本文系基于公开资料撰写，仅作为信息交流之用，不构成任何投资建议。

Chai Discovery拿到四亿美元那天，硅谷阳光正好，把停车场里的特斯拉镀了一层薄薄的金色。

这家公司成立十八个月，没有上市产品，没有进入临床的管线，甚至没有一个被验证能跑通的商业模式。领投方是Index Ventures，跟投名单上有红杉、Kleiner Perkins、Thrive Capital和OpenAI。乔布斯之子Reed Jobs创办的Yosemite也参与了这一轮。投后估值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谈一轮两亿美元的融资，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，只是还停留在论文阶段。

越来越多的迹象表面，AI制药正在成为继大模型之后，硅谷最密集的资本聚集地。

01 十年，十亿，十分之一

理解AI制药为什么值得四亿美元，首先要理解它试图撬动的产业有多沉重。

新药研发是一台效率极低的赌博机。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。而十个进入临床试验的候选分子，最终能拿到上市批文的不到一个。这三组数字，十年、十亿、十分之一，构成了制药业最坚固的铁幕。

任何一项技术，只要能把这三组数字中的任何一个削掉一半，释放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》采访时说：“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。”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-1，一个生物学基础模型，做的是和AlphaFold同方向的事：用深度学习把蛋白结构预测从几个月压缩到几小时。但Chai试图走得更远，从靶点识别、分子生成到药效预测，覆盖药物发现的整条链。

Isomorphic Labs则背靠谷歌DeepMind的算力和AlphaFold的技术积累，从去年三月到现在已经融了27亿美元。

两家公司，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。把“快速行动、打破常规”那套互联网信条搬到制药领域，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，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，都锁在大型药企的服务器里。诺华、罗氏、辉瑞这些巨头，自己也在砸钱建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们想要训练出真正有用的药物发现模型，必须拿到这些数据。而药企并不急于把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过了。

2021年到2023年间，一批AI制药明星公司相继遭遇临床失败，核心原因并不是模型不够精准，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，接下来的资本部署会围绕“数据资产”展开。换句话说，这四亿只是门票，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制药的训练数据是被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的前面。而当资本退潮时，数据资产的估值也会跟着缩水，它们不是土地，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，背景拼得很精细。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。能把两种语言都说到母语水平的人，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

四亿是一张船票。三十八亿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制药的终极考验不是算力，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。