20亿估值背后的逻辑：OpenAI人才为何集体“毕业”进军AI制药？
人才迁移的新潮向：从代码到分子
2024年3月，一个看似普通的离职动作，却在生物技术和人工智能的交汇点激起了千层浪。Miles Wang，这位曾就读于哈佛计算机科学系的前学生，在辍学加入OpenAI强化学习团队仅仅一年半后，便带领一群核心同事转身离开。他们没有选择继续在大模型的红海中厮杀，而是瞄准了一个传统上被认为“重资产、长周期、低容错”的领域——AI制药。
这家初创公司目前甚至连官网都尚未搭建，没有任何公开的管线信息，创始人Miles Wang也并无生物学背景。然而，正是在这种信息极度不对称的“盲盒”状态下，这笔约2亿美元的融资交易已接近落地，领投方Lightspeed给出的投后估值高达20亿美元。这一数字不仅让市场错愕，更折射出风险资本（VC）底层逻辑的剧烈 shifts。
过去十年，风投的押注逻辑相对清晰：要么赌互联网产品的网络效应，要么赌垂直行业的流程优化。但如今，当大模型在文本生成、代码编写乃至多模态理解上已经触达“低垂果实”的极限时，资本迫切需要寻找新的阿基米德支点。科学领域，特别是拥有高算力需求和高价值数据沉淀的生命科学，成为了验证AGI通用能力的最佳试验场。Miles Wang及其团队，正是这一迁移浪潮中的典型样本。
“降维打击”：通用智能在垂直领域的溢出效应
要理解这20亿估值背后的合理性，必须跳出传统AI制药的技术框架。传统的AI制药公司多聚焦于基于结构的药物设计、扩散模型生成分子或蛋白质结构预测。这些路径虽然硬核，但往往陷入“干实验”与“湿实验”之间的巨大鸿沟，且对垂直领域的特定数据依赖极高，迁移成本巨大。
Miles Wang及其团队携带的技术内核，并非单一的垂直小模型，而是经过大规模预训练和强化学习对齐后的通用推理能力。他们此前发表的论文《FrontierScience：评估AI执行科学研究任务的能力》清晰地展示了这一技术取向。其核心逻辑在于：通用大模型在逻辑推理、信息整合和规划能力上，已经具备了跨越学科边界的基础。
这种“通用能力向科学场景迁移”的思路，本质上是一种降维打击。与其从零训练一个只能预测蛋白质折叠的专用模型，不如利用大模型强大的上下文理解和多跳推理能力，去解决更复杂的系统性问题。在Miles Wang选择的切入点——“老药新用”上，这种优势尤为明显。
老药新用旨在挖掘已获批药物的新适应症，其核心难点不在于分子合成，而在于从海量的文献、基因表达谱、临床真实世界数据中，挖掘出隐秘的“药物-靶点-疾病”关联。这是一个典型的信息密集、逻辑推理重于物理模拟的场景。大模型的评估-推理优势在此处可以直接转化为商业价值，无需重新经历漫长的分子从头设计阶段，监管路径更短，商业化闭环更快。
巨头布局：大模型实验室的“毕业潮”
Miles Wang并非孤例，他背后是一条正在形成的系统性迁移链条。近期，AI制药赛道涌入的资金规模令人咋舌，短短三个月内超过27亿美元。Chai Discovery完成4亿美元融资，估值达38亿美元；Isomorphic Labs在B轮斩获21亿美元；Anthropic更是直接宣布进军药物研发，收购Coefficient Bio并引入AlphaFold核心人物John Jumper。
这些动向表明，OpenAI、Anthropic、DeepMind等头部大模型实验室，正在经历一场深刻的“人才溢出”。在机构层面，“AI for Science”已从官网上的公益副项目，转变为证明模型能力边界的关键实验场。当通用智能在社交、娱乐、办公等大众场景的应用趋于饱和时，科学家们自然地将目光投向了更具挑战性的科学前沿。
对于Anthropic而言，推出Claude Science并引入结构生物学专家，不仅仅是业务的扩张，更是将其大模型能力从工具层推进到科学研究运营层的战略尝试。对于Miles Wang这样的个体而言，这更像是一次“毕业”。他们带着在大模型实验室打磨出的模型调优技巧、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。
这种现象标志着一种新的认证体系的诞生。过去，斯坦福、MIT的学位是顶尖AI人才的黄金标签；如今，OpenAI、DeepAI等顶级实验室的履历，正在成为更高阶、更稀缺的人才认证机构。投资人购买的不再仅仅是创始人的生物学知识，而是这所“新硅谷”颁发的“智商背书”。
风险与机遇：鸿沟之下的冷思考
尽管20亿美元的估值彰显了资本的热情，但我们必须清醒地认识到，从“评估AI做科学的能力”到“真正用AI做出一个药”，中间隔着难以逾越的鸿沟。
Miles Wang的强项在于强化学习和对齐评估，这是大模型训练的核心技术。然而，当前AI制药的主流技术栈包括图神经网络、分子动力学模拟等，强化学习在其中的直接应用相对有限。虽然“老药新用”避开了部分技术短板，但制药行业的复杂性远超代码世界。
药企的研发不仅依赖算法，更依赖与FDA的沟通经验、与CRO（合同研究组织）的合作网络以及深厚的行业积淀。Miles Wang的团队在生物学领域并无显赫背景，这意味着他们需要在极短的时间内补齐行业认知的短板。任何一次湿实验的失败，都可能对刚起步的管线造成致命打击。
此外，20亿美元的估值也反映了风投在AI浪潮下的“宽容”甚至“焦虑”。近年来，投资人重新青睐辍学创业的年轻人，但这与盖茨、扎克伯格时代赌“互联网产品直觉”截然不同。现在的赌注是“极其聪明的人去解决极其难的问题”。这种逻辑的前提是，大模型确实具备了解决复杂科学问题的潜力。如果这一前提被证伪，或者迁移效率低于预期，如此高估值带来的对赌压力将极其巨大。
范式转移：VC眼中的新资产类别
从更宏观的视角来看，OpenAI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。这些离开大模型实验室的创业者，实际上是在构建一个新的生态闭环。他们不仅在寻找新的商业机会，更在验证AGI（通用人工智能）在物理世界和生物世界中的通用性。
对于风投而言，Miles Wang的公司不仅仅是一家Biotech初创企业，更是一个“AGI for Science”的早期样本。他们押注的是一份金光闪闪的“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。
如果大模型能够真正加速新药研发，将原本需要10-15年、耗资数十亿美元的流程缩短一半，其产生的经济价值将是天文数字。因此，VC愿意容忍早期的技术不成熟和团队经验不足，因为他们购买的是一张通往未来科学范式的船票。
这一趋势预示着，未来的顶尖AI人才将不再局限于互联网大厂，而是广泛分布于能源、材料、生物、气候等各个垂直领域。大模型实验室将成为这些跨学科创新的孵化器。对于观察者而言，关注这些人才的流动方向，比关注具体的股价波动更具前瞻性意义。
当最聪明的头脑开始用大模型的逻辑重构生命科学的底层代码时，我们见证的不仅仅是一次创业热潮，而是一场关于人类认知边界的拓展。Miles Wang的20亿美元估值，或许只是这场宏大叙事的一个注脚，但它清晰地指明了方向：通用智能的下一个战场，不在屏幕上，而在分子结构里。