AI制药终局博弈：模型迭代快于临床审批，谁才是真正的价值捕手？

算力竞赛下的生物钟：当AI迭代遇上十年药效

近期，人工智能领域的三座大山——谷歌、OpenAI与Anthropic，不约而同地将目光投向了生命科学这一古老而厚重的领域。当地时间6月30日，Anthropic发布了Claude Science，这是一套专为科学家设计的AI工作台，旨在打通科研数据库、代码运行、数据分析及蛋白结构可视化的全链路。几乎在同一时间，OpenAI推出了GeneBench-Pro，旨在测试AI智能体在基因组学等复杂真实场景中的多阶段判断能力。而更早布局的谷歌，则早已通过Isomorphic Labs将AlphaFold的技术成果转化为实际的药物设计引擎，并计划推动首批候选药物进入临床阶段。

这一系列动作标志着AI大厂的战场正从纯粹的代码与数学证明，向充满不确定性的生物实验室转移。在过去的几年里，代码能否运行、数学证明是否成立，都是AI能力最直观的考场。然而，医药研发的底层逻辑完全不同：AI或许能将靶点发现的时间从数年压缩至数月，但后续的实验验证、临床试验及监管审批，依然遵循着严苛的生物时间表。模型可以按季度迭代，药物却需要十年磨一剑。这种速度上的巨大错位，正在重塑整个行业的价值分配逻辑。

Anthropic的“瑞士军刀”：重构科研工作流

Anthropic进入生命科学领域的策略，与其在编程领域的成功路径一脉相承：不急于替代科学家，而是优化他们的工作方式。此前，Anthropic通过Claude for Life Sciences项目，逐步接入了Benchling、PubMed、10x Genomics等数十个科研工具和数据库。从生成临床研究报告到支持单细胞数据分析，Claude已经渗透进药企的日常运营中。

然而，Claude Science的发布具有里程碑意义。它不仅仅是一个对话工具，而是一个集成了代码执行、数据可视化及3D结构浏览的综合性工作台。其核心优势在于“可追溯性”与“可复现性”。在科研场景中，一张图表的价值不仅在于结果，更在于生成该结果的代码、参数及环境配置。Claude Science能够自动保存这些元数据，并通过后台审查机制标记无法追溯的数字或错误引用。这种对科学严谨性的坚持，恰恰击中了当前AI生成内容在科研应用中的痛点。

值得注意的是，Anthropic并未止步于工具提供商的角色。据The Verge报道，该公司正在组建湿实验室，并招聘生物学家，试图亲自探索“被忽视疾病”领域的早期药物发现。这种“既卖铲子又挖矿”的策略，显示出Anthropic希望验证其模型从辅助工具向核心研发引擎转化的决心。通过Novo Nordisk、Genmab等头部药企的合作案例，Anthropic已经证明了其技术进入企业级工作流的可行性，接下来则是向更上游的科学发现发起冲击。

三方殊途：从结构预测到推理中枢

尽管目标一致，谷歌、OpenAI和Anthropic选择了三条截然不同的技术路线，这反映了它们各自的核心竞争力与战略野心。

谷歌的策略是“从基础科学突破到产业链延伸”。依托DeepMind在AlphaFold系列模型上的深厚积累，谷歌首先解决了蛋白质结构预测这一生命科学的基础难题。AlphaFold 3进一步突破了蛋白质与DNA、RNA及小分子配体的相互作用预测，为药物设计提供了底层支撑。Isomorphic Labs作为这一路线的载体，获得了21亿美元的巨额融资，旨在构建大规模的药物设计引擎。谷歌的逻辑在于：掌握了生物结构的“地图”，就能更精准地绘制药物的“导航路线”。

OpenAI则采取了“通用推理能力下放”的策略。作为全球领先的通用大模型厂商，OpenAI并未像谷歌那样拥有单一的结构生物学突破，但其强大的逻辑推理能力使其能够胜任复杂的科学工作流管理。GPT-Rosalind作为面向生命科学的前沿推理模型，强化了工具调用与化学、基因组学等领域的理解能力。配合LifeSciBench和GeneBench-Pro等专业评估体系，OpenAI试图向外界展示其模型在证据处理、假设验证及科学推理方面的边界。这是一种典型的“能力展示+生态构建”打法，旨在让科学家将AI视为高级研究助手。

Anthropic走的则是“流程嵌入与闭环构建”路线。通过Claude Science，Anthropic将数据库查询、代码运行、图表生成及论文草稿撰写整合在一个统一界面中。其优势在于对科研流程碎片化问题的解决能力。通过Bristol Myers Squibb等企业的全面部署，Anthropic证明了其技术能够深入到药企的研发、制造及商业化全链条。这种深入内部流程的策略，使得Anthropic不仅是一个技术供应商，更可能成为科研组织的“操作系统”。

Eroom定律下的价值错配

医药领域是AI for Science中最具吸引力也最难以兑现的方向。与材料科学或能源领域相比，药物研发面临着更为严苛的验证标准与更长的反馈周期。这里存在一个著名的“Eroom定律”（反摩尔定律）：尽管技术进步显著，但每研发出一款新药的成本和时间并未同步下降，甚至有所增加。

AI在药物发现的早期阶段能发挥巨大作用，如高通量筛选、分子性质预测及文献挖掘。然而，AI无法替代人体生物学的复杂性验证。一个在模型中表现完美的候选分子，可能在细胞实验中失效，或在临床试验中因安全性问题被淘汰。动物模型与人类生理的差异、疾病机制的异质性，使得实验室里的“成功”难以直接转化为临床上的“有效”。

这种不可压缩的生物验证时间，导致了AI制药与资本市场之间的严重错配。AI公司的估值基于模型迭代速度与收入增长，而药物研发的价值基于临床结果与上市预期。目前的合作模式中，药企倾向于支付较低的首付款，将大部分潜在收益与后续的研发里程碑挂钩。例如，阿斯利康与石药集团、礼来与Insilico Medicine的合作中，首付款占比极低，大部分资金需在药物进入临床或上市后支付。这意味着，AI技术本身难以在短期内转化为独立的巨额利润，其价值更多体现在降低药企的研发试错成本上。

终局猜想：数据与实验闭环为王

如果AI最终改变药物研发，最大的赢家可能不是模型公司，而是掌握核心资产的大型制药企业。这并非因为药企拥有最强的算法，而是因为它们在价值链后端拥有难以复制的壁垒：专有数据、湿实验能力及商业化网络。

首先，数据是AI模型的燃料，但公共数据库仅覆盖了冰山一角。大型药企拥有多年积累的阴性实验数据、毒性记录及临床失败案例。这些“沉默的数据”对于训练更精准的预测模型至关重要，能帮助AI避开无效的分子设计方向。其次，模型生成的假设必须经过湿实验验证，并形成“预测-验证-回流”的闭环。没有实验反馈，AI只能停留在数据拟合层面，无法实现真正的科学发现。最后，临床开发与全球商业化是药物落地的最后一步，也是成本最高、壁垒最深的环节。大型药企拥有招募患者、通过监管审批及进入全球市场的体系能力。

模型能力逐渐 commoditized（商品化），成为可采购的基础设施。届时，竞争的焦点将从算法优劣转向数据质量、实验效率及临床执行力。谷歌、OpenAI和Anthropic将分别占据科学基础设施、推理工具及工作流平台的不同生态位，而大型药企通过整合这些工具，结合自身的数据与实验闭环，将成为最终的受益者。这正如英伟达是AI算力的卖水人，而应用层的价值往往由整合了算力、数据与应用场景的企业所捕获。AI让寻找答案变得更快，但只有拥有验证答案能力的实体，才能最终摘下创新的果实。