Anthropic、字节杀进AI制药，模型之外又一场争夺战打响！

AI制药正迎来一轮前所未有的变革。

过去几年，AI制药的核心叙事很简单：只要AI模型算得准，就能帮助更快找到药。

这个信念催生了蛋白质结构预测、分子生成、虚拟筛选等一轮又一轮的技术突破。

但进入2026年，AI制药正面临一道核心考题。AI提出的答案，能不能快速进入真实世界的生物实验，并通过实验结果反过来改进模型？

最近连续发生的几件事，把这个转向摆到桌面上。

据路透社报道，Anthropic已经在旧金山湾区建立自己的湿实验室。一家以基础模型见长的AI巨头，开始亲自进入实验环节。

几乎同时，字节跳动分拆的AI制药公司Anew Labs完成2.9亿美元首轮外部融资，估值达到15亿美元。公司从计算模型、分子设计一路延伸到候选药物研发，把模型能力与实验验证连接起来。

政策层面也出现了类似信号。

近日，十部门联合印发《医药工业发展“十五五”规划》，将人工智能、量子计算、超级计算、计算医学列为药物研发前沿技术，同时提出发展「分子精准递送」「细胞编程与调控」，首次设置「AI制药高价值应用场景培育」专栏。

巨头开始进入实验室，资本开始为从「模型到药物」的能力定价，政策也从「鼓励使用AI」进一步走向具体应用场景。

看似是三件不同的事情，实际上指向同一个变化。AI制药正在从计算问题进入实验问题，从单点模型能力进入系统能力。

这也引出了AI制药真正值得讨论的问题：当模型越来越强、Agent越来越普及，什么才是最难复制的能力？

AI巨头为什么开始走进湿实验室？

AI领域有一个说法：大模型吃掉一切。

意思是基础模型每经历一次重大更新，垂直领域原本的优势就可能被迅速抹平，这一趋势已经在Coding、设计、数学等领域多次出现。

但生物学存在一个根本区别，很多问题无法只靠计算得到答案，最终必须回到实验室。

Anthropic生命科学负责人Eric Kauderer-Abrams也指出，对于生物学而言，最终的检验仍然需要真实实验室工作。

毕竟数学、代码、部分理论科学有一个共同点，很多问题可以在计算环境里被完整地证明或证伪。一段代码对不对，跑一下就知道；一个数学猜想，则可以通过严格的逻辑推导进行证明。

但一个分子能不能真正发挥作用，一个递送系统能不能进入目标细胞，一个候选药物有没有生物活性，都必须通过真实实验回答。

即便是Anthropic想要验证Claude在蛋白质设计的能力，也在实验室筛选1320个设计，验证出354个有效结合分子。

开始向实验环节延伸的，不止Anthropic一家。有意思的是，OpenAI早就用实际实验验证了这套逻辑。

2025年，OpenAI与Red Queen Bio合作，让GPT-5优化一个分子克隆实验方案的效率。经过多轮实验，GPT-5引入了一种新实验机制，把效率提升了79倍。

这也意味着，AI模型的评价标准正在发生转向，OpenAI推出LifeSciBench，用真实生命科学研究任务评估AI，覆盖设计优化、实验验证、实验操作和转化等环节。

不同AI巨头正在从不同入口进入同一个问题：如何让AI真正参与科学发现，而不仅仅是处理科学信息。

国内的信号也在同一时间出现。字节跳动分拆的AI制药公司Anew Labs从成立第一天起，就把计算模型、分子设计与实验验证连接在了一起，目前已经拥有一款自身免疫疾病方向的小分子候选药物。

这类公司的共同点，不是简单地把大模型搬进药物研发，而是试图把计算、实验和候选药物开发连成一条完整链路。

这意味着，AI制药下一阶段比拼的已经不只是模型本身，而是进入“数据—实验—转化”的系统竞赛。

政策与产业共振

从AI制药走向Biological AI

政策的变化进一步说明了这一点。

作为生物医药的重要文件，《医药工业发展“十五五”规划》首次明确布局“AI制药高价值应用场景”。这意味着从政策层面上，已经跨过要不要用AI，转而问AI在哪些环节能产生高价值。

AI赋能靶点筛选、药物分子设计与优化、化合物虚拟筛选、候选药物特性分析、动物模型数据挖掘、实验室数据集成管理、临床试验方案审评与科学评估等，几乎囊括AI制药的整个价值链。

但真正值得关注的，并不只是AI应用场景的增加，而是它被放进了一个更大的技术框架。在前沿技术布局中，人工智能（AI）与分子精准递送、细胞编程与调控、先进组学被并列提出。

这实际上对应了生物医药最关键的几个环节。先进组学提供数据和生物系统理解；人工智能做预测、设计和决策；分子精准递送解决“送到哪里”。细胞编程与调控解决“进入细胞后让细胞做什么”。

政策视野里的AI，不再只是药物发现环节的效率工具，而是与递送、细胞工程、组学共同构成下一代生物技术底座。

这释放了一个更深层的信号：AI制药从药物研发工具，向更广义的Biological AI演进。

毕竟AI制药的着眼点在于药物。无论靶点还是候选药物，AI的核心价值在于提高找分子的效率和命中率，同时压低成本。

而核酸药物、基因治疗和细胞治疗的发展，Biological AI 把问题继续往前推了一步。药物怎么送到正确的细胞？进入细胞之后，又如何改变它的行为？

因此，分子精准递送不再只是药物研发的配套技术，细胞编程也不再只是更遥远的概念。

过去AI帮助科学家寻找药物，Biological AI进一步关注的是，如何用AI理解、设计并控制生物系统。

AI的作用对象，从药物分子变成了生物过程。

真正的竞争不是模型

而是「干湿实验闭环」

在这一轮转向里，剂泰科技是值得观测的行业样本。

公司把Biological AI作为长期核心技术定位，用数据、模型与实验的持续闭环，让AI逐步具备理解和调控真实生物系统的能力。

剂泰科技联合创始人、董事长兼CEO赖才达博士提出了一个“三层蛋糕”的框架：

第一层，是干湿实验数据平台。通过真实实验持续获得细胞、分子、蛋白、核酸等生命科学数据，并将其标准化、数字化，形成能够持续积累的数据资产。

第二层，是垂类模型。基于这些数据，将复杂的生物学过程拆解成不同参数，通过预测模型、生成模型等建立对生命系统的计算能力。

第三层，是大模型与Agent。模型被进一步调用起来，进入科研工作流，执行设计、分析、实验等任务，最终形成完整的Biological AI应用体系。

三层看似只是从数据到模型再到Agent的递进，但真正有意思的地方在于：越往上，越接近今天大家熟悉的AI；越往下，越接近生命科学真正的物理世界。

而越靠近物理世界，复制成本越高。这也解释了Biological AI为什么尤其依赖湿实验。

这套逻辑在纳米递送领域尤其明显。

以LNP为例，最终决定递送效果的，并不是某一个脂质分子本身，而是一个高度复杂的组合系统：脂质结构 × 配方组合 × 制备工艺 × RNA × 细胞类型 × 组织分布 × 生物学结果。

同一种材料，换一种配方、制备条件或者RNA载荷，最终产生的生物学表现都可能不同。

所以，剂泰科技从成立之初，就把“干湿实验闭环”作为AI纳米递送平台的核心基础设施。这不仅是战略选择题，更是一道生存必答题。

分歧点在于，这里的关键并不是做过多少实验，而是能不能把实验变成一套标准化、数字化、可持续的数据生产系统。

所谓“干湿闭环”，并不是简单地让AI和实验室各做一半工作。而是人工智能开始连接数据、模型与实验，使计算预测、实验验证和数据反馈形成持续迭代的闭环。

把NanoForge拆开看，正好对应了前面提到的“三层蛋糕”。

最底层是NanoForge的实验数据和平台能力，持续生成标准化、高质量的递送实验数据；往上是脂质算法、脂质语言模型、AiLNP这些垂类模型，把实验数据转化成可预测、可生成的能力；最上层是AI Agent ALAN与AARON，把这些能力进一步接入科研工作流。

数据让模型变强，模型让实验变快，实验又不断产生新的数据，这套自我强化的逻辑，是整个体系的核心。真正的壁垒也由此从拥有一个模型，变成了能不能让这套循环持续运转。

模型会越来越便宜

真正昂贵的是专有数据

如今模型数量正在迅速增长，而Biological AI真正稀缺的东西，可能恰恰不在模型。

今天需要几个月搭建的能力，未来可能几周甚至几天就能获得，开源社区、模型蒸馏、Agent框架都在压缩这个门槛。

尤其是，Claude Science、Rosalind Workbench等产品开始把过去需要科学家在不同模型、数据库和工具之间反复切换的工作，逐步收进统一的AI工作站。模型本身正在从一个需要被单独使用的工具，变成可以被其他系统调用的基础能力。

除了最前沿的几个模型，大多数模型都在迅速失去稀缺性。

与之相比，数据这一侧却是极度稀缺的市场。真实实验数据的处境不同，它没有简单的「开源版本」，也没有蒸馏捷径。

因此真正具有复利效应的，是企业先靠自己的实验积累起一批别人拿不到的专有数据，这批数据训练出的模型，预测精度比依赖公开数据的同行更高，更准的模型又能指导实验团队把资源集中在真正有希望的方向上，让每一轮实验的产出效率更高。

不仅如此，生物医药AI跟通用AI的根本区别，在于数据的产权结构。通用AI主要靠互联网语料，各家公司原始材料相差无几。

生物医药AI依赖的是实验数据，谁做的实验数据就沉淀在谁手里，这是一个从起点就不对称的游戏。

但如果企业能够通过自建平台持续产生自己的实验数据，这些数据就能够进一步训练自己的模型，形成长期可复用的资产。

这也是为什么，剂泰一直强调NanoForge不仅是一个递送设计平台，更是一个自有持续产生数据的平台。

目前，剂泰拥有全球最大的纳米脂质库，包含超过1000万种脂质结构，相当数量的脂质获得了超过20项关键特性的湿实验数据支持。

这些数据点支撑了人体内肝、肺、免疫器官、心脏、肌肉、肿瘤、中枢神经系统、胃肠道8个靶向器官或组织的LNP递送能力。

公司进一步希望将脂质结构与序列、活细胞状态以及多组学实验结果持续纳入数据体系，使这些实验结果从一次性的研发记录，转化为能够训练模型的数据资产。

当这些关系被不断记录、验证和学习之后，模型获得的就不再只是“脂质长什么样”，而是逐渐建立起对结构—制备—递送—生物学结果之间关系的理解。

所以，Biological AI真正的Scaling，并不是简单地把模型做得更大，而是让数据、模型和实验能力同时增长。这也解释了为什么，这类公司的竞争周期往往比纯软件AI更长。

模型参数可以快速扩张，算法架构可以快速迭代，但一套已经运行三五年的实验体系、数据标准和反馈机制，不可能在几个月内凭空复制。

不过，仅有数据和实验闭环，仍然不足以证明Biological AI已经形成完整的产业能力。因为药物研发最终不是为了产生更多数据，而是为了产生能够进入真实应用场景的产品。

剂泰近年来的产业合作，可以看作这一转化路径的不同切面。

例如，公司与恒瑞医药合作，将AiTEM人工智能制剂创新平台进行本地化部署，平台能力开始进入传统制药企业的实际研发流程。

在资产转化层面，公司与Deerfield旗下Boulevard Bio达成MTS-128全球独家授权，交易包含2000万美元首付款，以及最高16亿美元的开发、注册及商业化里程碑付款和销售提成。

与此同时，NanoForge的OpenCGT项目也通过科研合作、联合开发和递送技术授权等方式，累计合作金额约60亿元，覆盖细胞治疗、基因疗法、纤维化细胞编程、体内免疫治疗等方向。

这些合作的意义，不只是商业订单本身。更重要的是，它们连接起了一条完整的价值链。平台产生数据，数据训练模型，模型指导实验，实验形成研发资产，再通过产业合作进入真实应用。

因此，按照新一轮的产业逻辑，Biological AI的护城河大致落在三个闭环上：

第一是数据闭环。能否持续获得高质量、结构化、难以复制的专有实验数据，让数据真正沉淀为长期资产；

第二是实验闭环。能否让模型预测—实验验证—数据回流—模型迭代持续循环，而不是完成一次验证就结束；

第三是转化闭环。能否把实验和模型产生的能力进一步推向候选药物、临床前、临床乃至产品，实现研发价值的持续兑现。

这三个闭环单独看都不算新鲜，真正的壁垒在于三者相乘的效果，任何一环缺失，整套体系的价值都会打折扣。

没有数据，模型很难持续进化；没有实验，数据和模型无法验证；没有转化，前两者很难形成商业价值，这也是模型公司缺失的重要一环。

写在最后

AI正在从设计药物，走向尝试改变生命。这也是Biological AI与传统AI制药最重要的分界线。

而这条路的下一站，是从「精准递送」走向「让细胞执行正确的程序」。这也是为什么，Biological AI最终需要的并不只是一个更强的模型，而是一套能够连接数据、模型、实验、Agent与产业转化的基础设施。

但事实是模型可以快速迭代，实验体系却需要长期积累，真实生物数据却无法凭空产生。

因此，真正值得观察的，不是哪家公司拥有一个看起来更强的模型，而是哪家公司能够持续跑通剂泰科技“三层蛋糕式”循环。