路透9月18日信息，Anthropic已在旧金山湾区运营一间wet lab，而这间实验室并非专门用于药物发现，其作用是让Claude接触细胞、试剂和实验设备，并测试模型指挥机器人完成生物实验的能力
我关注Anthropic自建湿实验室这件事，因为它意味着大模型公司开始直接参与实验、获取反馈。模型提出方案以后，谁来验证、结果归谁、失败能否变成下一轮训练的数据，正在成为产业竞争的关键。
但这篇报道值得讨论的范围更大：AI到底加速了药物研发的哪一段？大模型公司、AI制药公司和药厂各自掌握什么？效率提升最终怎样转化为商业价值？
AI加速了早期发现，临床成功仍待验证
原文援引Citi的测算：找到一个临床前候选物，传统路径通常需要合成和测试约5000个分子，耗时4至6年；AI路径可能将其缩小到约330个分子、17个月左右。
这个变化很大，但边界必须说清楚：它覆盖的是早期发现。按照同一测算，完整研发周期有望从约13年缩短到8年，其中Ⅰ至Ⅲ期临床仍需5至7年。
我认为，理解AI制药最容易犯的错误，就是把不同阶段的“成功率”混在一起。原文提到，Anthropic的蛋白设计实验获得约26.8%的结合命中率。这说明生成的蛋白能够与靶点结合，距离证明药物安全、有效并最终上市，还有很长的路。
AI制药与Coding相似的地方，是搜索、验证、再迭代。但代码可以迅速运行测试，药物的验证对象是细胞、动物和人体，反馈需要数周、数月甚至数年。早期效率已经出现改善，临床成功率能否同步提高，仍然没有答案。
三类公司的起点，决定了各自的短板
传统AI制药公司从具体研发问题出发，围绕某个靶点、某类分子建立模型和工具，积累药物化学经验、实验能力与自有管线。它们的能力往往跟着项目生长。
大模型公司追求的则是通用科研工作台：由基础模型拆解任务、调用结构预测和分子设计工具，再连接实验设备与外部服务。模型既参与设计，也承担流程组织。
我更愿意把两者看成不同层次的能力。前者接近具体药物资产，后者接近研发基础设施。大模型公司需要补上实验、药物化学和临床转化经验；垂直公司则面临模型能力和资金投入的压力。
药厂拥有临床前、临床和生产数据，也掌握推动药物进入临床和上市的经验。但数据多，不等于数据已经可用于训练。按管线分散的软件、实验流程和记录方式，使历史数据的清洗、标注与统一成为实际障碍。
这场竞争的难点，是把模型、实验和临床经验组织成可持续运转的体系。
湿实验室的价值，在于持续生产反馈
据原文转述的路透信息，Anthropic在旧金山湾区运营的湿实验室，用于让Claude接触细胞、试剂和设备，并测试模型指挥机器人完成实验的能力，并非专门用于药物发现。
我认为，自建实验室最关键的价值，是掌握实验设计、设备编排、数据记录和结果回流。这些环节决定模型能否从现实中持续学习。
失败记录尤其重要。分子没能合成、细胞没有出现预期反应、实验条件发生变化，都可能影响下一轮判断。公开论文很少完整呈现这些过程，而软件供应商也未必能拿到客户内部的实验结果。
因此，真正值得争夺的是能够反复产生高质量数据的实验体系。一次结果提供一个样本，一套稳定的验证体系则能持续告诉模型：什么有效，什么无效，以及在什么条件下成立。
这也解释了为什么自建实验室与外包可以同时发生。企业掌握关键实验和数据标准，大规模合成、动物实验及临床研究继续依靠CRO、CDMO和药企。原文提到，Anthropic的蛋白设计研究就使用了Adaptyv Bio和Twist Bioscience的外部验证服务。
预算结构会变，实验需求未必减少
原文援引的专家访谈称，大模型公司的相关投入更偏向模型训练与虚拟仿真，传统制药研发则有更高比例流向湿实验。具体比例属于访谈口径，我更关注它背后的成本结构变化。
当模型生成方案越来越快，实验验证可能成为新的瓶颈。即使湿实验占总预算的比例下降，需要验证的候选方案增加，也可能推动实验支出的绝对额增长。
所以，AI进入制药未必压缩实验服务市场，反而可能扩大对自动化实验、标准化记录和高质量验证的需求。字节的新生实验室独立融资、晶泰科技将模型与机器人实验结合，都可以放在这个产业变化中观察。
平台价值最终要接受药物结果检验
AI制药的商业化路径，包括软件、研发服务，以及平台加自研管线。它们承担的风险和兑现价值的方式不同。
软件和服务依靠客户付费；自研管线则有机会通过授权首付款、研发里程碑和销售分成获得回报，同时承担更长周期与更高失败风险。原文中专家对管线模式的偏好，是一种商业判断，还不能当成已经验证的行业结论。
参与者也没有选择同一条路。按原文转述，Anthropic目前没有开展临床试验，并表示不会与负责药物上市的药企和Biotech直接竞争，近期重点仍是临床前研究和研发基础设施。字节的新生实验室则同时保留平台与在研管线。
对平台公司的经营表现，我会看客户、实验通量和合作收入；对药物资产的价值，我会看IND申报、临床进展和真实临床数据。原文所述英矽智能Rentosertib的Ⅲ期进展，就是后者需要面对的检验。
我的判断是，模型进入实验室，已经让候选物的产生和筛选发生变化。接下来更难的一步，是证明这些更快产生的候选物，能够带来更好的临床结果。实验数据决定模型如何进步，临床数据决定药物价值能否兑现。