大模型巨头扎堆AI制药，卡在数据这道坎上

AI制药赛道近期明显升温，两家原本并不在这个圈子里的巨头先后下场，让这个一度被认为进展缓慢的领域重新成为关注焦点。

Anthropic的动作颇为彻底：一边自建湿实验室，用来测试自家模型指挥生物实验的能力，一边牵手诺和诺德与百时美施贵宝，并把Coefficient Bio收入囊中。与此同时，字节跳动分拆出来的新生实验室也完成了首轮融资，正式加入这场竞赛。

不过，被寄予厚望的AI当下主要作用在把新药早期研发的轮子转得更快，也就是压缩候选分子的搜索空间与实验迭代时间。真正烧钱又耗时的临床试验环节却难以同步缩短，早期命中率提上来，并不等于临床成功率就跟着涨。

三类玩家走的其实是截然不同的路。专注AI制药的公司盯着药物研发里的单个具体问题，让模型服务于明确的任务；大模型公司则追求通用能力，用单一基础模型再配上垂直工具链，搭起一个科学工作台，目标是缩短每一次研发循环的耗时，格外看重能跨靶点、跨任务流转的数据基础设施；传统药厂手里攥着海量数据，却往往缺一套统一的数据底座。

数据因此成了下一个类似Coding的风口所在，也成了最大的坎。大模型公司把更多研发预算砸进模型训练，靠自建实验室和外援合作去补最珍贵的关键数据，尤其是那些失败的实验数据，它们和成功样本一样，都是喂养模型的硬通货。

商业化路径同样分野清晰。AI制药公司多采用AI CRO加软件工具再加自研管线的组合拳，其中自研管线最容易把价值落袋为安；大模型公司眼下更侧重临床前研究和研发基础设施，也有部分在悄悄推进自己的管线。

说到底，自研管线仍是AI制药公司估值的核心锚点。整个市场都在等英矽智能候选药的III期结果，用真金白银的临床数据来验证这条路线的成色。对于刚刚入局的大模型公司而言，能否把通用能力转化为可复用的科学工作台，并找到稳定可持续的数据来源，将决定它们在这个赛道里究竟只是过客还是长期玩家。毕竟无论故事讲得多漂亮，临床数据才是最终的定价标准。