上週，兩條AI製藥新聞在24小時內相繼引爆輿論：Anthropic釋出早期藥物研發成果，依託Claude大模型幾乎在無人工干預下自主設計出14個臨床靶點的蛋白結合劑，合作方Twist Bioscience股價單日飆升22%；次日，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股價單日翻倍。有媒體甚至稱其為“人類歷史上第一次用AI治癒癌症”，引發廣泛關注。

然而，多位業內人士指出，這兩項成果距離“AI自主科研”“治癒癌症”等宏大目標仍有相當距離，AI在其中的真實角色或許沒有外界渲染得那麼“神”。

Anthropic的突破：工程資源而非演算法創新

Anthropic此次工作利用基模型針對靶點設計結合蛋白，並交由外部機構完成溼實驗驗證。實驗資料顯示，依託Claude Science工作台，團隊自主設計了1320個蛋白結合劑，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%。全部設計由Twist Bioscience與Adaptyv Bio兩家外部實驗室獨立驗證。

但香港中文大學助理教授劉聖超向雷峰網指出，這類工作的核心方法論——從靶點結構出發用生成式模型設計結合蛋白——在學術界早有先例。2022年，華盛頓大學David Baker團隊在《Nature》發表類似工作；2023年，RFdiffusion和ProteinMPNN相繼發表，構成今天大多數AI蛋白設計工具鏈的基礎。劉聖超本人早在2022年就通過ProteinDT和ChatDrug專案驗證過這一思路，但當時缺乏溼實驗驗證。

劉聖超認為，Anthropic的突破更多在於其龐大的工程資源、強大的基模型，以及調動兩家外部獨立實驗室完成規模化溼實驗驗證的能力——這是傳統學術團隊難以企及的。同時，Anthropic開源了prompt、設計模型和實驗資料，降低了行業試錯成本，但也意味著“AI設計蛋白結合劑”的方法論壁壘正以月為單位降低。

他甚至推測，Anthropic可能已意識到需做更深層的“演算法2.0”工作，而此次高調放出“演算法1.0”成果，或有意將競爭對手的精力“帶歪”到壁壘不高的舊路上。

Moderna的III期成功：平台厚度而非演算法新意

Moderna與默沙東的III期臨床資料過硬：1137名患者，無復發生存期和遠處無轉移生存期雙達標，成為首個III期成功的個體化新抗原療法。但劉聖超指出，其使用的工具——蛋白質摺疊、結合力預測與免疫反應模擬三個模組整合——基本都是大模型發明之前的演算法，雖“老派”但更接近落地。

錦波生物首席架構師張驥認為，Moderna的成功更多證明其mRNA平台技術、LNP遞送能力、大規模生產體系、臨床開發網路和監管路徑的厚度，AI只是在此基礎上做了區域性定製。

演算法只是鏈條的一小部分

兩件事放在一起，一個共同疑惑浮現：演算法本身的突破性可能沒有外界渲染的那麼核心。張驥比喻，AI在製藥領域如同“偏科生”——在設計序列、預測靜態結構等環節表現強，但在表達、摺疊、穩定性、免疫原性、毒理、臨床等環節仍有很大進步空間。Anthropic的實驗也證明，Claude設計的1320個蛋白中，驗證的只是“能否結合”，而從binder到成藥，中間隔著大量AI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，指出AI目前難以預測動態結構，對相互作用的理解有限。“許多工作我們只知道結果不好，但哪裡不好、怎麼變好，不知道。”這種偏科的根源在於AI for Science連“考什麼”都還沒搞清楚——沒有公正客觀的評測集，就無法系統性地知道AI的強項與弱項。

市場仍願為演算法加價，但純模型模式承壓

儘管演算法壁壘存疑，AI製藥敘事仍帶動一級市場追捧，甚至引發FOMO情緒。投資人阿偉透露，AI+生命科學專案融資節奏極快，“基本上兩個月就一輪”，這種熱情更多建立在“不能錯過”的焦慮上。

資料也印證了這種情緒：EvolutionaryScale曾以約13.5億美元估值融資，最終被CZI收購；Isomorphic Labs估值25億至30億美元，但依賴Alphabet獨家授權；Xaira拿了10億美元種子輪，但它是全棧平台加管線，而非純模型公司——純模型公司的獨立商業模式正經歷壓力測試。

長期深耕biotech的投資人阿東表示，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，“演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，只做演算法的模式尤其危險，因為驗證環節缺失，演算法再漂亮也只是空中樓閣。”

回看這兩條新聞，AI的發展無疑提升了所有人的期望值，但現實是AI要走的路還很遠，那些需要長期投入的環節反而被淹沒在演算法的喧囂中。AI製藥的估值錨點到底應設在哪裡？真正的答案仍需時間證明。