文 | 医线 Insight,作者丨张小漫
一家只有一名全职员工的生物技术公司,近期被 AI 巨头 Anthropic 宣布收购。
这家公司名叫 Mithril Medicine,专注于两种罕见肌营养不良症的治疗研究。创始人 Cody Tranbarger 借助 Claude,在不到 18 个月的时间里协调了 11 家外部实验室,将一项潜在疗法从最初的构想推进到实验阶段,并在小鼠实验中取得了积极结果。
如果后续研究进展顺利,相关候选药物最早有望在 2028 年底进入人体临床试验。
几乎同一时间,OpenAI 也宣布收购 Orchestra Bio,计划将其药物研发流程协调技术整合进旗下生命科学产品 Rosalind。
短短一周内,Anthropic 和 OpenAI 相继出手,将业务触角伸向了药物研发领域。
它们并非孤例。2026 年,谷歌母公司 Alphabet 支持的 Isomorphic Labs 完成 21 亿美元融资,加码自有药物研发管线;英伟达与礼来计划在五年内共同投入最多 10 亿美元,建设 AI 药物研发联合创新实验室。
此外,亚马逊与诺和诺德达成战略合作;微软则以 Microsoft Discovery 平台切入科研流程。
硅谷科技巨头集体涌入,它们究竟想从制药业得到什么?
亲自造药:谷歌与 Anthropic 盯上药物资产
在科技巨头纷纷布局制药的过程中,Alphabet 旗下的 Isomorphic Labs 已经走得更远。
一方面,Isomorphic Labs 利用自主开发的 AI 药物设计引擎,与大型制药企业开展联合研发;另一方面,公司也在推进拥有自主权益的内部药物研发项目,尝试同时布局药企合作研发与自主药物开发两条路线。
Isomorphic Labs 成立于 2021 年,脱胎于 Google DeepMind,目标是将蛋白质结构预测等领域的技术积累用于药物设计。
最初,Isomorphic Labs 选择与大型药企合作,一方面分担研发风险,另一方面也为技术寻找商业化路径。
2024 年初,Isomorphic Labs 先后与礼来、诺华达成药物研发合作,两份协议的潜在总价值接近 30 亿美元。
但现在,Isomorphic Labs 不再满足于只做药企的技术合作伙伴。
2026 年 5 月 12 日,公司宣布完成 21 亿美元 B 轮融资,由 Thrive Capital 领投,Alphabet、GV、淡马锡等参与。新资金将用于扩大 AI 药物设计引擎 IsoDDE 的应用,并推动自有药物研发项目向临床阶段迈进。
此时,Isomorphic Labs 已与诺华、礼来、强生建立合作关系,同时也在开发拥有自主知识产权的候选药物。
从与药企合作研发,到自己持有药物资产,背后的商业模式有着明显区别。
前者主要通过首付款、研发里程碑付款和潜在的销售版税获得收入;后者则可以掌握药物知识产权,一旦成功上市,有机会获得更大收益,但也必须自行承担研发失败的风险。
不过,Isomorphic Labs 的研发进度还没能跟上融资步伐。
2026 年 1 月,公司首席执行官 Demis Hassabis 曾预计,首批人体临床试验将在年底前启动。这已经比此前提出的 2025 年底目标有所推迟。
到了 11 月 2 日,公司总裁 Max Jaderberg 仍表示,相关药物研发尚处于临床前阶段。
这也意味着,即使有顶尖 AI 模型、巨额资金和大型药企的支持,Isomorphic Labs 依然没能跨过从候选药物设计到人体临床试验的关键一步。
Anthropic 选择了另一种切入方式。先让 Claude 深度参与实际药物研究,再通过收购探索新的研发组织模式。
2026 年 10 月,Anthropic 披露已与六家机构开展深入合作,包括 BigHat Biosciences、百时美施贵宝、Divergence Labs、Enveda、Generate Biomedicines 和 The Column Group。
Claude 的作用已经不再局限于回答科研问题,而是开始直接参与药物设计。
例如,Generate Biomedicines 的研究人员利用 Claude Code,重新设计了 CAR-T 细胞疗法中的部分遗传指令。其中一项设计将相关片段缩短了约 70%,实验室测试显示,免疫细胞产生的受体数量增加至原来的约 10 倍。
Divergence Labs 也借助 Claude,在约一个月内生成了 3.5 万个抗体设计方案,并通过早期测试筛选出具有潜力的结构。
这些案例表明,大模型已经能够在候选药物的设计和初步筛选中发挥作用,缩短部分研发环节所需的时间。
不过,这些成果大多还停留在临床前研究阶段。设计效率提高,并不意味着最终研发出的药物一定安全、有效。
收购 Mithril Medicine,则让 Anthropic 在 AI 制药领域又向前迈出了一步。
所谓 " 一人药企 ",并不意味着一个人加上一个 AI 模型,就能独立研发出新药。
《自然》杂志 11 月 11 日的报道指出,Mithril Medicine 背后仍有大量科学家和合同研究机构参与,承担具体的实验工作。
真正发生变化的是研发的组织方式:AI 承担部分分析、设计和项目协调工作,具体实验交给外部实验室完成。
这样一来,即使只有很小的团队,也有可能推进早期药物研发。
对 Anthropic 来说,收购 Mithril Medicine 的价值也不只是获得潜在的药物资产。它还可以借此在真实的科研环境中检验 Claude 的科学推理、工具调用和复杂任务执行能力。
AI 提出的方案能否奏效,可以通过实验结果来验证,而这些反馈又能反过来帮助改进模型和产品。

对这些科技公司而言,亲自下场研发药物,意味着有机会获得更大的商业回报,但也必须承担更高的研发风险。
先占地基:英伟达、亚马逊和微软争夺技术入口
与直接持有药物资产相比,英伟达、亚马逊和微软选择了风险相对可控的路线:让药企主导药物开发,自己提供算力、数据基础设施和科研平台。
它们争夺的不是某一款新药,而是研发活动离不开的技术入口。
英伟达的核心筹码是计算能力。
2026 年 1 月 12 日,英伟达与礼来宣布,将在未来五年共同投入最多 10 亿美元,在旧金山湾区建设 AI 联合创新实验室。投入涵盖人才、计算资源和基础设施;实验室计划使用英伟达 BioNeMo 平台和 Vera Rubin 计算架构,并探索机器人、物理 AI 在药物研发与生产中的应用。
这不再只是硬件供应关系。双方计划让研究人员共同开展研发,把算力、生物学知识和实际实验需求连接起来。
英伟达既能更深入地理解药企需求,也能推动 GPU、专业模型工具和软件平台进入研发关键环节。
蛋白质结构分析、分子设计、细胞研究和实验自动化,都可能带来持续增长的计算需求。对英伟达而言,只要这些需求扩大,就有机会服务多家药企,而不必把收益押在某一个候选药物能否上市上。
亚马逊争夺的是药企的数据和云计算底座。
2026 年 8 月 10 日,诺和诺德与亚马逊科技宣布战略合作,并在伦敦设立 AI 联合创新中心。双方将利用 Amazon Bio Discovery、Amazon Bedrock 等技术,支持靶点识别、新疗法设计,以及基因组、影像和临床数据整合。
诺和诺德同时选择亚马逊作为优先云服务提供商和战略 AI 合作伙伴。
这份合作把 AI 研发和企业云服务放在一起。对于大型药企,研发不仅需要分析海量数据,还涉及系统连接、权限管理、安全合规和跨团队协作。随着 AI 深入研发环节,这些基础设施的重要性可能进一步上升。
亚马逊希望由单项技术供应商转变为长期嵌入药企运营体系的合作伙伴。
微软则把重点放在连接科研任务的 AI 智能体上。
2026 年 6 月,Microsoft Discovery 正式面向企业开放。它允许科研人员调度专业 AI 智能体,把科学软件、实验数据与不同任务连接起来。
微软还与 Ginkgo Bioworks 合作,探索从数据分析、提出实验假设到自动化实验执行的衔接,葛兰素史克(GSK)等生命科学企业也进入了其合作生态。
微软希望 AI 不再只是单点回答问题,而能参与连续的科研流程。
需要注意的是,Microsoft Discovery 也服务材料科学、能源等领域,制药只是其应用场景之一。

它们面临的主要考验,是产品能否为药企创造值得持续付费的效率价值。
抢占流程:OpenAI 想做药物研发的 " 操作系统 "
如果说英伟达、亚马逊争的是技术底座,OpenAI 更想进入药物研发的日常工作流。
发现一个有潜力的分子,只是新药开发的起点。接下来,实验安排、数据汇总、供应商协调、项目进度、生产批次和监管文件等任务,需要众多团队持续配合。研发流程越复杂,协调成本就越高。
OpenAI 的布局分为两步。
第一步,是提供专业模型。
2026 年 4 月 16 日,OpenAI 推出面向生物学、药物发现和转化医学的 GPT-Rosalind,重点强化化学、蛋白质工程、基因组学及生命科学工具调用能力。
6 月推出的 GPT-Rosalind-5.5 进一步强化相关表现;9 月,Rosalind 从研究预览阶段扩展至符合条件的全球机构用户。
第二步,是让 AI 从辅助科研走向参与研发项目的实际执行。
10 月 20 日,OpenAI 宣布收购 Orchestra Bio。这家公司主要利用 AI 智能体协调药物研发中的复杂任务,将分散在不同系统、实验室和部门之间的工作衔接起来。
OpenAI 计划将 Orchestra Bio 的技术整合进 Rosalind,让 AI 不仅能够分析科研数据、提供研究建议,还能进一步参与制定研发计划、安排后续任务。
两者的分工也因此更加明确。GPT-Rosalind 侧重生命科学领域的专业分析和研究能力,Orchestra Bio 则负责将这些能力应用到具体的研发流程中。
前者帮助科研人员开展研究,后者试图让 AI 参与整个研发过程的组织和推进。
这也为 OpenAI 带来了模型调用收费之外的商业机会。
单一的 AI 科研工具通常只解决某个具体问题,而一旦平台深入药企的数据管理、团队协作和研发决策流程,就有机会成为日常工作中不可或缺的一部分。客户使用得越深入,更换平台的成本也就越高。
从这个角度看,OpenAI 想争取的,可能不只是 AI 制药工具供应商的角色,而是成为药物研发流程中的核心平台,甚至是整个研发体系的 " 操作系统 "。

与此同时,微软也在推进科研智能体。随着双方都开始深入科研工作流程,OpenAI 与微软之间的竞争可能进一步加剧。
面向未来:硅谷科技巨头的战略野心
把这些布局放在一起,硅谷巨头的商业算盘就更容易看清。
制药业之所以有吸引力,恰恰因为它复杂、昂贵且周期漫长。
根据 OpenAI 在 2026 年 10 月收购公告中引用的数据,美国一款新药从靶点发现到最终获批,平均需要约 10 至 15 年。
从理解疾病机制、筛选靶点、设计分子,到临床试验和监管审批,每一步都需要大量数据、实验与协作,也都存在失败风险。
AI 可以参与其中一些工作,但各家公司选择了不同的赚钱方式。
第一类,卖技术和服务。
英伟达销售算力和模型工具,亚马逊提供云及数据基础设施,微软与 OpenAI 争夺科研平台和工作流。
这类业务不必等到新药获批才有机会产生收入,关键在于药企是否持续采购、技术能否真正降本增效。
第二类,与药企共同研发。
Isomorphic Labs 早期的合作属于这一模式:通过首付款、研发里程碑和潜在版税获取收益。收入与具体项目进展挂钩,研发受阻,后续付款也可能无法兑现。
第三类,直接持有药物资产。
Isomorphic Labs 的自有管线,以及 Anthropic 收购 Mithril Medicine 所代表的探索,都有机会通过药物知识产权分享未来收益。但一旦进入这条路线,科技公司也要面对从临床失败到监管审批的更多不确定性。
三种模式对应着不同的风险收益结构:越接近药物资产,潜在收益空间通常越大,结果也越依赖具体药物能否成功;越接近基础设施,收入来源相对分散,但需要持续证明商业价值。

与文本生成不同,AI 提出的分子设计和研究假设可以通过实验接受检验。
对 OpenAI、Anthropic 等模型公司而言,来自实验室的反馈不仅可能形成新业务,还可能帮助改进模型与科研产品。
因此,科技巨头进入制药业,不只是为了分享一个新市场,更是在争夺未来药物研发体系中的位置:有人掌握计算入口,有人控制工作流程,有人试图拥有最终的药物资产。
不过,AI 能帮助设计分子,不等于它已经证明能造出更好的药物。决定这场竞争最终价值的,仍是实际研发结果。
《Nature Reviews Drug Discovery》曾刊文指出,AI 已经帮助科学家更高效地从海量化合物中寻找候选结构,但在预测药物进入人体后的实际表现、指导具有临床价值的药物优化等方面,仍存在明显局限。
即使一些候选药物被贴上 "AI 设计 " 的标签,其研发过程通常也离不开传统实验和科研人员的反复调整,很难将成果完全归功于 AI。
另一项发表于 2026 年的研究显示,截至 3 月 1 日,全球 69 家公司共有 129 个 AI 辅助研发的治疗项目,至少进入过一项人体干预性临床试验。
这说明 AI 已经真正参与到临床研发中,但不同项目对 AI 的依赖程度差异很大,而且多数仍处于早期阶段。
至于 AI 能否提高药物研发后期的成功率,以及最终获得监管批准的概率,目前还缺乏足够的证据。
这也意味着,不同类型的科技公司,需要用不同的方式证明 AI 制药的商业价值。
对 Isomorphic Labs 和 Anthropic 来说,融资、药企合作和临床前实验的积极结果,都还只是开始。
Isomorphic Labs 需要推动自研候选药物进入人体试验,并证明其安全性和有效性;Anthropic 收购的早期项目,同样还有大量研究工作要完成。
最终能否创造商业价值,仍取决于药物能否顺利推进研发,并通过临床检验。
相比之下,英伟达、亚马逊和微软等技术供应商,可能更早获得商业回报。
它们主要提供算力、云服务和科研软件,收入不必完全依赖某款药物能否成功上市。即使一个研发项目失败,其他项目仍然需要这些技术和服务。
但这也不是稳赚不赔的生意。药企能否得到足以覆盖成本的效率提升、是否愿意长期采购,以及供应商之间的竞争,都会影响最终回报。
同时,几条路线并非互不相干。算力平台正向研发环节延伸,科研智能体开始协调实验流程,模型公司也尝试持有药物资产。
科技巨头之间的业务边界可能不断重叠,与传统药企的关系也会更加复杂。
传统药企在疾病研究、临床试验组织、监管审批、药品生产和全球商业化方面拥有长期积累,这些能力不会因为 AI 进步而轻易被替代。
另一方面,当研发日益依赖外部 AI 平台,药企也必须权衡效率与控制权:核心数据归谁掌握,研发流程由谁主导,知识产权和商业收益如何分配?
未来双方既要合作,也可能围绕这些问题展开博弈。
有此可见,巨头与巨头之间,制药业与 AI 产业之间,真正的融合与较量才刚刚开始。