短短一周内,Anthropic与OpenAI相继宣布收购,把业务触角直接伸向药物研发。Anthropic收购的Mithril Medicine只有一名全职员工,专注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个月里协调11家外部实验室,把一项潜在疗法从构想推进到实验阶段,并在小鼠实验中取得积极结果。若后续进展顺利,相关候选药物最早有望在2028年底进入人体临床试验。OpenAI则收购Orchestra Bio,计划将其药物研发流程协调技术整合进生命科学产品Rosalind。
这并非孤例。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;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
Alphabet旗下的Isomorphic Labs走得更远。它脱胎于Google DeepMind,成立于2021年,最初选择与大型药企合作,既分担研发风险,也为技术寻找商业化路径。2024年初,它先后与礼来、诺华达成药物研发合作,两份协议潜在总价值接近30亿美元。但如今它不再满足于只做技术合作伙伴: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。此时它已与诺华、礼来、强生建立合作,同时开发拥有自主知识产权的候选药物。
两种商业模式区别明显:与药企合作研发,主要靠首付款、研发里程碑付款和潜在销售版税获得收入;自己持有药物资产,则掌握知识产权,一旦成功上市有机会获得更大收益,但必须自行承担研发失败风险。不过,Isomorphic Labs的研发进度还没跟上融资步伐。2026年1月,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,这已比此前提出的2025年底目标有所推迟;到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。即便有顶尖AI模型、巨额资金和大型药企支持,它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有潜力的结构。这些案例表明,大模型已能在候选药物设计和初步筛选中发挥作用,缩短部分研发环节所需时间,但成果大多仍停留在临床前阶段——设计效率提高,并不意味着最终药物一定安全有效。
收购Mithril Medicine让Anthropic再向前一步。所谓“一人药企”,并不意味着一个人加一个AI模型就能独立研发新药。《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,承担具体实验工作。真正变化的是研发组织方式:AI承担部分分析、设计和项目协调,具体实验交给外部实验室完成,即使团队很小也有可能推进早期药物研发。对Anthropic而言,收购价值也不只是获得潜在药物资产,更可以借此在真实科研环境中检验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,可通过实验结果验证,这些反馈又能反过来帮助改进模型和产品。
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;只要这些需求扩大,英伟达就有机会服务多家药企,而不必把收益押在某一款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:对大型药企而言,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,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。
英伟达重算力,亚马逊重云与数据,微软重科研平台。路径不同,目标一致:在AI药物研发普及之前,先占据底层技术位置,并通过长期服务获取收入。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。两者分工因此更明确:GPT-Rosalind侧重生命科学领域的专业分析和研究能力,Orchestra Bio负责将这些能力应用到具体研发流程中。
这也为OpenAI带来模型调用收费之外的商业机会。单一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,客户使用越深入,更换平台的成本就越高。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”。不过,这仍是一个有待实现的目标:Rosalind能否顺利接入药企复杂的内部系统、真正提高研发效率,并让客户愿意长期付费,还需要时间验证。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。
第一类是卖技术和服务: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。第二类是与药企共同研发: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。第三类是直接持有药物资产: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。
除此之外,药物研发还有一层特殊价值——它可能成为检验AI能力的真实试验场。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。《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”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已真正参与临床研发,但不同项目对AI的依赖程度差异很大,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,目前还缺乏足够证据。
这也意味着,不同类型的科技公司需要用不同方式证明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,Anthropic则要在真实研发场景中验证Claude的能力边界。决定这场竞争最终价值的,仍是实际研发结果。