0
作者丨周蕾
编辑丨岑峰
上周，两条AI制药新闻在24小时之内，先后引燃了舆论场：
先是Anthropic发布早期药物研发成果：依托Claude大模型，他们几乎在无人工干预的情况下，自主设计出14个临床靶点的蛋白结合剂，全部实验数据公开，所合作的外部平台Twist Bioscience股价单日飙升22%。
次日，全球mRNA巨头Moderna与默沙东联合宣布，其个性化mRNA癌症疫苗intesmeran autogene在针对高危黑色素瘤的全球III期临床试验中达到主要终点，Moderna因此单日内股价翻倍。
也有媒体直接将这一新闻定义为“人类历史上第一次用AI治愈癌症”，引来大量关注。
其实，无论是Anthropic的药物研发，还是Moderna的mRNA癌症疫苗，距离“AI自主科研”“治愈癌症”这些宏大的目标，还有相当长的路要走。AI在这两个案例中的真实角色，或许也没有人们想象中的那么“神”。
在市场炒作的情绪逐步升高之时，有一个问题更值得我们冷静追问：
“AI制药”这个概念里，什么在升值，什么在贬值？算法，还是整件事里最值钱的部分吗？
01
先说Anthropic，此次工作是用基模型针对靶点设计结合蛋白，然后交给机构完成湿实验验证结合能力。
实验数据也确实亮眼，依托Claude Science工作台，几乎无需人工干预，自主设计出14个临床靶点的蛋白结合剂。15个靶点成功14个，整体命中率22.6%至35.1%，远超行业典型水平；其中RBX1靶点命中率40%，碾压同期竞赛人类参与者的3.7%。全部1320个设计由Twist Bioscience与Adaptyv Bio两家外部实验室独立验证。
但有一个不可忽略的背景是，这并非一次“从0到1”的范式革命。
Anthropic这类工作的核心方法论，即从靶点结构出发，用生成式模型设计结合蛋白，这一点在学术界早有先例。2022年，华盛顿大学David Baker团队在Nature上发表了仅凭靶点结构设计结合蛋白的工作；2023年，RFdiffusion和ProteinMPNN相继发表，构成了今天大多数AI蛋白设计工具链的基础。
而在给定条件（文本或结构）下，用生成式模型从头设计出满足特定功能的蛋白质序列（de novo protein design），这一思路也已有其他团队先行验证过。
香港中文大学助理教授刘圣超向雷峰网(公众号：雷峰网)AI科技评论提到，2022年他所在的项目ProteinDT和ChatDrug，已经证明了这一思路可行。“最早探索用基模型针对靶点设计结合蛋白这个方向的，就是我的团队，可惜当时差了湿实验的验证。算法不难想，但我们一直坚信这条路能走通。”
换句话说，比起算法或范式上的创新，Anthropic的突破，其实是在于他们动用了庞大的工程资源、强大的基模型，以及号召两家外部独立实验室（Twist和Adaptyv）为他们完成了成规模的湿实验验证。 这是传统学术团队难以企及的资源调动力。
与此同时，Anthropic也开源了此次工作的prompt、设计模型和实验数据，这在某种程度上降低了行业的试错成本，但也意味着“AI设计蛋白结合剂”这件事的方法论壁垒，正在以月为单位降低。
刘圣超把这类工作称为“算法1.0”：利用基模型调用现有开源工具链，完成从靶点到候选序列的生成。它算法设计门槛低、更看重生物领域的敏感度，只要问题找得好，那见效就很快。这适合创业启动，不过也容易形成跟风。
不过结合最近在人员布局上的调整，会不会Anthropic已经意识到了要做更深层的“算法2.0”工作？他甚至做了一个略带辛辣的推测：1.0的工作，或许是起到了一个“带歪竞争对手”的作用。
此时高调放出1.0的成果，或许可能用开源的低门槛成果，把竞争对手的精力和资源“带歪”到已经没有太多壁垒的旧路上去。
再看Moderna。III期临床成功的数据表现过硬：1137名患者，无复发生存期和远处无转移生存期双达标，首个III期成功的个体化新抗原疗法。这个里程碑意义不容否认，AI在这一案例里起到了不小作用，但并非全新的算法，真正带来决定性作用的，仍然是算法之外的事情。
“Moderna和默沙东做的事情：把蛋白质折叠、结合力预测与免疫反应模拟三个模块整合，然后筛选最有杀伤力的抗原。这一套工具基本都是大模型发明之前的算法，但是它们通过了临床测试。虽然Moderna和默沙东的算法比较老派，但是更加接近落地。”刘圣超说。
从产业化的视角来看，锦波生物首席架构师张骥也给出了他的观察：
AI+任何领域都一定有加速空间，但加速也意味着对过去的管线有依赖，不是大刀阔斧的改造；同时这种加速依赖过去积累下来的专有数据，而数据是“偏科”的。
Moderna的III期成功，更多证明的是其mRNA平台技术、LNP递送能力、大规模生产体系、临床开发网络和监管路径的厚度——这些构成了一个成熟的产业平台，AI只是在上面做了一层局部定制。
02
两件新闻放在一起看，一个共同的疑惑开始浮现：算法本身的突破性，可能并没有外界渲染的那么核心。那么，真正重要的是什么？
一个关键原因是，AI制药甚至所有AI for Science的相关赛道，AI的泛化能力都有待提高，只能做好一两件很细分的事情，相当于在考试里“偏科”。张骥打了个比方，“就好比学数学，所有人高等数学都考满分，几何、线性代数全是零分。”
这种偏科在制药链条里表现得很具体。比如在设计序列、预测静态结构等环节上，AI表现越来越强，但在表达、折叠、稳定性、免疫原性、毒理、临床这些环节，还存在很大进步空间。
Anthropic的实验也恰恰证明了这一点：Claude设计了1320个蛋白，Twist和Adaptyv验证的是“能不能结合”，但结合只是第一步。从binder到成药，中间隔着大量AI目前难以切入的环节。
张骥以锦波生物主攻的重组人源化胶原蛋白为例，进一步解释了AI当下的能力边界：当年的AlphaFold系列还是主攻静态蛋白，而胶原蛋白是高度柔性的、具有时变性的，并且是动态的，像在风中摇曳的麻花辫。过去静态的技术解决不了动态问题。AI目前很难预测到动态结构，对相互作用的理解也有限。“许多工作我们只知道（用AI）结果不好，但哪里不好、怎么变好，不知道。”
这种偏科的根源，在于AI4S连“考什么”都还没搞清楚。
“语言模型的好坏有普世价值观和现成的benchmark；但科学界的好坏，怎么把生物学的普适价值观映射到AI里，是两个完全不同学科的事情。”没有公正客观的评测集，就没有办法系统性地知道AI在哪里强、在哪里弱，大家都只是在刷自己擅长的题目。
偏科也使得看似突破的算法，未能在产业侧如期发挥出巨大作用。“Claude这项工作自然是有非常突出的贡献，但它对我们的真正启发之外，仍有大量约等于从基础开始的工作。”
而在一些投资人看来，AI制药赛道里，算法的壁垒，恐怕也没有市场想象的那么高。
长期深耕在biotech赛道的投资人阿东告诉雷峰网AI科技评论，需要对“算法热”持有谨慎态度，他们更倾向于既有前沿模型、又能把管线做出结果、链条相对完整的公司，“我们看重的，就是它能完整化的希望。”
算法只是链条里很窄的一段，真正决定成败的，是从设计到成药的完整能力。在开源时代，这种“只做算法”的模式尤其危险。因为算法之外的部分，不仅本身更重要，还承担着“验证算法到底靠不靠谱”的角色。如果验证环节缺失，算法再漂亮也只是空中楼阁。
“很多人想用AI的角度切入这个赛道，特别重视开发模型，但如果最后做不出管线，现在开源模型又越来越多，你拦不住别人开源，如果你的领先度也没有那么高，前面许下的诺言怎么兑现？”
尽管算法的分量有待商榷，但这种叙事仍然带动了一级市场相关概念的追捧，甚至引发了AI+生命科学投资的FOMO情绪。
投资人阿伟向AI科技评论透露，近几年他们将关注点从传统生物领域转向AI+生命科学，也颇看过几个虚拟细胞、AI蛋白生成方向的项目，但都因为融资节奏太快、额度紧缺而没赶上。
“标的层面融资节奏极快，基本上两个月就一轮，等我们沟通完，下一轮已经在交割了。”这也从侧面说明，一级市场对AI+生命科学概念的热情是真实的，但这种热情可能更多建立在“不能错过”的焦虑上。
数据也在印证这种情绪的普遍性。EvolutionaryScale曾以约13.5亿美元估值融资，最终却被CZI收购；Isomorphic Labs估值25亿至30亿美元，但依赖的是Alphabet的独家授权；Xaira拿了10亿美元种子轮，但它是全栈平台加管线，不是纯模型公司——纯模型公司的独立商业模式，似乎正在经历一场压力测试。
回看Anthropic和Moderna这两条备受关注的新闻，AI的发展之快无疑提升了所有人的期望值。人们对这项技术寄予厚望，期待它能一夜颠覆制药、真正攻克癌症，但现实是AI要走的路还很远，那些真正需要长期投入的环节，反而被淹没在了算法的喧嚣里。AI制药的估值锚点，到底应该设在哪里？真正的答案，仍然需要时间证明。
*文中阿东、阿伟均为化名
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
