文 | 最话FunTalk，作者 | 林书，编辑 | 刘宇翔

6月19日，2024年诺贝尔化学奖得主、AlphaFold核心缔造者John Jumper在X上发文：“After nearly 9 years， I'm leaving Google DeepMind to join Anthropic。”

9年前，Jumper博士毕业刚半年，谷歌DeepMind掌门人Demis Hassabis赌他一把，让他带AlphaFold团队。结果，Jumper带领团队用AlphaFold 2把蛋白质三维结构预测精度干到90%，解决了生物学界50年未解的蛋白质折叠难题。2024年，他和Hassabis同获诺贝尔化学奖。

如今他离开Google去了Anthropic，这家AI coding巨头近期正大力押注AI for Science。

无独有偶，6月10日前后，多家媒体报道字节跳动AI制药业务线Anew Labs启动拆分与独立融资。核心团队、算法、技术平台及已有管线资产将整体注入新主体，字节仍保持控股和对业务的主导权，但新公司在运营和融资上拥有更高独立性。

两件事在同一个时间窗口爆发，表面看是巧合，实则指向同一个底层焦虑：中美两大AI巨头，都在AI时代寻找下一个证明自己身份的战场。它们试图用AI for Science的硬成果，回答一个共同的追问：除了做广告和写代码，AI还能向世界展示什么真正的生产力价值？

但问题在于，符号世界的算法霸权，向分子世界的物质主权发起挑战时，算法本身并不是最大的瓶颈。

01 身份焦虑与组织止血

据行业研究机构数据，全球AI药物发现市场2025年规模已达约198.9亿美元，2026年预计增至245亿美元，到2035年预计飙到1604.9亿美元，十年复合增长率约23.22%。

但即便是一个千亿人民币级的远期市场，相比两家巨头自身的估值体量，AI药物发现的市场规模本身仍不足以解释它们的战略选择。更大的诱惑来自资本市场的估值溢价。英矽智能2025年港股IPO，公开发售部分录得超1400倍超额认购；剂泰科技2026年5月挂牌，首日大涨126.67%，总市值冲上330亿港元。AI制药龙头的市销率估值，不是传统CRO公司的几倍，而是几十倍。

这种溢价的本质不是盈利，而是“范式转换期权”。市场赌的是AI能把“十年十亿”的新药研发苦旅，变成可批量复制的流水线。

但市场规模和估值溢价本身，还是不足以解释字节和Anthropic的选择的。对字节来说，这是一场身份证明战。

字节在移动互联网时代是一个APP工厂，分路突围、饱和攻击是其组织基因。在AI时代，这一策略也取得巨大成功，据QuestMobile数据，截至2026年Q1，豆包月活约3.45亿，日活突破1.4亿。而火山引擎披露，截至今年6月，豆包大模型日均Token调用量已突破180万亿，过去一年增长超10倍。

但这背后是巨大的成本，据国联民生证券2026年5月研报测算，以最便宜的豆包模型计算，豆包提供一天免费AI服务的成本为1.32亿元至2.4亿元。与此同时，字节跳动将2026年AI基础设施资本开支计划上调至逾2000亿元人民币，较去年底初步讨论的1600亿元方案增幅至少25%。

此外，由于开源技术的扩散，纯C端AI的竞争正在全面同质化，豆包、千问、Kimi、文心一言在对话体验上的差距越来越小，最后比的不过是算力成本和迭代速度。在“符号世界”里，字节越来越难以证明自己有着技术上的代差。

因此，字节必须增加一条不那么好走的险路。如果它的AI能在制药领域做出重大突破，或签下大药企BD合同，那么就能证明其确实拥有难以超越的AI for Science技术，集团整体估值里就多了一块“硬核科技”期权。

值得注意的是，字节内部存在不同层面的组织变动。5月29日，据媒体报道，AI4S团队（专注于科学计算、结构生物学、蛋白设计等基础研究）已完成调整，由技术副总裁杨震原负责管理，且官方明确表示“没有考虑分拆”。该团队核心成果包括Protenix和PXDesign。

然而，该团队确实发生了核心成员流失问题。6月2日，顾全全宣布从字节Seed离职。据其公开活动个人介绍及此前媒体报道，其曾担任字节Seed大模型预训练与Scaling方向联合负责人（Co-Lead），但字节官方人士于6月8日回应媒体时否认其为“AI制药和预训练负责人”。顾全全下一站将投身AI制药与蛋白质设计创业。此外，据报道，计算生物学负责人肖文之已离职创办AI制药企业，方向集中在靶点蛋白设计等领域。

而Anew Labs成立于2021年，一直承担从基础模型研究到产业化的核心职能，拥有IL-17小分子项目等早期管线，目前由刘凯负责。36氪独家报道指出，此前字节内部负责蛋白结构预测模型的相关团队已并入刘凯负责的团队。从公开信息推断，AI4S团队与Anew Labs分属不同管理线，但两者存在人员与技术的整合流动。

核心科研人员的出走，某种程度上也说明不是所有AI for Science顶尖人才都能适配纯互联网组织架构。毕竟，科研人才要的是长周期的耐心、Biotech式的股权架构，而不是互联网大厂式的季度OKR。将Anew Labs拆分独立，建立更符合生物医药长周期特征的独立组织架构，是字节推动该领域基础模型能力与制药产业结合的战略调整。

对Anthropic来说，情况更为紧迫。它必须回应外界对模型安全性的持续质疑，也必须证明自己不只是“代码助手”。生物医药天然具有高道德溢价、高社会价值，恰好是Anthropic能力延伸的突破点。

但Anthropic挖角Jumper，还有一个被忽略的深层信号：Google的研究必须尽快产品化的要求，让顶尖科学家无所适从。DeepMind既要支撑Isomorphic Labs的管线（商业化），又要维护AlphaFold的公共数据库（学术使命），还要为Gemini提供蛋白质结构预测能力（产品集成）。Jumper作为科学家，在这些目标冲突中可能失去了纯粹的研究空间。

而Anthropic作为纯AI实验室，给了他更干净的科研环境和更大的技术自主权。Jumper的离开，不是一次普通跳槽，而是全球AI for Science人才格局的范式级信号。

02 2026验证年的前置条件

2026年之所以成为AI制药关键的时间窗口，不是因为某一项技术突然突破，而是因为所有前置条件同时成熟：临床验证进入终局、监管框架首次落地、资本向头部集中、数据瓶颈松动、首批药物逼近上市。

在2024年，AI制药PPT里的故事是“按回车键，新药就出来了”。当时全球AI药物发现市场估值飙涨，资本涌入催生了数百家AI生物初创公司，大家都相信算法可以绕过湿实验的物理约束。

然而到了2025年，首批由AI完全设计的分子进入临床阶段后，现实很快戳破了泡沫。Recursion与Exscientia合并后进行了管线精简，聚焦6个核心候选药物（4个肿瘤，2个罕见病），多家AI生物公司因临床前毒性数据不佳、成药性差而被迫转型或被收购。

承诺与兑现之间的落差，构成了这轮洗牌的主要动力。

投资人现在的口头禅变了：不再问你的模型参数量多大，而是问你的真实实验数据在哪、有没有差异化靶点、可交易的优质管线有哪些。晶泰控股能在2026年拿下跨国药企合作订单，靠的不是模型故事，而是合作方支付首付款并承担全部早期研发费用的硬核商业条款。

AI制药的叙事，从技术神话退回到了商业验证。只有那些能挖掘真实湿实验数据的公司，才能爬出低谷。

但恰恰是在这场血腥洗牌之后，字节的技术管线趋于成熟了。2025年发布Protenix和SeedFold，2026年迭代到Protenix-v1/v2，并构建了Anew Labs平台，覆盖蛋白-配体动态预测、全原子分子生成、自由能计算。

2026年4月，在美国免疫学家协会（AAI）年会上，字节首次披露了一款处于临床前的IL-17小分子抑制剂AN-5162，由Anew Therapeutics（即Anew Labs，前者是企业注册名，后者是对外技术平台名）公开。该药物瞄准银屑病等自免疾病，是全球首个小分子全谱IL-17抑制剂（AA/AF/FF），目前处于临床前先导化合物优化阶段。

所以，往好的方向想，字节可能觉得从科研到产业的机会正在成熟，即模型不再是唯一，分子更为关键。投资方对AI制药标的的审视标准，已从模型参数转向差异化靶点和可交易管线，字节恰好在这个节点上拥有了符合市场要求的硬资产。

但符合市场要求不等于已经兑现。字节目前披露的管线更多是迭代式创新：IL-17和IL-4R都是成熟靶点的进一步探索，而非全新靶点的从头发现。这符合以刘勇军为首的Anew Labs科学顾问委员会的谨慎哲学，聚焦成熟靶点的迭代创新，新机制靶点仍然存在不确定性。

但这也意味着，字节的首个AI分子尚未证明“解锁不可成药靶点”的颠覆性能力。

03 两条路线，一个瓶颈

Anthropic与字节的这两条路线，谁能走得更远？

这个问题可能没有标准答案，因为两条路的终点可能根本不在同一个地方。

从技术角度看，Anthropic在药物研发方面的路线更接近AGI的应用形态。通用大模型在开放-ended假设生成和跨领域知识迁移上，确实拥有专用模型难以企及的天花板。

但这里有一个必须审视的假设：假设生成不等于药物验证。

蛋白质新机制的假设被证实，与设计一个能安全进入人体、通过临床试验、击败现有标准疗法的分子之间，隔着至少三个数量级的复杂度。药物研发的核心瓶颈从来不是缺乏假设，而是假设的验证成本太高、周期太长。Anthropic的通用模型优势在“从0到1”的假设提出层面，但药物研发真正的绞肉机是“从1到100”的成药性优化。

而字节更为现实。药物研发不是靠会推理、会提出假设就够了。它需要具体的实验验证、动物模型、临床试验，这些东西极其“脏”、慢、细、贵，而且充满失败可能性。字节拆分融资，CRO服务、管线BD，每一步都有明确的付费方（药企）和里程碑（分子交付、临床前数据）。它走的是“用现在的钱，养现在的团队”的务实路线。

但“每一步都有付费方”可能只是理论上的商业模式。

2026年的AI制药BD市场，药企的付费门槛正在提高。晶泰控股能拿下大额订单，靠的是多年的湿实验数据积累和自动化实验室网络。Anew Labs如果只有IL-17一个临床前项目，能否签下具有实质意义的里程碑付款合同？这是一个巨大的问号。并且可能需要在没有付费方的情况下自费烧2-3年钱，才能到达第一个有意义的里程碑。这对独立融资后的Anew Labs是严峻考验。

更根本的是，业内有一个日渐清晰的共识：在公域数据对所有参与者均等可及、主流算法架构通过论文和开源代码快速扩散的情况下，真正决定AI平台性能上限的，是高质量、标准化且可持续迭代的私域数据。

公开数据虽构成行业共同起点，但其噪声、偏倚和阴性数据缺失等问题，制约了模型的泛化能力。相比之下，药企与CXO积累的SAR过程数据、ADMET实验数据、临床数据，以及AI原生公司通过自动化实验室产出的高通量标准化数据，对模型训练的价值高得多。

AI制药的核心竞争，正在从算法能力转向数据资产与闭环能力。

字节拥有火山引擎提供的算力底座，这是绝对长板，但算力不能替代湿实验产生的SAR/ADMET数据。AnewSampling团队自己也承认，高质量动态训练数据的稀缺仍是制约模型扩展的主要瓶颈。庞大的标准化实验数据需要大量时间投入和资本支出，且难以通过捷径复制。

Anthropic也在赌一个更大的局：湿实验本身也被AI自动化。那些原先不可被跳过的、在培养皿、离心机、显微镜和实验动物之间忙碌的过程，也可能被AI和自动化的实验机器人代替。4月收购Coefficient Bio，该交易约4亿美元，创始人团队曾在基因泰克Prescient Design任职，以及近期建设物理湿实验室的动作，都表明Anthropic正在快速补齐这块短板。

但这个愿景目前面临严峻现实：全球机器人实验室仅达L2-L3自主级别，器官芯片远未替代动物实验。Anthropic赌的是十年后的科研范式，但能不能撑到那一天，取决于Claude Code的ARR能不能持续输血。

一个更有可能的情况是：在未来，专用模型不会退守，通用模型也不会一统天下。而是二者分层协作，即通用模型负责提出假设，专用模型负责约束筛选，二者都能在自己的层次上活下来。

但前提是，它们都必须建立起干湿闭环的自我强化数据飞轮。没有这个飞轮，无论是字节的专用模型还是Anthropic的通用模型，都只是在公开数据上跳舞的算法空转。

04 估值超前，还是技术证伪？

另一个被有意无意忽略的问题是：如果AI制药的终局不是平台公司，而是“更高效的药明康德”，那它今天享受的几十倍PE估值，可能就是一个新泡沫。

需要知道，传统Big Pharma如辉瑞，PE常年在10-20倍区间。不是因为它们不挣钱，而是因为制药行业受到极其严格的监管，还面临着专利悬崖，更为重要的是药物研发里失败是常态，不确定性太大，每一项都是向下压缩估值的确定性力量，必须进行风险折现。

而AI制药公司目前享受的是科技股的“范式转换期权”，指望AI能绕过传统药物发现的“试错-失败”循环，批量生产"first-in-class"分子。

但即使AI能更快地发现分子，FDA的审批也不会因为你用了AI而缩短。分子还是要经过同样的临床流程、同样的监管审批、同样的失败概率。临床迭代更是以年为单位，失败一次就是数亿美元蒸发。

它拿着科技股的估值，承担的还是制药股的成本结构。

不过，这里需要对“泡沫”做一个更精细的区分：估值泡沫（当前市值透支了未来5-10年的临床兑现能力）与技术泡沫（AI根本不能显著提高药物研发成功率）是两个完全不同的概念。

市场往往把两者混为一谈。AI可以优化分子设计，可以加速早期筛选，这在技术层面已经部分被验证。但90%的临床候选药物注定失败的铁律，不知AI能否改写。如果数据不及预期，AI制药面临的将不是C端用户不付费的温和证伪，而是数十亿美元投资加股价归零的硬着陆。

此外，终局不应被简单压缩为“AI版的药明康德”。

在平台型CRO和传统Big Pharma之间，存在一个被忽略的中间态AI-native Pharma（AI原生药企）。如果字节或Anthropic能够通过AI平台持续产出差异化的first-in-class或best-in-class分子，并且通过BD合作或自建管线推进到临床后期，那它就不是CRO，而是拥有技术平台溢值的Biotech。药明康德不提供分子IP，只提供研发服务；而AI制药公司如果拥有管线资产和分子IP，估值逻辑完全不同。

当然，这个赌局能否兑现，取决于临床数据。

字节将AI制药业务线拆分与独立融资，本质上是一种风险隔离：成了，是独立上市的硬核科技期权；败了，不过是字节集团财报里一笔可控的减值。

05 真正的战役：组织耐心

回到字节。Anthropic的入局，对字节来说有几个值得警惕的信号。

首先是算法优势的窗口期正在急剧缩短。Jumper加入Anthropic意味着，全球最前沿的结构预测能力正在向一个拥有更强基础模型能力的组织集中。如果Anthropic把Claude的推理能力与Jumper的蛋白质结构预测经验结合，它可能会直接跳过“小分子生成”这个阶段，从更底层的“蛋白质-配体动态相互作用”切入。

其次，字节亲自下场做药的路径，可能面临更残酷的竞争。Anew Labs的IL-17抑制剂是迭代式创新，走的是成熟靶点的me-better路线。但如果Anthropic借助Jumper的能力，在全新靶点发现或不可成药靶点的结构解析上取得突破，字节“解锁不可成药靶点”的口号就会面临更直接的挑战。

最后也是最关键的：字节过去十年所有的成功，都建立在短周期反馈闭环上。互联网产品可以“小步快跑、快速迭代”，一个推荐算法A/B测试一周就能验证。但一个AI设计的分子，从虚拟筛选到临床前验证至少需要18-24个月；从IND到临床POC，又要3-5年。

字节切入AI制药，最大的赌注不是算法，不是算力，而是组织耐心。

它能否适应制药这种长周期、低反馈、高沉没成本的游戏？这是比AnewOmni的技术架构更值得追问的问题。拆分独立，某种程度上也是字节对自己组织基因的一种清醒认知，它知道在大厂温室里，AI制药团队可能等不到一个分子的临床数据回来，就被“OKR了”。

但独立只是第一步。真正的考验在于：离开大厂温室后，Anew Labs能否在没有字节集团输血的情况下，撑过2-3年无收入的湿实验积累期，并在此期间不被Anthropic/Isomorphic等玩家的技术突破降维打击？

Anthropic的路线高举高打，是不够接地气，在湿实验的脏活、累活里，每一步都需要巨额投入，它的耐心成色也需要经受考验。而字节必须在自建数据闭环和外部BD造血之间，找到一条比互联网业务慢十倍、但比传统Biotech快十倍的中间道路。

字节和Anthropic，一个从应用层向上攀爬，一个从基础模型向下渗透。它们吹起的未必是新一轮泡沫，而是新一轮必须被验证的赌注。

这场AI制药的全球竞赛，已经不只是商业层面的竞争，更是一场关于未来十年生命科学战略高地的博弈。算法是第一张门票，数据闭环是护城河，组织耐心是隐性筹码，而临床数据是唯一的裁判。

2026到2028年的III期临床数据，会给出比任何叙事都更诚实的答案。

但在此之前，赛道会先经历一轮由BD合同质量和临床前数据披露驱动的预洗牌。那些只有模型故事、没有湿实验数据飞轮的公司，会在2026年底前，就感受到资本寒冬。