Verge Analytics, Inc.

摘要 1. Jeff Dean离开谷歌创办Discovery Loop，这件事被严重误读了。 绝大多数媒体报道的焦点是"谷歌AI根本人物出走、市值蒸发1860亿美元"，但很少有人问一个更根本的问题：Discovery Loop的自动实验循环（Automated Experimental Loop）最可能率先突破哪个领域？我的判断是——AI制药。 这不是猜测，而是基于创始团队的技术DNA、技术路线成熟度以及行业落地路径的系统推演。别人写Jeff Dean离职，我写Discovery Loop的AI制药野心。 2. Discovery Loop的本质不是"AI公司"，而是"科学发现的操作系统"。 四位创始人——Jeff Dean（分布式系统+AI基础设施之父）、Sanjay Ghemawat（MapReduce/BigTable/Spanner联合设计者）、Oriol Vinyals（AlphaStar、Gemini技术联合负责人）、Quoc Le（AutoML/神经架构搜索之父）——他们正在做的事情，是把"提出假设→设计实验→执行实验→评估结果→迭代新假设"这个完整的科学发现循环，全部交给AI自动完成。而药物研发，是这个循环最标准化、结果最可量化的领域。 3. AI制药正在经历从"工具辅助"到"自主发现"的范式跃迁，Discovery Loop是第三次冲击波。 第一次冲击波（2018-2022）是AI辅助分子设计——AlphaFold预测蛋白质结构、生成式AI设计候选分子，AI的角色是"高效工具"。第二次冲击波（2023-2026）是AI贯穿研发全流程——英矽智能18个月从靶点发现到PCC、晶泰XtalPi Science平台发布，AI的角色是"研发加速器"。第三次冲击波（2026+）是AI自主执行科学发现——Discovery Loop的自动实验循环，AI的角色将从"工具"升级为"科学家"。截至2026年6月，AI驱动的新药临床管线从2017年的4个增长至179个，9个已经进入III期临床，但AI的效率提升仍受限于"人机协作"的天花板——Discovery Loop要打破的，正是这个天花板。 4. 四位创始人的技术组合，几乎是为AI制药"量身定制"。 Oriol Vinyals是AlphaFold项目的重要贡献者，他懂AI如何辅助分子设计；Quoc Le是AutoML方向的开创者，他懂AI如何自动探索搜索空间；Jeff Dean和Sanjay Ghemawat是Google分布式系统和TPU基础设施的奠基人，他们能提供大规模并行实验所需的算力架构。三人合在一起，几乎是"AI自动设计分子+自动化实验迭代+大规模并行计算"的完美拼图。相比之下，ChatGPT、Gemini这样的通用大模型技术路线，反而不需要这种组合——它们更依赖大规模数据和算力堆叠，而非自动化实验循环。 5. 但最大的风险也在这里：Discovery Loop的"科学发现自动化"路线，在AI制药领域面临一个根本性的悖论——AI能加速发现的速度，但无法规避生物学的根本性风险。 我反复核对了BCG的AI制药追踪研究后发现：AI设计药物I期临床成功率超过80%（显著高于40-60%的历史均值），但进入II期后即回落至约40%，与行业均值完全持平。Schrödinger的SGR-2921（两名患者死亡）和Verge Genomics的VRG50635（缺乏风险收益数据）的临床失败，让我不得不重新审视：自动实验循环能加速"发现—验证"的迭代速度，但如果"发现"的质量本身没有提升，加速"失败"的速度并不是进步。Discovery Loop的自动实验循环，说到底是在解决"做什么实验"的问题，而不是"实验结果的生物学意义是什么"的问题。 6. 这次事件对AI制药赛道的影响，可能比大多数人想象的更大。 市场关注的焦点是"Google市值蒸发1860亿美元"，但真正应该关注的是：Discovery Loop的入局，说白了AI制药赛道的"技术天花板"被重新定义了。以前，AI制药的竞争焦点是"谁的AI工具更好用"——英矽智能的Pharma.AI、Schrödinger的计算平台、晶泰的XtalPi Science，都是在这个维度上竞争。现在，Discovery Loop提出了一个全新的竞争维度——"谁的AI能自主执行科学发现"。如果这个维度被证明可行，那么现有AI制药公司的估值逻辑将面临根本性重估。我研究了各家AI制药公司的估值结构和技术路线后认为，英矽智能和Recursion可能是受影响最大的——它们的技术路线中，"AI辅助人类"的占比最高，转型"AI自主科学发现"的技术难度也最大。 这个组合的杀伤力太大了，不是因为它能做出什么，而是因为它可能彻底改写AI制药的竞争规则。背景与问题定义 2026年8月5日，Jeff Dean离开谷歌创办Discovery Loop的消息，在科技圈和投资圈同时引爆。但如果你仔细看各家的报道，你会发现一个有趣的现象：几乎所有人都在关注"Jeff Dean走了"这个事件本身，很少有人关注"Discovery Loop要做什么"。 Discovery Loop的官网和融资材料给出了一个非常清晰的愿景：自动执行完整的科学发现循环——提出假设、设计实验、执行实验、评估结果、迭代新假设，全部由AI完成。这个愿景很宏大，但也很模糊——它到底要解决什么问题？它最可能从哪里突破？ 我的判断是：AI制药。 理由有三。第一，药物研发的实验循环是科学发现中最标准化、最可量化的领域之一——从靶点发现到苗头化合物筛选到先导化合物优化，每个环节都有明确的输入、输出和评估标准。第二，四位创始人的技术积累与AI制药的根本需求高度匹配——Oriol Vinyals参与过AlphaFold，Quoc Le开创了AutoML，Jeff Dean和Sanjay Ghemawat建立了Google的分布式系统和TPU基础设施。第三，AI制药赛道当前的"效率瓶颈"——从I期临床成功率80%到II期临床成功率的40%——恰好是"自动实验循环"最有可能突破的方向。最要紧的一个洞察 Discovery Loop的自动实验循环，对AI制药的最深远影响，不是"加速现有的发现流程"，而是"重新定义发现流程本身"。 当前AI制药的工作流是"AI辅助人类"：AI提出候选分子，人类科学家选择哪些分子值得推进，然后设计实验验证。这个工作流的根本瓶颈，不是AI的效率不够高，而是"人类科学家选择分子"这个环节——它依赖直觉、经验和运气。Discovery Loop的自动实验循环要做的，是把"人类科学家选择分子"这个环节，也变成AI自动化的过程。 但这个"重新定义"面临一个根本性的挑战：AI能提出"更快的假设"，但能不能提出"更好的假设"？自动实验循环可以同时运行数千个实验，但如果这数千个实验都是基于"不够好的假设"设计的，那么"加速"的结果只是"加速失败"。 我之所以认为"AI制药"是Discovery Loop最可能率先突破的方向，是因为药物研发的实验循环具有三个独特的"自动化友好"特征：第一，实验目标是可量化的（结合亲和力、选择性、ADMET性质），AI可以自动评估实验结果的好坏；第二，实验反馈是闭环的（实验结果可以立即反馈到下一轮实验设计），AI可以根据实验结果自动调整实验策略；第三，实验成本是递减的（随着算力成本下降和自动化水平提高，实验成本持续下降），AI可以承担越来越大的实验规模。这三个特征，让药物研发成为"自动实验循环"最理想的落地场景。相比之下，芯片设计需要物理验证，材料科学需要长期测试，能源研究需要大规模基础设施——它们的实验循环都不如药物研发"标准化"。1. 事件深度解读：8月5日，谷歌AI的"大地震"1.1 发生了什么 2026年8月5日，一则消息让整个科技圈和投资圈同时震动。谷歌首席科学家、第30号员工Jeff Dean在X上宣布：他与三位谷歌顶级科学家——Sanjay Ghemawat、Oriol Vinyals、Quoc Le——共同创办Discovery Loop，一家定位为"公共利益公司（Public Benefit Corporation）"的AI公司。 消息公布当天，谷歌母公司Alphabet股价下跌超过4%，盘中一度下跌逾5%，单日市值蒸发超过1800亿美元。这并非巧合——同一天，Google还宣布了另一项重大人事调整：Demis Hassabis移交Google DeepMind日常运营，转任董事长和Alphabet首席科学家；原CTO Koray Kavukcuoglu升任高级副总裁，直接向Sundar Pichai汇报。 老实说，这两件事在同一时间发生，并非意外。Google官方强调"两则消息只是恰好同天发布，彼此并无关联"，但市场显然不这么认为——一天的市值蒸发背后，是投资者对Google AI人才流失和战略不稳定的深层担忧。1.2 四位创始人，各自带来了什么 理解Discovery Loop的AI制药潜力，必须先理解四位创始人的技术DNA。 Jeff Dean：Google第30号员工，在Google工作了近27年，横跨两代技术浪潮。早期，他与Sanjay Ghemawat共同设计MapReduce、BigTable、Spanner等分布式系统基础设施，这些系统解决了大规模计算集群上处理、存储和调度数据的问题，也影响了后来整个云计算行业。进入深度学习阶段后，他于2011年共同创立Google Brain，参与设计DistBelief、TensorFlow和Pathways等机器学习系统，推动TPU、word2vec、模型蒸馏、稀疏混合专家模型和神经架构搜索等研究。合并后的Google DeepMind成立后，他担任首席科学家，并成为Gemini技术联合负责人。 Sanjay Ghemawat：长期与Jeff搭档的Google最早期员工之一。他的根本贡献集中在分布式系统——MapReduce、BigTable、Spanner、Google File System。对于Discovery Loop来说，Ghemawat的价值在于：自动实验循环需要并行运行大量实验，并管理算力、数据、调度和故障——这恰好是分布式系统的根本问题。 Oriol Vinyals：研究覆盖序列到序列学习、WaveNet、AlphaStar、AlphaCode和多代Gemini。他是Gemini预训练团队的创建者，与Jeff共同担任Gemini项目的创始人和技术联合负责人。但他对于AI制药最要紧的贡献是——他是AlphaFold项目的重要参与者。AlphaFold的成功证明了AI可以解决生物学中一个50年未解的难题，Vinyals的深度学习经验直接与AI制药的根本技术栈对接。 Quoc Le：Google Brain联合创始人，参与过序列到序列模型、神经架构搜索、模型蒸馏、混合专家模型以及多代大语言模型研究。他是Gemini后训练负责人。但最要紧的是——他是AutoML方向的开创者，他的研究让AI可以自动设计AI模型架构，这种"AI自动化探索搜索空间"的技术能力，天然适用于药物发现中的"AI自动化探索化学空间"。1.3 为什么说这四个人是最适合做AI制药的团队 让我做一个对比。当前AI制药赛道的主要玩家可以分为三类： 第一类：管线型AI制药公司（英矽智能、Recursion、Schrödinger）。它们的根本能力是"AI+生物学"——用AI工具加速药物发现，但说到底还是"AI辅助人类科学家"的模式。英矽智能18个月从靶点发现到PCC，但它的工作流仍然是"AI提出候选分子→人类科学家验证→反馈到AI"。 第二类：平台型AI公司（晶泰科技、Phylo）。它们的根本能力是"AI+自动化"——用AI Agent贯穿研发流程，但说到底还是"AI替代人类完成重复性工作"的模式。Phylo的AI Agent可以自主执行实验步骤，但无法自主提出新的科学假设。 第三类：Discovery Loop要做的——"AI自主执行完整科学发现循环"。四位创始人的技术组合覆盖了：分布式系统（大规模并行实验的基础设施）、深度学习（AI提出假设和设计实验的能力）、AutoML（AI自主探索搜索空间的能力）、AlphaFold（AI解决生物学问题的能力）。这种组合，在当前的AI制药赛道中找不到第二个。2. 技术成熟度评估：自动实验循环在AI制药中的位置2.1 Gartner技术成熟度曲线分析 我用Gartner Hype Cycle框架来定位Discovery Loop的自动实验循环技术在AI制药中的成熟度。 技术触发期（2018-2020）：AlphaFold发布，AI首次在蛋白质结构预测上取得突破。投资界开始关注AI制药，大量资金涌入。这一时期最要紧的信号是"AI能做人类做不到的事"。 期望膨胀期（2021-2023）：AI制药融资额创历史新高，英矽智能、晶泰科技等公司获得数十亿美元融资。Schrödinger上市，Recursion获得英伟达5000万美元投资。英矽智能将AI设计的ISM001-055推进到II期临床。这一时期最要紧的信号是"AI制药要颠覆传统制药"。 幻灭期（2024-2025）：多家AI制药公司管线临床失败。Schrödinger的SGR-2921临床暂停（两名患者死亡），Verge Genomics的VRG50635数据不理想。AI制药公司股价大幅回调。投资界开始质疑"AI制药的临床成功率是否真的高于传统方法"。这一时期最要紧的信号是"AI制药可能被高估了"。 复苏期（2026-现在）：AI制药管线数量从4个增长到179个，9个进入III期临床。英矽智能第32个PCC、晶泰XtalPi Science平台发布、腾讯虚拟细胞登Cell。AI制药的技术能力正在被验证，但"AI能否自主执行科学发现"这个更大的问题仍然悬而未决。 说实话，我越看越觉得心惊——这个赛道的发展速度，远比大多数人以为的快。 Discovery Loop的自动实验循环技术，目前正处于"技术触发期"向"期望膨胀期"过渡的阶段。它还没有任何公开的实验数据、没有论文、没有产品原型，但创始团队的技术积累和行业影响力，已经让市场对这个方向产生了极高期待。2.2 与AI制药历史技术路线的对比 技术路线 典型案例 根本能力 成熟度 对制药效率的提升 蛋白质结构预测 AlphaFold2/3 预测蛋白质三维结构 已成熟 大幅缩短靶点发现时间 生成式分子设计 Chemistry42 生成候选分子 已验证 缩短PCC发现周期60-70% AI贯穿研发全流程 英矽智能Pharma.AI 端到端AI辅助研发 验证中 缩短研发周期30-50% AI Agent执行实验 Phylo 自动执行实验步骤 早期 减少人工实验时间 自动实验循环 Discovery Loop 自主提出假设+执行实验+迭代 概念期 理论上有量级提升 这个对比揭示了一个最要紧的洞察：前四代技术路线的本质都是"AI辅助人类"，而Discovery Loop要做的本质是"AI替代人类进行科学发现"。 这不仅是效率的提升，更是范式的跃迁。3. 价值链重构：自动实验循环如何改变AI制药的价值分配 我来看，Discovery Loop这事儿对价值链的影响，可能比大家想象的更深远。3.1 传统药物研发价值链 传统药物研发的价值链可以分解为：靶点发现→苗头化合物筛选→先导化合物优化→临床前研究→临床试验（I-III期）→审批上市→商业化。 在这个价值链中，价值最高的环节是"临床试验"（占比约60-70%的研发成本），再说是"商业化"（决定着药物的最终价值）。而"靶点发现"和"苗头化合物筛选"虽然决定性的科学价值高，但在价值链中的经济价值占比很低（约10-15%）。3.2 AI辅助的价值链（当前状态） AI的介入，正在逐个环节改造这个价值链。AI加速了蛋白质结构预测（AlphaFold/Chemistry42），缩短了PCC发现时间（英矽智能18个月）。AI Agent降低了实验的人力成本（Phylo），AI平台提高了管线的成功率（AI制药公司宣称I期临床成功率超过80%）。 但问题在于：AI辅助的价值链，说到底没有改变"人"在价值链中的根本地位。人类科学家仍然负责提出科学假设、设计实验方案、分析实验结果——AI只是在执行层面加速了这些过程。3.3 Discovery Loop的自动实验循环价值链 Discovery Loop要做的，是重新定义价值链的分配逻辑： 新价值链：AI提出假设→AI设计实验→AI执行实验→AI评估结果→AI迭代新假设→人类验证最要紧的发现→进入传统研发流程。 在这个新价值链中，"AI提出假设+AI设计实验"这个环节，可能成为新的价值最高点——因为"提出正确的问题"比"回答问题"更难、更有价值。如果Discovery Loop的自动实验循环能够持续提出值得验证的科学假设，那么它在这个价值链中的经济价值，将远超传统AI制药公司的"工具辅助"角色。3.4 价值链重构的投资含义 如果价值链重构的方向正确，那么AI制药赛道的估值逻辑将发生根本性变化：当前估值逻辑：管线价值（rNPV/DCF）+ 平台价值（技术溢价）新估值逻辑：（管线价值+平台价值）× 自动实验循环的"科学发现能力溢价" 这个"科学发现能力溢价"的倍数，取决于自动实验循环能否持续产出高质量的、可验证的科学假设。如果Discovery Loop能够证明其自动实验循环可以持续提出"值得验证的新想法"，那么它的估值倍数将远超当前任何一家AI制药公司。4. 颠覆式创新路径：从"非消费市场"切入 我判断，Discovery Loop要走的路，跟当年Linux颠覆Windows、iPhone颠覆诺基亚是一个套路。4.1 Christensen颠覆式创新框架 根据Clayton Christensen的颠覆式创新理论，颠覆式创新通常从"非消费市场"（non-consumption market）切入——即服务那些被现有产品"过度服务"或"未被服务"的用户。 在AI制药领域，现有玩家的"过度服务"体现在哪里？答案很明确：现有AI制药公司都在追求"更好的AI"，但药物研发的根本瓶颈不是"AI不够好"，而是"科学假设不够好"。 英矽智能的AI平台可以生成成千上万个候选分子，但真正值得推进到临床的候选分子数量并没有增加——因为"提出好的科学假设"这件事，仍然依赖人类科学家的直觉和经验。4.2 Discovery Loop的颠覆路径 Discovery Loop的颠覆式创新路径可以分为三个阶段： 第一阶段（2026-2027）：内部验证。Discovery Loop先用自动实验循环优化自己的AI研究——这是"自己做自己的第一个客户"。这个阶段的目标不是赚钱，而是证明自动实验循环的可行性。适合药物研发的场景包括：AI自主设计纳米抗体和环肽，在TNFα、PD-L1、MDM2等靶点上验证自动实验循环的产出质量。 第二阶段（2027-2028）：药企合作。Discovery Loop与制药公司或生物技术平台建立合作，将自动实验循环应用于具体的药物发现项目。这个阶段最要紧的信号是"大型药企是否愿意为自动实验循环的效果付费"。 第三阶段（2028-2030）：平台化。Discovery Loop将自动实验循环封装成通用平台，向整个制药行业开放。这个阶段的目标是成为"药物发现的AWS"——不自己做药，但为所有做药的人提供基础设施。4.3 颠覆式创新的触发条件 自动实验循环在AI制药领域的颠覆式创新，需要满足三个条件： 条件一：自动实验循环必须能持续产出"值得验证的新想法"。这是最根本的条件。如果AI生成的假设质量与人类科学家相当甚至更好，颠覆就会发生。Oriol Vinyals在接受《WIRED》采访时承认，当前模型在生成真正值得尝试的新想法方面还不够强。说白了，自动实验循环的"提想法"能力，还需要大幅提升。 条件二：自动实验循环的"实验速度"必须显著快于人类科学家。Discovery Loop的目标是"同时启动和迭代数千个实验"。如果这个目标能够实现，自动实验循环在实验速度上的优势将碾压人类团队。 条件三：自动实验循环的"成本结构"必须低于传统方法。这取决于算力成本、实验自动化成本和数据成本的下降速度。如果自动实验循环的成本结构与人类科学家团队相当甚至更低，商业化的可行性就会大幅提升。5. VRIO分析：Discovery Loop的持续竞争优势5.1 资源与能力的VRIO评估 资源/能力 有价值（V） 稀有（R） 难模仿（I） 组织支持（O） 竞争优势 创始团队AI研发能力 ✅ ✅ ✅ ✅ 持续竞争优势 分布式系统基础设施经验 ✅ ✅ ✅ ✅ 持续竞争优势 AlphaFold/AutoML技术积累 ✅ ✅ ✅ ✅ 持续竞争优势 Google投资+算力支持 ✅ ✅ ✅ ✅ 持续竞争优势 公共利益公司架构 ✅ ✅ ✅ ✅ 持续竞争优势 自动实验循环技术路线 ✅ ✅ ❌ ✅ 暂时竞争优势 人才网络与招聘能力 ✅ ✅ ❌ ✅ 暂时竞争优势5.2 三个"不可模仿"的资源 （1）创始团队的技术积累深度。四位创始人参与建设了Google Search、Ads、Gmail、MapReduce、BigTable、Spanner、TensorFlow、TPU、word2vec、Seq2Seq、AlphaFold、Gemini等产品和技术。这种"全栈深度"（从芯片到基础设施到模型到应用）在AI行业内罕见。要在AI制药赛道上找到同样配置的团队，难度极大。 （2）Google的"软性资源"支持。Google不仅是Discovery Loop的创始投资者和云服务合作伙伴，还承诺在第一年提供算力支持。说白了，Discovery Loop可以以极低的成本获取全球最顶级的算力基础设施，而其他AI制药公司需要为此支付高昂的成本。 （3）公共利益公司架构带来的人才吸引力。Discovery Loop注册为公共利益公司，将"公共利益目标纳入公司治理"。对于AI研究领域的顶级人才来说，这种架构比纯商业公司更有吸引力——说白了，公司可以在追求商业回报的同时，保持对科学研究目标的承诺。5.3 竞争优势的持续性 我的判断是，Discovery Loop的竞争优势在短期内（1-2年）主要来自"创始团队的技术积累"和"Google的资源支持"，这两个资源的不可模仿性极强——其他AI制药公司几乎不可能复制。但在中期（3-5年），真正决定竞争优势的，是自动实验循环能否持续产出高质量的、可验证的科学发现——如果不行，再强的创始团队也无法弥补技术路线的失败。6. 竞争格局评估：AI制药赛道的"五力"分析6.1 Porter五力分析 我用Porter五力模型来分析Discovery Loop入局后，AI制药赛道的竞争格局变化。 供应商议价能力（中偏高）。AI制药的根本供应商包括算力供应商（英伟达、Google Cloud、AWS）、数据供应商（药企内部数据、公开数据库、真实世界数据）和人才供应商（AI研究员、计算化学家、生物学家）。Discovery Loop在这方面有独特优势——Google提供的算力支持和第一年免费算力，大幅降低了供应商议价能力带来的影响。但长期来看，随着自动实验循环的规模扩大，算力成本仍然是根本变量。 买家议价能力（中）。Discovery Loop的潜在买家包括大型药企（BMS、辉瑞、诺华）和生物技术公司。大型药企在采购决策上非常谨慎，通常需要经过漫长的验证周期（6-18个月）才会做出采购决策。但一旦验证通过，买家转换成本极高——如果自动实验循环成为药物研发的基础设施，大型药企不会轻易更换供应商。说白了，Discovery Loop的"客户粘性"可能很高，但"客户获取成本"也很高。 新进入者威胁（中）。AI制药赛道的新进入者威胁存在，但Discovery Loop的进入壁垒较高。四位创始人的技术积累和Google的资源支持，构成了显著的"准入壁垒"。但新进入者可能来自两个方向：一是大型药企自建AI研发平台（如BMS的DGX SuperPOD），二是其他AI公司（如Anthropic、OpenAI）拓展到科学发现领域。Jeff Dean的一次公开访谈中提到，他希望"让AI自己发现更好的AI"，这个方向如果成功，可能降低新进入者的技术门槛。 替代品威胁（中高）。这是Discovery Loop面临的最大竞争威胁。替代品包括：传统AI制药公司的AI辅助研发模式（英矽智能、Recursion、Schrödinger）、大型药企自建的AI平台（BMS、辉瑞）、学术机构的开源AI工具（AlphaFold、ESMFold）。其中，最具威胁的替代品是"AI辅助人类科学家的渐进式改进"——如果现有AI制药公司能够通过持续改进AI辅助工具，实现接近"自动实验循环"的效果，Discovery Loop的颠覆式创新路径可能被"渐进式改进"替代。 行业竞争强度（高）。AI制药赛道目前竞争激烈。截至2026年6月，AI驱动的新药临床管线已达179个，9个进入III期临床。英矽智能、Recursion、Schrödinger、晶泰科技、Exscientia等公司正在争夺AI制药的"头把交椅"。Discovery Loop的入局，将加剧这种竞争。6.2 战略分组：AI制药赛道的三梯队 梯队 典型公司 根本能力 估值区间 与Discovery Loop的竞争关系 第一梯队：管线型 英矽智能、Recursion、Schrödinger AI辅助药物发现+临床管线 10-100亿美元 间接竞争——路线不同但目标相同 第二梯队：平台型 晶泰科技、Phylo、Exscientia AI平台+研发服务 5-50亿美元 直接竞争——平台化路线重叠 第三梯队：基建型 Discovery Loop 自动实验循环+科学发现基础设施 未公布 颠覆性竞争——重新定义赛道规则6.3 竞争格局的演变趋势 我的判断是，未来2-3年AI制药赛道的竞争格局将呈现"两极分化"趋势：一端是"管线型"公司，用AI加速药物发现，靠临床数据证明价值；另一端是"基建型"公司，用AI平台服务整个行业，靠规模化效应创造价值。 Discovery Loop的定位是"基建型"——不自己做药，但为所有做药的人提供基础设施。这个定位与晶泰科技、Phylo有重叠，但Discovery Loop的"自动实验循环"更彻底——它不是在"加速人类的发现"，而是在"替代人类的发现"。 如果Discovery Loop的自动实验循环能够成功，AI制药赛道的竞争格局将被彻底重塑。管线型公司将面临"AI基础设施"的竞争压力——它们不得不自己投资自动实验循环能力，或者成为Discovery Loop平台的客户。平台型公司则需要找到与Discovery Loop的差异化定位——要么在特定领域建立数据壁垒，要么在客户服务上建立优势，要么在技术路线上选择不同的方向。7. 风险收益比评估：5条根本风险7.1 风险矩阵 风险项 概率 影响程度 风险收益比评估 自动实验循环无法产出高质量科学假设 50% 高 中风险/高影响 自动实验循环成本过高，无法商业化 40% 高 中风险/高影响 大型药企不信任AI自主实验，合作受阻 40% 中 中风险/中影响 其他AI制药公司（英矽智能/Recursion）抢先实现类似能力 30% 中 低风险/中影响 监管机构对AI自主实验的合规性审查趋严 25% 低 低风险/低影响 说实话，看完这个风险矩阵我松了一口气——最大的风险不是监管也不是竞争，而是技术本身能不能兑现。这反而让我觉得，这个领域值得认真追踪。7.2 风险一：自动实验循环无法产出高质量科学假设（概率50%） 这是最根本的风险。Oriol Vinyals的公开表态已经暗示了这一点——当前模型在"提出值得尝试的新想法"方面还不够强。如果自动实验循环只能重复验证已知假设，或者产出的假设质量低于人类科学家，那么整个技术路线的基础就会动摇。 我的判断：这个风险在技术上是真实的，但团队具备解决这个问题的能力。AutoML领域（Quoc Le的专长）的根本技术就是"AI学会搜索高质量的新方案"，这与"AI学会提出高质量的新假设"说到底类似。但"类似"不等于"等同"，科学假设的复杂性远超模型架构搜索。7.3 风险二：自动实验循环成本过高（概率40%） 自动实验循环需要同时运行数千个实验，说白了巨大的算力消耗。即使有Google的算力支持，当Discovery Loop的自动实验循环用于药物研发时，实验成本将显著增加——因为药物研发的实验不仅需要计算，还需要湿实验验证。 我的判断：这个风险可以通过"AI筛选+重点验证"的混合模式来降低——自动实验循环提出大量假设，AI评估哪些假设最值得验证，人类科学家只验证最有价值的假设。但这种模式与"全自动实验循环"的愿景存在一定的张力。7.4 风险三：大型药企不信任AI自主实验（概率40%） 大型药企对新技术的接受速度通常较慢。即使Discovery Loop的技术是有效的，大型药企能否接受"AI自主提出实验方案并执行"这个模式，仍然存在不确定性。BMS的"AI超算基建悖论"就说明了这一点——Big Pharma更愿意投资"AI基础设施"而非"AI自主决策"。 我的判断：这个风险是真实的，但可以通过"渐进式验证"来降低——先让AI辅助人类科学家的实验设计，再逐步过渡到AI自主执行。Phylo与中外制药的合作模式，已经为这种渐进式验证提供了参考先例。7.5 风险四：竞争对手抢先实现类似能力（概率30%） 英矽智能、Recursion、Schrödinger等AI制药公司也在探索"自动化实验"的方向。英矽智能的BaaS业务（Benchmarking-as-a-Service）已经朝着"行业标准制定者"的方向发展，Recursion的Recursion OS也在试图将AI平台封装成行业基础设施。 我的判断：这个风险较低，但需要关注。上述公司的优势在于"已有数据和管线积累"，但劣势在于"缺乏分布式系统和大规模并行计算的基础设施经验"。Discovery Loop的竞争优势在于，它可以从零开始设计一套"为自动实验循环优化"的系统，而不需要受限于已有系统的兼容性。7.6 风险五：监管机构合规性审查趋严（概率25%） 如果AI自主执行药物发现实验，监管机构（FDA、NMPA、EMA）如何审查"AI生成的科学假设"的质量？这涉及到AI生成数据的可追溯性、AI实验的可重复性、AI决策的透明度等问题。 我的判断：这个风险较低，但不是零。监管机构对AI制药的态度正在变化——2026年，FDA已经发布了AI在药物研发中的指导原则草案。但"AI自主执行实验"和"AI辅助人类执行实验"在监管框架中的定位不同，前者可能面临更严格的审查。8. 催化剂时间线：未来12-18个月最要紧的节点 我梳理了未来12-18个月需要盯住的几个最要紧的时间点。 时间节点 催化剂事件 预期影响 置信度 2026年Q3 Discovery Loop完成种子轮融资，公布估值 中 高（90%） 2026年Q4 创始团队招募完成，公布首批研究方向 中 高（85%） 2027年Q1 发布首个自动实验循环的技术论文或原型 高 中（60%） 2027年Q2 与制药公司或生物技术平台达成合作 高 中（55%） 2027年Q3 公布自动实验循环在药物发现中的早期实验结果 极高 低（40%） 2027年Q4 验证自动实验循环在AI模型优化中的有效性 中 中（65%） 2028年H1 自动实验循环在药物发现领域"端到端"验证 极高 低（30%）9. 结论 Jeff Dean创办Discovery Loop，是AI制药赛道在2026年8月最值得关注的事件。但我要强调的是，这并不意味着AI制药赛道的"赢家已定"——恰恰相反，Discovery Loop的入局，可能加剧AI制药赛道的"军备竞赛"。 站在2026年8月这个时间节点，我对AI制药的判断是：AI制药已经走过了"能不能做"的阶段（技术验证期），正在进入"谁能做出来"的阶段（差异化竞争期）。Discovery Loop的自动实验循环，是这个赛道中目前最有想象力的技术路线——它可能根本性地改变药物研发的工作流，把AI从"辅助工具"升级为"自主科学家"。 但"有想象力"不等于"能成功"。自动实验循环在生物学领域的验证，需要一个完整的"假设→实验→验证→迭代"闭环，这个闭环的周期可能长达2-3年。在这期间，Exscientia、Recursion、英矽智能等AI制药公司不会等着Discovery Loop超越它们——它们也在加速进化。 所以，我的最终判断是：Discovery Loop的自动实验循环是AI制药赛道"最值得追踪的技术路线"，但"最值得追踪"不等于"最值得投资"。在自动实验循环的"AI提想法"能力得到验证之前，保持关注、保持谨慎，可能是最理性的态度。参考文献 [1] Jeff Dean. Discovery Loop announcement[EB/OL]. X (Twitter), 2026-08-05. http://m.toutiao.com/group/7670930107200045631/ [2] 科技行者. Jeff Dean离开谷歌：四位AI核心人物创办Discovery Loop[EB/OL]. 2026-08-06. http://m.toutiao.com/group/7670930107200045631/ [3] 成立不到一周，Jeff Dean的Discovery Loop，最可能突破哪个方向[EB/OL]. 2026-08-07. http://m.toutiao.com/group/7670862906061292042/ [4] 谷歌AI大模型落后，高层又突发崩盘，市值一夜蒸发1900亿美元[EB/OL]. 2026-08-07. http://m.toutiao.com/group/7670931031038214683/ [5] 诺奖得主卸任、AI元老出走，谷歌市值一日蒸发1800亿美元[EB/OL]. 2026-08-06. http://m.toutiao.com/group/7670851989492613667/ [6] 突发，Jeff Dean离职创业！谷歌股价应声蒸发1.34万亿[EB/OL]. 2026-08-06. http://m.toutiao.com/group/7670698510777401875/ [7] AI算力炒完了？资金悄悄干了一件大事——狂买医药，近250亿进场[EB/OL]. 2026-08-02. http://m.toutiao.com/group/7668982744348787244/ [8] 2026人工智能辅助新药研发技术突破与产业化前景预测[R]. 2026-08-03. https://m.book118.com/html/2026/0803/6100122243012204.shtm [9] 2026年医疗基因编辑CRISPR报告[R]. 2026-08-04. https://m.book118.com/html/2026/0804/7045156041011140.shtm [10] Discovery Loop官网. https://discoveryloop.com/ [11] WIRED. Jeff Dean on why he left Google to start Discovery Loop[EB/OL]. 2026-08-05. [12] BCG. AI in Drug Discovery: The First 100 Companies[R]. 2026. [13] 平安证券. AI制药行业深度报告：179条管线，9个III期[R]. 2026-06.

风险投资视角下的 AI × TechBio：从技术和商业两重视角下的系统评估 编辑声明与作者背景简介 本文作者 现任职于欧洲一家知名风险投资机构，该机构与 MMC Ventures（下称"MMC"）在多个研究与投资项目上保持长期合作关系。基于这一合作关系，作者本人以顾问身份参与了 MMC 旗舰研究报告《The AI x TechBio Bingo》及其续篇《AI x TechBio: Featuring the future of drug discovery》的研究工作。作者在生命科学与人工智能交叉领域（AI x TechBio）拥有多年一线投资实战经验，长期跟踪 AI 驱动药物发现、非动物替代方法（NAMs）与监管科学的产业化路径。 本文在忠实梳理 MMC 上述两篇研究报告核心结论的基础上，结合作者在该领域的投资实践、交易结构设计与投后治理经验，从技术可行性与商业可行性两个维度，提供独立的分析视角与可操作的战略判断，供风险投资人与 TechBio 创业者参考。 （本文系修订后重新发表） 前言与导读：解构 TechBio 的迷雾，重估这场赌局的真实赔率 过去五年，"AI 颠覆新药研发"几乎成了每一家生命科学初创公司的标准话术，但话术泛滥的代价，是估值与实际能力之间越拉越大的裂缝。MMC 在《The AI x TechBio Bingo》报告中给出了一个足够冷峻的类比：药物研发本质上是一场"2%概率赢得2000亿美元、分摊20年支付，但要先押注20亿美元、且10年后才知道输赢"的高风险赌局。支撑这个类比的行业底色是：90%的候选药物在临床试验中折戟，单个药物平均研发成本约20亿美元，全流程耗时约十年，而约55%已获批药物的销售收入甚至无法收回其研发成本。正是这套令人绝望的赔率，让AI被寄予"重新定价这场赌局"的期望——这也是Isomorphic Labs与Eli Lilly、Novartis合计30亿美元的合作、NVIDIA与Eli Lilly十亿美元AI联合实验室等巨额交易接连落地的根本动因。 但真实数据比叙事谦逊得多。MMC援引Jayatunga等人的研究指出，AI发现的分子在I期临床试验中成功率达80-90%，远高于历史平均水平，可一旦进入II期，成功率就骤降至约40%，基本回落到行业整体均值。由于临床试验占药物开发总成本的60%以上，且II期恰恰是绝大多数药物的坟场，这构成了整个行业绕不开的问题：AI究竟解决了"造出更聪明的分子"，还是真正解决了"造出能治病的药"？本文将沿技术评估与商业评估两条主线拆解这一问题，并在此基础上，给出风险投资人与创业者可以直接拿来用的判断框架。 第一部分：忠实还原——MMC《The AI x TechBio Bingo》报告全景 1.1 为什么需要"Bingo"分类体系？为泡沫式叙事划出一道及格线 过去几年，TechBio领域充斥着含糊其辞的自我定位，几乎所有公司都习惯性地给自己贴上"AI-native"、"下一个AlphaFold"或"平台型生物科技"的标签，以换取估值溢价。MMC提出Bingo框架的初衷,正是要建立一套统一的生命科学与AI交叉语言体系,把复杂的技术手段精确映射到药物研发链条上真实存在的需求节点,从而让投资人有能力把"讲故事的能力"和"被验证的能力"分开来看。这套框架的底层支撑,是对40余位制药行业高管与初创公司创始人的深度访谈,目标直指一个具体而尖锐的问题:在没有任何临床试验数据可用的阶段,究竟什么才能证明一家AI TechBio公司拥有可持续的优势,而不只是一套精美的PPT。 1.2 四大核心技术与业务象限拆解 MMC的原始框架由三大技术支柱构成：专有数据（Proprietary Data）、算法与模型（Algorithms）、以及实验室闭环与智能体工作流（Lab-in-the-loop & Agentic AI）。结合Part 2对约120家公司的市场地图,可以将其进一步归纳为覆盖药物研发全链条的四大业务象限： 象限一：靶点发现与疾病生物学（Target Discovery & Disease Biology）。这一象限依靠多组学、单细胞/空间表型组学与知识图谱挖掘潜在靶点与疾病作用机制（Mechanism of Action, MoA）。MMC指出，pharma长期受困于"靶点拥挤"——一项2025年分析发现，仅38个靶点即占据约四分之一的临床前及临床管线，这意味着真正具备差异化能力的靶点发现引擎,反而是整个行业里最稀缺的资产。 象限二：分子设计与结构优化（Molecular Design & Structural Optimization）。生成式小分子/蛋白质从头设计（De Novo Design）、晶体结构预测、多目标ADMET物理-AI联合优化,是这一象限的核心。DeepMind与Isomorphic Labs团队发表于Nature的AlphaFold 3论文展示了跨蛋白质、核酸、小分子、离子的统一深度学习结构预测框架，将结构预测的准确性推向了新的高度，但论文本身也坦承模型存在4.4%的手性错误率以及一定程度的"幻觉"现象——这个细节为后文讨论"算法同质化"埋下了一个不容忽视的伏笔。 象限三：自动化实验室与数据生成（Automated Labs & Data Generation）。高通量干湿闭环机器人实验室，持续产出标准化、高清晰度的"生理/病理真值数据"，是这一象限的核心工程范式。 象限四：转化医学与临床优化（Translational & Clinical Optimization）。患者精准分层、生成式数字孪生（Digital Twins）、合成对照组（Synthetic Control Arms）与临床试验风险评估，构成了从实验室走向病床的最后一环——也是MMC报告反复强调的、真正决定AI药物能否跨越II期临床鸿沟的关键环节。 1.3 报告涉及的全球TechBio企业全景分类清单 为保证本文的完整性与可复用性，以下以表格列明MMC两篇研究报告及本次扩充研究中梳理的代表性企业分类矩阵。需要说明的是，公司之间存在交叉归类现象（例如Basecamp Research同时涉及"自然衍生发现"与"基因治疗"两个类别），MMC官方在Part 2中为简化呈现，仅为每家公司分配了一个主类别。 业务/技术象限 代表性企业清单 1. 靶点发现与疾病生物学 Owkin、BioMap（百图生科）、BenevolentAI、CytoReason、Veritas Genetics、Verge Genomics、Landos Biopharma 2. 分子设计与结构优化 Isomorphic Labs、Insilico Medicine、Exscientia、Relay Therapeutics、Genesis Therapeutics、Chai Discovery、Schrodinger、EvolutionaryScale 3. 自动化实验室与数据生成 Recursion Pharmaceuticals、insitro、Xaira Therapeutics、LabGenius、Strateos、Arda Therapeutics 4. 转化医学与临床优化 Unlearn.AI、PathAI、ConcertAI、Tempus、Saama Technologies 5. 平台与工具/数据基础设施 LatchBio、Seven Bridges（Velsera）、DNAnexus、Form Bio 在MMC Part 2的原始120家公司地图中，还进一步细分出16个更精细的子类别，覆盖从科研工具到具体治疗模态的全链条，以下以表格完整列明各子类别及代表性企业。 序号 细分子类别 代表性企业 1 AI联合科学家 DaltonTx、Kiin Bio、Coincidence Labs、Phylo、Potato、Edison Scientific、GXL、Science Machine、Causaly 2 生物AI基础设施 Tamarind Bio、Helical、Salt AI 3 现代化实验室 b12、Briefly、Adaptyv Bio、OnePot AI、Instance Bio、Dash Bio、Reactwise（削减95%化学放大实验工作量）、Differential Bio、Ganymede Bio、UniteLabs、Lila、Medra 4 药物安全 Axiom、Sable Bio、Inductive Bio、Quris AI（器官芯片+机器学习） 5 临床试验优化 Luvida、Insynctrials、Sano Genetics、Delfa、PhaseV、Biorce、Unlearn、Lindus Health 6 虚拟患者与虚拟临床试验 Ingenix、Bioptimus、Quant Health、Synthesize Bio、Valinor、Atlas Bio、Theremia、Parallel Bio、Vivodyne、Orakl Oncology、Karavela AI 7 小分子 Iambic Therapeutics、Genesis Molecular AI、Postera、manasai、Superluminal Medicines、Terray、Leash Laboratories、ProPhet、Valo Health、Scripta Therapeutics、Orbis Medicines 8 分子胶 Molecular Glue Labs、Ternary Therapeutics、Proxima Bio、Degron Therapeutics、Protai 9 RNA疗法、基因治疗与递送 Atomic AI、Wayfinder Biosciences、NosisBio、SymphoRNA、Mana Bio、Aerska、ExpressionEdits、Cassidy Bio、Brink Tx 10 蛋白质治疗设计 Nabla Bio、Latent Labs、DenovAI、Profluent、Archon Biosciences、Onava、Manifold Bio、Earendil Labs、BigHat、Cradle Bio、Sortera Bio、Valink Therapeutics 11 自然衍生发现 Basecamp Research、Enveda、Generare Bio、Outpost Bio、Biomia 12 分子结构预测 Isomorphic Labs、Boltz、Chai Discovery、Topos Bio、Peptone 13 物理优先方法 Aqemia、TandemAI、Achira、Axiom Therapeutics、Simulacra AI 14 虚拟细胞 Noetik、Xaira Therapeutics、Tahoe Therapeutics、Converge Bio、GenBio AI、QurieGen、Turbine AI、CellType、Relation Therapeutics、Insitro 15 免疫学与免疫工程 Immunai、Cartography Biosciences、Graph Therapeutics、Odyssey Therapeutics、Synteny、Serova、Immunara、Granza Bio 16 药物资产复活与开发 Formation Bio、Pathos、Ignota Labs、Convexia Biosciences 第二部分：技术评估——从算法繁荣走向"数据与生物学"深水区 2.1 算法模型同质化与开源破局 随着AlphaFold 3、ESM-3、Chai-1等顶尖基础模型陆续开源与公开发布，单靠"自研一套结构预测或表型预测算法"这条路，已经不再是有效的技术壁垒。AlphaFold 3论文展示了跨蛋白质、核酸、小分子、离子的统一深度学习结构预测框架，将准确性推向了新高度，但正是这种"公开、可复现的高准确性"，反过来抽走了那些单纯以结构预测为卖点公司的差异化空间。MMC在Part 1中给出了类似判断：现有AI架构大量继承自为文本或图像设计的transformer与diffusion模型，推理能力的边际提升，弥补不了生物学本身复杂性带来的系统性预测偏差。换句话说，模型越来越聪明，但"聪明"本身正在变得廉价。 2.2 公共数据库的毒素，以及"Garbage in, Garbage out"的老问题 MMC的核心论点很直白：训练生物学基础模型所需的数据，其获取难度远超训练大语言模型。真实生物过程无法用堆资源的方式压缩观察时间，而现有公共数据库普遍存在多样性不足与结构性偏差——Basecamp Research发现，Sequence Read Archive中68%的序列数据仅来自5个物种，70%的提交仅来自10个国家。这种"公共数据毒素"不只体现在物种与地理分布的偏斜上，也体现在实验室批次效应（Batch Effects）、PAINS假阳性化合物干扰，以及静态晶体结构无法反映动态生理状态等结构性缺陷上。用带着大量噪声的数据去微调大模型，最终换来的往往是"幻觉高亲和力分子"——计算指标漂亮，生物学真实性却经不起推敲。 2.3 闭环干湿实验室（Closed-Loop Wet-Dry Lab）的工程学范式 MMC反复强调的"lab-in-the-loop"范式，本质是搭建一条"AI提出假设→自动化高通量扰动实验→产出生理真值数据→反哺AI优化模型"的闭环飞轮。报告中的典型案例包括：Relation Therapeutics将AI团队与湿实验室团队共置于同一设施，运行递归式lab-in-the-loop循环；LUMI-lab自驱动平台将基础模型与机器人实验室结合，自主发现可离子化脂质，其顶尖设计LUMI-6在肺上皮细胞中实现20.3%的基因编辑效率，超越此前吸入式LNP-CRISPR递送的最高纪录。此外，Onava通过高通量检测将"计算设计到实验验证"周期压缩至7天以内；Synteny的MYRIAD平台捕获TCR-pMHC相互作用数据，成本仅为表面等离子体共振（SPR）金标准方法的约十万分之一。这些案例共同指向同一个结论：真正的速度优势，从来不是模型跑得快，而是"假设—实验—验证"这个闭环转得快。 2.4 疾病生物学（Disease Biology）与Human Ground Truth Data 把分子和蛋白的结合亲和力（Kd/IC50）推向极致，并不等于这个分子能在人体内真正治病——这正是"亲和力陷阱"最尖锐的地方。Waring等人对AstraZeneca、Eli Lilly、GlaxoSmithKline与Pfizer四家大型制药公司药物研发失败原因的综合分析显示，安全性与毒理学问题是导致失败的最大来源，且理化性质与临床安全失败之间存在明确关联。这与MMC报告的判断相互印证：90%的临床撤单大量来自靶点机制验证错误或疾病异质性，而非单纯的分子设计缺陷。行业正在从"造分子"向单细胞组学、空间转录组学、患者来源肿瘤类器官（Patient-Derived Organoid, PDO）等人类疾病真值数据转移——MMC报告中提到的Noetik、GraphTX、Orakl Oncology、MultiOmic Health等公司，正致力于建立直接连接生物学机制与临床结局的数据集。 2.5 Agentic AI在生命科学中的现实检验：Anthropic研究给行业的一剂清醒剂 Anthropic于2026年发布的研究《Paving the way for AI agents in biology》，给整个行业投下了一个相当不客气的结论。研究团队构建了VirBench基准测试，涵盖40种病原体的120个病毒序列检索查询，用以衡量AI智能体从NCBI等生物数据库中准确检索数据的能力。结果显示，在没有专用工具辅助的情况下，包括Claude Sonnet 4这类推理能力极强的大模型，检索准确率的均值区间宽达16.9%至91.3%，且同一提示词多次运行的结果严重漂移——针对某埃博拉病毒查询，正确答案应为266条序列，Sonnet 4三次运行分别只返回106条、15条和5条，错误的检索结果甚至将某次疫情的估计起源日期系统性地误判后推了近百年。 然而，当研究团队引入与NCBI合作构建的确定性检索工具gget virus之后，所有模型的准确率均跃升至90%以上，GPT-5.5达到99.7%，模型之间的能力差距几乎消失。这个发现的关键结论毫不含糊：真正限制AI Agent在生物学领域发挥作用的瓶颈，早已不是大模型本身的推理能力，而是生物底层数据基础设施的确定性（Determinism）、可编程性（Programmability）以及Agent-Native API标准的长期缺位。这与MMC报告中"专有数据护城河"的判断如出一辙——真正稀缺、真正值钱的，从来不是模型有多聪明，而是数据接口与数据质量本身是否可靠。 第三部分：商业评估——变现路径、交易结构与资本效率重构 3.1 商业模式的三重抉择：SaaS/CRO vs. Asset-Centric vs. Hybrid MMC在Part 2中系统讨论了TechBio公司面临的核心商业抉择：是坚守"纯平台"（Pure Platform）,卖软件与服务，还是转向"平台+管线"（Platform + Pipeline）,自建资产管线，抑或采取混合模式。Pickard等人对220家TechBio/生物科技公司的分析给出了颇具说服力的数据：平台型公司在核心资产失败后的存活率远高于非平台型公司——65%的平台公司仍在存续，而非平台公司高达95%已经倒闭；平台型公司还拿到了更多授权交易，交易总潜在价值达7.48亿美元，是非平台型公司1.36亿美元均值的五倍以上。这组数据构成了整条商业模式光谱的量化基础：纯软件/CRO模式收入相对稳定、毛利较高，但估值天花板受限于生命科学软件市场本身的规模；资产管线型模式研发风险极高、烧钱速度快，但一旦跑出成功案例，估值想象空间近乎不设上限；平台+管线的混合模式，则试图在首付款、里程碑付款与风险共担之间找到平衡点。 3.2 大药企（Big Pharma）的采买心理学与BD交易结构分析 MMC报告揭示了一个足以改变投资判断的商业现实：单一成功药物的年收入规模，可能远超整个生命科学软件行业的总营收。以Merck的Keytruda为例，其2025年净销售额高达317亿美元，而生命科学软件领域最成功的公司之一Veeva总年营收仅32亿美元，Dotmatics（被西门子以51亿美元收购）预计2025财年营收超过3亿美元，Schrödinger年软件收入约2亿美元。这种量级上的悬殊差距，才是"平台+管线"依然是行业主流商业模式的真正根源——如果一家公司真的相信自己的平台能发现下一个Keytruda或Humira，任何理性的管理层都不会满足于只做卖工具的生意，而会想方设法自己承担研发风险，捕获全部上行空间。 在这样的收益结构下，大药企的采购心理呈现出明显的"证据门槛前置化"特征：pharma不再愿意为纯粹的算法平台支付高额首付款,首付款的多少直接取决于TechBio公司能否提供湿实验室验证数据及明确的实验证据。交易价值大量绑定在临床前候选化合物（Preclinical Candidate, PCC）交付、I期安全性数据以及II期临床疗效突破等后期节点上。一项2025年的分析发现，2008年以来生命科学M&A交易中仅有9.5%的里程碑款项被实际支付——这个数字应该让所有还在幻想"里程碑分成能撑起估值模型"的创始人清醒一点：真正能兜底生存的,是早期谈判中争取到的更高比例首付款,而不是纸面上写得漂亮的后续里程碑。 3.3 监管风向标：FDA Modernization Act 2.0、NAMs与去动物化数据范式 2022年通过的FDA Modernization Act 2.0，在法律层面正式授权以细胞检测、计算机建模等非动物替代方法取代IND申报中部分动物试验数据要求。基于这一立法基础，FDA于2025年4月发布了具体路线图，宣布将逐步减少单克隆抗体开发中的动物试验要求，转向包括AI计算毒理模型、人源类器官与器官芯片系统等新方法学（New Approach Methodologies, NAMs）。路线图明确指出，药物开发者在提交IND申请时如能提供扎实的NAMs数据，可能获得更快的审评通道；短期内（1-3年）目标是扩大NAMs应用并建立比较数据库，长期（3-5年）目标则是让NAMs成为默认的预临床安全评价标准，动物试验反而成为例外情形。 这里有一个容易被创业者忽略的关键前提：FDA对NAMs的接受高度依赖证据积累的质量。这场去动物化政策改革，实质上建立在跨国药企数十年积累的海量临床与前临床数据仓库之上，缺少高品质标准化数据积淀的公司如果盲目追赶这一政策红利，往往容易流于形式，很难真正满足审评要求。与此同时，欧洲药品管理局（EMA）2023年发布的《人工智能在药品全生命周期应用的反思文件》提出了类似的原则性框架，强调AI/ML建模方法可用于替代、减少和优化预临床动物模型的使用,但必须坚持以人为本的可信度标准,并鼓励开发者尽早寻求监管科学建议。这份文件同时明确指出，AI在药品全生命周期各阶段——从早期发现到上市后药物警戒——均有潜在应用场景，但算法的可解释性、偏差风险与技术失效的影响，依然是监管审慎对待的核心关切。 3.4 单位经济学（Unit Economics）与资本效率重构 对TechBio公司商业健康度的评估，正在从单纯的融资规模转向单位资本效率。核心矛盾在于算力成本（GPU/云计算）与湿实验成本（试剂、细胞系、测序）之间的动态权衡——纯粹依赖算力堆叠的模型公司，边际收益正在快速递减，而真正的差异化，往往来自于能否用更低的单位资本消耗，产出更高质量、更接近临床可用标准的候选化合物（PCC）。这与Boston Consulting Group与Wellcome Trust联合发布的报告《Unlocking the Potential of AI in Drug Discovery》的判断相呼应：该报告基于文献、专利与行业访谈的综合评估指出，AI在药物发现中的价值实现程度参差不齐，行业需要更清晰地界定AI应用的成熟度边界与实际瓶颈，而不是笼统地宣称AI已经颠覆了整个研发流程。评估一家TechBio公司是否具备资本效率优势，正确的问题早已从"融了多少钱、算力规模多大"，转变为"每消耗一单位资本，能产出多少个通过标准化验证的PCC，以及这些PCC推进到下一阶段的实际概率有多高"。 第四部分：VC视角——对AI × TechBio初创公司的战略启发 4.1 护城河重塑：从"模型壁垒"到"专属数据引擎（Data Engine）" AlphaFold 3、ESM-3、Chai-1等基础模型的开源化，意味着算法本身的壁垒正在以肉眼可见的速度消融。Anthropic的VirBench研究进一步印证了这一点：即便是最先进的大模型，如果缺乏确定性、可编程的数据接口，其实际表现也会剧烈波动；反之,一旦接入结构化数据层，模型之间的能力差距几乎荡然无存。这意味着，真正可持续的护城河，早已不在于"训练了一个更聪明的模型"，而在于"拥有一个独占性、高一致性、具备逻辑可编程性的专属数据引擎"——也就是MMC反复强调的数据规模、多样性、增长速度、多模态丰富度、质量标准化与生物学新颍性的综合体。对投资人而言，尽调时真正该盯住的是数据资产能否持续复利，而不是当下那份漂亮的benchmark分数。 4.2 终极考核指标转变：从亲和力Benchmark到PCC与临床Proof of Concept 投资者的评估标准正在经历一场根本性转变：从"发表了多少篇Nature/Science论文、拥有多大规模的算力集群、在公开榜单上刷出了多高的亲和力Score"，转向"能否稳定交付合格的PCC、IND申报质量如何、能否在II期临床中获得真实的概念验证（Proof of Concept, PoC）"。MMC援引的框架同样支持这一判断：报告将验证难度按生物学已知程度分为已知生物学、未知/新颍生物学与"无人区"三类，并明确建议创业公司应严格规避"无人区"——即已有药物存在、转化模型不可靠、且非群体规模问题的领域，因为这类项目既缺乏可靠的早期验证基准,商业回报的确定性又不足以支撑高额早期资本投入。对创始人而言，这是一条值得刻在墙上的忠告：讲故事可以很动听，但真正决定公司命运的,是能否把不确定性提前锁死在早期。 4.3 资本寒冬下的管线组合管理与退出通道选择 在当前的宏观资本环境下，管线组合管理的核心策略正在从"广撒网铺设数十条管线"转向"聚焦1-2条具备强生物学机制支撑的核心管线（Lead Assets）"。这一策略选择,与MMC援引Pickard等人研究中的发现相互印证：平台型公司即便面临lead asset失败，仍能凭借同一核心技术快速切换至backup asset,维持较高存活率。但这种韧性有一个不容忽视的前提——技术平台本身必须具备真正的可迁移性，而不只是资产组合数量上的堆砌。 在退出通道方面，除了传统的IPO路径外，将中早期资产授权（Out-licensing）给跨国药企，或被大型Biotech/CRO进行战略并购（M&A），正在成为当前环境下更主流的选择。GSK与Noetik于2026年初达成的交易颇具标志性意义：这笔交易并非围绕单一药物候选物，而是GSK支付5000万美元首付款及持续订阅费用，以获取Noetik两款癌症研究基础模型（虚拟细胞模型）的使用许可——这被视为TechBio行业从传统"AI服务"合作模式,转向"纯软件许可"新资产类别的关键转折点。对于选择坚守纯平台路线的公司，向pay-as-you-go与结果制定价的转型，以及向农业、材料科学、工业生物等制药之外垂直领域的横向扩张，是打开收入天花板的两条现实路径。 对于风险投资人而言，AI × TechBio真正的分水岭,从来不在于谁讲述了最性感的AI叙事,而在于谁能够最早把技术验证、商业变现路径与临床转化能力这三件事同时做实。技术上具备可复利数据引擎、商业上匹配正确的资本结构与定价模式、并在监管科学层面提前布局NAMs证据积累的公司，才会在下一轮行业整合中占据最有利的位置。

近期与多家传统药企、AI企业交流，可以观察到药企对于AI4S（AI for Science）的关注明显提升。但产业端仍存在几个核心问题： AI能否直接发现新药？ 什么样的模型指标代表有效？ 是否应该尽快布局？ 药企应该自建能力还是与AI企业合作？ 这些问题可能没有标准答案，伊嘉资本研究团队分享本文，希望能够抛砖引玉。 AI4S 01 新药研发的核心成本是自证——试错、验证并证明 创新药研发通常需要10年以上周期，平均研发成本超过10亿美元，且从临床前到上市成功率不足 10%，而如果考虑失败项目成本后，一个创新药研发成本约为26亿美元（2013年美元口径）[1]。 但是，如果换个视角来看，医药研发成本，真正的“大头”并非是分子发现，而是向监管机构证明这个分子安全且有效。 监管机构承担的是公共健康责任，不会仅依据实验室结果批准药物，而是要求企业在符合伦理要求的前提下，通过严格设计的临床试验建立完整证据链，比如随机对照试验、长期安全性观察、风险收益评估，以及上市后的真实世界数据验证。 这也是为什么大量候选药物最终无法商业化——很多分子在实验室阶段表现优秀，但进入人体后可能出现疗效不足、安全性等问题，或者无法达到监管认可的临床终点。 在实验室阶段，可以通过体外实验、动物模型等方式判断一个候选药物是否具有潜在活性，但这些结果并不能直接转化为患者获益。从实验室走向临床之后，研发工作的重心就从“寻找可能有效的药物”，转变为“用足够充分的证据证明药物安全且有效”，积累证据从而经过监管批准进入市场。 这也是为什么创新药研发成本长期居高不下。“证明题”需要大量真实世界实验和临床数据进行佐证，每一步都需要时间和经济成本，而证明中同样伴随着不确定，最终能说服监管的少之又少。 根据 PhRMA 统计，临床开发和监管审批相关投入通常占创新药研发总成本的 70%以上[2]。其中，III 期临床试验是成本最高的环节。一项全球多中心 III 期试验通常需要数百至数千名患者参与，覆盖几十甚至上百家研究中心，持续数年时间，并产生大量疗效、安全性和亚组分析数据。 过程中任何的风吹草动，一旦导致临床失败，最终所有工作的价值可能瞬间归零，而这种高风险也进一步推高了研发成本。 所以，传统药企企业在创新药转型的过程中需要有足够的决心，不仅要找到具备创新药研发全链条经验丰富的团队，给予足够的信任和授权，还要建立相对适用的风控体系。这是一件必须以5年为一个周期用信心、耐心、决心的破釜沉舟之决策。 02 AI4S 的机会——简化证明题 人体是目前已知最复杂的生物系统之一。一个药物进入人体后，会受到基因差异、疾病异质性、免疫状态、代谢环境等多重因素影响。因此，一个在实验室有效的分子，到最终转化为患者获益中间存在巨大的不确定性。监管体系承担的是“防火墙”的角色，因此要求所有企业按照统一标准完成验证。 但试想，如果研发的成功率大大提高了，还需要如此重的“裁判和监督”吗？ 假设当前创新药从进入临床到上市成功率约为10%，意味着100个进入临床阶段的候选药物，最终可能只有10个成功，此时监管需要做重、成本也极高。 但如果AI4S能够通过靶点筛选、分子设计、患者分层等方式，将成功率提升至50%。监管流程就有简化空间，对应的，药物研发上市的直接成本将大幅降低。 甚至，如果未来在 AI 的帮助下，药物研发成功率无限逼近 100%时，那么还需要如此庞杂的监管体系吗？可能那时个性化药物和它对应的轻监管体系也就成了现实。 航空、汽车、金融等行业存在类似逻辑，即监管强度通常与风险水平相关。当一个技术、体系证明了长期可靠性，监管会从结果自证到过程监督。 例如高信用企业可以获得更高效率审批、成熟技术路径可以采用更简化流程，但同时高风险创新仍保持严格监管，未来药物监管也可能出现类似趋势。 但是“无需自证”并不是取消监管，由于药物涉及人体健康，安全测试永远有存在必要，但可以减少非必要的证明流程。 因此，短期看，AI4S技术的突破能够为研发提速。而长期看，如果 AI4S 能够提高研发成功率，可能会对监管体系进化反向推动，从而简化湿实验产生的70%以上的研发成本，进而改变药物研发的“经济账”。 这巨大的变革和想象空间，也孕育着巨大的市场机会。 03 AI4S是怎么落地的？       ——工具、AI-CRO 与AI-Biotech并存 AI4S的商业化路径多元化，大概分工具、服务和资产，三种模式并非互斥，头部AI4S企业往往内部同时兼有这三类业务。而我们一直观察和疑虑的问题是，AI4S做软件或服务的模式市场规模到底有多大，是否可持续并获得现金流闭环的最终股东价值么？ 三者的根本差异在于风险与收益的分配：卖工具是模式轻资产，不承担研发风险、赚取确定性收入；做服务投入更重，但谈判溢价更强，可与药企分摊部分收益；开发管线的模式下则承担最高的风险，同时博取最高的资产升值空间，如里程碑付款、商业化收益分成等。 模式 1 工具/终端是当前最普遍的模式，按月或按坐席收费的订阅收费，但当前仍然是一个“小市场”切入口。从国内来看，粗略估算，国内本科及以上毕业生累计约1.5亿人，如果按平均10%的研发人员占比和每年500元左右收费，对应每年市场天花板约75亿元，可能只有最头部的企业才能支撑超过10亿元的年收入[3,4]。 以Schrödinger为例，全球前20大药企都在使用其产品，其2025年软件业务年化合同金额（ACV）约1.99亿美元，其中前20大药企（全部都是签约客户）贡献约0.81亿美元，对于这些每年投入研发经费都在百亿美元级别的MNCs，平均客单价只有400万美元/年，实在不是多高的价格。 特别是对比之下，Veeva常年Top10的客单价在8,000万美元/年以上，而被达索收购前，Medidata在2018年的Top5客单价也在3,000万美元/年以上。 可见，以Schrödinger为代表的AI4S的产品价值还没有彻底得到客户认可，或者被认为还有风险。 比如，各家AI公司开发的药物也有不少失败案例。2023年，Exscientia终止了EXS21546与PD-1抑制剂联用的Ib/IIa期实体瘤试验。2024年4月，BioXcel的AI驱动药物BXCL501申请阿尔茨海默病相关急性激越适应症时收到FDA完整回复函，关键III期研究的数据完整性受到质疑，上市申请未获批准。2025年，Schrödinger终止了CDC7抑制剂SGR-2921在复发或难治性AML/MDS中的I期试验等等。 每一次失败背后都是数亿美元打水漂，因此药企对于这类AI工具也必然存在疑虑，付费意愿也必定受限。 模式 2 基于此，部分AI企业也开始自己开发，用研究结果来证明技术可靠性，也就衍生出了 AI-CRO 和 AI-Biotech 两种模式。AI企业更深入研发工作中去，在新技术的帮助下，更高效、高成功率、低成本的交付候选药物分子，甚至承担更高的不确定性，向临床研究推进。而对于药企来说，这种模式更好接受，服务与管线看得见摸得着，更好定价，按结果付费。 比如，2025年6月，晶泰科技与DoveTree Medicines建立战略合作，由晶泰科技提供AI、物理建模和自动化实验能力，DoveTree提供靶点生物学和转化医学判断，共同推进肿瘤等研发项目。到2026年5月，首个临床前候选药物已进入IND-enabling研究，晶泰科技获得了预付款和阶段性付款，并享有后续里程碑及销售分成。AI-Biotech则更进一步。2025年6月，英矽智能自研的Rentosertib（ISM001-055）IIa期临床结果发表于《Nature Medicine》。该项目由其生成式AI平台发现并由公司自己推进临床，走的是用自有管线验证技术、再通过授权或商业化兑现资产价值的路径。 模式 3 不少AI4S企业走向了混合模式，多条腿走路、对冲单一模式风险。对药企来说，也有了更多种灵活的合作模式。但值得注意的是，这种既卖装备又下场当运动员的模式，可能会让药企有所忌惮。比如Chai Discovery，明确不搞管线，这种中立的态度可能能获得更好的合作站位。 04 当下，传统药企应该如何布局？ 对于传统药企来说，也不需要焦虑。我们认为，AI4S值得投入，当下正值结构性转型机会，但需要以可控的风险和正确的“姿势”介入，可以从自身优势出发进行布局，特别是数据、商业化能力以及资金支持。 最重要的是数据优势。 药企手里握着大量临床试验数据、真实世界数据、多组学数据，失败过的靶点、没有活性的化合物、动物里做不出来的结果，以及当时为什么继续、为什么停掉。这些私有数据是AI模型最缺的“经验燃料”。 AI做药，最终要回答具体的问题：这个靶点值不值得做、安全窗口是否足够、患者入排标准等。公开的数据往往只说了“部分真话”，很多高价值的“坑”的数据没有放出来，因此要想在一个细分领域里做深、做优，必然需要更全面的数据来校正。 其二是商业化体系优势。多数传统药企在市场沉浮多年，拥有广泛的临床、市场资源，特别是在一些特色的适应症、科室上持续深耕。实验室、临床中的好分子到最终市场的好产品之间则有着巨大的商业gap，这需要极强的商业体系助推，而这也是AI新规们短期难以构建的护城河。 最后，少不了资金的支持。更强的资金支持则能调动更多的研发资源，加速研发流程、拓展适应症等，从而在研发和商业化中抢占先机。 虽然传统药企具备这些优势，但最好不要独立承担转型，两方面因素： 一方面是科学决策。传统药企的决策体系很难支撑像AI4S这样的高风险的新技术发展，比如在资金方面，AI4S 的开发往往需要大量且持续的资金投入，要有较强的战略定力。对于传统药企来讲，特别是上市公司，往往面临着报表压力、投资人压力等，能否持续的、正确的决策，是极具考验性的。早期项目一旦结果不够好，预算往往先被砍掉，即使是正确的方向和管线也很可能倒在黎明前的黑暗，这样的判断和决策能力对药企是很大的考验。 另一方面是人才体系的支撑。但这种变革往往需要从上而下的支持，除了正确的决策也需要正确而高效的协作和执行。而AI4S涉及的基础模型和算法并非是药企长处，顶尖的AI人才多数都在创业公司或者大厂实验室，和传统药企的薪资结构和文化天然不一致。 新事物往往面临很多不确定性，这种不确定性需要用可靠的执行体系、团队体系来平抑和迭代，而老团队可能是旧思路、旧方法，换汤不换药、执行不彻底，甚至用不好新工具，最终可能导致穿新鞋走不出新路子。 实操建议 具体到实际操作，可以考虑几种思路： 其一，BD合作。有些AI公司已经把分子推到临床前或者早期临床了，如果数据足够优秀，不妨考虑直接管线合作引进，跳过高风险的早期发现的环节，借助自身在临床开发的资源优势快速放大。 其二，和AI企业合作研发，按里程碑付费。 这也是现在较主流和成熟的路线，药企选几个高价值靶点（甚至可以听听AI企业的意见），让AI公司来做早期研究和发现，成了付里程碑费用，不成大家共担风险，在合作过程中更多接触AI团队，尝试融合。比如，2022年，Sanofi跟Exscientia签了52亿美元的潜在里程碑，AstraZeneca这几年跟Verge Genomics、Absci、石药集团签了大量合同，加起来共几十亿美金。这种分散风险的模式，MNC已经把这当成常规动作了，可以借鉴。 其三，再进一步，做合资或者战略性投资。药企提供多年积累的数据，AI公司提供技术平台，开发独特的、排他的、在某想方向具有独特优势的技术平台。 比如，2025年9月，国内AI制药公司晶泰科技和百诚医药签署合作意向，成立合资公司。晶泰提供"AI+机器人"平台，百诚提供从靶点到商业化的全链条能力，在疼痛、肿瘤、自身免疫等领域，双方共同推进管线的研发和孵化，干湿结合。 当然，也可以考虑先从AI4S技术平台的合作作为试水，提高团队在AI方面的认知，打好基础。再逐步通过投资、合作、甚至合资并购的方式更进一步，最终形成自己的独特技术平台资产，形成更长期的护城河。 05 写在最后 从不少药企的实践来看，大家都已经很重视AI工具，但核心难题是把新工具融合进研发体系。很多项目一开始声势不小，demo跑通了，领导也点头了，但往研发流程里一嵌就卡住了——数据接不进来，团队不愿意用，验证没人负责。最后试点成了个"汇报项目"，做完展示就晾在一边，跟主线研发没什么关系，AI也没有被真正运用进来。根据麦肯锡调研，78%的药企高管觉得AI很重要，但只有5%的企业真正把AI转化成了可持续的竞争优势。ZS的数据也显示，只有40%的试点项目最终能规模化推广[5]。 现在市面上的AI平台，药企合作做几轮测试，就可以大概能了解的七七八八。但真下手时往往决心不够，因此多数在观望。比如看到数据散落在不同系统里，格式不统一，历史实验记录不全，花在洗数据上成本很高。再比如流程上，模型输出谁审核、谁拍板、出了问题算谁的，都存在不确定性。 因此，AI4S可能不是一个即插即用的工具，需要传统药企有决心，在数据治理、人才结构、决策流程上做自上而下系统性的调整。最终，把新技术内化成研发体系里像细胞筛选、动物模型一样自然存在的能力。 诚邀合作 如果您在AI4S方面有想法，或是希望和药企展开合作，欢迎行业内传统药企、上市公司与伊嘉资本沟通、合作。 以下是伊嘉资本官网： https://www.yijiacapital.com/ 参考资料： 1. Joseph A. DiMasi, et al. Innovation in the pharmaceutical industry: New estimates of R&D costs. Journal of Health Economics, 2016, 47, 22-23. 2. Sertkaya A, et al. What is the impact of patient recruitment on offshoring of clinical trials?[J]. Journal of Pharmaceutical Policy and Practice, 2020,13 (1):42. 3. 国家统计局，国务院第七次全国人口普查领导小组办公室。第七次全国人口普查公报 (第六号)[R]. 北京：国家统计局，2021. 4. 中国上市公司协会.2025 年 A 股上市公司研发情况分析 [EB/OL].(2026‑05‑07). 证券时报. 5. ZS Associates.Scaling AI in pharma and biotech:2026 outlook from ZS’s CDIO research[EB/OL].(2025‑11‑04).https://www.zs.com/insights/scaling-ai-in-pharma-cdio-2026