Chai Discovery拿到四亿美元那天，硅谷阳光正好，把停车场里的特斯拉镀了一层薄薄的金色。这家成立仅十八个月的公司，没有上市产品，没有进入临床的管线，甚至没有一个被验证能跑通的商业模式。领投方是Index Ventures，跟投名单上有红杉、Kleiner Perkins、Thrive Capital和OpenAI。乔布斯之子Reed Jobs创办的Yosemite也参与了这一轮。投后估值38亿美元。
同一周，OpenAI研究员Miles Wang被曝即将离职，创办一家AI制药公司。这位哈佛辍学生正在和光速创投谈一轮两亿美元的融资，投后估值20亿美元。而他此前在OpenAI的工作，是研究如何用AI加速科学发现——当然，只是还停留在论文阶段。
越来越多的迹象表明，AI制药正在成为继大模型之后，硅谷最密集的资本聚集地。但这条赛道的底层逻辑与互联网软件截然不同：软件可以迭代，药物必须一次做对。没有灰度发布，没有回滚，没有下个版本修复。把“快速行动、打破常规”那套互联网信条搬到制药领域，打破的可能是患者的肝肾功能。
这正是AI制药最深层的悖论：它用互联网的速度追逐一个不容错的目标。
| 公司名称 | Chai Discovery |
|---|---|
| 融资轮次 | B轮 |
| 融资金额 | 4亿美元 |
| 投资方 | Index Ventures（领投）、红杉资本、Kleiner Perkins、Thrive Capital、OpenAI、Yosemite（Reed Jobs创办） |
| 官网 | https://chaidiscovery.com |
十年，十亿，十分之一：制药业最坚固的铁幕
理解AI制药为什么值得四亿美元，首先要理解它试图撬动的产业有多沉重。
新药研发是一台效率极低的赌博机。从靶点发现到药品上市，平均耗时超过十年，烧掉十亿美元以上。而十个进入临床试验的候选分子，最终能拿到上市批文的不到一个。这三组数字——十年、十亿、十分之一——构成了制药业最坚固的铁幕。
任何一项技术，只要能把这三组数字中的任何一个削掉一半，释放的经济价值就足以让目前所有消费级AI应用相形见绌。Index合伙人Nina Achadjian在接受《纽约时报》采访时说：“我相信生命科学将是AI最重要、影响力最大的应用领域之一。”翻译过来很朴素：聊天和写代码赚的是注意力，造药赚的是命。
但制药业的沉重远不止于时间和金钱。它背后是一个高度复杂、极度保守、监管严密的生态系统。每一个环节——从靶点发现、先导化合物优化、临床前试验、到三期临床试验——都充满了不确定性。传统制药巨头花费数十年建立起来的研发体系，本质上是一套“用大量试错换取少量成功”的机制。这种机制虽然效率低下，但至少是经过验证的、可预期的。
AI试图改变的是这个机制的核心逻辑：从“试错”转向“预测”。如果AI能够准确预测哪些分子更有可能成功，哪些靶点更值得投入，那么整个研发链条的效率将发生质变。但问题在于，制药业的“预测”与互联网的“推荐”有着本质区别。推荐系统预测错了，用户最多看到一个不感兴趣的广告；制药预测错了，患者可能面临无效甚至有害的治疗。
这种风险不对称，决定了AI制药必须走一条比大模型更谨慎、更漫长的路。它不能像ChatGPT那样，在发布后通过用户反馈快速迭代。每一个预测都必须经过严格的实验验证，每一次失败都可能意味着数千万美元的损失和数年的时间成本。
炼金术士的原料短缺：数据壁垒比算法壁垒更难逾越
AI制药的真正瓶颈不在算法，在数据。
制药业的数据不像互联网那样俯拾皆是。真实的临床数据、化合物库、药代动力学参数，都锁在大型药企的服务器里。诺华、罗氏、辉瑞这些巨头，自己也在砸钱建AI研发平台。它们既是AI制药公司未来的客户，也可能是未来的竞争对手。
Chai们想要训练出真正有用的药物发现模型，必须拿到这些数据。而药企并不急于把自己的核心资产交给硅谷的年轻人。这个问题在上一轮AI制药热潮中就已经暴露过了。
2021年到2023年间，一批AI制药明星公司相继遭遇临床失败，核心原因并不是模型不够精准，而是训练数据不足以支撑从靶点预测到人体试验的完整跃迁。这些公司大多依赖公开数据——如蛋白质数据库（PDB）、化学数据库（ChEMBL）、临床试验数据库（ClinicalTrials.gov）——来训练模型。但这些公开数据存在几个致命缺陷：
第一，数据量不足。与互联网文本的海量数据相比，制药领域的结构化数据规模小得可怜。整个PDB数据库只有约20万个蛋白质结构，而一个大型语言模型的训练数据动辄万亿token。这种数据规模的差距，意味着AI制药模型在训练时更容易过拟合，泛化能力更差。
第二，数据质量参差不齐。公开数据往往来自不同实验室、不同实验条件、不同测量方法，数据的一致性和可比性很差。一个模型如果基于这些数据训练，很容易学到实验噪声而非真实规律。
第三，数据分布不均衡。制药业的数据天然偏向“成功案例”——那些已经上市的药物、已经发表的实验结果。但真正对AI有价值的数据，恰恰是那些“失败案例”——为什么某个分子在临床试验中失败了？为什么某个靶点没有成药性？这些数据通常被药企视为商业机密，不会公开。
Index显然看到了这个堵点。Achadjian在采访中暗示，接下来的资本部署会围绕“数据资产”展开。换句话说，这四亿只是门票，后面还要花钱买数据、买管线、买临床资源。AI制药的烧钱速度大概率会比大模型更快。大模型的训练数据是公开的互联网文本，AI制药的训练数据是被锁在保险柜里的商业机密。买门票和买下整座游乐场，是两种完全不同的资本量级。
更隐蔽的问题在于，AI制药的泡沫逻辑与大模型如出一辙。大模型公司靠不断融资买算力来维持估值叙事，AI制药公司则可能靠不断融资买数据来维持管线叙事。两者的共同点是，在真正的商业化验证到来之前，估值已经跑到了基本面的前面。而当资本退潮时，数据资产的估值也会跟着缩水，它们不是土地，不是专利，而是一堆尚未被临床验证的预测模型。
Chai-1的野心：从蛋白结构预测到全链条药物发现
Chai的核心产品叫Chai-1，一个生物学基础模型，做的是和AlphaFold同方向的事：用深度学习把蛋白结构预测从几个月压缩到几小时。但Chai试图走得更远，从靶点识别、分子生成到药效预测，覆盖药物发现的整条链。
Chai-1的技术架构建立在Transformer和扩散模型的基础上，但与AlphaFold有所不同。AlphaFold主要解决的是“给定氨基酸序列，预测蛋白质三维结构”的问题，这是一个计算生物学领域长期悬而未决的难题。而Chai-1试图解决的是更广泛的“蛋白质-配体相互作用”问题——不仅要知道蛋白质长什么样，还要知道它如何与小分子药物结合，结合强度如何，结合后会产生什么生物学效应。
这种技术路线的选择，反映了Chai对AI制药商业化的理解。蛋白结构预测虽然重要，但并不是药物发现的核心瓶颈。真正有价值的是“预测哪些分子能够有效作用于特定靶点”，以及“预测这些分子在人体内的药效和毒性”。Chai-1试图将这两个问题统一到一个模型中，通过端到端学习，直接从序列和分子结构预测出药效和毒性指标。
从工程实现角度看，Chai-1面临几个关键技术挑战：
第一个挑战是数据融合。模型需要同时处理蛋白质序列数据、小分子化学结构数据、以及实验测定的结合亲和力数据。这些数据来自不同来源，格式不同，尺度不同，噪声水平也不同。如何设计一个统一的编码器，将这些异构数据映射到同一个表征空间，是模型能否成功的关键。
第二个挑战是计算效率。蛋白质-配体相互作用的模拟，传统上依赖分子动力学模拟，计算成本极高。一个典型的分子动力学模拟可能需要数周甚至数月的时间。Chai-1试图用深度学习模型来近似这种模拟，但模型本身的训练和推理也需要巨大的计算资源。据估算，训练一个类似规模的生物学基础模型，需要数千张GPU运行数周，电费账单可能高达数百万美元。
第三个挑战是可解释性。制药监管机构——如FDA和EMA——要求药物研发过程中的每一个决策都有明确的科学依据。如果AI模型给出的预测是一个“黑箱”，监管机构不会接受。因此，Chai-1必须在保持预测精度的同时，提供可解释的预测依据——比如指出哪些氨基酸残基对结合起关键作用，哪些化学基团可能引起毒性反应。
Chai的四个创始人，背景拼得很精细。有在Meta AI做过研究的，有在DeepMind做过计算生物的，还有从药企出来的产业人士。这个组合恰好踩在了AI制药最核心的难题上：纯粹的AI科学家不熟悉药物开发的漫长周期和监管逻辑，纯粹的制药专家又难以理解深度学习的技术边界。能把两种语言都说到母语水平的人，或许才是这场竞赛里能撑到最后的人。
旧药新用的诱惑与拥挤：Miles Wang的务实选择
Miles Wang的新公司，选择了另一条路径。
据知情人士透露，这家公司可能会专注于为已上市药物寻找新用途，尤其是那些曾经在临床试验中失败的分子。老药新用，是一条比从头发现新分子更快通往收入的路径。这些药物已经通过了安全性测试，不需要从零开始验证毒理。对于一家刚成立的公司而言，这是最务实的切入点。
老药新用的技术逻辑相对清晰：AI模型可以分析已上市药物的分子结构、已知药理作用、以及公开的临床试验数据，预测这些药物是否对其他疾病有效。例如，一种原本用于治疗高血压的药物，可能因为其抗炎作用而被发现对某种自身免疫疾病有效。AI可以加速这种“跨适应症”的发现过程。
但务实的另一面，是拥挤。老药新用的技术门槛相对较低，意味着竞争者更多。大型药企自己也在做这件事，它们的临床数据是独占的，外部AI公司只能依赖公开数据。在信息不对称的牌桌上，手里没有数据的一方永远是被动的一方。
Miles Wang的团队据说会从OpenAI带走一批研究员。这意味着又一家AI制药公司选择了“模型驱动”而非“数据驱动”的路径。模型能力可以迁移，但医疗数据的壁垒不是靠迁移能打破的。这个方向能走多远，取决于他们能否在短期内建立起与药企的深度数据合作。
从商业模式角度看，老药新用有两种变现方式：一种是“服务模式”，即作为CRO（合同研究组织）为药企提供AI预测服务，按项目收费；另一种是“产品模式”，即自己发现新适应症后，申请专利并授权给药企，收取里程碑付款和销售分成。前者现金流稳定但天花板低，后者潜在回报高但周期长、风险大。
Miles Wang的公司选择哪种模式，将直接影响其估值逻辑。如果选择服务模式，20亿美元的估值显然过高——目前全球最大的AI CRO公司年收入也不过数亿美元。如果选择产品模式，那么估值就取决于管线质量和成功率，而这需要时间来验证。
Isomorphic Labs的谷歌基因：AlphaFold的商业化之路
与Chai和Miles Wang的公司不同，Isomorphic Labs背靠谷歌DeepMind的算力和AlphaFold的技术积累。从去年三月到现在，这家公司已经融了27亿美元。
Isomorphic Labs的创始人Demis Hassabis是DeepMind的联合创始人兼CEO，也是AlphaFold项目的推动者。AlphaFold在2021年解决了蛋白质结构预测这个困扰生物学界50年的难题，被认为是AI在科学领域最重要的突破之一。Isomorphic Labs的目标，是将AlphaFold的技术能力商业化，应用于药物发现。
Isomorphic Labs的技术路线与Chai有所不同。Chai试图用一个统一的模型覆盖药物发现的全链条，而Isomorphic Labs则更注重“深度”——在蛋白结构预测这个单一环节做到极致，然后通过与药企合作，将预测结果转化为实际研发决策。
这种路线的优势在于技术壁垒高。AlphaFold的预测精度已经接近实验水平，其他团队很难在短期内超越。劣势在于商业化路径窄——蛋白结构预测只是药物发现的一个环节，即使预测得再准，也不能保证后续的分子优化、临床前试验和临床试验成功。
Isomorphic Labs与诺华、罗氏等药企签订了合作协议，合作金额高达数亿美元。这些合作的核心逻辑是：Isomorphic Labs提供AI预测能力，药企提供数据、实验验证和临床开发能力。双方共享成功后的收益。
但这种合作模式也存在隐忧。药企与AI公司的合作，本质上是一种“技术外包”关系。药企掌握着数据和临床资源，AI公司掌握着算法和算力。随着时间推移，药企可能会自己建立AI能力，或者同时与多家AI公司合作，从而降低对单一AI公司的依赖。AI公司如果不能建立起自己的数据壁垒和临床验证能力，最终可能沦为药企的“技术供应商”，利润空间被不断压缩。
资本竞赛的底层逻辑：信念的折现
AI制药的资本竞赛，本质上是一场“信念的折现”。
大模型公司靠不断融资买算力来维持估值叙事，AI制药公司则可能靠不断融资买数据来维持管线叙事。两者的共同点是，在真正的商业化验证到来之前，估值已经跑到了基本面的前面。
Chai的38亿美元估值，基于什么？基于Chai-1模型的预测能力，基于创始团队的背景，基于投资人对AI制药赛道的看好。但所有这些，都没有经过临床验证。Chai没有上市产品，没有进入临床的管线，甚至没有一个被验证能跑通的商业模式。38亿美元，是市场对“如果AI制药成功”这一假设的折现。
这种折现率有多高？可以参考上一轮AI制药热潮的结局。2021年到2023年间，一批AI制药明星公司相继遭遇临床失败，估值暴跌。例如，Relay Therapeutics的股价从2021年的高点下跌超过80%；Schrodinger的股价下跌超过70%。这些公司的失败，并不是因为AI技术本身不行，而是因为从AI预测到临床成功的跨越，比所有人预期的都要困难。
制药工业的历史反复证明一件事：在实验室里跑得通的模型，到了人体内未必跑得通。AI制药的最终考验不是算力，不是算法，不是融资规模，而是一个简单的问句：它能不能造出一款真正上市的药？在第一个AI设计的分子拿到FDA批文之前，所有的估值都只是信念的折现。
而信念，是这个世界上最昂贵也最脆弱的东西。当资本退潮时，那些手里只有模型、没有数据的公司，会是第一批搁浅的船。那些真正掌握了临床数据、建立了药企合作网络的团队，才有可能穿过泡沫，抵达彼岸。
未来12-18个月的关键观察指标
AI制药的镀金时代才刚刚开始。金子铺在船身上，能不能浮起来，看的是压舱的货，不是刷在表面的漆。
未来12-18个月，有几个关键指标值得关注：
第一个指标是数据合作。Chai、Isomorphic Labs和Miles Wang的公司，能否与大型药企建立深度数据合作？如果它们只能依赖公开数据，那么模型的预测能力将很快触及天花板。如果它们能够获得药企的独家数据，那么技术壁垒将大幅提升。
第二个指标是临床进展。是否有AI设计的分子进入临床试验？如果有，能否在早期临床试验中展示出优于传统方法的疗效和安全性？这是AI制药从“概念验证”走向“实际验证”的关键一步。
第三个指标是资本效率。AI制药公司的烧钱速度有多快？它们的现金跑道能支撑多久？如果一家公司在两年内烧光了数亿美元，却没有产生任何有意义的临床数据，那么它的估值将面临巨大压力。
第四个指标是人才流动。有多少顶尖AI科学家和制药专家愿意加入AI制药公司？人才是技术创新的核心驱动力，也是衡量赛道热度的重要指标。
核心判断：AI制药正在复刻大模型领域的资本竞赛，但其底层逻辑与互联网软件截然不同——药物必须一次做对，没有灰度发布和回滚。未来12-18个月，数据合作深度和临床验证进展将是区分“真玩家”和“泡沫公司”的核心观察指标。那些能够建立独家数据壁垒、并在早期临床试验中展示出AI价值的公司，才有可能穿越周期，抵达商业化彼岸。