斯坦福教授称AI大模型终局是生物技术 国内是否成立

斯坦福大学神经科学教授 Andrew Huberman 近期抛出重磅论断：OpenAI、Anthropic 等全球大模型巨头的终局，都会转型为生物技术公司。在 Huberman 的表述中，这一转型的核心方向涵盖神经科学与脑机接口，药物研发是当前最落地、商业空间最大、天花板最高的赛道。

而回到国内市场，字节跳动、百度、腾讯、阿里四大头部互联网厂商，早已利用旗下大模型优势低调布局生物医药赛道，从工具服务商逐步切入药物研发核心环节。

这一判断在大方向上具备逻辑支撑：因为大模型和生物技术的技术底层同构、大模型C端付费天花板有限、相对的医药市场空间足够大，可在时间预期和数据瓶颈上仍存争议。

不管OpenAI还是Anthropic，都会变成生物科技公司。这个论断是斯坦福大学神经科学教授 Andrew Huberman 在2026年10月的公开播客里提出来的。他在节目中直言：“Meta、OpenAI、Anthropic，最终都会变成生物科技公司。这才是人工智能军备竞赛的真正本质。”

同期，斯坦福生物医学数据科学教授 James Zou 团队的研究也给出了技术支撑 ——其搭建的多智能体虚拟实验室系统可自主完成从靶点发现、分子设计到试验设计的全研发流程，在纳米抗体设计任务中， AI 生成候选分子经实验验证具备有效结合活性。

大洋彼岸的论断并非空谈。国内四大头部大模型厂商，早已用真金白银铺好了自己要走的路。字节跳动把AI制药业务拆成了独立公司，百度六年前就开始孵化百图生科，腾讯投了几十家biotech之后自己动手做分子设计，阿里则选择卖算力。四家路径各异，但方向出奇一致：从模型走向分子。

2026年6月，字节跳动将内部运行了5年的AI制药业务整体拆分出去，核心团队、算法平台与已有管线资产一并注入新主体，品牌命名为 Anew Labs（中文名新生探途）。三个月后，该公司完成2.9亿美元首轮融资，投后估值约15亿美元，红杉中国、IDG资本、高瓴集体下注，字节跳动保留56%股份。

资料来源：Anew Labs

Anew Labs 继承了三层资产。底层模型方面，团队此前发布的分子结构预测模型 Protenix 已迭代至v2版本，同时还有面向药物研发决策的科学推理大模型 AnewMind。管线方面，其核心资产是一款全球首个全谱IL-17小分子抑制剂，在小分子层面实现对IL-17家族AA、AF、FF三个亚型的全面阻断。组织层面，Anew Labs 以上海杨浦为国内总部，在圣何塞与新加坡设办公室，同时组建了包括信达生物原总裁刘勇军在内的科学顾问委员会。

百图生科的起点更早。2020年8月，李彦宏以发起人身份，与前百度风投CEO刘维共同创立百图生科，并亲自出任董事长。一个鲜为人知的细节是，李彦宏上世纪90年代在美国求学时，曾获得默克的工作机会，最终因当时鲜有人相信计算机能对生命科学产生重大影响而放弃。三十年后，他以另一种方式回到了那个岔路口。

资料来源：百图生科

百图生科的技术支柱是生命科学基础大模型 xTrimo V4，参数规模达2680亿，试图通过AI解码基因组、蛋白质、细胞等生物系统的底层规律。其产品 BioMap OS 已在超过60个PoC项目中得到验证，服务全球超800家机构用户，赛诺菲等跨国药企亦与其达成合作。

与赛诺菲的合作首付款 1000 万美元，潜在总价值超 10 亿美元。据市场公开消息，百图生科已启动港股上市筹备工作，若顺利完成上市，将成为李彦宏旗下第三个上市主体。

腾讯的路径与字节、百度截然不同。它没有选择内部孵化再拆分，而是通过投资与行业头部玩家一一绑定。腾讯的投资组合几乎囊括了国内创新药赛道最有声量的名字，包括晶泰科技、英矽智能、礼邦医药、维立志博、新景智源，覆盖面从AI制药平台到自免、肿瘤、代谢、细胞治疗。

但腾讯并非只做财务投资人。2026年，腾讯亮出了一份由AI设计的GLP-1短肽专利申请，这意味着它已经从投资端延伸到了自研药物分子设计的核心环节。从投资到亲自参与，腾讯的AI制药布局正在完成质变。

资料来源：腾讯生命科学实验室

阿里走的是另一条路，也是最符合它自身基因的一条。阿里云的生命科学解决方案覆盖基因测序、蛋白模拟、药物筛选等场景，本质是做生物医药研发的算力基础设施服务商。其弹性高性能计算平台集成了AI药物筛选模型、常规虚拟筛选系统、具有并行处理能力的 AutoDock 和 Amber 等生物物理计算工具，以及用于对接优化的自由能计算模块，为药物发现阶段的靶点发现、化合物合成和临床前研究提供底层计算支撑。

不造药，不投药，只卖算力。这个选择看似保守，却卡住了整个产业链最上游的咽喉。

大模型的核心能力是从海量数据中学习复杂模式、在极高维空间中完成生成与预测，这与生物学的底层逻辑惊人地一致。蛋白质折叠本质上是一个高维空间中的结构预测问题；分子生成本质上是一个满足多重约束的组合优化问题；靶点发现本质上是多组学数据中的模式识别问题。

Anthropic 的 Claude 在蛋白质结构设计测试中单次命中率达到35.1%，而传统药物研发团队在没有AI辅助的情况下，针对单一靶点的活动命中率通常仅在10%到15%之间徘徊。这意味着，大模型公司不需要从零学习制药，它们已有的技术底座天然适配生物领域的问题结构。迁移的成本远低于重建的成本。

其次，大模型公司的C端商业天花板很明确，企业想要长足发展，必须找到第二增长曲线。

大模型在C端的生意，远没有想象中那么乐观。a16z 基于美国电子收据样本的数据显示，截至 2026 年 8 月，只有 4.5% 的消费者为 ChatGPT、Gemini 或 Claude 支付个人订阅费；但付费人群内部高度集中，前 1% 的用户贡献了约 19.5% 的消费级 AI 支出。更关键的是，订阅制虽然在早期帮助AI公司覆盖了模型成本，但也将普及天花板压得很低。

而医药赛道的天花板完全不同。全球处方药市场规模超过万亿美元，一款成功的创新药年销售额可达数十亿甚至上百亿美元。前几年 AI 还只是药物研发的辅助工具，仅用于文献调研、分子筛选等边缘环节，如今已经深度切入研发核心。从全球范围看，已有数十款 AI 设计的候选药物进入临床阶段；国内市场中，英矽智能的 AI 设计药物已在中国启动三期临床，字节、百图生科的管线也推进到临床前关键节点。

如今生物医药研发已经进入 “算力密集型” 阶段，单个靶点的候选分子筛选往往需要跑几十亿次模拟，算力规模直接决定研发效率与上限。大模型巨头拥有万卡、十万卡级的 AI 算力集群，训练通用大模型的算力储备平移到药物研发领域，相当于用工业级生产线对标手工作坊。

这个判断在方向上合理，但在时间尺度和实现路径上需要打上问号。

合理之处在于商业逻辑的必然性。C端付费率低、渗透率有限，而医药天花板足够高、商业价值足够大，大模型公司向生物技术领域延伸几乎是理性选择。更关键的是，国内创新药行业现在最大的问题恰恰是研发效率低。根据英矽智能披露的数据，其AI平台平均仅用12至18个月完成从立项到候选分子确定的全过程，研发周期缩短50%至70%，研发成本从数千万美元降至百万美元级，降幅达80%至90%。这是AI能直接解决的痛点。

不合理之处在于时间预期。截至2026年初，尚无一款由AI设计的全新药物成功获批上市。AI制药的临床失败案例已经出现——BenevolentAI 的 BEN-2293 在II期临床试验中未达疗效终点，Recursion 的 REC-994 在II期读出后也未能展示明确的药物疗效信号。AI可以加速早期发现，但临床阶段的成功率并未因此显著提升，约90%进入临床开发的候选药物仍然无法获得监管批准。

更深层的争议在于数据瓶颈。大模型公司擅长的是通用能力，但制药需要的是高度特异的、经过湿实验验证的生物数据。专家指出，Anthropic 计划将年度经常性收入的3%至4%投入AI药物发现，其中60%至65%用于模型训练和虚拟仿真，35%至40%用于生物科技人才和湿实验室资产。这意味着，即便在大模型公司内部，他们也清楚：算力可以买，高质量的专属生物数据必须自主积累。

即便存在上述争议，若大模型深度切入生物医药的趋势持续演进，国内医药产业仍将迎来结构性冲击，两类企业承压最为明确。

第一类是中小创新药企。当AI平台能够在12至18个月内完成从靶点到候选分子的全流程，而传统药企平均需要4至5年时，那些没有差异化靶点、没有临床阶段领先优势的中小药企，其管线价值将被系统性重估。它们面临的不是竞争，而是被跳过。

第二类是低端临床前CRO企业。过去的繁荣，很大程度上建立在信息不对称和繁琐的实验重复劳动之上。当头部AI公司具备了“边设计、边验证”的一体化闭环能力时，这部分轻资产、高附加值的智力工作将逐渐向掌握算力和模型的科技巨头转移。那些以化合物筛选、基础毒理测试为主业的中小CRO，在这轮洗牌中首当其冲。

芯流认为，“大模型巨头终局是生物技术公司”这个论断，在国内不会是“完全变身传统药企”的模式，而是会诞生 AI 原生生物技术公司这一全新产业形态。

传统头部药企有数据、有临床能力、有合规经验，这些恰恰是大模型公司最缺的。大模型公司有算力、有模型、有快速迭代的工程能力，这些又是传统药企短期内难以自建的。双方的关系更多是合作而非竞争：药企需要大模型的技术和算力来压缩研发周期，大模型公司需要药企的数据和临床能力来完成从“找到分子”到“做出药”的跨越。

那些拥有大规模湿实验数据、拥有临床阶段管线、拥有与科技巨头深度合作能力的公司，将在这一轮洗牌中活得更好。大模型公司的终点不是药企，而是药企最不可或缺的那个合作者。