Anthropic、Moderna先後引爆輿論場，AI製藥到底該獎勵什麼？

算法只是一小部分，但市場仍願意為算法加價。作者丨周蕾 編輯丨岑峰 上週，兩條AI製藥新聞在24小時之內，先後引燃了輿論場：先是Anthropic發佈早期藥物研發成果：依託Claude大模型，他們幾乎在無人工干預的情況下，自主設計出14個臨床靶點的蛋白結合劑，全部實驗數據公開，所合作的外部平臺Twist Bioscience股價單日飆升22%。次日，全球mRNA巨頭Moderna與默沙東聯合宣佈，其個性化mRNA癌症疫苗intesmeran autogene在針對高危黑色素瘤的全球III期臨床試驗中達到主要終點，Moderna因此單日內股價翻倍。

也有媒體直接將這一新聞定義為“人類歷史上第一次用AI治癒癌症”，引來大量關注。其實，無論是Anthropic的藥物研發，還是Moderna的mRNA癌症疫苗，距離“AI自主科研”“治癒癌症”這些宏大的目標，還有相當長的路要走。AI在這兩個案例中的真實角色，或許也沒有人們想象中的那麼“神”。在市場炒作的情緒逐步升高之時，有一個問題更值得我們冷靜追問：“AI製藥”這個概念裡，什麼在升值，什麼在貶值？算法，還是整件事裡最值錢的部分嗎？01兩件事裡，AI都沒外界說的那麼神先說Anthropic，此次工作是用基模型針對靶點設計結合蛋白，然後交給機構完成溼實驗驗證結合能力。

實驗數據也確實亮眼，依託Claude Science工作臺，幾乎無需人工干預，自主設計出14個臨床靶點的蛋白結合劑。15個靶點成功14個，整體命中率22.6%至35.1%，遠超行業典型水平；其中RBX1靶點命中率40%，碾壓同期競賽人類參與者的3.7%。全部1320個設計由Twist Bioscience與Adaptyv Bio兩家外部實驗室獨立驗證。但有一個不可忽略的背景是，這並非一次“從0到1”的範式革命。Anthropic這類工作的核心方法論，即從靶點結構出發，用生成式模型設計結合蛋白，這一點在學術界早有先例。

2022年，華盛頓大學David Baker團隊在Nature上發表了僅憑靶點結構設計結合蛋白的工作；2023年，RFdiffusion和ProteinMPNN相繼發表，構成了今天大多數AI蛋白設計工具鏈的基礎。而在給定條件（文本或結構）下，用生成式模型從頭設計出滿足特定功能的蛋白質序列（de novo protein design），這一思路也已有其他團隊先行驗證過。香港中文大學助理教授劉聖超向AI科技評論提到，2022年他所在的項目ProteinDT和ChatDrug，已經證明了這一思路可行。“最早探索用基模型針對靶點設計結合蛋白這個方向的，就是我的團隊，可惜當時差了溼實驗的驗證。

算法不難想，但我們一直堅信這條路能走通。”換句話說，比起算法或範式上的創新，Anthropic的突破，其實是在於他們動用了龐大的工程資源、強大的基模型，以及號召兩家外部獨立實驗室（Twist和Adaptyv）為他們完成了成規模的溼實驗驗證。這是傳統學術團隊難以企及的資源調動力。與此同時，Anthropic也開源了此次工作的prompt、設計模型和實驗數據，這在某種程度上降低了行業的試錯成本，但也意味著“AI設計蛋白結合劑”這件事的方法論壁壘，正在以月為單位降低。劉聖超把這類工作稱為“算法1.0”：利用基模型調用現有開源工具鏈，完成從靶點到候選序列的生成。

它算法設計門檻低、更看重生物領域的敏感度，只要問題找得好，那見效就很快。這適合創業啟動，不過也容易形成跟風。不過結合最近在人員佈局上的調整，會不會Anthropic已經意識到了要做更深層的“算法2.0”工作？他甚至做了一個略帶辛辣的推測：1.0的工作，或許是起到了一個“帶歪競爭對手”的作用。此時高調放出1.0的成果，或許可能用開源的低門檻成果，把競爭對手的精力和資源“帶歪”到已經沒有太多壁壘的舊路上去。再看Moderna。III期臨床成功的數據表現過硬：1137名患者，無復發生存期和遠處無轉移生存期雙達標，首個III期成功的個體化新抗原療法。

這個里程碑意義不容否認，AI在這一案例裡起到了不小作用，但並非全新的算法，真正帶來決定性作用的，仍然是算法之外的事情。“Moderna和默沙東做的事情：把蛋白質摺疊、結合力預測與免疫反應模擬三個模塊整合，然後篩選最有殺傷力的抗原。這一套工具基本都是大模型發明之前的算法，但是它們通過了臨床測試。雖然Moderna和默沙東的算法比較老派，但是更加接近落地。”劉聖超說。從產業化的視角來看，錦波生物首席架構師張驥也給出了他的觀察：AI+任何領域都一定有加速空間，但加速也意味著對過去的管線有依賴，不是大刀闊斧的改造；同時這種加速依賴過去積累下來的專有數據，而數據是“偏科”的。

Moderna的III期成功，更多證明的是其mRNA平臺技術、LNP遞送能力、大規模生產體系、臨床開發網絡和監管路徑的厚度——這些構成了一個成熟的產業平臺，AI只是在上面做了一層局部定製。02 算法只是一小部分，但市場仍願意為算法加價兩件新聞放在一起看，一個共同的疑惑開始浮現：算法本身的突破性，可能並沒有外界渲染的那麼核心。那麼，真正重要的是什麼？一個關鍵原因是，AI製藥甚至所有AI for Science的相關賽道，AI的泛化能力都有待提高，只能做好一兩件很細分的事情，相當於在考試裡“偏科”。張驥打了個比方，“就好比學數學，所有人高等數學都考滿分，幾何、線性代數全是零分。

”這種偏科在製藥鏈條裡表現得很具體。比如在設計序列、預測靜態結構等環節上，AI表現越來越強，但在表達、摺疊、穩定性、免疫原性、毒理、臨床這些環節，還存在很大進步空間。Anthropic的實驗也恰恰證明了這一點：Claude設計了1320個蛋白，Twist和Adaptyv驗證的是“能不能結合”，但結合只是第一步。從binder到成藥，中間隔著大量AI目前難以切入的環節。張驥以錦波生物主攻的重組人源化膠原蛋白為例，進一步解釋了AI當下的能力邊界：當年的AlphaFold系列還是主攻靜態蛋白，而膠原蛋白是高度柔性的、具有時變性的，並且是動態的，像在風中搖曳的麻花辮。過去靜態的技術解決不了動態問題。

AI目前很難預測到動態結構，對相互作用的理解也有限。“許多工作我們只知道（用AI）結果不好，但哪裡不好、怎麼變好，不知道。”這種偏科的根源，在於AI4S連“考什麼”都還沒搞清楚。“語言模型的好壞有普世價值觀和現成的benchmark；但科學界的好壞，怎麼把生物學的普適價值觀映射到AI裡，是兩個完全不同學科的事情。”沒有公正客觀的評測集，就沒有辦法系統性地知道AI在哪裡強、在哪裡弱，大家都只是在刷自己擅長的題目。偏科也使得看似突破的算法，未能在產業側如期發揮出巨大作用。“Claude這項工作自然是有非常突出的貢獻，但它對我們的真正啟發之外，仍有大量約等於從基礎開始的工作。

”而在一些投資人看來，AI製藥賽道里，算法的壁壘，恐怕也沒有市場想象的那麼高。長期深耕在biotech賽道的投資人阿東告訴AI科技評論，需要對“算法熱”持有謹慎態度，他們更傾向於既有前沿模型、又能把管線做出結果、鏈條相對完整的公司，“我們看重的，就是它能完整化的希望。”算法只是鏈條裡很窄的一段，真正決定成敗的，是從設計到成藥的完整能力。在開源時代，這種“只做算法”的模式尤其危險。因為算法之外的部分，不僅本身更重要，還承擔著“驗證算法到底靠不靠譜”的角色。如果驗證環節缺失，算法再漂亮也只是空中樓閣。

“很多人想用AI的角度切入這個賽道，特別重視開發模型，但如果最後做不出管線，現在開源模型又越來越多，你攔不住別人開源，如果你的領先度也沒有那麼高，前面許下的諾言怎麼兌現？”儘管算法的分量有待商榷，但這種敘事仍然帶動了一級市場相關概念的追捧，甚至引發了AI+生命科學投資的FOMO情緒。投資人阿偉向AI科技評論透露，近幾年他們將關注點從傳統生物領域轉向AI+生命科學，也頗看過幾個虛擬細胞、AI蛋白生成方向的項目，但都因為融資節奏太快、額度緊缺而沒趕上。“標的層面融資節奏極快，基本上兩個月就一輪，等我們溝通完，下一輪已經在交割了。

”這也從側面說明，一級市場對AI+生命科學概念的熱情是真實的，但這種熱情可能更多建立在“不能錯過”的焦慮上。數據也在印證這種情緒的普遍性。EvolutionaryScale曾以約13.5億美元估值融資，最終卻被CZI收購；Isomorphic Labs估值25億至30億美元，但依賴的是Alphabet的獨家授權；Xaira拿了10億美元種子輪，但它是全棧平臺加管線，不是純模型公司——純模型公司的獨立商業模式，似乎正在經歷一場壓力測試。回看Anthropic和Moderna這兩條備受關注的新聞，AI的發展之快無疑提升了所有人的期望值。

人們對這項技術寄予厚望，期待它能一夜顛覆製藥、真正攻克癌症，但現實是AI要走的路還很遠，那些真正需要長期投入的環節，反而被淹沒在了算法的喧囂裡。AI製藥的估值錨點，到底應該設在哪裡？真正的答案，仍然需要時間證明。*文中阿東、阿偉均為化名