Chai Discovery获得四亿美元融资的那天，硅谷阳光正好，将停车场里的特斯拉镀上了一层薄金。这家成立仅18个月的公司，既没有上市产品，也没有进入临床的管线，甚至连一个被验证的商业模式都没有。领投方是Index Ventures，跟投名单中包括红杉、Kleiner Perkins、Thrive Capital以及OpenAI。Reed Jobs创办的Yosemite Ventures也参与了这一轮，投后估值达到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洽谈一轮2亿美元的融资，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，目前仍停留在论文阶段。越来越多的迹象表明，AI制药正在成为继大模型之后，硅谷资本最密集的聚集地。
01 十年，十亿，十分之一
要理解AI制药为何值得四亿美元，首先要明白它试图撬动的产业有多么沉重。新药研发本质上是一个低效率的赌博机。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。而在十个进入临床试验的候选分子中，最终能拿到上市批文的不到一个。这组数据——十年、十亿、十分之一——构成了制药业最坚固的铁幕。任何技术，只要能将这三组数字中的任何一个削减一半，释放出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》采访时表示：“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。”这句话翻译过来很朴素：聊天和写代码赚的是注意力，造药赚的是命。
Chai的核心产品叫Chai-1，这是一个生物学基础模型，与AlphaFold方向相同：利用深度学习将蛋白结构预测时间从几个月压缩到几小时。但Chai试图走得更远，覆盖从靶点识别、分子生成到药效预测的药物发现全链条。Isomorphic Labs则背靠谷歌DeepMind的算力和AlphaFold的技术积累，自去年三月至今已融资27亿美元。Chai与Isomorphic，加上刚出道的Miles Wang，背后分别站着谷歌和OpenAI两大AI阵营。AI制药正在复刻大模型领域的竞争格局。但这里藏着一个根本性的差异：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。将互联网行业“快速行动、打破常规”的信条搬到制药领域，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。
02 炼金术士的原料短缺
AI制药的真正瓶颈不在算法，而在数据。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，大多锁在大型药企的服务器里。诺华、罗氏、辉瑞等巨头自己也在砸钱建设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想要训练出真正有用的药物发现模型，必须拿到这些数据。然而，药企并不急于将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：2021年至2023年间，一批AI制药明星公司相继遭遇临床失败，核心原因并非模型不够精准，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。
Index显然看到了这个堵点。Achadjian在采访中暗示，接下来的资本部署将围绕“数据资产”展开。换句话说，这4亿美元只是门票，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制药的训练数据则是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前面。而当资本退潮时，数据资产的估值也会随之缩水，它们不是土地，也不是专利，而是一堆尚未被临床验证的预测模型。
03 旧药新用的诱惑
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。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。
Chai的四个创始人，背景搭配得十分精细。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。能把两种语言都说得炉火纯青的人，或许才是这场竞赛里能撑到最后的人。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。
04 AI制药的镀金时代
4亿美元是一张船票，38亿美元是市场对这张船票的定价。但船上的人还看不见岸。他们只是相信，岸一定在那儿。这种相信并非没有根据。AlphaFold已经证明了AI在蛋白结构预测上的能力边界，Chai-1正在把这种能力向药物发现的整条链延伸。如果AI能将新药研发的成功率从十分之一提升到五分之一，节省的试错成本就足以支撑起万亿级的产业价值。问题在于，这个“如果”目前还没有被临床数据验证过。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制药的核心考验不是算力，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。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。