繁體
  • 简体中文
  • 繁體中文

熱門資訊> 正文

集體湧入製藥業,硅谷巨頭們在打什麼算盤?

2026-11-16 14:59

文|醫線Insight 張小漫

編輯|喬雨林

一家只有一名全職員工的生物技術公司,近期被AI巨頭Anthropic宣佈收購。

這家公司名叫Mithril Medicine,專注於兩種罕見肌營養不良症的治療研究。創始人Cody Tranbarger藉助Claude,在不到18個月的時間里協調了11家外部實驗室,將一項潛在療法從最初的構想推進到實驗階段,並在小鼠實驗中取得了積極結果。

如果后續研究進展順利,相關候選藥物最早有望在2028年底進入人體臨牀試驗。

幾乎同一時間,OpenAI也宣佈收購Orchestra Bio,計劃將其藥物研發流程協調技術整合進旗下生命科學產品Rosalind。

短短一周內,Anthropic和OpenAI相繼出手,將業務觸角伸向了藥物研發領域。

它們並非孤例。2026年,谷歌母公司Alphabet支持的Isomorphic Labs完成21億美元融資,加碼自有藥物研發管線;英偉達與禮來計劃在五年內共同投入最多10億美元,建設AI藥物研發聯合創新實驗室。

此外,亞馬遜與諾和諾德達成戰略合作;微軟則以Microsoft Discovery平臺切入科研流程。

硅谷科技巨頭集體湧入,它們究竟想從製藥業得到什麼?

01 親自造藥:谷歌與Anthropic盯上藥物資產

在科技巨頭紛紛佈局製藥的過程中,Alphabet旗下的Isomorphic Labs已經走得更遠。

一方面,Isomorphic Labs利用自主開發的AI藥物設計引擎,與大型製藥企業開展聯合研發;另一方面,公司也在推進擁有自主權益的內部藥物研發項目,嘗試同時佈局藥企合作研發與自主藥物開發兩條路線。

Isomorphic Labs成立於2021年,脱胎於Google DeepMind,目標是將蛋白質結構預測等領域的技術積累用於藥物設計。

最初,Isomorphic Labs選擇與大型藥企合作,一方面分擔研發風險,另一方面也為技術尋找商業化路徑。

2024年初,Isomorphic Labs先后與禮來、諾華達成藥物研發合作,兩份協議的潛在總價值接近30億美元。

但現在,Isomorphic Labs不再滿足於只做藥企的技術合作夥伴。

2026年5月12日,公司宣佈完成21億美元B輪融資,由Thrive Capital領投,Alphabet、GV、淡馬錫等參與。新資金將用於擴大AI藥物設計引擎IsoDDE的應用,並推動自有藥物研發項目向臨牀階段邁進。

此時,Isomorphic Labs已與諾華、禮來、強生建立合作關係,同時也在開發擁有自主知識產權的候選藥物。

從與藥企合作研發,到自己持有藥物資產,背后的商業模式有着明顯區別。

前者主要通過首付款、研發里程碑付款和潛在的銷售版税獲得收入;后者則可以掌握藥物知識產權,一旦成功上市,有機會獲得更大收益,但也必須自行承擔研發失敗的風險。

不過,Isomorphic Labs的研發進度還沒能跟上融資步伐。

2026年1月,公司首席執行官Demis Hassabis曾預計,首批人體臨牀試驗將在年底前啟動。這已經比此前提出的2025年底目標有所推迟。

到了11月2日,公司總裁Max Jaderberg仍表示,相關藥物研發尚處於臨牀前階段。

這也意味着,即使有頂尖AI模型、鉅額資金和大型藥企的支持,Isomorphic Labs依然沒能跨過從候選藥物設計到人體臨牀試驗的關鍵一步。

Anthropic選擇了另一種切入方式。先讓Claude深度參與實際藥物研究,再通過收購探索新的研發組織模式。

2026年10月,Anthropic披露已與六家機構開展深入合作,包括BigHat Biosciences、百時美施貴寶、Divergence Labs、Enveda、Generate Biomedicines和The Column Group。

Claude的作用已經不再侷限於回答科研問題,而是開始直接參與藥物設計。

例如,Generate Biomedicines的研究人員利用Claude Code,重新設計了CAR-T細胞療法中的部分遺傳指令。其中一項設計將相關片段縮短了約70%,實驗室測試顯示,免疫細胞產生的受體數量增加至原來的約10倍。

Divergence Labs也藉助Claude,在約一個月內生成了3.5萬個抗體設計方案,並通過早期測試篩選出具有潛力的結構。

這些案例表明,大模型已經能夠在候選藥物的設計和初步篩選中發揮作用,縮短部分研發環節所需的時間。

不過,這些成果大多還停留在臨牀前研究階段。設計效率提高,並不意味着最終研發出的藥物一定安全、有效。

收購Mithril Medicine,則讓Anthropic在AI製藥領域又向前邁出了一步。

所謂「一人藥企」,並不意味着一個人加上一個AI模型,就能獨立研發出新葯。

《自然》雜誌11月11日的報道指出,Mithril Medicine背后仍有大量科學家和合同研究機構參與,承擔具體的實驗工作。

真正發生變化的是研發的組織方式:AI承擔部分分析、設計和項目協調工作,具體實驗交給外部實驗室完成。

這樣一來,即使只有很小的團隊,也有可能推進早期藥物研發。

對Anthropic來説,收購Mithril Medicine的價值也不只是獲得潛在的藥物資產。它還可以藉此在真實的科研環境中檢驗Claude的科學推理、工具調用和複雜任務執行能力。

AI提出的方案能否奏效,可以通過實驗結果來驗證,而這些反饋又能反過來幫助改進模型和產品。

不過,無論是Isomorphic Labs自主研發的候選藥物,還是Anthropic收購的早期項目,距離真正成為可用的藥物,都還有很長的路要走。最終能否成功,仍要看臨牀試驗的結果。

對這些科技公司而言,親自下場研發藥物,意味着有機會獲得更大的商業回報,但也必須承擔更高的研發風險。

02 先佔地基:英偉達、亞馬遜和微軟爭奪技術入口

與直接持有藥物資產相比,英偉達、亞馬遜和微軟選擇了風險相對可控的路線:讓藥企主導藥物開發,自己提供算力、數據基礎設施和科研平臺。

它們爭奪的不是某一款新葯,而是研發活動離不開的技術入口。

英偉達的核心籌碼是計算能力。

2026年1月12日,英偉達與禮來宣佈,將在未來五年共同投入最多10億美元,在舊金山灣區建設AI聯合創新實驗室。投入涵蓋人才、計算資源和基礎設施;實驗室計劃使用英偉達BioNeMo平臺和Vera Rubin計算架構,並探索機器人、物理AI在藥物研發與生產中的應用。

這不再只是硬件供應關係。雙方計劃讓研究人員共同開展研發,把算力、生物學知識和實際實驗需求連接起來。

英偉達既能更深入地理解藥企需求,也能推動GPU、專業模型工具和軟件平臺進入研發關鍵環節。

蛋白質結構分析、分子設計、細胞研究和實驗自動化,都可能帶來持續增長的計算需求。對英偉達而言,只要這些需求擴大,就有機會服務多家藥企,而不必把收益押在某一個候選藥物能否上市上。

亞馬遜爭奪的是藥企的數據和雲計算底座。

2026年8月10日,諾和諾德與亞馬遜科技宣佈戰略合作,並在倫敦設立AI聯合創新中心。雙方將利用Amazon Bio Discovery、Amazon Bedrock等技術,支持靶點識別、新療法設計,以及基因組、影像和臨牀數據整合。

諾和諾德同時選擇亞馬遜作為優先雲服務提供商和戰略AI合作伙伴。

這份合作把AI研發和企業雲服務放在一起。對於大型藥企,研發不僅需要分析海量數據,還涉及系統連接、權限管理、安全合規和跨團隊協作。隨着AI深入研發環節,這些基礎設施的重要性可能進一步上升。

亞馬遜希望由單項技術供應商轉變為長期嵌入藥企運營體系的合作伙伴。

微軟則把重點放在連接科研任務的AI智能體上。

2026年6月,Microsoft Discovery正式面向企業開放。它允許科研人員調度專業AI智能體,把科學軟件、實驗數據與不同任務連接起來。

微軟還與Ginkgo Bioworks合作,探索從數據分析、提出實驗假設到自動化實驗執行的銜接,葛蘭素史克(GSK)等生命科學企業也進入了其合作生態。

微軟希望AI不再只是單點回答問題,而能參與連續的科研流程。

需要注意的是,Microsoft Discovery也服務材料科學、能源等領域,製藥只是其應用場景之一。

英偉達重算力,亞馬遜重雲與數據,微軟重科研平臺。路徑不同,目標一致:在AI藥物研發普及之前,先佔據底層技術位置,並通過長期服務獲取收入。

它們面臨的主要考驗,是產品能否為藥企創造值得持續付費的效率價值。

03 搶佔流程:OpenAI想做藥物研發的「操作系統」

如果説英偉達、亞馬遜爭的是技術底座,OpenAI更想進入藥物研發的日常工作流。

發現一個有潛力的分子,只是新葯開發的起點。接下來,實驗安排、數據匯總、供應商協調、項目進度、生產批次和監管文件等任務,需要眾多團隊持續配合。研發流程越複雜,協調成本就越高。

OpenAI的佈局分為兩步。

第一步,是提供專業模型。

2026年4月16日,OpenAI推出面向生物學、藥物發現和轉化醫學的GPT-Rosalind,重點強化化學、蛋白質工程、基因組學及生命科學工具調用能力。

6月推出的GPT-Rosalind-5.5進一步強化相關表現;9月,Rosalind從研究預覽階段擴展至符合條件的全球機構用户。

第二步,是讓AI從輔助科研走向參與研發項目的實際執行。

10月20日,OpenAI宣佈收購Orchestra Bio。這家公司主要利用AI智能體協調藥物研發中的複雜任務,將分散在不同系統、實驗室和部門之間的工作銜接起來。

OpenAI計劃將Orchestra Bio的技術整合進Rosalind,讓AI不僅能夠分析科研數據、提供研究建議,還能進一步參與制定研發計劃、安排后續任務。

兩者的分工也因此更加明確。GPT-Rosalind側重生命科學領域的專業分析和研究能力,Orchestra Bio則負責將這些能力應用到具體的研發流程中。

前者幫助科研人員開展研究,后者試圖讓AI參與整個研發過程的組織和推進。

這也為OpenAI帶來了模型調用收費之外的商業機會。

單一的AI科研工具通常只解決某個具體問題,而一旦平臺深入藥企的數據管理、團隊協作和研發決策流程,就有機會成為日常工作中不可或缺的一部分。客户使用得越深入,更換平臺的成本也就越高。

從這個角度看,OpenAI想爭取的,可能不只是AI製藥工具供應商的角色,而是成為藥物研發流程中的核心平臺,甚至是整個研發體系的「操作系統」。

不過,這仍是一個有待實現的目標。Rosalind能否順利接入藥企複雜的內部系統,真正提高研發效率,並讓客户願意長期付費,還需要時間驗證。

與此同時,微軟也在推進科研智能體。隨着雙方都開始深入科研工作流程,OpenAI與微軟之間的競爭可能進一步加劇。

04 面向未來:硅谷科技巨頭的戰略野心

把這些佈局放在一起,硅谷巨頭的商業算盤就更容易看清。

製藥業之所以有吸引力,恰恰因為它複雜、昂貴且周期漫長。

根據OpenAI在2026年10月收購公告中引用的數據,美國一款新葯從靶點發現到最終獲批,平均需要約10至15年。

從理解疾病機制、篩選靶點、設計分子,到臨牀試驗和監管審批,每一步都需要大量數據、實驗與協作,也都存在失敗風險。

AI可以參與其中一些工作,但各家公司選擇了不同的賺錢方式。

第一類,賣技術和服務。

英偉達銷售算力和模型工具,亞馬遜提供雲及數據基礎設施,微軟與OpenAI爭奪科研平臺和工作流。

這類業務不必等到新葯獲批纔有機會產生收入,關鍵在於藥企是否持續採購、技術能否真正降本增效。

第二類,與藥企共同研發。

Isomorphic Labs早期的合作屬於這一模式:通過首付款、研發里程碑和潛在版税獲取收益。收入與具體項目進展掛鉤,研發受阻,后續付款也可能無法兑現。

第三類,直接持有藥物資產。

Isomorphic Labs的自有管線,以及Anthropic收購Mithril Medicine所代表的探索,都有機會通過藥物知識產權分享未來收益。但一旦進入這條路線,科技公司也要面對從臨牀失敗到監管審批的更多不確定性。

三種模式對應着不同的風險收益結構:越接近藥物資產,潛在收益空間通常越大,結果也越依賴具體藥物能否成功;越接近基礎設施,收入來源相對分散,但需要持續證明商業價值。

除此之外,藥物研發還有一層特殊價值——它可能成為檢驗AI能力的真實試驗場。

與文本生成不同,AI提出的分子設計和研究假設可以通過實驗接受檢驗。

對OpenAI、Anthropic等模型公司而言,來自實驗室的反饋不僅可能形成新業務,還可能幫助改進模型與科研產品。

因此,科技巨頭進入製藥業,不只是爲了分享一個新市場,更是在爭奪未來藥物研發體系中的位置:有人掌握計算入口,有人控制工作流程,有人試圖擁有最終的藥物資產。

不過,AI能幫助設計分子,不等於它已經證明能造出更好的藥物。決定這場競爭最終價值的,仍是實際研發結果。

《Nature Reviews Drug Discovery》曾刊文指出,AI已經幫助科學家更高效地從海量化合物中尋找候選結構,但在預測藥物進入人體后的實際表現、指導具有臨牀價值的藥物優化等方面,仍存在明顯侷限。

即使一些候選藥物被貼上「AI設計」的標籤,其研發過程通常也離不開傳統實驗和科研人員的反覆調整,很難將成果完全歸功於AI。

另一項發表於2026年的研究顯示,截至3月1日,全球69家公司共有129個AI輔助研發的治療項目,至少進入過一項人體干預性臨牀試驗。

這説明AI已經真正參與到臨牀研發中,但不同項目對AI的依賴程度差異很大,而且多數仍處於早期階段。

至於AI能否提高藥物研發后期的成功率,以及最終獲得監管批准的概率,目前還缺乏足夠的證據。

這也意味着,不同類型的科技公司,需要用不同的方式證明AI製藥的商業價值。

對Isomorphic Labs和Anthropic來説,融資、藥企合作和臨牀前實驗的積極結果,都還只是開始。

Isomorphic Labs需要推動自研候選藥物進入人體試驗,並證明其安全性和有效性;Anthropic收購的早期項目,同樣還有大量研究工作要完成。

最終能否創造商業價值,仍取決於藥物能否順利推進研發,並通過臨牀檢驗。

相比之下,英偉達、亞馬遜和微軟等技術供應商,可能更早獲得商業回報。

它們主要提供算力、雲服務和科研軟件,收入不必完全依賴某款藥物能否成功上市。即使一個研發項目失敗,其他項目仍然需要這些技術和服務。

但這也不是穩賺不賠的生意。藥企能否得到足以覆蓋成本的效率提升、是否願意長期採購,以及供應商之間的競爭,都會影響最終回報。

同時,幾條路線並非互不相干。算力平臺正向研發環節延伸,科研智能體開始協調實驗流程,模型公司也嘗試持有藥物資產。

科技巨頭之間的業務邊界可能不斷重疊,與傳統藥企的關係也會更加複雜。

傳統藥企在疾病研究、臨牀試驗組織、監管審批、藥品生產和全球商業化方面擁有長期積累,這些能力不會因為AI進步而輕易被替代。

另一方面,當研發日益依賴外部AI平臺,藥企也必須權衡效率與控制權:核心數據歸誰掌握,研發流程由誰主導,知識產權和商業收益如何分配?

未來雙方既要合作,也可能圍繞這些問題展開博弈。

有此可見,巨頭與巨頭之間,製藥業與AI產業之間,真正的融合與較量纔剛剛開始。

風險及免責提示:以上內容僅代表作者的個人立場和觀點,不代表華盛的任何立場,華盛亦無法證實上述內容的真實性、準確性和原創性。投資者在做出任何投資決定前,應結合自身情況,考慮投資產品的風險。必要時,請諮詢專業投資顧問的意見。華盛不提供任何投資建議,對此亦不做任何承諾和保證。