一句话看懂：Anthropic 自建湿实验室、并购 Coefficient Bio 并牵手诺和诺德与百时美施贵宝，字节跳动分拆的新实验室也完成首轮融资，AI 制药再迎一波入场者。但临床阶段难以压缩，早期命中率提升不等于临床成功率提升，真正的瓶颈卡在数据，尤其是失败实验数据。
事件核心：发生了什么
据 AIbase 报道，原本不在此赛道的大模型公司与大厂几乎同时出手。Anthropic 一方面筹建自有湿实验室，用来验证其模型直接指导生物实验的能力，另一方面与诺和诺德、百时美施贵宝达成合作，并收购了 Coefficient Bio。由字节跳动分拆而来的新实验室则已完成第一轮融资。
目前公开信息显示，AI 在制药中的落点仍主要集中在早期环节：压缩候选分子的搜索空间、缩短实验迭代周期。但临床阶段成本高、周期长，很难同步提速，早期筛选命中率更高，并不必然带来临床成功率的提升。
为什么重要
这条赛道上其实有三类打法完全不同的玩家。AI 制药公司围绕具体问题做模型，让算法服务明确任务；大模型公司追求通用能力，用单一基础模型加垂直工具链搭“科学工作台”，重点在于压缩每一轮研发周期，因此格外看重可跨靶点、跨任务迁移的数据基础设施；传统药企手握海量数据，却往往缺少统一的数据底座。
大模型公司更愿意把研发预算投向训练和补齐关键数据，尤其是失败实验样本。从训练角度看，失败样本与成功样本同样有价值，这也是它们相对传统药企的结构性差异。商业化路径同样分化：AI 制药公司多走 AI-CRO、软件工具与自研管线组合，其中自研管线最易兑现价值；大模型公司当前更聚焦临床前研究与研发基础设施，部分也在低调推进自有管线。
对用户/开发者/创作者的影响
对开发者和技术团队来说，值得注意的不是“AI 能不能做药”，而是数据工程正在成为核心岗位能力：如何统一异构实验数据、如何让失败样本可检索可复用、如何把工具链接到大模型 API 上。对关注投资与企业采购的人来说，自研管线仍是估值锚点，整个市场都在等英矽智能候选药物的 III 期结果，用真实临床数据检验这条路线是否站得住。
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。
值得关注的后续
一是 Anthropic 湿实验室能否产出可复现、可对外引用的实验结果，而不只是模型演示。二是字节系新实验室的首轮融资规模与投资方，会透露资本对这一路线的定价逻辑。三是英矽智能 III 期数据的读出时间与结果，这将是全行业最硬的定价标尺。
来源：AIbase
