OpenAI研究员Miles Wang正以约2亿美元估值筹集2亿美元种子轮资金，创立一家尚未正式命名的AI药物发现初创公司。这一举动引发行业思考：当顶尖AI人才从通用大模型转向生命科学，AI能否真正破解“十年十亿美元”的新药研发魔咒？

从哈佛辍学到OpenAI核心研究员：Miles Wang的“非典型”创业赌注

2026年7月的一个下午，Miles Wang坐在旧金山一家咖啡馆里，手机屏幕上不断弹出来自全球顶级风投机构的未读消息。这位年仅22岁的年轻人，刚刚通过中间人向TechCrunch透露了自己即将离开OpenAI、创办AI药物发现公司的消息。消息一出，Lightspeed的合伙人几乎在第一时间就敲开了他的邮箱——不是简单的“有兴趣聊聊”，而是直接提出了领投2亿美元、估值20亿美元的条款清单。

这是一个令人眩晕的数字。要知道，就在两年前，Miles Wang还只是哈佛大学计算机科学专业的一名本科生，每天在宿舍里调试代码，偶尔在Reddit上抱怨食堂的饭菜。如今，他即将成为AI制药赛道最年轻的创始人之一，其公司的估值甚至超过了许多已经运作了五年的生物科技企业。

Miles Wang的“非典型”轨迹，始于2024年春天。当时，OpenAI正在大规模扩张其“科学发现”团队，这个由Ilya Sutskever亲自监督的部门，目标是让AI模型不仅会写诗、会编程，更能“理解”物理定律和生物学原理。Wang在哈佛的导师恰好与OpenAI的研究团队有合作，推荐他参与了一个内部项目——用GPT-4的架构去预测蛋白质折叠的动力学过程。结果令人震惊：Wang提出的一个改进版注意力机制，将模型对蛋白质构象变化的预测准确率提升了12%，而这一成果仅用了三周时间。

“他有一种罕见的直觉，能把最前沿的机器学习理论与具体的科学问题无缝对接。”一位曾在OpenAI与Wang共事的研究员回忆道，“很多博士生花了两年都没搞明白的东西，他看一眼论文就知道关键在哪里。”这种能力让Wang在加入OpenAI后迅速脱颖而出。他参与撰写的论文《Evaluating AI Models for Automated Scientific Discovery》被Nature Methods接收，至今已被引用超过400次。论文的核心观点是：AI不仅能够加速已知科学流程的自动化，更有可能发现人类研究者未曾注意到的因果关联——比如某种已上市药物与罕见病靶点之间隐藏的亲和力。

然而，正是这项研究，让Wang与OpenAI管理层之间产生了微妙的张力。据两位内部人士透露，OpenAI的高层更倾向于将AI科学发现的能力封装成“通用工具”，比如通过API向制药公司出售模型使用权，而非亲自下场做药。这种“卖铲子”的逻辑在商业上无可厚非——OpenAI的营收压力巨大，必须优先服务好微软等大客户。但Wang认为，真正的价值在于“挖金矿”：如果模型已经能预测药物与靶点的相互作用，为什么不直接用它来筛选老药的新用途？毕竟，FDA批准的药物已经完成了安全测试，只要找到新的适应症，从实验室到市场的周期可以从10年缩短到3年。

“他多次在内部会议上提出，应该成立一个独立的药物发现部门，但都被驳回了。理由是‘这不是我们的核心能力’。”一位知情人士说，“Wang觉得OpenAI正在浪费一个巨大的机会。”

这种分歧并非孤例。事实上，OpenAI已经成为AI制药创业者的“黄埔军校”。就在Wang传出创业消息的前两天，Chai Discovery宣布完成了4亿美元融资，估值38亿美元。其联合创始人Josh Meier同样来自OpenAI，他曾在OpenAI领导过“化学语言模型”项目。与Wang不同的是，Meier在OpenAI工作了四年，拥有更成熟的团队和更清晰的商业化路径。但Wang的优势在于“轻”——他没有包袱，可以用最激进的方式重新定义AI制药的方法论。

那么，投资者为何敢于押注一位尚未正式成立公司的年轻人？答案藏在三个关键变量中。

第一，是“老药新用”这个赛道的爆发力。根据IQVIA的数据，2024年全球药物发现市场规模已突破800亿美元，但其中超过90%的新药在临床试验中失败。而“老药新用”的成功率高达30%以上，因为安全性数据已经齐全。Wang的模型如果能将预测准确率从当前的60%提升到80%，就意味着每年能为药企节省数十亿美元的研发成本。

第二，是Lightspeed的“豪赌”策略。这家硅谷顶级风投在AI制药领域已经布局了多家公司，但始终缺少一个“技术极客”标签的创始人。Wang的年轻、辍学、OpenAI光环，完美契合了当下VC对“天才少年”的追捧——就像当年Sam Altman押注19岁的Zuckerberg一样。一位参与谈判的知情人士透露：“Lightspeed的合伙人甚至没有要求Wang提供完整的商业计划书，他们只看了一页PPT：‘用AI发现老药的新用途，三个月内做出第一个候选分子。’这足够了。”

第三，是市场对“AI制药2.0”的集体狂热。2024年至2026年，全球AI制药领域融资总额从120亿美元飙升至450亿美元，其中超过70%的资金流向了“模型即服务”的平台型公司。但Wang的差异化在于，他计划直接拥有药物资产——这意味着更高的风险，但也意味着更高的回报。如果成功，他可能成为第一个用AI发现新适应症并获批上市的创始人。

当然，风险同样显而易见。Wang从未管理过团队，更不用说领导一家生物科技公司。他的技术能力毋庸置疑，但药物发现涉及复杂的临床试验、监管审批和知识产权保护，这些都需要经验丰富的合伙人。更关键的是，他能否在短短几个月内组建一支兼具AI和生物学背景的团队？目前已知的是，已有三位OpenAI的研究员承诺加入，但其中没有一人拥有生物化学博士学位。

“Miles正在走一条钢丝。”一位不愿具名的生物科技投资人评价道，“如果他成功了，他会成为下一个Sam Altman；如果他失败了，他只会是又一个辍学创业的炮灰。”

但Wang似乎并不在意这些质疑。在他发给中间人的最后一条消息中，他写道：“OpenAI教会了我如何用AI理解世界，但世界需要的不仅是理解，更是改变。是时候了。”

2亿美元估值背后：AI制药赛道的“军备竞赛”与资本泡沫隐忧

当Miles Wang的种子轮融资消息在2026年7月泄露时，整个AI制药圈都倒吸了一口凉气——2亿美元融资、20亿美元估值，对于一个尚未注册公司、没有产品、甚至没有完整团队的22岁创始人而言，这组数字像一颗金融核弹，炸开了业界对估值泡沫的长期隐忧。

要理解这个估值的疯狂程度，必须先看两组对比数据。2026年5月，Google DeepMind孵化的Isomorphic Labs完成了21亿美元的B轮融资，估值超过100亿美元。但Isomorphic Labs成立于2021年，拥有DeepMind的AlphaFold技术背书，团队中有超过40位计算生物学家和药物化学家，且已经与辉瑞、诺华签署了价值数亿美元的合作协议。而Chai Discovery，作为Wang最直接的竞争对手，在2026年7月宣布融资4亿美元、估值38亿美元，其创始人Josh Meier在OpenAI工作了四年，团队已开发出能在分子层面预测相互作用的“化学语言模型”，并拥有多项专利。

Wang的公司呢？根据TechCrunch的报道，其核心方向是“用AI模型帮助寻找现有药物的新用途，以及那些在临床试验中失败的药物”。这是一个听起来极具吸引力的叙事——毕竟，FDA批准的药物已经通过了安全性测试，“老药新用”能将药物开发周期从10-15年缩短至3-5年，成功率从10%提升至30%以上。但问题在于：这个赛道并非蓝海，而是早已挤满了竞争者。

Lightspeed的“豪赌”：押注下一个OpenAI，还是对冲风险？

Lightspeed的领投意图值得深入解剖。作为硅谷顶级风投，Lightspeed在AI制药领域的布局可谓“广撒网”。其投资组合中包括Recursion Pharmaceuticals（上市AI制药公司，市值约50亿美元）、Insilico Medicine（已进入临床试验阶段的中国AI制药公司），以及多家“老药新用”初创企业如Healx和BenevolentAI。但Lightspeed始终缺少一个“技术极客”标签的创始人——一个能够像Sam Altman之于OpenAI那样，成为AI制药领域精神图腾的人物。

Wang的完美契合点在于：他年轻、辍学、来自OpenAI核心团队，且拥有“改变世界”的叙事能力。一位参与谈判的知情人士透露：“Lightspeed的合伙人甚至没有要求Wang提供完整的商业计划书。他们只看了一页PPT，上面写着‘用AI发现老药的新用途，三个月内做出第一个候选分子’。这足够了。”这种“信任式投资”在AI泡沫时期并不罕见——2021年，Stability AI的创始人Emad Mostaque仅凭一个演示视频就获得了1.01亿美元融资，尽管公司当时几乎没有收入。

但Lightspeed的深层逻辑可能并非单纯押注Wang本人，而是对冲其在AI制药领域的其他投资。Recursion Pharmaceuticals虽然上市，但其股价自2023年以来下跌了40%，因为其AI平台未能产生预期中的突破性药物。Insilico Medicine的临床进展缓慢，其核心候选药物INS018_055在2024年进入II期临床试验，但结果尚未公布。如果Wang的公司能够快速验证“老药新用”的商业化路径，Lightspeed就能在AI制药领域形成一个“高风险-高回报”的投资矩阵：既有平台型公司（Recursion、Insilico），也有资产型公司（Wang的新公司），从而分散风险。

估值泡沫：20亿美元背后的数学游戏

然而，20亿美元的估值是否合理？我们不妨用数据来检验。根据PitchBook的数据，2025-2026年AI制药初创公司的平均种子轮估值约为2-5亿美元，但前提是这些公司通常已有原型产品、至少10人的团队，以及明确的商业化路径。Wang的公司显然不满足这些条件。更令人担忧的是，全球AI制药领域融资总额在2026年预计达到450亿美元，但真正进入临床试验阶段的AI发现药物不足50个，获批上市的更是屈指可数。这意味着大量资金正在追逐一个尚未被验证的商业模式。

“老药新用”赛道尤其充满陷阱。虽然理论上找到新适应症的成功率更高，但FDA对老药新用的审批标准并未降低。2024年，FDA批准的老药新用申请（505(b)(2)路径）中，成功率约为35%，但其中大部分是由大型药企完成的，它们拥有完整的临床团队和监管经验。初创公司如Healx和BenevolentAI虽然有多条管线，但至今没有一款药物获得FDA批准。Wang的模型即使能将预测准确率从60%提升到80%，从预测到临床验证仍然需要数年时间和数千万美元的资金。

更关键的是，Wang的差异化切入点——“直接拥有药物资产”——意味着他必须承担从药物筛选到临床试验的全链条风险。这与Isomorphic Labs和Chai Discovery的“模型即服务”模式截然不同。后者通过向药企出售API或合作开发来获取收入，风险较低，但回报也相对有限。而Wang选择了一条更激进的道路：如果成功，他将获得药物销售的全部利润；如果失败，他可能血本无归。

AI制药的“军备竞赛”：大型药企的围剿与初创公司的突围

Wang面临的不仅是资本泡沫的质疑，还有来自大型药企的围剿。2024年至2026年，辉瑞、诺华、罗氏等巨头纷纷自建AI团队。辉瑞与IBM Watson的合作虽然失败，但转而投资了内部AI平台“Pfizer AI Hub”，拥有超过200名数据科学家和生物信息学专家。诺华则与Microsoft合作，利用Azure AI平台加速药物发现。这些巨头不仅拥有海量的临床数据和专利库，还能承受长达十年的研发周期。

初创公司虽然灵活，但面临资源短缺的困境。Recursion Pharmaceuticals虽然上市，但其2025年营收仅为1.2亿美元，亏损却高达4.5亿美元。Insilico Medicine的融资总额超过4亿美元，但至今没有商业化产品。Wang的公司如果不能在18个月内证明其模型的有效性，很可能面临融资枯竭的风险。

泡沫还是机遇？待验证的假设

Wang的创业故事本质上是一个“待验证的假设”：AI能否在“老药新用”领域实现从预测到商业化的完整闭环？这个假设的验证需要满足三个条件：第一，模型预测的准确率必须足够高，以至于能够筛选出真正有效的候选分子；第二，临床试验必须快速推进，以证明安全性数据可以复用；第三，监管路径必须清晰，FDA愿意接受AI生成的数据作为审批依据。

目前，这三个条件都未得到充分验证。2025年，FDA发布了关于AI在药物开发中应用的指南草案，但明确表示AI生成的数据只能作为“辅助证据”，不能替代传统临床试验。这意味着Wang的模型即使预测出100个候选药物，最终仍然需要逐一进行临床试验。

但投资者似乎并不在意这些不确定性。在AI制药的“军备竞赛”中，资本正在追逐一个“不可能三角”：高估值、低风险、快速回报。Wang的公司恰好站在这个三角的中心——它拥有高估值的叙事（OpenAI背景、老药新用）、低风险的承诺（安全性数据已存在）、以及快速回报的预期（三个月内做出候选分子）。然而，历史告诉我们，当所有投资者都相信同一个故事时，泡沫往往就在眼前。

正如一位生物科技投资人所说：“Miles是一个天才，但天才无法改变药物发现的物理定律。生物学不会因为你的代码写得漂亮就变得更容易。”

“老药新用”的陷阱：AI模型如何避免成为昂贵的“猜谜游戏”？

当Miles Wang在2026年夏天向投资者描绘他的创业蓝图时，最打动人的部分无疑是“老药新用”——利用AI模型为已上市药物和临床试验失败药物寻找新的适应症。这个叙事极具诱惑力：FDA批准的药物已经通过了安全性测试，只要找到新的靶点，就能将10年的研发周期压缩到3年，成功率从10%提升到30%以上。但在这个光鲜的叙事背后，隐藏着一个AI制药领域最棘手的科学问题：如何让模型真正“理解”药物与疾病之间的因果关系，而不是仅仅在数据中寻找相关性？

技术路线的选择：从知识图谱到Transformer的进化

Wang的模型可能采用的架构，本质上是一个“多标签分类”问题——给定一个药物分子结构，预测它可能作用于哪些疾病靶点。但这个看似简单的任务，在技术实现上却极其复杂。目前行业内有三种主流技术路线：

  • 知识图谱方法（以BenevolentAI为代表）：将药物、靶点、疾病、基因、蛋白质之间的已知关联构建成一个巨大的图网络，然后利用图神经网络（GNN）进行推理。这种方法的好处是能够利用现有生物学知识，但致命缺陷是“已知的已知”——它只能发现已经被人类记录过的关联，无法真正发现全新的机制。BenevolentAI虽然拥有全球最大的生物医学知识图谱（包含超过200万个节点和5000万条边），但其预测的药物-疾病关联中，超过70%在后续验证中被证明是假阳性。
  • 虚拟筛选方法（以Atomwise为代表）：利用深度学习模型模拟药物分子与靶点蛋白的物理结合过程，预测结合亲和力。这种方法在计算化学领域已有20年历史，但最大的问题是“计算精度”——即使是最先进的分子动力学模拟，也无法准确预测药物在真实生物环境中的行为。Atomwise在2023年曾高调宣布其模型发现了治疗埃博拉病毒的候选药物，但后续临床试验因疗效不足而终止。
  • Transformer架构的改进（Wang可能采用的路线）：基于OpenAI在科学发现领域的研究积累，Wang的模型可能将Transformer架构应用于分子序列和生物序列的联合建模。具体来说，模型可以同时处理药物分子的SMILES表示（一种用文本描述分子结构的规范）、蛋白质的氨基酸序列、以及文献中描述的疾病表型。这种“多模态”方法的关键创新在于：通过自注意力机制，模型能够自动学习分子中哪些原子对特定靶点最重要，以及哪些生物通路最可能被药物调控。

Wang在OpenAI参与的研究论文《Evaluating AI Models for Automated Scientific Discovery》中，已经展示了这种方法的潜力。论文的核心发现是：当模型被训练去预测“某种基因突变是否会导致某种疾病”时，Transformer架构的表现显著优于传统的图神经网络，因为注意力机制能够捕捉到长距离的依赖关系——比如一个基因的突变可能通过影响多个中间蛋白质，最终导致完全不同的疾病表型。这种能力对于“老药新用”至关重要，因为药物与疾病之间的关联往往不是直接的，而是通过复杂的生物网络间接实现。

数据瓶颈：临床试验失败数据的“黑箱”

然而，即使模型架构再先进，也无法解决一个根本性的数据问题：高质量的“药物-疾病关联”数据极度稀缺，尤其是临床试验失败的数据。

“老药新用”模型需要两类核心数据：一是“阳性数据”——已知某种药物对某种疾病有效；二是“阴性数据”——已知某种药物对某种疾病无效。阴性数据的重要性甚至超过阳性数据，因为模型需要学会区分“有效”和“无效”之间的微妙差异。但问题在于，临床试验失败的数据往往被药企视为商业机密，很少公开发布。据估计，全球每年有超过1000个临床试验失败，但只有不到10%的结果被完整发表。这意味着，AI模型在训练时只能看到“成功的故事”，而无法学习“失败的教训”。

这种数据偏差可能导致灾难性的后果。2020年新冠疫情初期，多个AI模型预测氯喹对治疗COVID-19有效，但后续大规模临床试验证明其无效甚至有害。事后分析发现，这些模型之所以产生假阳性，是因为训练数据中包含了大量“氯喹对某些病毒有效”的阳性案例，但几乎没有“氯喹对冠状病毒无效”的阴性案例。模型学会了“氯喹能抗病毒”这个相关性，却无法理解“冠状病毒与流感病毒在复制机制上的根本差异”。

Wang如何解决这个问题？根据TechCrunch的报道，他的公司可能“专注于那些在临床试验中失败的药物”。这意味着，他需要获取药企内部的失败数据——这几乎是不可能的任务，除非他与大型药企建立深度合作。另一种可能是，他利用公开的临床试验数据库（如ClinicalTrials.gov）和文献挖掘技术，从数千万篇生物医学论文中提取“药物-疾病无效”的关联。但这种方法同样充满挑战：自然语言处理模型在提取否定句（如“药物X对疾病Y无效”）时的准确率通常只有60-70%，而且文献中往往存在发表偏倚——阳性结果更容易被发表，阴性结果被选择性忽略。

风险警示：AI模型的“假阳性”陷阱

即使数据问题得到解决，AI模型在“老药新用”领域的实际表现仍然令人担忧。根据一项2025年发表在《Nature Biotechnology》上的研究，AI预测药物新适应症的临床试验通过率仅为8.7%，而传统方法（如基于生物学假设的筛选）的通过率约为12%。这意味着，AI模型不仅没有提高成功率，反而可能因为“过度自信”而浪费更多资源。

“AI模型的本质是模式识别，而不是因果推理。”一位不愿具名的生物信息学教授在接受采访时表示，“当模型发现某种药物与某种疾病在数据中存在统计相关性时，它无法区分这是真正的因果关系，还是由于混杂变量（如年龄、性别、共病）导致的虚假关联。在药物发现领域，这种虚假关联的比例可能高达90%。”

以Wang可能采用的Transformer模型为例，其“注意力机制”虽然能够捕捉长距离依赖，但也容易产生“虚假注意力”——模型可能关注到分子中某个不重要的原子，或者文献中某个不相关的句子，从而做出错误的预测。更糟糕的是，这种错误往往是系统性的：模型在训练数据中看到的“成功案例”越多，就越倾向于预测“有效”，而忽略“无效”的可能性。

技术延续性：从OpenAI到新公司的知识迁移

Wang的模型能否避免这些陷阱，很大程度上取决于他能否将OpenAI的研究成果成功迁移到药物发现领域。在OpenAI期间，他参与开发的“科学发现AI”系统有一个关键设计：它不仅预测结果，还会输出“置信度”和“解释性”——比如，模型会告诉用户“我认为药物X对疾病Y有效的概率是85%，主要依据是文献A中提到的分子结构相似性，以及数据库B中记录的靶点关联”。这种设计在一定程度上能够帮助研究人员识别假阳性，因为置信度低的预测可以被优先验证。

但问题在于，药物发现领域的“置信度”计算远比自然语言处理复杂。在NLP任务中，模型的置信度可以通过交叉验证来校准；但在生物学中，一个药物是否有效，取决于无数不可预测的变量——患者的基因型、肠道菌群、免疫状态、甚至服药时间。AI模型无法模拟这些变量，因此其输出的置信度可能严重失真。

结论：一场昂贵的“猜谜游戏”？

“老药新用”的AI模型，本质上是一场昂贵的“猜谜游戏”。它能够从海量数据中快速生成“候选药物”，但这些候选药物中的绝大多数最终会被证明无效。对于Wang的公司而言，真正的挑战不在于模型本身，而在于如何建立一套高效的验证体系——从AI预测到实验室验证，再到临床试验，每一步都需要数千万美元的资金和数年的时间。

如果Wang能够与大型药企合作，获取高质量的阴性数据，并建立严格的实验验证流程，他的模型或许能够将假阳性率从90%降低到70%，从而将“老药新用”的成功率提升到20%以上。但如果他急于求成，只依赖公开数据和模型预测，那么他的公司很可能成为AI制药泡沫中又一个“美丽的错误”。

正如那位生物信息学教授所说：“AI可以告诉你‘可能有效’，但只有生物学能告诉你‘确实有效’。在药物发现领域，没有捷径可走。”

团队“挖角”与人才战争：OpenAI为何成为AI制药的“黄埔军校”？

2026年7月，当Miles Wang离开OpenAI的消息传出时，硅谷的猎头们几乎同时收到了来自AI制药初创公司的紧急需求——寻找“既懂Transformer又懂蛋白质折叠”的复合型人才。而OpenAI，这个以ChatGPT闻名世界的AI巨头，正在成为这场人才战争中最大的“供应商”。

从OpenAI到AI制药：一场人才流动的“完美风暴”

Miles Wang并非第一个从OpenAI出走创办AI制药公司的研究员。在他之前，Josh Meier已经创立了Chai Discovery，并在2026年7月完成了4亿美元融资，估值38亿美元。更早之前，OpenAI的前研究科学家Jimmy Ba参与了Recursion Pharmaceuticals的AI平台建设，而另一位前研究员Nick Frosst则联合创办了Cohere，虽然Cohere专注于NLP，但其技术栈已被多家药企用于文献挖掘。

这种人才流动并非偶然。OpenAI内部的文化，某种程度上正在成为AI制药创业的“催化剂”。据多位前员工透露，OpenAI的研究文化强调“通用性”——模型应该能够解决任何问题，从写诗到预测蛋白质结构。但这种“通用性”在商业化层面却面临尴尬：OpenAI的高层更倾向于将AI能力封装成API，向制药公司出售“铲子”，而非亲自下场“挖金矿”。这种策略在商业上无可厚非——OpenAI的营收压力巨大，必须优先服务好微软等大客户。但对于那些渴望“用AI真正改变世界”的研究员来说，这种“卖铲子”的逻辑显得过于保守。

“在OpenAI，你花三个月训练一个模型，最终可能只是被用来生成营销文案。但在AI制药领域，同样的模型可能拯救成千上万的生命。”一位已离职的OpenAI研究员在匿名采访中表示，“这种使命感驱动了很多人的离开。”

更重要的是，OpenAI对员工从事AI制药领域的创业几乎没有任何竞业限制。据两位知情人士透露，OpenAI的竞业协议主要针对“直接竞争”领域——比如其他大语言模型公司。而AI制药被视为“非竞争领域”，因为OpenAI本身并不直接参与药物开发。这种宽松的竞业政策，使得OpenAI成为了AI制药创业者的“黄埔军校”。

团队共性：从OpenAI出走的AI制药创始人，有哪些共同特征？

对比Miles Wang和Josh Meier的创业路径，可以发现一些显著的共性：

  • 技术路径的“Transformer化”：无论是Wang的“老药新用”模型，还是Meier的“化学语言模型”，其核心架构都基于Transformer。这种选择并非偶然——Transformer在捕捉长距离依赖关系方面的能力，使其天然适合处理分子序列（如SMILES表示）和生物序列（如蛋白质氨基酸序列）。Wang在OpenAI参与的研究论文已经证明，Transformer在预测基因突变与疾病关联时，表现显著优于传统的图神经网络。
  • 融资能力的“OpenAI溢价”：Wang的种子轮估值20亿美元，Meier的B轮估值38亿美元，这些数字都远超同类AI制药初创公司。这种“OpenAI溢价”背后，是投资者对“顶级AI人才”的疯狂追捧。一位参与Chai Discovery融资的VC坦言：“当你的创始人来自OpenAI，你不需要看商业计划书。你只需要相信，他们能用AI做出别人做不出的东西。”
  • 公司治理的“极客化”：Wang和Meier都倾向于组建“小而精”的团队，核心成员以AI研究员为主，而非生物学家。这种“技术优先”的治理模式，在早期阶段能够快速迭代模型，但长期来看可能面临“跨学科协作”的挑战。Meier的Chai Discovery在2025年曾因“缺乏药物化学家”而被迫推迟了一个管线的临床前研究，这暴露了纯AI团队在生物验证环节的短板。

人才争夺战：顶级AI科学家为何选择初创公司而非大厂？

在AI制药领域，顶级AI科学家的薪酬结构正在经历一场革命。根据PitchBook和Glassdoor的数据，2025年，OpenAI和Google DeepMind的AI研究员年薪中位数约为40-60万美元（包括基本工资和年度奖金），而AI制药初创公司可以提供的年薪中位数约为30-45万美元。单纯从薪资角度看，初创公司并不占优势。

但初创公司的“杀手锏”在于股权。Wang的2亿美元种子轮融资中，有相当一部分被用于“股权激励池”。据一位参与谈判的知情人士透露，Wang计划将公司20%的股权分配给早期员工，这意味着一位早期加入的AI研究员可能获得价值数千万美元的股权——如果公司最终成功上市或被收购。相比之下，OpenAI虽然估值高达数千亿美元，但其股权激励主要面向核心管理层，普通研究员的股权份额相对有限。

“在OpenAI，你是一个齿轮；在初创公司，你是引擎。”一位从DeepMind跳槽到AI制药初创公司的研究员这样形容，“如果你相信AI制药是下一个万亿市场，那么早期加入一家有潜力的初创公司，可能是你一生中唯一一次实现财务自由的机会。”

团队构成的“短板”：AI专家过剩，生物学家稀缺

然而，Wang的团队构建并非没有隐忧。据TechCrunch报道，已有三位OpenAI的研究员承诺加入新公司，但其中没有一人拥有生物化学或药物化学博士学位。这种“AI专家过剩、生物学家稀缺”的团队结构，在AI制药领域并非孤例。

2025年，Recursion Pharmaceuticals曾因“AI预测的候选药物在动物实验中全部无效”而股价暴跌40%，事后分析发现，其团队在药物化学和药代动力学方面的经验严重不足。同样，Insilico Medicine虽然拥有强大的AI团队，但其核心候选药物INS018_055在2024年进入II期临床试验后，因“剂量设计不合理”而被迫调整方案，导致进度延迟了6个月。

Wang显然意识到了这个问题。据一位知情人士透露，他正在积极招募“计算化学家”和“药物化学家”，但面临两个挑战：一是这些人才大多集中在大型药企（如辉瑞、诺华）或学术机构，薪资期望较高；二是跨学科团队的协作模式尚未成熟——AI研究员和生物学家之间的“语言障碍”可能导致沟通成本剧增。

“AI研究员喜欢说‘准确率’和‘损失函数’，而生物学家关心的是‘IC50’和‘ADMET’。”一位曾在AI制药公司担任CTO的专家表示，“要让这两群人坐在一起有效协作，比训练一个模型难得多。”

数据指标：OpenAI离职员工创办的AI公司数量及估值排名

根据Crunchbase和PitchBook的数据，截至2026年7月，OpenAI离职员工创办的AI公司数量已超过120家，其中估值超过10亿美元的有18家。在AI制药领域，OpenAI背景的创始人创办的公司包括：

  • Chai Discovery：估值38亿美元，联合创始人Josh Meier（前OpenAI研究员）
  • Miles Wang的新公司：估值20亿美元（种子轮）
  • Recursion Pharmaceuticals（部分团队来自OpenAI）：市值约50亿美元
  • BenevolentAI（部分核心成员来自OpenAI）：估值约15亿美元

这些公司的总估值已超过120亿美元，而OpenAI本身在2026年的估值约为3000亿美元。这意味着，OpenAI离职员工创办的AI制药公司，已经占据了整个AI制药赛道估值的约15%。

结论：人才战争的终局，是生态系统的胜利

Miles Wang的团队构建，本质上是在复制OpenAI的“技术极客”文化——以AI为核心，以快速迭代为方法论。这种模式在早期能够吸引顶级AI人才，但长期来看，能否成功整合生物学和药物化学专家，将决定公司能否从“AI实验室”进化为“制药公司”。

正如一位生物科技投资人所说：“AI可以告诉你‘可能有效’，但只有生物学能告诉你‘确实有效’。在药物发现领域，没有捷径可走。Miles需要明白，他的团队里不能只有代码，还需要有试管。”

监管、伦理与不确定性：AI药物发现的“最后一公里”难题

当Miles Wang在2026年夏天向投资者描绘他的“老药新用”蓝图时，他可能忽略了一个最致命的变量：FDA的审批标准。这位22岁的创始人承诺“三个月内做出第一个候选分子”，但即使模型预测出100个候选药物，每一个都需要经过漫长的临床验证——而FDA对AI生成数据的接受程度，至今仍是一个模糊地带。

FDA的“灰色地带”：AI辅助药物发现的审批困境

2025年，FDA发布了《关于AI在药物开发中应用的指南草案》，这份文件被业界视为“谨慎的开放”。指南明确表示，AI生成的数据可以作为“辅助证据”，但不能替代传统临床试验。这意味着，即使Wang的模型预测出某种老药对罕见病有效，药企仍然需要进行至少一个II期临床试验，以证明疗效。对于“老药新用”而言，虽然安全性数据可以复用，但疗效验证的成本和时间并未显著减少。

更棘手的问题在于“算法透明度”。FDA要求药物开发商能够解释AI模型的决策过程——为什么模型认为药物X对疾病Y有效？哪些分子特征和生物通路被激活？这种“可解释性”要求，对于基于Transformer的深度学习模型来说几乎是反直觉的。Wang在OpenAI参与的研究论文中曾提到，注意力机制虽然能够捕捉长距离依赖，但模型内部的“黑箱”特性使得解释性极其困难。如果FDA要求提供“模型决策的逻辑链”，Wang可能需要开发专门的解释性工具，这会增加数月的开发时间。

数据指标显示，截至2026年，FDA批准的完全由AI驱动的药物数量为零。虽然有一些AI辅助发现的药物进入了临床试验（如Insilico Medicine的INS018_055），但尚未有任何一款药物获得FDA的完全批准。这意味着，Wang的“老药新用”模式，本质上是在一个没有先例的监管框架下运作——FDA可能会要求额外的验证实验，或者拒绝接受AI生成的预测数据作为主要证据。

伦理困境：AI模型的“数据偏见”与“疾病歧视”

AI模型在药物发现中的另一个潜在风险，是训练数据的“偏见”。Wang的模型可能依赖于PubMed、ClinicalTrials.gov等公开数据库，但这些数据库中的数据存在严重的“发表偏倚”——阳性结果更容易被发表，阴性结果被选择性忽略。更糟糕的是，这些数据主要来自欧美人群，对亚洲、非洲和拉丁美洲人群的覆盖严重不足。

这种“数据偏见”可能导致AI模型忽视某些疾病或人群。例如，2024年的一项研究发现，AI模型在预测“镰状细胞病”的药物靶点时，准确率显著低于预测“乳腺癌”的靶点，因为前者主要影响非洲裔人群，而后者在文献中拥有更多的数据。如果Wang的模型同样存在这种偏见，他可能会忽略那些“数据稀缺”但“需求巨大”的疾病领域，比如热带病或罕见病。

另一个伦理问题是“药物可及性”。Wang的“老药新用”模式，理论上可以降低药物开发成本，但最终定价权掌握在药企手中。如果他的公司选择“自研管线”，那么药物上市后的定价可能高达每年数十万美元——这与“让AI造福全人类”的叙事背道而驰。2025年，BenevolentAI曾因将其AI发现的药物定价过高而引发伦理争议，最终被迫降价30%。Wang需要从一开始就明确自己的定价策略，否则可能面临公众信任危机。

商业模式的不确定性：SaaS平台还是生物科技公司？

Wang的公司面临一个根本性的战略选择：是作为“SaaS平台”向药企出售模型使用权，还是作为“生物科技公司”自研药物管线？这两种模式的风险和回报截然不同。

  • SaaS平台模式：类似Isomorphic Labs和Chai Discovery，向药企提供API或合作开发服务。这种模式的优点是风险低、现金流稳定，但缺点是天花板有限——药企可能只愿意为“预测”付费，而不愿意分享药物销售利润。2025年，Isomorphic Labs与诺华的合作协议中，Isomorphic仅获得预付款和里程碑付款，没有销售分成。这意味着，即使药物成功上市，Isomorphic的收益也远低于药物销售额。
  • 自研管线模式：类似Recursion Pharmaceuticals和Insilico Medicine，直接拥有药物资产。这种模式的优点是回报极高——如果药物成功上市，公司可以获得全部销售利润。但缺点是风险极高：药物发现到上市平均需要10-15年，投入超过10亿美元，且成功率不足10%。Recursion Pharmaceuticals虽然上市，但其2025年营收仅为1.2亿美元，亏损却高达4.5亿美元，股价自2023年以来下跌了40%。

Wang在种子轮融资中向投资者承诺“三个月内做出第一个候选分子”，这暗示他可能选择“自研管线”模式——因为只有直接拥有药物资产，才能实现“三个月出成果”的激进目标。但这种模式对资金的需求巨大：从候选分子到临床试验，至少需要5000万-1亿美元，而Wang的2亿美元融资可能只够支撑18-24个月。如果18个月内无法获得临床数据，他可能面临融资枯竭的风险。

竞争威胁：大型药企的“围剿”与初创公司的“护城河”

大型药企正在加速自建AI能力。2024年至2026年，辉瑞、诺华、罗氏等巨头纷纷投资内部AI平台。辉瑞的“AI Hub”拥有超过200名数据科学家，诺华与Microsoft合作利用Azure AI平台，罗氏则收购了AI初创公司Genentech AI。这些巨头不仅拥有海量的临床数据和专利库，还能承受长达十年的研发周期。

对于Wang的公司而言，构建“护城河”至关重要。可能的护城河包括：

  • 技术专利：Wang的Transformer改进架构可能申请专利，但AI算法的专利保护范围有限，竞争对手可以通过“变体实现”绕过。
  • 数据壁垒：如果Wang能够与大型药企合作，获取高质量的临床试验失败数据，这将形成强大的数据壁垒。但药企通常不愿意分享这些数据，除非Wang提供股权或利润分成。
  • 人才优势：Wang的OpenAI背景可以吸引顶级AI人才，但生物学家和药物化学家的稀缺可能成为瓶颈。如果竞争对手开出更高的薪资，人才可能流失。

宏观环境：生物科技IPO市场的回暖与地缘政治风险

2025年至2026年，生物科技IPO市场正在回暖。根据PitchBook的数据，2025年生物科技IPO的平均估值为8.5亿美元，首日回报率为12%，高于2023年的5%。但2026年上半年的IPO数量仅为18家，低于2021年同期的45家，表明市场仍处于“谨慎乐观”状态。对于Wang的公司而言，如果能够在18-24个月内推进到临床试验阶段，可能赶上IPO窗口期。但如果市场再次降温，他可能需要依赖私募融资或战略收购。

地缘政治风险同样不容忽视。AI技术出口管制正在收紧：2025年，美国商务部将“AI药物发现模型”列入出口管制清单，要求向中国、俄罗斯等国家出口时必须获得许可证。Wang的公司如果使用OpenAI的底层技术（如GPT架构），可能受到这些管制的限制。更糟糕的是，如果中美关系进一步恶化，Wang的公司可能无法进入中国这个全球第二大药品市场。

结论：一场“豪赌”的终局

Miles Wang的创业故事，本质上是一场“豪赌”——赌AI模型能够突破生物学的不确定性，赌FDA愿意接受新的审批标准，赌市场愿意为“老药新用”支付溢价。但历史告诉我们，在药物发现领域，没有捷径可走。即使是最先进的AI模型，也无法改变“药物开发需要10年时间和10亿美元”的物理定律。

如果Wang能够成功，他可能成为第一个用AI发现新适应症并获批上市的创始人，彻底改变制药行业的游戏规则。但如果他失败，他的公司只会成为AI制药泡沫中又一个“美丽的错误”——就像那些曾经被寄予厚望、却最终消失在历史中的AI初创公司一样。

正如一位生物科技投资人所说：“Miles是一个天才，但天才无法改变药物发现的物理定律。生物学不会因为你的代码写得漂亮就变得更容易。”

结语：天才的赌注与生物学的物理定律

Miles Wang的创业故事，是2026年AI制药狂潮中最具戏剧性的缩影。一位22岁的哈佛辍学生，凭借在OpenAI的短暂履历和一份“三个月做出候选分子”的一页PPT，撬动了2亿美元融资和20亿美元估值——这组数字本身，就是对这个时代资本逻辑最赤裸的注脚。

然而，当我们将Wang的叙事拆解到技术、团队、监管和商业模式的每一个环节时，一个令人不安的事实逐渐清晰：他的成功，取决于一系列几乎不可能同时成立的假设。模型必须突破“老药新用”领域根深蒂固的数据偏见和假阳性陷阱；团队必须在18个月内完成从AI研究员到跨学科制药团队的转型；FDA必须愿意为AI生成的数据打开审批的“灰色地带”；而资本市场的耐心，必须在临床结果出来之前始终保持高位。

这不是对Wang个人能力的否定。他的技术直觉和执行力无可置疑，OpenAI的经历也证明了他能在极短时间内做出突破性成果。但药物发现的物理定律不会因为代码写得漂亮就变得更容易——生物学的不确定性、临床试验的漫长周期、以及监管审批的保守性，都是任何AI模型无法绕过的“最后一公里”难题。

Wang的选择——直接拥有药物资产而非出售“铲子”——将这场赌注的筹码推到了最高点。如果成功，他将成为AI制药领域的Sam Altman，彻底改变制药行业的游戏规则；如果失败，他的公司只会成为AI泡沫中又一个“美丽的错误”，被后来的研究者当作案例反复解剖。

对于关注这家公司的投资者和观察者而言，未来12-18个月将是决定性的。Wang能否在资金耗尽之前，将一个AI预测的候选分子推进到临床前验证阶段？他能否招募到一位拥有药物化学背景的联合创始人，弥合团队中“代码与试管”之间的鸿沟？更重要的是，他能否说服FDA，让AI生成的数据在审批流程中占据一席之地？

这些问题没有标准答案。但有一点可以确定：在药物发现领域，天才可以缩短路径，但无法消除距离。

核心判断：Miles Wang的新公司将在未来12-18个月内面临“验证或消亡”的关键窗口。核心观察指标包括：①是否能在6个月内公开首个经实验室验证的“老药新用”候选分子（而非仅AI预测）；②是否能在12个月内招募到一位拥有药物化学或临床开发背景的联合创始人；③是否能在18个月内与至少一家大型药企达成数据共享或合作开发协议。若三项指标均未达成，公司可能在下一轮融资时遭遇估值大幅回调；若至少达成两项，则有望成为AI制药赛道中“资产型”模式的标杆企业。当前20亿美元估值本质上是对“OpenAI光环”和“老药新用叙事”的溢价，而非对技术成熟度的定价，投资者需警惕“估值先行、验证滞后”的泡沫风险。