AI制药的新赛段，不是更大的模型，是会自进化的微观世界模型？
DeepTech深科技 · 科技资讯
原创 DeepTech深科技 2026-11-05 14:07 北京 国内外 AI 巨头持续押注生命科学，从硅谷到中关村，整个行业的关注点正从概念能否跑通转向系统如何交付。一张以“自进化微观世界模型”为轴心的答卷，正在尝试回答这个转变。 判断一个技术是否进入新阶段，可以看头部玩家在为什么花钱。2026 年的秋天，这些钱的去向出奇地一致：流进了真实研发的一线——有的在建实验室，有的在发专用模型，有的在收编研发团队。 过去两个月，新动作密集出现。9 月， 路透社报道 Anthropic 在旧金山湾区悄悄建起生物学实验室 ，目标是让 Claude 直接指挥实验机器人；10 月，它又公布了一批药物研发合作成果， 并披露已于 7 月收购 Mithril Medicine——一家只有一名全职员工的“一人药企” ，创始人借助 Claude 协调 11 家外部实验室，用不到 18 个月把一个罕见病项目从构想推进到小鼠实验。 OpenAI 则在 9 月将生命科学模型 GPT-Rosalind 正式转商用， 10 月又宣布收购 Orchestra Bio 。Alphabet 旗下的 Isomorphic Labs 走得更远：继 5 月完成 21 亿美元融资后，其总裁 11 月初对彭博社表示，公司预计 AI 设计的药物将在今年底前进入首次临床试验。 视线转回国内。从字节跳动拆分独立的 Anew Labs，把结构预测、分子设计与大模型推理整合进同一套系统；百奥几何（BioGeometry）也在近日传出完成 A+ 轮融资的消息， A 轮系列累计超过 1 亿美元， 资金投向模型迭代、高通量实验室扩建和自研管线推进。 大厂为什么此时集体下场？答案要和 2020 年前后的第一波 AI 制药热对照来看。 那一波讲的故事是更快地找到分子，但多数项目止步于计算端的漂亮指标，临床转化没有兑现。如今的语境不同了：AlphaFold 3 之后，模型从结构预测跨向分子生成，开始触碰研发中真正的创造性环节；自动化实验的成本和通量降到了能支撑闭环迭代的临界点；而大药企的管线焦虑变成了刚性预算，例如，默沙东的 Keytruda 系列 2025 年贡献约 317 亿美元销售额，2028 至 2029 年就将面对生物类似药的竞争。 供给能力和付费意愿，第一次大致对齐。 换句话说，行业换了一张考卷。上一次考的是预测得准不准，这一次考的则是能不能真正交付科研结果。而这次考验又分为三个层面： 能不能设计出达标的分子，能不能让实验数据真正反哺模型，以及能不能从分子层面走向对疾病的理解。 三张考卷背后，是同一条暗线： 模型不能只在发布那天是聪明的，它必须在一次次真实实验的反馈里持续修正自己，这也就是“自进化”的含义。商业化，正是答卷的关键环节。 三张考卷，这家公司恰好都做了一遍。 其创始人唐建研究图机器学习出身，关注的是不同节点之间的关系与相互作用。将这一思路延伸到生命科学，便有了该公司提出的“自进化微观世界模型”，即连接分子设计、细胞响应与真实实验，让模型在持续反馈中不断迭代。 考卷一：从能结合到全达标，难在哪？ 随着 AlphaFold 3 等模型不断提升结构预测能力，行业开始尝试进一步突破： 能否给定功能要求，直接生成满足条件的分子？ 生成式模型已经给出了一些答案。Chai Discovery 开发的 Chai-2，在一项针对 52 个尚无现成抗体结合记录的靶点研究中，每个靶点测试不超过 20 个候选分子，约一半靶点获得了至少一个成功结合的分子；从字节跳动拆分独立的 Anew Labs，也在把结构预测、结合评估与分子设计整合进同一套系统。 图｜AlphaFold 3 预测的蛋白质 —DNA 相互作用复合体（来源：Google DeepMind） 但能结合只是入场券。候选分子还需要兼顾亲和力、稳定性、聚集倾向、表达量等指标，而这些指标往往相互影响。如何实现多目标同步优化，是 AI 分子从设计走向产业交付必须跨过的一道坎。 在百奥几何的答卷上，有两组数字值得关注。一组来自模型：其分子模型 GeoFlow 两年间完成三次迭代，V2 在全球首次将结构预测与从头设计统一到同一模型，成为国内首个跑通抗体从头设计的 AI 大模型；V3 则引入“生成—评估—优化”的多步推理闭环， 在 20 余个靶点上苗头分子平均命中率接近 20%，较上一代 AI 方法提升近百倍，先导分子发现周期压缩至三周内。 另一组来自交付现场：在一个欧洲药企的纳米抗体优化项目中，客户要求同时改善结合能力、稳定性等多项性质，原本预计两到四轮设计-验证循环，该公司在模型未经该靶点专门微调的情况下，一轮迭代筛出多个全面达标的分子，交付周期较预期缩短 50% 以上。 图｜GeoFlow 版本演进路线：从结构预测走向复杂分子系统设计（来源：