AI大厂进军医药，但资本市场等不了十年

发布时间：2026-07-17 06:20:28 来源：安智兰德资讯网 作者：焦点

过去数月，大厂但资三大AI科技巨头相继将生命科学提升至战略核心地位。进军

6月30日，医药Anthropic正式发布 Claude Science。本市不年这是大厂但资一款专为科学家打造的AI工作台，支持接入科研数据库、进军运行代码、医药分析数据、本市不年生成图表及查看蛋白结构，大厂但资并能将研究全过程保存为可审计、进军可复现的医药记录。

几乎同期，本市不年OpenAI推出 GeneBench-Pro，大厂但资旨在测试AI Agent在基因组学、进军定量生物学等真实科研场景中，医药处理模糊数据并完成多阶段判断的能力。

更早布局的谷歌，已从AlphaFold的结构预测延伸至药物设计领域。其旗下 Isomorphic Labs正在构建AI药物设计引擎，并计划推动首批候选药物进入临床试验。

AI的战场，正从办公室向实验室转移。

此前，代码和数学是AI大厂偏爱的能力考场：代码能否运行、证明是否成立，反馈即时且明确。然而，医药研发遵循另一套时间逻辑：AI虽能加速靶点发现、分子筛选及早期研发，但后续仍需经历漫长的实验验证、临床试验及监管审批。

模型迭代以月计，药物验证却需十年。

7月12日，《华尔街日报》提出一个关键观点：若AI真能重塑药物研发，最终的最大赢家或许并非OpenAI、Anthropic或谷歌，而是那些拥有专有数据、实验能力及全球临床体系的大型制药公司。

目前，三家巨头已确立差异化路径：谷歌从结构预测迈向药物设计，OpenAI押注生命科学推理模型，Anthropic则将Claude Code的工作流逻辑引入科研流程。

核心问题在于：这些新兴能力，最终会成为AI巨头的制药壁垒，还是转化为大型药企可采购、可组合的新工具？

01 Anthropic的科研工作台：从工具调用到全流程整合

Claude Science并非Anthropic在生命科学领域的初次尝试，而是其长期布局的集大成者。

2025年5月，Anthropic启动 AI for Science Program，为高影响力科研项目提供免费API额度，重点涵盖生物学与生命科学方向。同年10月，推出 Claude for Life Sciences，将Claude接入Benchling、BioRender、PubMed、10x Genomics等主流科研工具与数据库，深入实验记录、文献检索、单细胞分析及空间组学等具体场景。

至今年1月，Anthropic进一步扩展Claude for Life Sciences，新增ClinicalTrials.gov、Open Targets、ChEMBL、bioRxiv、medRxiv、Medidata等连接器，将能力边界延伸至医疗健康与临床阶段。

可以说，Claude此前已渗透至药企与科研机构的工作流，但能力分散于连接器、工具调用及企业案例中。

• Novo Nordisk利用Claude Code搭建NovoScribe，自动生成临床研究报告、设备方案及患者材料等监管级文档；
• Genmab与Anthropic合作部署Claude驱动Agent，支持临床开发中的数据处理、分析与文档生成；
• Bristol Myers Squibb向数万名员工提供Claude，覆盖研究、药物开发、制造、商业及医学事务全流程。

Claude Science的创新在于，Anthropic将这些分散能力收束为统一的产品入口。

据Anthropic定义，Claude Science是“给科学家使用的AI工作台”。它不仅能接入数据库、运行代码、分析数据、生成图表、查看3D蛋白结构及基因组轨道，还能将研究过程中的代码、运行环境、自然语言说明及对话历史整合，形成可审计、可复现的研究产物。

对于生物相关专业背景者而言，这种“工作台”的价值显而易见。

以本科生物信息学论文为例，工作流通常涉及：使用CAZy数据库查询基因序列、通过NCBI ORF Finder翻译核酸序列、利用BLAST进行序列比对，以及在Jupyter Notebook中整理庞大的Excel数据表。AI的介入，至少降低了数据分析环节的编程门槛。

然而，本科阶段仅是冰山一角。进入正式科研后，工具间的切换复杂度呈指数级上升。Claude Science旨在将这些繁琐步骤整合至同一平台。

本质上，这是将Claude Code的工程逻辑迁移至科研场景：Claude Code介入代码仓库、终端、PR及Review流程；Claude Science则介入数据库、代码、计算、图表、证据及报告流程。

核心功能亮点：

1. 无缝集成现有管线：支持读取、运行及改写既有Python、R和Shell流程，无需实验室重建代码。支持持久化Python/R内核，确保变量、数据框及加载模型在分析过程中持续保留。
2. 灵活部署架构：兼容笔记本、本地Linux、HPC登录节点及云虚拟机；支持通过SSH提交管理集群任务，并可连接Modal账户扩展算力。实验室内部API、电子实验记录本及定制管线均可通过连接器接入。
   
3. 内置科学渲染器：无需额外安装工具，即可直接查看蛋白质、序列比对、基因组轨道、化学结构及PDF。
4. 蛋白结构分析：拉取预测结构，叠加结构域与临床变异，支持3D交互查看。
5. 化学信息学：搜索生物活性数据，计算性质与相似性，支持2D结构编辑器绘制与修改。
6. 可追溯性与审计：生成的图表、表格及Notebook均附带生成代码、运行环境、自然语言说明及对话历史。Anthropic强调，后台审核机制将标记无法追溯的数据、错误引用及与底层代码不一致的图表，确保科研严谨性。
   (注：此处保留原图链接逻辑，实际渲染需对应原图)
7. 预配置领域支持：针对基因组学、单细胞、蛋白质组学、结构生物学、化学信息学等方向进行预配置，连接60多个科学数据库及领域专用开源模型。
   

从数据库查询、文献阅读、脚本运行，到图表生成、论文草稿撰写及可复现记录保存，Claude Science实现了科研工作全流程的闭环。

此外，据The Verge报道，Anthropic计划开发自有药物，重点关注“被忽视”的疾病。过去一年，公司持续招聘生物学家并建立湿实验室。Anthropic生命科学负责人Eric Kauderer-Abrams表示，公司将聚焦传统药企商业兴趣不足但疾病负担沉重的领域。

Claude的角色，正从提升文档与临床运营效率，转向上游科学发现，甚至亲自验证药物发现早期流程。

02 三巨头，三条医疗AI路线

放眼全局，医药与生命科学已成为AI for Science的核心赛道。谷歌、OpenAI与Anthropic虽同向而行，但策略迥异。

谷歌：从基础科学突破到AI制药实体

谷歌率先打出声量，并将影响力延伸至独立AI制药公司。

其标志性成果为 AlphaFold。2020年，AlphaFold 2在蛋白质结构预测上取得突破，AlphaFold Protein Structure Database向全球研究者开放大量预测结构。

蛋白质结构是理解生命活动、寻找药物靶点及设计候选分子的基础。AlphaFold 3进一步预测蛋白质、DNA、RNA及小分子配体间的结构与相互作用。Google DeepMind指出，AlphaFold 3在相互作用预测准确率上较现有方法提升至少50%，部分类别翻倍。

承接此路线的是 Isomorphic Labs。

Isomorphic Labs成立于2021年，脱胎于Google DeepMind，旨在构建AI驱动的药物设计引擎。路透社5月报道，Isomorphic Labs完成21亿美元新一轮融资，CEO Demis Hassabis称资金将用于大规模建设药物设计引擎，并推动“解决所有疾病”的目标。预计2026年底前启动首批临床试验。

谷歌路线：先解决结构生物学基础问题（AlphaFold）→ 进入分子相互作用预测（AlphaFold 3）→ 延伸至药物设计与临床前管线（Isomorphic Labs）。

OpenAI：通用推理模型与评估体系

OpenAI缺乏AlphaFold式的单点基础设施突破，但拥有强悍的通用推理模型。

今年4月，OpenAI推出 GPT-Rosalind，定义为面向生命科学研究的前沿推理模型，优化科学工作流，强化工具使用及在化学、蛋白工程、基因组学等领域的理解。

GPT-Rosalind充当生命科学领域的“推理中枢”。OpenAI指出，科研难点不仅在于科学问题，更在于工作流的碎片化与耗时。

6月，OpenAI将GPT-5.5的Agentic Coding及工具调用能力接入GPT-Rosalind，强化药物化学、基因组学、定量生物学及湿实验排错任务。

同时，OpenAI构建评估体系：
* LifeSciBench：评估模型在证据处理、分析、设计优化、科学推理、验证操作及转化沟通六类工作流中的表现。

* GeneBench-Pro：进一步测试AI Agent在基因组学、定量生物学等真实任务中，处理不完整信息、多阶段分析及关键判断的能力。

OpenAI路线：推出专用推理模型（GPT-Rosalind）→ 建立专业评估基准（LifeSciBench/GeneBench-Pro）→ 展示能力边界。

Anthropic：工作流嵌入与企业级部署

Anthropic采取其擅长的“模型嵌入真实工作流”策略。

从Claude for Life Sciences接入科研工具，到Claude Science整合数据库、代码、计算资源及可复现记录，Anthropic致力于成为科研组织的内部工作流基础设施。

今年5月，Bristol Myers Squibb宣布与Anthropic战略合作，将Claude部署至超3万名员工，覆盖研究、临床开发、制造及商业职能，推动Claude从对话工具向嵌入日常流程的Agent演进。

Anthropic路线：证明Claude能进入药企日常流程 → 串联分散系统 → 逐步向药物发现上游延伸。

总结三家公司气质：
* 谷歌DeepMind：科研土壤深厚，孕育AlphaFold等基础突破。
* OpenAI：通用模型与推理能力最强，提供专用推理中枢。
* Anthropic：编程与工程逻辑出色，将Claude Code逻辑迁移至生命科学。

此外，“卖水人”亚马逊：
亚马逊聚焦AWS云服务和药企基础设施。今年4月推出 Amazon Bio Discovery，研究人员可调用生物基础模型生成评估候选分子，并交由合作实验室合成测试，实验结果回流系统优化设计。Bayer、Broad Institute等均为早期用户。全球前20大药企中19家已使用其云服务。

03 AI制药的最大赢家：大型制药公司

AI for Science涵盖数学、物理、材料、气候、能源等领域，但医药仍是叙事最完整、商业闭环最清晰的方向。

• 材料/能源：Google DeepMind推出GNoME加速材料发现，OpenAI与Anthropic亦纳入科学叙事，但尚未形成如医药般清晰的产品与商业入口。
• 公共叙事需求：AI训练成本高昂且具争议，科技公司需“造福全人类”的叙事来解释投入合理性。医药研发“理解疾病、发现新药”的故事，最能融合技术能力、商业价值与公共使命。

然而，医药也是最难兑现的方向。

代码与数学的验证即时且明确，而医药研发是一条漫长的筛选链：
1. 靶点发现：从疾病机制中寻找靶点，验证生物学依据。
2. 分子筛选：预测结合方式，评估活性、选择性、毒性及可成药性。
3. 实验验证：设计实验，分析结果，整理可复现记录。

AI的首要价值在于减少重复性工作：
* 快速检索海量论文与数据库，整理碎片化数据。
* 辅助编写代码、运行脚本、生成图表。
* 初筛成千上万候选分子，排除明显无效方向。
* 自动化处理实验记录、临床资料及监管文档。

但AI无法替代验证。

制药行业存在“Eroom定律”（反摩尔定律）：尽管技术进步，新药研发时间与成本并未同步下降。

AI制药领域不乏早期漂亮结果，但进入临床后，许多项目仍因疗效不足、安全性问题或人体数据不可复现而停滞。人体生物学极其复杂，动物模型结果难以在人类身上重现，疾病机制与患者亚群多样。最终，候选药物必须在真实患者身上证明安全与疗效。

AI可压缩寻找候选分子的时间，却无法压缩药物在人体内证明自己的时间。

资本市场的错位

• AI公司：模型迭代以月计，收入与估值按季度计算。
• 制药行业：药物从发现到临床结果需数年。

因此，AI制药合作往往呈现“高潜在总额、低首付款”特征：
* 2025年6月：阿斯利康与石药集团合作，潜在总额53.3亿美元，首付款仅1.1亿美元。
* 2026年1月：施维雅与Insilico合作，最高8.88亿美元，首付款及近期付款最高3200万美元。
* 2026年3月：礼来扩大与Insilico合作，潜在总额27.5亿美元，首付款仅1.15亿美元。

药企愿为“更快的发现能力”付费，但不会在临床结果出现前为想象买单。

谁将赢得最终胜利？

若AI改变药物研发，最大赢家未必是AI模型公司或AI制药初创公司，而是大型制药公司。

在AI参与的研发链条中，模型能力仅是环节之一。决定候选药物能否上市的，是三类难以复制的资产：

1. 专有数据：
   模型公司可获取公共论文与数据库，但大型药企拥有多年积累的内部实验数据、毒性数据、临床数据及失败记录。尤其是未发表的失败结果，能告诉模型哪些方向看似合理实则无效。

2. 实验能力（湿实验）：
   模型输出仅为假设，必须经湿实验验证并回流数据，形成“模型假设—实验验证—数据回流—优化”闭环。无实验反馈，模型仅能在已有数据上做精细预测。

3. 临床开发与商业化能力：
   大型药企具备患者招募、全球临床试验运营、监管申报及承担高额研发成本的能力。药物获批后，还需规模化生产、医院准入、医保谈判及全球市场覆盖。

更重要的是，大型药企无需押注单一AI赢家。它们可同时使用AlphaFold进行结构预测，调用通用模型处理文献，购买AI制药公司的候选分子，并将其整合至自身数据、实验与临床体系。

当模型能力成为可采购工具，稀缺资源重新回归生物数据、湿实验反馈与临床执行能力。

这与英伟达的逻辑相似但位置不同：英伟达是上游算力基础设施，无论谁训练模型均需购买；大型药企位于研发后半程，掌握实验、临床、生产及商业化价值出口。

模型公司提供能力，AI制药公司寻找分子，大型药企将分子转化为上市药物。

当然，大型药企面临数据分散、系统陈旧、部门壁垒及决策缓慢等挑战。拥有数据不等于能利用数据，购买模型不等于改变流程。

最终受益者，将是那些最先把模型、专有数据、湿实验与临床开发接成闭环的药企。

结语

谷歌、OpenAI与Anthropic的三条路线，预示了它们未来的不同定位：
* 谷歌：通过Isomorphic Labs深入药物管线，亲自推进候选药物。
* OpenAI：建立推理模型与评估体系，提供科研能力。
* Anthropic：从工作台与企业部署切入，成为工作流基础设施。

AI制药的竞争，从来不只是模型能力的比拼。更重要的是：谁掌握独家数据？谁能让预测进入实验？谁有能力将结果推进至临床与上市？

AI让寻找答案变得更快，但答案能否成为药物，仍需遵循生物学的时间法则。

相关文章