硅谷AI巨头密集布局AI制药，争夺湿实验室与临床前验证闭环

2025年，替尔泊肽与司美格鲁肽两大GLP-1类减肥药合计年营收达710亿美元，这一数字超过OpenAI与Anthropic年末年化收入运行率（ARR）总和的两倍。当AI大模型的编码能力趋于饱和，资本亟需一个能匹配万亿级投入的新战场——创新药研发成为首选。硅谷AI巨头正以前所未有的密度下场，目标不仅是设计新分子，更是掌控从算法到实验、从数据到验证的完整科研闭环。

这一轮布局的核心特征是“向湿实验室延伸”。早期AI制药聚焦于计算环节：靶点发现、分子生成、ADMET预测等。而自2025年下半年起，前沿厂商动作明显升级：OpenAI发布GPT-Rosalind生命科学模型后，于2026年10月收购Orchestra Bio——一家专为药企协调药物开发流程的AI agent公司；Anthropic以约4亿美元股票收购成立仅八个月的Coefficient Bio，并在旧金山湾区自建湿实验室；谷歌旗下Isomorphic Labs完成21亿美元B轮融资，估值冲刺400–500亿美元，其统一药物设计引擎可跨治疗领域复用。

关键转折点在于“Lab in the Loop”范式的推进。英伟达早在年初即提出该概念，强调科学正进入“模型—实验—反馈”自动循环时代。OpenAI前科学业务负责人凯文·威尔（Kevin Weil）离职创办Warp Sciences，明确目标是将原本外包至中国药明康德等CRO企业的研发环节回流美国，避免重蹈太阳能与无人机产业外迁覆辙。其深层逻辑在于：自动化实验室产生的数据价值，远高于其所合成的化合物本身；而数据主权直接关系到模型的持续进化能力。

当前瓶颈并非机器人硬件，而是系统级协同。实验过程涉及试剂浓度、添加体积、离心力、温湿度、操作时序等数十个变量，但这些数据分散于不同仪器与软件系统中，人工整合成本高昂。阴性结果常被忽略, 而模型恰恰需要大量失败案例来校准真实世界认知。Anthropic提出的MHS（模型硬件标准）试图通过统一设备接口解决互操作性问题；Isomorphic Labs则构建了基于大模型的统一药物设计引擎，支持跨适应症迁移；字节跳动分拆的Anew Labs首轮融资达2.9亿美元; 腾讯除持续投资晶泰科技外, 2026年2月公开了一项由AI设计的GLP-1短肽专利，并在细胞实验中验证其活性。

值得注意的是，行业正面临代际更替与路线分化。英矽智能联合CEO任峰将自身归为“第一代AI制药公司”，采用垂类小模型分工协作模式（如溶解度模型、透膜性模型独立训练），而Anthropic、Anew Labs等新生代企业则以大模型为基座，通过智能体调度多模态工具链。二者路径差异显著：前者强调闭源专有模型的精度与可控性；后者依赖开源模型集成与快速迭代，但需大量实验验证其可靠性。任峰坦言：“它们还处于只谈技术的朝阳期，没人要求落地；但我们已进入必须证明商业化的下半场。”人才争夺随之升温，多家新创公司已向成熟企业定向挖角，后者则加强博士后引进与内部激励。

更深层挑战来自临床转化鸿沟。波士顿咨询2024年数据显示：AI发现药物I期成功率高达80%–90%，显著优于传统药物的52%；但进入II期后成功率骤降至约40%，与传统药物（37%）持平。这揭示出核心矛盾——AI擅长“造出分子”，却难以准确预测“人体是否响应”。动物模型与人类疾病机制存在本质差异; 患者异质性导致有限临床数据难以支撑决策。

在此背景下，Differentia Bio的前瞻性验证路径提供新思路。该公司针对IgG4相关性疾病（IgG4-RD），于2023–2024年通过整合多组学数据与定量疾病模型，系统模拟并优先推荐CD19+与IL-4/Th2通路干预策略，成果公开披露。2025年4月，靶向CD19+的inebilizumab获FDA批准，III期试验显示疾病发作风险降低87%；2026年1月，IL-4Rα抑制剂dupilumab的早期研究进一步证实疗效。其价值在于：先有模型预测与公开记录，后有独立人体临床验证——这为评估AI疾病模型提供了稀缺的“预测-验证”标尺，而非仅依赖历史回测。

中国创新药的崛起亦构成外部推力。本土CRO/CDMO企业在承接海外外包过程中积累了规模化实验执行与项目管理能力，“十五五”规划更将首创新药（FIC）全球占比不低于25%列为预期性指标。这种由熟练工程师驱动的“流水线式”研发效率高、成本低，但缺乏自动递归进化能力。AI正使分子设计成本趋近于零; 合成与测试反而成为瓶颈。若美国不加速构建自主湿实验室体系，不仅供应链安全受威胁，更将丧失关键训练数据——而数据正是模型进化的燃料。

目前，几乎所有主流AI厂商均已覆盖Lab in the Loop全链条：科研智能体（GPT-Rosalind、Claude Science、Gemini for Science）、互操作数据基础设施、自动化湿实验室、以及实验反馈闭环。真正的竞争焦点，已从“能否生成分子”转向“能否理解实验状态”“能否贯通异构数据流”“能否在临床前阶段逼近人体响应预测”。当通用模型开始驱动实验机器人，AI制药将真正迈入“可验证、可迭代、可扩展”的新阶段。