OpenAI天才辍学创业：20亿估值背后的AI制药新范式与资本逻辑

在科技与资本交织的浪潮中，一个看似违背常理的现象正在重塑我们对创新价值的认知。2024年3月，一位名为Miles Wang的年轻学者做出了一个令学术界侧目的决定：从哈佛大学计算机科学本科辍学，加入OpenAI强化学习团队。仅仅一年半后，他再次做出惊人举动，带领几位前同事离开这家全球最顶尖的人工智能实验室，创办了一家专注于AI药物发现的初创公司。这家公司目前处于极度早期的阶段：没有官方网站，没有公开的药物研发管线，创始人甚至不具备传统的生物学学位背景。然而，就是这样一个近乎“空壳”的项目，却在资本市场引发了剧烈震荡，据传正在洽谈一笔约2亿美元的融资，领投方为知名风险投资机构Lightspeed，估值高达20亿美元。

这一数字不仅令人咋舌，更迫使整个行业重新审视一个核心命题：当大模型领域的顶尖大脑开始集体出走，他们的下一站究竟指向何方？这不仅仅是一次简单的人才流动，更是技术范式与商业逻辑深刻变革的信号。Miles Wang所踏入的AI制药赛道，正处于前所未有的热度之中。仅在最近三个月内，该领域就涌入了约27亿美元的资金。Chai Discovery刚刚宣布完成4亿美元新一轮融资，投后估值飙升至38亿美元；Isomorphic Labs也在今年5月完成了B轮21亿美元的巨额融资。与此同时，Anthropic宣布进军药物研发，收购Coefficient Bio并邀请AlphaFold核心人物John Jumper加盟。这些密集的动作表明，一条清晰的人才迁移链条正在形成：大模型实验室的精英们，正系统性地向科学领域迁移。

要理解这一现象，必须深入剖析Miles Wang的研究背景与其创业逻辑之间的内在联系。翻阅他的论文列表，我们可以清晰地看到其研究取向的高度一致性。他发表过《Frontier Science：评估AI执行科学研究任务的能力》以及《测量AI在湿实验室中加速生物学研究的能力》等重磅文章。这些工作的核心并非直接设计药物分子，而是致力于评估通用人工智能模型在真实科学场景中的表现。他试图回答一个关键问题：通用大模型的推理与规划能力，距离成为一个合格的“AI科学家”还有多远？这正是其创业逻辑的基石：通过将大模型已经得到验证的通用认知能力，迁移到科学发现的流程中，实现对垂直行业的“降维打击”，而非从零开始搭建一套仅服务于药物发现的垂直小模型。

这种“通用能力向科学场景迁移”的逻辑，不仅在个体创业者身上体现，也在机构层面同步发生。Anthropic收购Coefficient Bio、推出Claude Science，以及引入John Jumper，本质上都是将大模型能力从单纯的文本或代码工具层，推进到科学研究的运营层。对于OpenAI、Anthropic这类实验室而言，“AI for Science”项目已不再仅仅是官网上的公益副项目，而是成为了证明模型能力边界、验证AGI通用性的关键实验场。这在某种程度上暗示，大模型在文本生成、代码编写、多模态处理等领域的“低垂果实”已被采摘完毕。业界急需一个新的战场来消耗巨大的算力并验证模型的深层智能，而科学领域因其高复杂度、高数据密度和高逻辑要求，成为了理想的下一个高地。

Miles Wang选择“老药新用”作为切入点，极具战略眼光，也完美印证了上述逻辑。“老药新用”指的是挖掘已获批或拥有大量安全数据药物的新适应症。与传统的新药研发相比，这条路径无需从零设计全新分子，从而避开了漫长且高风险的一期安全性验证环节。通过AI对海量文献、基因表达谱以及真实世界临床数据的深度整合与推理，可以找出隐秘的“药物-靶点-疾病”新链接。在这个环节中，信息处理的密度极大，逻辑推理的重要性远超分子模拟，而这恰恰是大模型评估与推理优势最能直接转化为商业价值的领域。路径更短，容错空间更大，商业化速度更快，这使得初创公司能够在缺乏深厚生物化学积累的情况下，迅速展现AI模型的效能。

然而，必须清醒地认识到，Miles Wang创业公司的核心卖点，或许并非某种具体的分子设计软件，而是一种通用AI方法论在生物化学领域的可迁移性。尽管他在论文中展示了评估AI在湿实验室中加速生物学研究的能力，但“评估AI做科学的能力”与“真正用AI做出一个药”之间，仍横亘着从干实验室（Dry Lab）到湿实验室（Wet Lab）的巨大鸿沟。Miles的专长在于强化学习和对齐评估，而当前AI制药的主流技术方向更多集中在扩散模型、图神经网络、蛋白质结构预测和分子动力学模拟上。虽然强化学习在药物发现中有一定应用场景，但并非最核心的对应方向。因此，这家初创企业在管线推进过程中，必须补齐与FDA监管沟通、药企合作以及CRO管理等传统行业功课，这将是对其团队综合能力的严峻考验。

尽管如此，20亿美元的估值依然反映了风投界的一种新趋势和“宽容”态度。近年来，投资人似乎重新燃起了对辍学年轻创业者的热情，但这次的逻辑与盖茨、扎克伯格时代有着本质区别。上一代辍学创业，赌的是年轻人对互联网产品形态的敏锐直觉；而这一代辍学创业，赌的是大模型实验室已经替代大学，成为更高阶、更稀缺的人才认证机构。准确来说，投资人可能并不在意Miles Wang是否从哈佛辍学，也不在乎他是否具备传统意义上的药物发现经验。他们看中的是“OpenAI顶级研究员+AGI for Science”这个组合所代表的潜力。

不难看出，大模型实验室正在演变为新的斯坦福或MIT。它们筛选、训练并认证了最顶尖的AI人才，而资本市场认可这种认证。投资逻辑的核心已从常见的“垂直行业经验+流程优化”转变为“极其聪明的人去解决极其难的问题”。更深一层来看，OpenAI、DeepMind、Anthropic等实验室在“AI for Science”上的重投入，本身就是一次对人才的定向灌溉。这些人的离开，比起简单的“跳槽”或“离职创业”，更像是一种“毕业”。他们带着实验室积累的模型能力、独特的研究品味以及紧密的同事网络，成建制地降临到垂直科学领域。

当VC为Miles Wang开出20亿美元估值时，他们押注的其实是一份金光闪闪的“OpenAI学位”，以及背后所代表的、可能彻底改写科学发现速度的全新范式。这种范式转移意味着，科学发现将从依赖个别科学家的灵感和试错，转向依赖大规模算力、数据和通用智能模型的自动化推理。这不仅提高了效率，更可能发现人类直觉无法触及的知识盲区。当然，这一过程充满不确定性。AI模型的黑盒性质、生物系统的复杂性以及监管政策的滞后，都是亟待解决的挑战。但无论如何，资本的大举进入和顶尖人才的涌入，已经为AI制药注入了前所未有的活力。

此外，这一趋势也引发了对传统制药行业格局的深刻反思。传统药企拥有庞大的临床数据和丰富的研发经验，但在算法能力和算力基础设施上相对薄弱。而科技巨头和新兴AI初创公司则相反，它们拥有强大的计算能力和先进的算法模型，但缺乏生物医学领域的深层理解和临床资源。未来的竞争与合作，将很大程度上取决于这两类主体如何有效融合。Miles Wang们的出现，正是这种融合的催化剂。他们既懂AI的前沿技术，又试图深入理解科学问题的本质，成为了连接两个世界的桥梁。

值得注意的是，这种人才迁移并非单向的。随着AI在科学领域的应用深入，越来越多的生物学家、化学家也开始学习编程和机器学习，形成了跨学科的新型科研团队。这种跨界融合将进一步加速技术的迭代和应用落地。同时，监管机构也在逐步适应这一变化，探索如何评估和审批由AI主导或辅助发现的药物。这需要建立新的标准和方法论，以确保药物的安全性和有效性。

综上所述，Miles Wang的创业故事只是冰山一角，它折射出的是整个科技与生命科学交汇处的巨大变革。大模型实验室作为新的人才高地，正在源源不断地向科学领域输送顶尖智力资源。而资本市场则通过高额估值，为这种探索提供燃料。虽然前路漫漫，挑战重重，但AI重塑科学发现的进程已不可逆转。对于从业者、投资者乃至整个社会而言，理解并适应这一范式转移，将是把握未来机遇的关键。在这个过程中，唯有那些能够真正打通技术与应用壁垒、解决实际问题的人和企业，才能在激烈的竞争中脱颖而出，最终实现从“聪明”到“智慧”的跨越。