一句话看懂：前 OpenAI 员工 Josh Meyer 创立的 AI 制药公司 Chai，正把药物设计周期从数年压缩到 24 小时计算加几周实验室验证，最新模型 Chai 3 的抗体设计成功率已从一年前的约 0.1% 提升到接近 30%。这不是实验室里的概念演示，而是已经通过礼来压力测试、正在进入真实药物研发管线的技术。
事件核心：发生了什么
Chai 联合创始人 Josh Meyer 在近期访谈中披露了公司最新进展。其核心判断是：大语言模型能理解英语和法语，也应该能理解 DNA 和蛋白质序列——后者被他称为“真正的自然语言”。基于这一思路，团队持续迭代用于抗体和蛋白质设计的 AI 模型。
关键数据有两个：其一，一年前计算机设计抗体在实验室的成功率仅为 0.1% 左右，而 Chai 3 将这一数字提升到接近 30%；其二，模型生成的分子质量出现质的飞跃，过去需要大量人工优化的 AI 分子，现在几乎可以零修改直接进入下游环节，Meyer 将其称为“零样本药物筛选”。在结构预测精度上，Chai 与冷冻电镜实测结果的误差小于一个原子直径，相比数年前 AlphaFold 对抗体-抗原复合物约 3% 的预测准确率，提升了一个数量级。
医药巨头礼来已在内部对 Chai 模型做了极限压力测试，并将真实项目中的有效与无效反馈用于训练数据和路线图调整。发布时间为 2026 年 8 月 1 日，信息源为 @rickawsb 的推文摘录。
为什么重要
这轮进展的意义不在于单点指标提升，而是验证了 AI 制药的商业闭环正在成形。Chai 的商业模式与顶级 AI 实验室一致：模型越好——客户用得越多——创造价值越大——获得更多资金购买算力——训练下一代更强模型。在制药行业，比竞争对手早一年上市可能意味着数十亿美元的差异，因此客户愿意为“成功率和速度”付费，而非单纯为“降本”买单。
另一个结构性的变化是：当模型不再关心疾病类型，只认靶点，AI 药物设计就变成了一种并行计算问题。Meyer 指出，只要靶点明确，模型可以同时推进大量项目，这改变了传统药物研发“一个适应症一条管线”的线性逻辑。ALSO值得注意，AI 设计药物的效应量更大，会让后续临床试验在统计学上更容易验证有效性——这可能连带降低整个临床阶段的成本和风险。总的来看，“生物学正在成为计算机科学的一个分支”不再是一句口号，而是被 Chai 和礼来的合作落地为现实。
对用户/开发者/创作者的影响
对生物医药企业和研发人员：需要重新评估“AI 设计分子是否值得信任”这个旧问题。Chai 3 的 30% 成功率和零样本可用性意味着，AI 生成分子可以直接作为先导化合物进入实验验证，研发团队的工作重心应从“筛选 AI 结果”转向“批量提交靶点”。礼来的参与也提供了一个参考——大型药企与 AI 公司的数据双向流动，正在成为模型迭代的关键燃料。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对 AI 从业者：这是一个跨领域迁移的典型案例——将 LLM 对序列的理解能力迁移到蛋白质和 DNA，而非从头训练专用模型。这种“序列即语言”的思路，可能同样适用于其他生物序列、材料配方和化学合成路径。同时，Chai 对算力采购的强烈需求，意味着 AI 制药公司仍将是 GPU 和云算力的重要买家。
对普通患者和公众：目前公开信息显示，从模型产出到上市药物仍有漫长的临床验证要走。更现实的时间预期是：AI 将首先压缩临床前研究的周期，而后逐步影响新药上市的节奏。定制化药物有可能实现，但它会先从罕见病和靶点明确的肿瘤亚型开始，而非一夜之间覆盖所有疾病。
值得关注的后续
其一，Chai 3 是否会开放 API 或合作渠道。若放开，中小型生物技术公司也能使用高水平抗体设计能力，行业竞争格局可能快速变化。其二，礼来是否会把 Chai 模型推进到临床阶段。目前公开信息显示双方合作还集中在研发端，真正的分水岭是首个由 Chai 设计并进入临床试验的分子。其三，竞争者如何回应。AlphaFold 团队和多家 AI 制药公司大概率会跟进“高成功率零样本”标准，抗体设计领域可能在一年内进入准确率军备竞赛，届时需要观察谁能建立数据飞轮和真实实验反馈闭环。
来源：@rickawsb
