一笔融资、一份技术报告，让一个过去五年鲜少公开发声的团队，逐渐显露出更完整的面貌。

AI 制药最近出现了一个值得注意的信号：

通用大模型公司开始组织生物实验，生物分子模型公司开始招聘大模型人才。

今年 6 月，Anthropic 发布 Claude Science，将科研工具、计算资源与大模型接入同一工作环境。随后，它公布了 Claude 调用专业模型设计蛋白结合分子、交由外部实验室验证的结果。大模型正在从科研助手，走向能够组织研究任务的 Agent。

另一边，Alphabet 旗下、由 Demis Hassabis 领导的 Isomorphic Labs，今年 5 月宣布完成 21 亿美元 B 轮融资；

这家公司成立于 2021 年，目标是用 AI 重新设计药物研发流程。它的 CEO 是 Demis Hassabis，AlphaFold 背后的那个人，2024 诺贝尔化学奖

近日，Isomorphic挂出了 LLM 的岗位招聘，工作内容包括在前沿模型上大规模实施和优化 LLM 后训练方法。

两条路线正在靠近。此时，一个此前相对低调的团队，也把布局摆到了台前。

Anew Labs 不是突然冒出来的创业公司，这支团队 2021 年组建，由刘凯负责，核心成员约 50 人：一半是 AI4S 算法人才，一半是资深制药专家。

昨天刚刚有新闻传出他们完成了分拆后的首轮融资，融资金额 2.9 亿美金，投资人涵盖红杉中国、高瓴、IDG 等一众头部投资机构，今天凌晨，他们也在官网上悄悄放出了最新的技术报告，AnewDDE，像是一次集中亮相：结构预测、亲和力预测、抗体湿实验闭环设计、千亿参数大模型 AnewMind，被摆到同一张桌上

这使 Anew 值得与 Anthropic、Isomorphic 放在一起观察。三家公司的起点不同，却都在连接领域专业模型、大模型与实验反馈。Anew 展示的，正是自己在这些环节上已经做到哪一步。

一、模型成绩略优于 IsoDDE，然后呢？

AnewFold 的核心结果，可以先看两组数字。

在 FoldBench 抗体-抗原结构预测任务上，AnewFold 的成功率为 76.2%，IsoDDE 报告的结果为 75.6%；在蛋白-配体任务上，两者分别为 77.4% 和 76.0%。

这些任务回答的是：给定参与相互作用的分子，模型能否预测它们以什么位置和形状结合。

报告还评测了更复杂的分子胶三元体系。在 131 个共同案例中，AnewFold 同时预测蛋白界面与配体位置的联合成功率达到 71.8%，高于其比较的几个开源基线。

这足以让 Anew 进入最前沿生物分子模型的讨论。但小幅分差不足以证明明确领先，评测设置也需要对齐。更有意义的判断是：Anew 已展示出接近前沿的结构预测能力，接下来要看它如何转化为研发收益。

模型会持续被追赶。长期价值还取决于候选怎么选、预测失败如何识别、实验结果如何影响下一轮优化。

AnewDDE 因此还包含亲和力评估工具 AnewAffinity、设计流程 AnewDesign，以及面向研发推理的 AnewMind。它们分别服务于结合强弱评估、候选设计和证据分析。

这套布局是加分项，模块之间是否产生协同，则要看具体任务。

二、Claude 也会设计蛋白，Anew 的实验有什么不同？

AnewDDE 展示了一项针对内部靶点的纳米抗体，也就是 VHH 设计实验。

Agent 检索文献与结构数据库，分析结合位置，再组织生成和筛选。第一轮从 3092 个通过初筛的候选中，推荐 50 条序列进入湿实验，得到 7 个 KD 低于 400 nM 的克隆。

实验结果随后用于亲和力优化。第二轮测试 100 个候选，获得 16 个个位数纳摩尔 KD 的克隆。KD 越低，通常意味着结合越强，纳摩尔 KD 意味着符合产业界对亲和力的要求。两轮共测试 150 个克隆，强结合抗体占比为 10.7%。

但熟悉近期 Anthropic 动态的读者可能会问：Claude 的蛋白设计命中率，不是更高吗？

确实。Anthropic 8 月公布的实验中，Claude 在不同设置下实现了约 22%—35% 的结合命中率，在 15 个靶点中的 14 个上获得成功；后续模型公告又报告了跨 12 个靶点接近 50% 的命中率。

但这些数字不能直接与 Anew 的 10.7% 排名。

Claude 上述工作主要涉及蛋白质 minibinder，而 Anew 展示的是纳米抗体。

两者都属于 binder，但所处的研发语境并不相同。Anthropic 也在报告中明确指出，protein minibinder 尚不是标准的治疗药物形式；现阶段，这类分子更多被用于机制研究、靶点验证等科研场景，真正走向临床的案例仍然有限。相比之下，抗体已经是产业界高度成熟的药物形式，其设计不仅受到特定骨架和结合区域的约束，还需要兼顾亲和力、稳定性、可开发性等更接近实际成药的问题。

因此，两项工作的结果不能仅凭命中率直接判定高下：“测到结合” 与 “达到个位数纳摩尔亲和力” 本身就是不同门槛，靶点难度和实验迭代轮次也会显著影响结果。更准确地说，Claude 展示的是大模型参与蛋白设计的学术探索，而 Anew 的纳米抗体工作更贴近工业研发与候选药物开发的要求。这种差异说明的是任务目标和验证标准不同，并不能简单倒推出某一方模型更强。

总的来说，Anthropic 展示了通用 Agent 在多个靶点上组织设计的能力，调用的工具为蛋白领域的开源垂直模型；Anew 则展示了纳米抗体从初始命中到实验反馈优化的过程。后者目前来自单个内部靶点，跨靶点验证与后续功能评估仍需补充，但两轮设计得到亲和力改善，是有价值的执行证据。

这也提出了一个竞争问题：当通用模型越来越会调用工具，垂直公司的优势在哪里？

Anew 的可能优势，是同时掌握专业模型、实验流程和项目经验。能否靠这些能力提高每轮实验的产出，比一次命中率更值得跟踪。

三、垂直大模型：为什么不直接用 Claude？

AnewMind Preview 是报告中最贴近 AI 读者兴趣，也最需要追问的部分。

Anew 在具有推理能力的大模型底座上，进行了千亿参数规模的全参数后训练，希望增强模型对研发证据和决策约束的理解。

报告中，AnewMind 在四组 ADMET 与药物性质评测上均进入参评 LLM 的前五，其中环肽渗透性排名第一、抗体可开发性排名第二。在 PharmBench 上，总分位列 17 个模型第三，分子设计与合成分项排名第一。

领域训练有希望带来特定任务收益。但千亿参数和全参数后训练，本身还不能构成产品优势。药企为什么不直接使用最强的通用模型？

Anew 自己的评测显示，通用模型在不少研发任务上表现很强，AnewMind 并未全面领先。报告也缺少足够完整的基座对照和训练消融，外部还无法准确判断各项提升来自哪里。

因此，更合理的期待，是它能否在具体研发环境中形成持续优势：私有部署、处理敏感数据、适配领域专业工具，以及用新的湿实验反馈形成飞轮，提升模型能力。

垂直模型的机会，在于持续获得通用模型难以接触的研发反馈，并把它转化为可重复的能力提升。

Anew 同时拥有算法团队、实验流程和自有项目，具备探索这条路径的条件。但实验数据不会自动变成优质训练数据：失败原因如何标注、不同实验如何对齐、模型建议是否改善结果，都需要额外工作。

后训练只是开始，研发与训练之间的反馈能否持续运转，才是长期竞争力的来源。

四、PharmBench：比排名更有意思的是，它在考什么

PharmBench 包含 50 个研发场景、200 道问题，由制药研发专家结合实验结果与项目决策设计。

它要求模型面对真实药物研发场景中存在的相互牵制的证据和目标。

这里需要的不再只是学科知识，而是多年制药实践沉淀下来的隐性经验：知道数据哪里可信，结论能走多远，以及什么时候必须对一个 “漂亮结果” 保持怀疑。

例如，修改化合物后，选择性提高了，靶点活性却下降了。模型需要判断：变化来自对目标结合更强，还是对其他蛋白结合更弱？不同解释，会影响下一轮设计。

另一道题中，抗体亲和力已经很强，却容易失稳和聚集；负责识别抗原的区域又不能修改。模型需要在有限空间内，提出分析与实验方案。

这比回答知识点更接近研发判断。PharmBench 还逐步披露信息，观察模型能否随着新证据出现修正回答。

但连续回答研发问题，与自主推进研发仍有距离。

如果后续实验信息由预先设定的流程提供，模型展示的主要是证据理解与决策建议能力。它还没有因此证明，自己能选择最有效的实验、承担预算约束，并从失败中找到新方向。

内部评测也有一个需要回答的问题：评分是在衡量科学推理，还是在奖励与历史项目路径相似的答案？真实研发常有多条合理路线，未采用的方案未必错误。

这些问题决定了榜单应如何解读。总分第三是积极信号，完整的评分规则、独立专家复核和外部测试，会让它更有分量。

对 Anew 而言，提出这套题本身也体现了方向：把制药专家的判断转化成可测试、可改进模型的任务。如果进一步开放评测方法，PharmBench 的价值还有机会超出 AnewMind 自己的成绩单。

五、三条路线交汇，竞争开始变得具体

Anthropic、Isomorphic 和 Anew 的共同动作，让 AI 制药的竞争逻辑更清楚了。

通用模型公司需要专业工具和实验反馈，生物分子模型公司需要推理与任务组织能力。拥有自有管线的团队，则能持续获得具体研发目标和现实约束。

相似布局不意味着相同水平。模型能力、实验广度、数据积累与管线进展，仍需分别判断。

Anew 这次亮相的意义，是提供了足够具体的材料，让外界开始认真评估它。

结构预测接近前沿，说明专业模型已有积累；领域后训练和 PharmBench，展示了对研发推理的投入；两轮纳米抗体实验，则让设计、测量与优化之间的连接有了实例...

融资让 Anew 获得了关注，AnewDDE 让这份关注有了技术依据，下一次最有说服力的更新，将来自更多靶点、更完整的实验记录，以及模型帮助管线向前推进的具体结果。