经在做 III 期,AI 主要参与,在药物研发临床上走得最远的一个例子。但是如果仔细分析这个案例,AI还主要是在筛选的环节加速,最终验证过程交还给了人来 follow,后面立项、IND、临床全是传统流程,中间没有一轮「数据回来、AI再定下一步」。
另一件是 OpenAI 和 Ginkgo。今年「AI 闭环」跑得最漂亮的例子,一轮一轮的,是真的在转。但它优化的是一个会发光的报告蛋白,离病人远得很。
以及晶泰 XtalPi 的 Science 智能体,跟 OpenAI、Ginkgo 那个优化蛋白表达算同一大类,只是 scale up 到了整个实验室平台,300+ workstations、24/7 连轴转("全球最大 fleet"、"40x 效率" 都是它自己通稿里的口径)。
这些算是闭环吗?比如已经进入三期临床的英矽(Rentosertib)?还是 OpenAI 和 Ginkgo?或者晶泰 XtalPi Science 智能体 self-driving lab?后两个都照进了现实(自主运转)但是离病人却也是最远。什么才算是生物学与 AI 之间的「闭环」
现在我们讨论的闭环,是AI自己从化学、电生理、生物物理(不是结构,是力学刺激被转导成信号通路那一层)拿到读数,自己解释,自己决定下一步干预什么,再拿回新信号,一轮一轮迭代下去。人类只在最后做把关:放行,或者否掉。
所以判断一个它算不算环,感觉需要去衡量这一轮的下一步,是 AI 定的还是人定的?是人定的,那 AI 做得再漂亮,也只是增加效率。如果按照这个定义再来审视新闻发布,热火朝天的项目,可以把一大半筛走了。再看最近的几件事
拿刚刚我们给的定义的这把尺子,过一遍刚刷屏的几件事。@GoogleDeepMind / Antigravity:agent 在 UniProt 数据中,将几百万个未标注蛋白里捞出一个候选抗菌肽。但目前还在湿实验验证阶段。@AnthropicAI 的 ART: Claude 注意到一个噬菌体逆转录酶基因旁边有段重复序列阵列。搜索确实神速。可功能却还是未知;而且有学术团队说,这类酶他们已经做了好几年了。@Prof_Oak_:一个人 plus Claude,借外部 CRO 实验室,把一个 LAMA2-CMD 抗体推到了小鼠概念验证阶段。@OpenAI 收购 Orchestra Bio:买的是药物开发流程编排思路,而不是底层硬核的分子设计。@InSilicoMeds:给 Rentosertib 的 III 期之前提过,首例患者已经开始给药。这算是真的进展了,算是标志性事件了,但离获批还很远。@OcanaSantero:Exin 的 agent 规划了一次小鼠脑部注射,驱动立体定位臂。每个不可逆的步骤都得持证兽医签字,暂停键还是在兽医手里。
这六件事里,没有一件是 AI 自己拿着生物信号一轮轮转下去的环。如果将这些事情摆在一起,不难得出共同点:协调成本是真的降低,效率是真的提升,但生物学本身的不确定性一点没少!
一个人干完过去一个团队的活,一个agent把散落在几个系统里的步骤串起来——是实打实的提效。但抗菌肽还是要靠实验验证才能走到下一步,小鼠模型还是小鼠模型,在制定目标,中间把控,最后评判,以及中途叫停的环节,并没有完全脱离人类的干预。
希望讲述到这里,可以把目前的情况描述清楚,我们可能要区分我们说的闭环其实还是两条线,不太能当成一条线来阐述和论证。今年提升的的确是协调成本与效率,而不是解决了生物学的不确定性。
我原来总想按台阶来分「AI 闭环」
我一开始总是拿台阶去看它的发展,按照「这环在多难的条件下还能合上」分:第一级:在人造体系里合环。读数就是目标,AI 在人类划好的空间里,在制定好的目标下一轮轮优化。第二级:环接上活的人体,动物体生理信号。读数还是目标,实时回来,AI 解读,调整,但这个目标依然是人类设定好的。第三级:在代理读数上也能合环,而且学到的东西,换个体系下还成立。读数不再等于目标,AI 得知道这代理什么时候失灵;可以一代代传下去的细胞系里学到的,是否拿到原代细胞、小鼠上盲测还是正确的,成立的。第四级:AI 自己决定这环要回答什么,而且答案在人身上成立。
拿去量今年:
第一级有很多团队已经站上去了——OpenAI 和 Ginkgo、Romero 组的 SAMPLE(Nature Chemical Engineering),XtalPi Science 智能体。
第二级也有——Neuralink、人工胰腺 iLet。
第三级、第四级,按照刚才我们说的,目前还是空白。
英矽和虚拟细胞,连级别都算不上。英矽的 PandaOmics 挖的是现成的组学和文献,Chemistry42 设计完分子就是人们后续传统药物开发的流程了,是交还给人来处理的,之后没有一次实验数据再回到 AI 手里(如果我没有理解错误的话),一次性假设生成,跟生物信号零交互。另一个很火的话题,虚拟细胞是个预测模型,给它一个扰动它算表达怎么变,可它不决定下一步要做什么,也没有数据再回来。
我们平时衡量这件事,看的是 AI 介入多深、多「全流程」;可按闭环算,人们炒作觉得介入最深的(去到临床III期)感觉连第一级都没摸到,排在第一级的 Ginkgo and XtalPi 反倒转得最好。
台阶能说清走到哪一步,说不清第三、四级为什么这么难、为什么到现在还是空白。需要换个角度继续掰扯。台阶思维不够用,咱们再换个角度
门槛过了,再问两个问题。
第一个:读数,离我们真正想要的有多远?
比如,荧光强度和蛋白产量几乎反映了同一回事;FVC 是监管认同的强代理,能反映病人会不会恶化,但还不是变化以及恶化本身;转录组变了,与细胞的表型又隔一层,离器官功能差的开始有点多了,离「病好了」差的就更远了。所有实验读数都是代理,差在到底隔了几步?
我们换个问法:这条结论能支持多远?越接近真实数值的读数越不挑context(情形)。荧光就是产量,哪个体系都成立;血糖就是控制目标,对哪个病人都成立。反过来,一个读数越挑 context(不同情形下有不同的含义和结果)——A 细胞上成立、换 B 细胞就不成立——越说明它只是代理。所以横轴说的就是迁移。
第二个:转一圈要多久?
这跟算力没多大关系,是时间。一轮两天,和一轮 52 周,是两门完全不同的概念。
画成图:横轴往右,结论搬得越远;纵轴往上,一圈越快。右上,读数就是目标,一圈论天论周:sfGFP、SAMPLE、抗体亲和力、血糖控制、神经解码。左上,一圈也快,可读数是代理:in silico 筛选、给通路活性打分再挑下一批。右下,读数够硬,可一圈论月论年:死亡、住院、急性加重这类硬终点。左下,读数是代理,一圈又慢:绝大部分转化研究、新靶点的发现。
FVC 这种监管认同的强代理,卡在左下和右下的界上。整个行业基本都在这条界上干活,药物研发这么慢,很大程度上原因在这儿。
坐标和门槛是两码事。坐标说位置,也就是这个问题长什么样,什么都能往图上放。门槛说形态,那个位置上发展出来的是不是环。英矽做发现,落左下;虚拟细胞想做快速预测,落左上。但它俩都只是落在那儿的点,不是环。
这图让我自己看明白几件事。
一,跑通的环几乎全挤在右上:读数就是目标,而且转得快。有意思的是这格里不只有培养皿。Neuralink是在病人身上做的,读数是每分钟打多少字、错几个,实时反馈,它跟 sfGFP 在同一个位置;iLet 也一样。我把「离病人远」当成了问题的属性,它其实只是个位置。离病人远近,不是关键。
二,真正把一个环踢出右上角的,就两件事:读数变成代理,或者圈变慢了。
三,「发现」偏偏同时撞上这两条。要发现新东西,说明我们还不知道正确答案长什么样,只能拿代理去量;我们还得等生物系统自己出结果,快不了。
更要命的是这第三点,它躲在第一件事情后面:一个新发现,必然在它被发现的那个 context 中才成立。要是它到哪儿都成立,那早成常识了,轮不到我们去发现。所以在生物学里,「新」和「搬不动」基本是一句话的两种说法。发现主要是落在左下角,而左下却又是最难合环。
我自己经过这几轮推倒,觉得清晰了很多:英矽做发现,发现落在最难合环的左下,而它干脆没去合环,交给人去合上;Ginkgo做优化,落在最好合环的右上。英矽掉到左下,不是它选错了,也不是AI介入太深,是它选的那个问题(目标)——找一个没人提过的靶点、再在人身上验证——本身就只能落那儿。换谁做都一样。
回到台阶,第三、四级为什么空也清楚了。一、二级都在右上;第三级是要让左上那格里的环,不光在自己的代理上转得好,还得知道代理啥时候失灵、换个体系还成立;第四级是要让左下那格——也就是发现——合上。后两级不是把第一级做得更多就能爬上去的,得先跨读数和时间这两道坎。
我们一点点铺开。真转起来的,就只有右上角的这一格
先说这格有多小。
最有代表性的是 @OpenAI 和 @Ginkgo。2 月 5 日,他们把 GPT-5 接进 Ginkgo 的云实验室优化无细胞蛋白合成:GPT-5 设计实验,机器人做,数据回来,模型再设计下一轮。6 轮、3.6 万多个反应配方,sfGFP 的成本做到每克 422 美元。对照是 Olsen 等人 2025 年报的每克 698 美元——这是跨研究比较,不是同一体系优化前后比,条件不完全一样。蛋白产量同时也上去了。
但更值得说的是另一个数字:6 轮跨了 6 个月,差不多一月一轮。
这已经是最理想的场景——读数就是荧光,机器人 24 小时转,配方空间大到人类靠直觉调不动——一圈还是得一个月。那别的场景凭什么更快?
单场景里把环合上这件事,也不是今年 @OpenAI 和 @Ginkgo 才有。Romero 组的 SAMPLE(Nature Chemical Engineering)更早就做到了全自动蛋白工程,设计、构建、测试、学习,一轮轮自己转;自动化实验室优化细菌培养条件,也早有人做过。
@biocytogen百奥赛图走的也是这条路。他们本来就做人源化小鼠和全人抗体,5 月发 RenSuper,AI 从小鼠免疫出来的海量抗体序列里挑候选,自动化中心从质粒一路做到纯化蛋白,一天 800 个样本,数据再回流。
礼来在这格砸得最重。1 月 @EliLillyandCo 和 @nvidia 宣布 AI 共创实验室,五年最多 10 亿美元,把干湿实验室连成一个系统,7×24 跑。我倒觉得更值钱的是数据:几十年的临床前积累,几十万个分子的ADME、PK、毒理,还有历次临床失败。
失败数据有个容易被忽略的坑:那些失败,是在当年人的假设空间里失败的。模型从里头学到的,是人过去怎么找、在哪儿找,所以它很可能只是更快更便宜地把人走过的路再走一遍。自主实验室真正值钱的地方,应该是做出人当初压根不会去选的那些实验——exploration,不是把 exploitation 做得更快。可这有个前提:它得先分得清哪些结论能搬、哪些只是那个 context 的产物。现在没人知道。
10 月还有一篇 aptamer 的,我觉得比上面几个都更说明问题。三轮设计—测试—改进,一轮一到两周,一个候选一到三块钱。它比 sfGFP 硬在哪?sfGFP 是优化一个已知蛋白,这个是设计原本不存在的 binder,更接近「造个新东西」。最关键的是其中一组:命中率一度从 10% 掉到 4%,因为 agent 一直在一个高亲和力空间里打转,特异性越做越差。然后它自己从数据里诊断出问题在哪,换了套策略,把特异性和命中率都拉了回来。
这才是闭环里最难的一步。不是「我提假设、你验证、我改进」,是「我这方案在数据里的问题,我看得出哪儿的问题,再针对这些换一套策略」。大多数号称闭环的系统,第一次需要掉头的时候就停了。
但它再完整,也还在这一格。读数只有「结合」一个维度,全程体外。它证明了环能转,没证明这个环搬得到别的场景。一份招聘启事说漏了什么
前阵子礼来挂了个岗位,Agentic Automation Lead – Frontier AI。负责「闭环实验室的决策层」:让agent读实验背景、挑下一个实验、派给机器人和分析仪器、解读结果、再更新策略。目标是把设计—合成—测试—分析这一轮从几周压到几天。
专门招人来建这层,说明这层还没建好。手已经有了,拿主意的那部分还在搭建。
JD 里还有半句值得抄下来:"with scientists in the loop at the points where judgment matters"——人不用全程盯,在「判断真正重要的那些点」上介入。可哪些点算「判断重要」?现在没人有一套明确的说法和方法。
@Roche 旗下的 @genentech 值得单独讲,因为它最常被当成「药企已经在跑闭环」的证据,但严格说并不是。AI 从实验室和临床数据里学习,做预测、提下一步实验,然后科学家按预测去做,再把结果喂回模型。Regev 自己的说法是 lab-in-the-loop「augments scientists, rather than replacing them」。模型定下一步做什么,跑实验的还是我们。9月28日 Roche 的 Pharma Day 上,Regev 放了张 L0 到 L5 的分级图,人的角色从操作员一路退成助手、审批者、审计者;同一场活动 Roche 的措辞是「recently started building autonomous labs」。如果这些信息推的话,现在大概在 L2 到 L3 之间(不一定准确,只是判断)。
所以 Genentech 是个设计好的闭环,不是正在转的闭环。它值钱不在证明环能转,在把这件事做成了组织能力:数据打通、3500 块 Blackwell、还把「下一批该测什么」做成了开源 benchmark。顺带,Recursion 和 Genentech 那个 AI map,8 月交出第一个经实验验证的靶点,Genentech 行权付了里程碑——「AI 挖靶点、实验验证、接受验证包」第一次走通。但还不是真正的 AI 闭环。
此外,人退成审批者,也不等于就轻松。agent 一天吐上千个候选实验,人审得过来吗?瓶颈只是从移液枪挪到了审批桌。
这事在编程圈也吵过一轮。前 Google Chrome 团队的工程负责人 @addyosmani 最近一直在讲 critical thinking:AI 把代码写完了,人的活变成审核,那审核的人还有没有自己的判断?他那篇 Cognitive Surrender 讲得最透彻(值得好好读一下),分了两种状态:一种是我们把「怎么做」交给 AI,「对不对」还归我们判断;另一种是我们压根没形成自己的看法,AI 给什么我们就收什么。他引的是 Wharton 的 Shaw 和 Nave:AI 答对时,人的准确率比不用 AI 高 25 个百分点;AI 答错时,低 15 个百分点;更麻烦的是,就算 AI 一半时间在给错答案,人对自己答案的信心还涨了……
搬到实验室,这事只会更糟,因为两边成本正好反过来。
写代码,验证便宜:跑一遍测试就几分钟,错了回滚,人看不过来还有自动测试兜底。生物学反过来,提假设便宜,验证贵:跑一遍就是那个实验本身,几周、几万块、几十只动物,错了也回不去;到临床,那是病人的时间。
而且生物学也有「测试」,就是那个读数。可读数本身是代理。我们以为在验证 AI 的设计对不对,实际在验证它在我们定的那个指标上好不好。
所以 AI 写代码,人还能先合进去、出事再回滚;AI 设计实验,人必须在动手前就判断对不对——偏偏这是最吃判断力、也最容易偷懒的时候。
Osmani 给的方案里有一条,科研圈早就有:看 AI 输出之前,先自己写下你预期会看到什么。这不就是预注册。我们一直把它当防 p-hacking 的规矩,现在它多了个用处——agent 递上来50个候选,我们事先没有自己的排序,那个「放行」就只是盖了个章。
还有一层我挺担心:要是学生从来没自己设计过实验,十年后谁来当那个有资格说「不行」的人?有些例子是读数够硬,但是太慢
最典型的是 III 期的硬终点,死亡、住院、急性加重。读数挑不出毛病,监管也认,可一圈就是一两年。闭环的前提是等得起一圈,很多时候现实是等不起。
FVC 稍好点,监管认的强代理,可一圈还是 52 周。Rentosertib 的主要终点正是它,站在这个位置和左下的界上,而整个行业基本都在这条界上干活。
还有 @MayoClinic 研究、Anumana 做成产品的那套心电图 AI,能从一张普通 12 导联里读出人眼看不见的左心室射血分数降低,2023 年拿到 FDA 许可,外部验证 AUROC 0.92。严格说它是一次性筛查,不给反馈,过不了门槛,也不在刚才那张图上。提起这个例子,是因为它说明「机器读懂人体真实信号」这件事已经发生,只是还没接进环。也有很多例子是很快,但迁移的时候可能是会错
再回快的那半边,读数是代理的那一格。
这一格里是真有环在转的。in silico 筛选、给通路活性打分再挑下一批,一轮转得很快,数据多,曲线也好看。可它优化的是我们自己定义的那个代理读数。在自己的体系里越转越好,不等于拿到别处还对。
第三级卡就卡在这儿。光在代理读数上把环转起来不够,还得再做到两件:一是知道这代理什么时候失灵,二是学到的东西换个体系还成立。
先说第一件,什么叫预测对了。讨论最多的是 @arcinstitute 和各家 frontier 团队的虚拟细胞。得说清楚:虚拟细胞不是「不完整的环」,它是环里的一个零件。一个环至少四步——预测、挑下一批实验、执行、读数回来——虚拟细胞只做了第一步,而且这步还没过质检,连简单线性基线都跑不过。第二步其实也有人做了,Genentech 那个 AssayLoop 就专干这个,还开源了 benchmark。两个零件都有,没拼一起,也没接上真的湿实验室。这格缺的不是模型,是装配,是验证。
Arc 的 State 模型用了 70 个细胞系、近 1.7 亿个细胞的观测数据,再加上 1 亿多个细胞的扰动数据来训练;给它一个细胞的转录组和一个扰动,它预测表达怎么变。这里有两句话看着矛盾,其实都对:一句是「模型还跑不赢简单基线」,这是 2025 年第一届虚拟细胞挑战赛参赛模型的整体情况;另一句是「State 是第一个稳定跑赢线性基线的模型」,这是 Arc 官方说法。
翻译成人话就是:线性基线在扰动数据上强得离谱。大多数扰动的效应本来就小,被细胞本身状态的差异盖过去,所以「预测没什么变化」天然就是个很难打败的答案。连「预测对没对」都还难判断,更谈不上知道这代理啥时候失灵。
退一步讲,就算它将来准了、也接进了环,读数还是转录组,还是代理。它一样要过第三级这道坎。
第二件,换个体系还成不成立。今年第二届挑战赛改成零样本,要预测 6 个从没被扰动过的细胞系,11 月 5 日截止,结果还没出。我感觉这个设计很好,问的正是横轴那个问题:一个 context 里学到的,拿到没见过的 context 里还准不准。只不过它考的是从一个细胞系到另一个细胞系,这还是整条路上最容易的一段;培养皿到原代细胞、到小鼠、到病人,后面长着呢。
两件事背后缺的是同一样东西:尺子。蛋白结构能成,很大程度上是因为它有一把干净尺子——答案唯一、盲测、数据公开又机器可读。几十年 PDB,三十年 CASP,再加 Baker 实验室几十年的设计工作。生物学中大部分研究的领域并没有这样的尺子。意义未明的变异倒是有一堆打分器,REVEL、CADD、SpliceAI、AlphaMissense,可没一个能当答案——缺的是校准,不是分数;很多疾病机制到今天还在吵。没尺子,你就分不清一个环是真跨过了第三级,还是只是在自己的代理上转得好看。迁移这关
这部分得谢 @RonC345 的提醒。他把这件事拆成两个里程碑:一个是自主做实验,一个是生物学上的泛化,而且认为后者才是真正难的。也是他先提醒我,像 SAMPLE 这种受限场景里的闭环早就有了。
顺着他的拆法,我有点不一样的看法:迁移不太像排在闭环之后的「下一关」,它和「环为什么只能待在那格」是同一个问题的两边。
环能合上,是因为读数就是目标;环只能在那一个场景里合,也是因为那读数只在那场景里算数。换个场景,丢的可能不只是精度,是你原来在测的那个东西本身不成立了。所以我把「代理读数上合环」和「换个体系还成立」放在同一级——它们本就是一件事。
生物学里这种事太常见。同一个合成致死关系,换个遗传背景可能就不成立;同一个基因敲掉,这个细胞系里是必需的,换一个就不是了,DepMap 那套数据整个建在这现象上。生物学还会绕着你走:敲掉一个基因,另一条通路顶上来;肿瘤细胞耐受一个药,有时候切换个状态就行,连突变都不用。我们学到的那条规律,在系统找到旁路之前成立,之后就不成立。
那还有没有出路。有,但不是「把结论搬过去」——结论搬不过去。在细胞系里学到的,拿到原代细胞上十有八九不成立,因为原代细胞不是那个细胞系。同一个蛋白复合物,换个亚基、放进不同谱系的细胞,下游跑的程序能完全不同:复合物还是那个复合物,下游已经换了剧本。
真能过去的是机制那一层——复合物本身,它怎么催化、怎么被招募,不随细胞类型变。而「敲掉它这个细胞会死」是表型,只在那个具体的细胞里是成立的。所以迁移不是搬运,是从一堆 context 相关的观察里,把机制那层剥出来,到新场景里重新推一遍。剥对了,能在新场景里重新生成假设、再验一次;剥错了,搬过去的只是那个 context 的残渣。
难就难在:这堆数据里机制和 context 残渣混在一起,而现在的模型最擅长的恰恰是拟合 context 那部分,因为数据就是这么来的。它会把「这细胞系里敲掉 X 会死」学成一条很强的规律,你拿它去预测另一个细胞系,它给你一个同样自信、但可能错的答案。
所以「先把环合上,再去解决迁移」这个顺序,我现在不太信,这两件事得一起解决。台阶能说明走到哪一步,但当不了一张按顺序往上爬的路线图:能力上去了,位置不会自动挪。机会在哪
落到实处,做科研的和做投资的,机会在哪里。做科研的
右上这格已经很挤。AI 加机器人优化配方、筛抗体,拼的是数据和算力,小实验室拼不过。但有张容易被忽略的门票:把自己的 protocol 写成机器能执行的东西。不是给人看的 SOP,是写到 agent 能照着派活、仪器照着就能跑。你的方法要是还只存在于某个博后的手感里,后面这些事都跟我们没关系。
决策层缺人。就是礼来 JD 那个位置:让 agent 读懂实验背景、自己挑下一个实验、在真仪器上跑完多步还不用我们盯着。既懂湿实验又懂 agent 的人很少。要是做实验的,又愿意把自己的流程拆开交给 AI 和机器人跑,这是未来几年最值钱的身份之一。
「怎么审」几乎没人做。人退到审批位,可哪些点该人判、怎么判,没有方法。预注册那套,谁家先把它做成日常流程,数据的可信度能高出一截。这事不烧算力,就缺人认真做。
左上那格缺尺子,不太缺模型。谁做出大家都认的 benchmark,谁就在给这领域定规矩。尤其是「换个场景还准不准」那把尺子,现在基本没有——A 场景训练,B 场景盲测,看它对干预的排序还能不能比随机好。虚拟细胞挑战赛往这方向走了一步,但只有 6 个细胞系、一种扰动,离能当标准还远。
最难的是迁到人身上,这层几乎没人系统地做。培养皿到小鼠到病人,每跳一步都得重新问一遍「哪些是机制、哪些只是这个模型的产物」。懂动物模型或临床、又能把几层数据对齐的人,会很稀缺。听着不性感,可它是所有下游工作的地基。
还有两件又脏又累、壁垒却高的。一是整理失败数据和垂直数据。二是——我觉得最有意思的——给慢终点找一个快的中间读数。
闭环卡在病人这侧,很大程度上是终点太慢:硬终点要等几年,连 FVC 这种强代理都得等 52 周。要是能找到一个快得多、又靠得住的中间读数,环就能几周转一圈,不用等一年。但绕不开一个难处:任何比终点快的读数,本身就是代理,而且必然更挑 context;要证明它跟终点一致,还得先等终点那么久。所以难的不是找个快指标,是找一个我们心里有数「它什么时候会失灵」的指标。这事主要还是生物学判断,不是 GPU。做投资的
先说个反直觉的现象。今年涨得最猛的不是平台公司,是上游的耗材和工具——合成 DNA 的 Twist、做单细胞的 10x Genomics、做移液自动化的 Tecan。这个 make sense:AI 越自主,试剂烧得越多。一个环一轮几百块板,人工根本不会这么跑,效率上去了,耗材反而用得更多。
不过上游的股价已经明显跑在业绩前面。Twist 最近一个财季营收同比 +23%,可股价的摆动远不止这个量级;10 月下旬 Twist 和 10x 在没有任何公司消息的情况下单日各涨 12%,几天后又分别跌 15% 和 12%。涨跌都不是业绩带来的,市场现在买的主要是预期。
还有,「药企自己建实验室、CRO被替代」这个故事,数据上暂时看不到。Charles River 11 月 4 日的三季报,有机增长 4.7%,三年来最强,DSA 板块连续第四个季度订单大于收入。更可能的是,现在自动化带来的是新增实验,不是从 CRO 手里抢走的。
还有一点。真正在环上做出东西的,Neuralink没上市,Arc是非营利,Anumana 也不公开交易,二级市场基本买不到;港股能买英矽。一个卖耗材,一个赌AI临床,不该用同一套逻辑估值。
说到底,投资上真正该盯的是前面那几个缺口谁先补上。决策层跑通了,研发效率才会进财报;「换个场景还准不准」那把尺子立起来了,虚拟细胞才有办法定价;慢终点的快读数找到了,离病人那侧的环才可能有标的。在那之前,涨的大多是预期。
以上是个人看法,不构成投资建议。最后
这事我信迟早能成,但与其猜一年还是十年,我更想给自己定一个能被证伪的标准。
本来想用「AI 提出的假设推进到 IND」,可 TNIK 这条已经做到了,得再往后挪一步。说准点,这标准其实就是第四级:AI 在环里自己提出一个事先不在任何人候选名单里的靶点,而这靶点在 III 期确证性试验里打赢主要终点。
Rentosertib 的 FVC 读出只能检验其中一半:AI 挑的靶点,在人身上站不站得住。另一半它检验不了,因为它的靶点不是在环里挑出来的。所以它就算赢了,也还不是第四级;可它要是输了,「AI 挑靶点」这件事本身就得先打个问号。
而且顺着这篇文章捋下来,我自己觉得这尺子还是松了点。它只要求赢一次。生物学真正难的是赢第二次——同一个靶点,换个病人群体、换种疾病,还成不成立。又绕回那根横轴了。
所以以后再看到「自主实验室」「AI 闭环」,我会先问三句:
这一步是谁拿的主意?
它凭的那个数,换个场景还成立吗?
转一圈要多久?
第三问最容易被跳过。前两问答得再漂亮,第三问要是52周,前两问基本没意义。
你觉得这标准,多久才会有人做到?评论区聊。
· · ·参考与出处
OpenAI × Ginkgo Bioworks, GPT-5 lowers the cost of cell-free protein synthesis, 2026-02-05 — https://openai.com/index/gpt-5-lowers-protein-synthesis-cost
Addy Osmani, Cognitive Surrender, 2026-05-05 — https://addyosmani.com/blog/cognitive-surrender/
Steven D. Shaw & Gideon Nave (Wharton, UPenn), Thinking — Fast, Slow, and Artificial(SSRN)
Aptamers as a sandbox for lab-in-the-loop agentic molecular discovery — arXiv 2610.24806
Genentech, AssayBench / AssayLoop — arXiv 2609.11877;Roche Pharma Day 2026-09-28, Aviv Regev, Lab-in-a-Loop L0–L5 分级
Recursion × Genentech 首个经验证靶点, 2026-08
Charles River Laboratories, Q3 2026 Results, 2026-11-04 — https://ir.criver.com/news-releases/news-release-details/charles-river-laboratories-announces-third-quarter-2026-results
英矽智能 Rentosertib(ISM001-055)III 期 — CTR20262475 / NCT07687459
Philip Romero et al., SAMPLE — Nature Chemical Engineering
Olsen et al., 2025(无细胞蛋白合成成本对照)
NVIDIA × Eli Lilly AI 共创实验室;Eli Lilly, Agentic Automation Lead – Frontier AI(招聘启事)
Roche / Genentech, Lab-in-the-Loop
百奥赛图 RenSuper
Neuralink, NEALS 会议数据, 2026-10-28
iLet Bionic Pancreas(FDA, 2023-05);Mayo Clinic / Anumana 心电图 AI(FDA, 2023)
Arc Institute, State 模型与 Virtual Cell Challenge
DeepMind / Google Antigravity 抗菌肽;Anthropic ART;OpenAI 收购 Orchestra Bio
XtalPi 晶泰科技 Science 智能体 / self-driving lab(公司披露口径)