Chai Discovery

117个AI设计的药物进了临床，0个获批上市。 这两个数字放在一起，挺魔幻的。一边是AI制药公司一轮又一轮拿融资，最高一笔21亿美元；另一边是做了这么多年，连一款真正意义上的"AI药"都还没批出来。 到底是技术泡沫吹破前的最后狂欢，还是黎明前最深的黑暗？我翻了几十篇论文和临床数据，把这件事理清楚了。 一、AI能力的五个台阶：我们走到哪了 奥特曼提过一套AGI五级分类框架，把AI的能力分成五个台阶，从低到高依次是： 第一级对话机器人——会聊天但不能做事，GPT早期就是这个阶段。 第二级推理者——具备博士级逻辑推理能力，现在前沿模型正在跨这个门槛。 第三级智能体——能自己拆任务、用工具、跑多步操作，这是当下最热的方向。 第四级创新者——能做出真正的科学发现，新药、新材料、新物理规律。 第五级组织者——能运营一整个组织，这个还很远。 我自己判断，现在处于L2到L3的落地期，而L4正在破土。 AI制药，就是L4最早冒出来的那根芽。 AI五级演化阶梯图 二、AI怎么做药：一把锁和三把钥匙 AI制药的原理，说穿了就是"锁和钥匙"。 人体里的蛋白质就像一把锁。生病了，说明锁出了问题，需要一个分子当"钥匙"插进去，矫正它的功能。 传统做药怎么干？在大自然的分子库里碰运气，几百万个分子一个个筛，筛到天荒地老。 AI干了三件事，把效率直接拉了一个数量级。 第一件，画锁。 以前科学家要花几年用冷冻电镜解析蛋白质结构，现在DeepMind的AlphaFold能在几小时内预测出来，精确度接近实验水平。等于AI直接给你画了一张锁的精确图纸。 第二件，配钥匙。 生成式AI不再从已有分子库里找，而是盯着锁孔形状直接设计一个全新分子。英矽智能那个进入III期的药，从立项到候选化合物只用了18个月，合成测试的分子不到80个。 我看到这个数字的时候第一反应是不信，后来查了原始论文才确认。传统方式做同样的事，通常要筛成千上万个分子，花四到六年。 第三件，试钥匙。 AI在计算机里模拟分子和蛋白质的结合过程，提前预测这把钥匙插不插得进去，把大概率失败的候选物提前淘汰。 这跟我做车载软件标定那时候的逻辑一模一样。以前ECU参数调校全靠台架试错，后来有了仿真模型，先在电脑上跑一遍，大幅减少实车测试次数。AI制药也是这个路子—— 把试错从物理世界搬到数字世界。 AI制药锁钥示意图 三、全球玩家：三种打法，一条赛道 AI制药现在有三类玩家，打法完全不同，命运也开始分化。 第一类，平台型——卖铲子的。 代表是谷歌旗下的Isomorphic Labs和Chai Discovery。Isomorphic Labs基于AlphaFold，拿了21亿美元融资，跟礼来、诺华签了最高30亿美元的合作协议——但到现在，一个自己的临床候选药物都没披露。 Chai Discovery走得更纯粹，不自己做药，只给药企卖AI模型，投资方里有OpenAI和Anthropic。这类公司的算盘很清楚：临床风险太大，我不碰，我只卖工具收服务费。 第二类，自研管线型——又卖铲子又挖矿的。 代表是英矽智能和Recursion。它们既做平台又自己推进临床试验，成败自己扛。英矽智能的Rentosertib是全球首个AI发现并进入III期临床的药物，治疗特发性肺纤维化。 Recursion去年花了近7亿美元收购Exscientia，它的REC-4881在II期临床中让息肉减少了43%到53%，数据相当亮眼。 第三类，抗体设计型——我觉得最值得关注的一类。 代表是Absci。它用生成式AI设计抗体药物，第一个AI设计药物从概念到进入临床只花了约两年、1500万美元——传统方式要四到六年、超过5000万。 为什么说这类值得关注？因为抗体药是当前新药研发最大的赛道，而AI在抗体设计上的效率优势，比小分子药还要明显。 产业信号很清晰：赛道在加速，但资源在往不同方向集中。 AI制药全球玩家对比图 四、死亡之谷：117个候选药，0个获批 热闹归热闹，冷水也得泼。 截至今天，全球没有一款完全由AI研发的创新药获批上市。 一个都没有。 I期临床成功率80%到90%，看着不错。但到了II期，成功率直接掉到约40%，跟传统药物几乎没区别。 说白了，AI在"找到分子"这一步优势巨大，但到了"证明分子真能治病"这一步，传统药企几十年没解决的问题，AI暂时也没突破。 我列几个失败案例，你感受一下： DSP-1181，第一个进入临床的AI设计药物，2022年放弃了。 BEN-2293，2023年没达到疗效终点。 SGR-2921最严重，2025年因为受试者死亡直接被叫停。 这就是AI制药的"死亡之谷"。分子设计快了，但临床试验的物理时间压缩不了。你得等病人吃药、等数据出来、等监管审批。 AI加速了上半场，下半场还得靠时间和运气。 五、三个判断：不只是制药 回到最开始的问题：AI for Science会不会成为下一个大趋势？ 我的判断是会，而且可能比大多数人想的要快。理由有三个。 第一，方法论可以迁移。 AI做科学不只是做药。同样的逻辑——预测结构、生成候选、模拟验证——正在被搬到新材料、催化剂设计甚至核聚变等离子体控制上。制药只是第一个跑通的领域，但方法是通用的。 第二，AI开始创造新知识了。 以前AI的价值是把已有知识检索给你看，现在它开始发现人类没发现过的东西——新的药物靶点、新的分子结构、新的材料配方。这是从"知识工具"到"知识来源"的本质转变。 第三，经济杠杆足够大。 做软件开发这些年我深刻体会到，技术价值最终要落到省了多少时间和钱。AI把药物发现阶段从四到六年压缩到一到两年，单项目成本从5000万级别降到1500万级别。 这种量级的效率提升，在任何行业都会引发结构性变化。 我之前也以为AI制药就差临门一脚了，但仔细看了临床数据才发现，离第一款AI药物真正上市，可能还有三到五年。死亡之谷不是靠算法跨过去的，得靠一个又一个实打实的临床数据堆出来。 但方向是确定的。 就像第一辆汽车跑得还没马快，但你知道马的时代结束了。 — — — 你觉得AI做出来的药，你会放心吃吗？换个角度——如果AI设计的药物最终获批了，你觉得最先突破的会是哪个领域？评论区聊聊。 本文为产业技术科普，不构成投资建议。所有技术数据来源于公开研报和行业白皮书。

过去24小时，全球AI医药研发领域密集释放重磅信号：从硅谷新贵与制药巨头的强强联手，到中国AI制药公司实现历史性盈利，再到AI设计的脑癌疫苗横空出世——行业正从"概念验证"全面转向"临床兑现"。以下是今日最值得关注的7条核心动态。一、礼来战略联手Chai Discovery：前OpenAI团队用AI重新定义抗体开发 据AI D.A.M.N报道，AI药物发现初创公司Chai Discovery正式宣布与制药巨头礼来达成战略合作，后者将部署Chai的旗舰算法Chai-2平台用于抗体药物开发。Chai Discovery由前OpenAI核心团队成员Josh Meier于2024年创立，公司成立之初便获得Sam Altman的支持，在OpenAI办公室内起步。短短12个月内，Chai已完成1.3亿美元B轮融资，估值达到13亿美元，晋升独角兽行列。该公司的核心理念是为分子生物学打造"计算机辅助设计软件"，将传统依赖试错筛选的药物发现转变为从第一性原理出发的精准分子工程。行业观察人士认为，这一合作有望将AI设计分子的临床推进时间缩短数年。二、英矽智能Rentosertib启动III期：全球首款端到端AI药物迎来终极考验 据北京商报深度报道，英矽智能自主研发的Rentosertib（ISM001-055）已于2026年7月正式启动III期临床试验，成为全球首款由AI发现全新靶点、AI设计全新分子并推进至上市前最后验证阶段的候选药物。这款治疗特发性肺纤维化（IPF）的小分子药物从立项到提名临床前候选化合物仅用了不到18个月，合成和测试的分子不足80个，而传统制药流程通常需要4至6年。与此同时，英矽智能发布业绩预告：2026年上半年收入约1.03亿美元，同比增长约273%至287%，净利润3350万至3950万美元，实现历史性扭亏为盈。公司联合CEO任峰明确表示，2026年是AI制药的分水岭——"上半场比算法和平台，下半场比临床结果"。放眼全行业，全球AI驱动的新药临床管线已增至179个，其中9个进入III期，多家企业管线同步闯入关键阶段。三、Evaxion发布AI设计脑癌疫苗EVX-05：联手杜克大学攻克最致命肿瘤 据GlobeNewswire报道，丹麦临床阶段TechBio公司Evaxion宣布扩展研发管线，推出全新脑癌疫苗项目EVX-05。这是一款"现成型"（off-the-shelf）治疗性胶质母细胞瘤疫苗，由Evaxion的AI-Immunology平台从患者肿瘤样本中识别出内源性逆转录病毒（ERV）衍生的保守抗原而设计。胶质母细胞瘤是最具侵袭性的恶性脑肿瘤，美国发病率约3.19/10万，50%的患者在确诊后约一年内死亡，现有治疗手段极为有限。Evaxion正与杜克大学医学院Mustafa Khasraw教授团队合作推进EVX-05的I期临床试验。该疫苗项目沿用了与EVX-04急性髓系白血病疫苗相同的ERV靶向概念，验证了这一AI驱动的抗原发现策略在多种癌症中的广泛适用性。四、Recursion更新管线与罗氏合作：50PB数据+40%息肉消退率 据MarketBeat报道，Recursion Pharmaceuticals（NASDAQ: RXRX）在BofA全球研究虚拟会议上披露了多项关键进展。公司与罗氏的合作已从最初的神经科学生物图谱构建推进到实际靶点选择阶段——罗氏先后支付1.5亿美元初始费用和两笔3000万美元选择费，选定了首个全新的神经科学靶点用于药物设计，该靶点为此前未被发表的原创发现。在自有管线方面，核心候选药物REC-4881（治疗家族性腺瘤性息肉病）在三个月内实现息肉负担减少超过40%，公司正与FDA讨论关键性试验设计。Recursion已积累超过50PB的多模态生物学数据，其模型在Nature Biotechnology论文中展示了优于100倍数据量训练模型的性能。公司季度末持有5.56亿美元现金，预计可支撑运营至2028年初。此外，与赛诺菲的5个合作项目均已达到首个发现里程碑，每个项目潜在里程碑高达3.43亿美元。五、Aizen Therapeutics获口服多肽AI设计合作：每靶点1亿美元里程碑 据BioPharma BoardRoom报道，AI原生生物技术公司Aizen Therapeutics宣布与一家圣迭戈上市生物技术公司达成多靶点合作，利用其DaX基础模型设计口服多肽药物。该协议为Aizen带来数百万美元前期收入，每个提名靶点最高可获得1亿美元里程碑付款。Aizen从加州理工学院孵化而出，其DaX平台已在数百万独特标注分子和受体上进行训练，能够以传统方法10倍的规模探索非规范氨基酸多肽化学空间。口服生物制剂被认为是药物开发的"新前沿"——相比注射剂，口服多肽在患者依从性和给药便利性上有显著优势，但技术挑战巨大，这正是AI计算设计发挥价值的关键领域。六、清华PathPrism登Cancer Cell封面：可解释病理AI发现空间生物标志物 据澎湃新闻报道，清华大学孔令杰、梁君浩团队在顶级期刊Cancer Cell发表封面论文，提出名为PathPrism的可解释病理AI框架。该框架从介观尺度的全切片肿瘤图像分割图中提取可解释的空间生物标志物谱，以全新的空间尺度和分析视角识别与预后、分子特征及治疗反应相关的生物标志物。封面设计本身就是一件由代码生成的原创艺术作品——将肿瘤图像的介观分割图排列成受蒙德里安启发的马赛克构图，体现了PathPrism"从碎片中发现秩序"的核心理念。在AI病理诊断日益追求"黑箱高精度"的趋势下，PathPrism代表了一条强调可解释性的重要技术路线，对临床转化和监管审批具有深远意义。七、Azra AI与4DMedical战略合作：AI肺部健康从发现到管理闭环 据PR Newswire报道，医疗AI平台公司Azra AI与澳大利亚上市公司4DMedical（ASX: 4DX）达成战略OEM及分销合作。Azra AI的实时患者识别平台利用AI持续审阅放射科报告，在人工审阅之前即可识别出肺结节及其他偶然发现的患者并自动路由至对应诊疗团队。4DMedical则贡献其FDA批准的CT:VQ功能肺成像技术，从常规非增强CT扫描中提取通气和灌注定量数据。双方整合后的方案覆盖COPD/肺气肿、间质性肺病、肺结节、呼吸困难、冠状动脉钙化、肺栓塞等完整肺部健康路径，将肺部疾病管理从分散的点状解决方案升级为协调的服务线。趋势观察 信号一：AI制药正从"技术竞赛"切换到"临床兑现"模式。英矽智能Rentosertib进入III期、Recursion的REC-4881与FDA讨论关键性试验、Evaxion的脑癌疫苗推进I期——2026年正在成为AI药物的"交卷年"，资本市场对纯平台公司的耐心正被临床数据重新定价。 信号二：MNC加速"买入"AI能力而非自建。礼来选择与Chai合作而非内部搭建、罗氏持续加码Recursion合作、赛诺菲5个项目同步推进——大型药企正以合作和收购方式快速补位AI短板，留给独立AI公司证明自身价值的时间窗口在缩短。 信号三：AI正在打开"不可成药"靶点的大门。从英矽智能撬动KRAS靶点，到Evaxion用AI发现ERV保守抗原，再到Aizen用基础模型设计口服多肽——AI最大的价值或许不是让已知靶点更快，而是让曾经被认为不可能的靶点变成现实。 重点关注方向：英矽智能Rentosertib III期数据读出节点、Recursion REC-4881 FDA关键性试验设计更新、Chai Discovery与礼来合作的首批分子产出时间表。

Engineering molecules with artificial intelligence 引言 生命科学的演进，是一部经验和智能不断升维、深度介入的驱动史。从实验技术采集海量数据，到生物信息学进行清洗整理，再到系统生物学编织机理网络，如今，现代 AI 正开始深度学习这些机制，构建起日益完整的生命模型。 随着以 Chai Discovery 为代表的前沿 AI 制药企业崛起，生物学看起来将会逐渐成为计算机科学的一个重要分支。然而，当硅基算法能在 24 小时内完成过去数年试错的分子设计时，新药研发的瓶颈便迅速转移到了下一个核心环节-如何在贴近人体真实生理的环境中，高效、高保真地对这些 AI 生成的分子进行筛选与验证？ 在这场从“硅基生成”到“碳基验证”的接力赛中，诱导多能干细胞（iPSC）衍生的类器官，正扮演着不可替代的“人体仿真过滤器”角色。一、硅基狂飙：AI带来的“零样本”分子设计革命 传统新药研发中，“双十定律”（耗时 10 年、耗资 10 亿美元）是困扰行业的梦魇。而 AI 大模型的引入，正以指数级速度打破这一僵局。  在这场范式转变的最前沿，AI 制药独角兽 Chai Discovery 备受瞩目。这家成立于 2024 年 3 月的公司，致力于打造用于生物化学分子预测与从头设计的 AI 基础大模型，试图将生命科学从“依赖实验室试错的经验科学”，转变为通过“强悍的通用 AI 架构 + 极速迭代的计算能力 + 与大药企的闭环合作”，打造出可跨管线复用的“生物学计算机辅助设计套件”。 1. 生命的“自然语言” Chai Discovery 的联合创始人 Josh Meyer 曾是 OpenAI 的核心员工。在探索大语言模型边界的过程中，Meyer 敏锐地意识到：既然大语言模型能理解人类的自然语言，那么生命演化的基石-DNA 与蛋白质序列，本质上也是一种包含深层逻辑的“自然语言”。  这一认知促使他投身 AI 制药，核心逻辑便是将顶尖的生成式大模型架构引入生物大分子与小分子设计，让计算机像撰写代码一样，从头“写”出能精准靶向疾病的全新分子。 2. 从 0.1% 到 30%：Chai-3 与“零样本”药物筛选 AI 在微观分子设计上的进化速度超乎所有人想象。仅仅一年前，依靠计算机直接设计抗体并在实验室成功结合的概率还只有 0.1%；而 Chai 推出的最新 Chai-3 模型，不仅将实验室测试成功率大幅拉升至接近 30%，更实现了分子质量的质变：  无需二次优化：过去 AI 生成的候选分子常需大量人工修饰，而 Chai-3 生成的分子已具备优良的结合属性，甚至无需人工修改即可进入后续实验。Meyer 将此称为“零样本（Zero-shot）”药物筛选。 “原子级显微镜”： 在微观结构预测上，与几年前 AlphaFold 预测抗体-抗原复合物约 3% 的准确率相比，Chai 的模型提升了一个数量级。在冷冻电子显微镜下，AI 预测的分子结构与真实物理结构的误差已小于一个原子的直径。 3. 巨头背书：礼来、辉瑞与主流药厂的极限压力测试 这种颠覆性的分子生成能力迅速吸引了全球药企巨头。医药巨头礼来（Eli Lilly）在内部对 Chai 的模型进行了极限压力测试，将其应用于大量真实难治性疾病管线。礼来反馈的真实数据（什么有效、什么无效），极大帮助了 Chai 确立未来的模型研发路线图。 与此同时，辉瑞、诺华等顶级药企也纷纷加速合作，将传统耗时数年的靶点分子发现与优化阶段，直接压缩至数周甚至 24 小时的计算过程。 4. 商业模式：追求“上限”而非单纯“降本” Chai 的商业模式清晰且与 OpenAI 等顶级实验室如出一辙：技术越好->客户创造价值越大->赚取资金购买算力->训练出更强的下一代模型。 在制药这个极其庞大且愿意为“成功率和速度”买单的行业里，比竞争对手快一年上市，就能转化为数十亿美元的专利期商业价值。因此，在这一领域，业界看重的并非单纯的“降本（省下多少试剂盒的钱）”，而是 AI 的“上限（能做出多好的药、能否攻克不可药化靶点）”。  5. 硅基狂飙后的新瓶颈：为何需要 iPSC 类器官？ 当 24 小时的硅基计算可以取代过去数年的试错，在分子层面，AI 模型甚至不再关心它要治疗的是癌症还是免疫疾病-只要给出明确靶点，模型就可以并行开发无数个项目。  然而，当硅基算法在短时间内极速输出成百上千个“零样本”高质量候选分子时，新药研发链条的瓶颈被推向了下一个核心节点：我们如何在贴近人体真实生理环境的体外模型中，高效、高保真地对这些 AI 生成分子进行筛选与验证？ 传统的 2D 细胞实验无法模拟人体真实器官和肿瘤的 3D 致密屏障；而动物实验不仅周期长、成本高，更面临巨大的种属差异。正是为了对接 AI 极速生成的分子，iPSC 衍生的类器官作为一种“人体仿真过滤器”，正式登上了 AI 时代药物发现的主舞台。二、iPSC类器官：AI时代筛选链路中的“人体仿真过滤器” iPSC（诱导多能干细胞）衍生类器官，是通过人工诱导分化出的三维微型人体组织（如微型肿瘤、肝脏、肠道、脑类器官等）。由于 iPSC 具备无限扩增与多向分化的能力，其诱导生成的 3D 类器官相比于患者来源的 PDO（肿瘤类器官）具有更高的标准化程度和批次一致性。  在 AI 驱动的现代药物筛选链路中，iPSC 类器官有着清晰而精准的定位：  定位：iPSC 类器官不用于几十万分子的大规模早期初筛（因通量和成本限制），而是插入在 2D 单层细胞筛选之后、动物实验之前的中期“淘汰赛”阶段。  形象类比： 2D 细胞筛选就像在露天靶场打平铺的纸靶，子弹（抗体/ADC）没有任何遮挡，子弹（抗体/ADC）只要飞过去，就能轻松打中每一个靶心，极易造成“人人都是神枪手”的药效爆表假象；而 iPSC 类器官则是直接搭建了一座碉堡暗哨重重的 3D 肿瘤立体城堡。像 ADC 这类特种武器，光撞到外墙没用，必须像“木马”一样穿过致密组织、渗入深处并被细胞吃进肚子里从内部爆破。在类器官堡垒里轰一遍，才能提前把“纸上谈兵”的候选分子淘汰掉。三、实战案例：抗体、双抗与ADC早期筛选中的“降维打击” 对于结构复杂的大分子药物（如抗体、双特异性抗体、ADC 药物），传统的 2D 细胞平皿培养由于缺乏立体空间屏障，极易高估药效。在 2D 细胞复筛完成后、进入昂贵动物实验之前，iPSC 类器官展现出了不可替代的“中期淘汰”价值。 当然，我们也需要直面 iPSC 类器官在工业化应用中的关键短板：通量相对较低、生产培养成本较高，因此无法用于早期几十万个分子级别的大规模初筛。 以下是药物筛选中四类核心模型的综合对比与短板分析： 模型 放在筛选哪一步 能干啥 短板 靶点蛋白板子 最早初筛  快速筛能不能结合靶点  完全没有细胞环境，大量假阳性  2D 单层肿瘤细胞 复筛阶段  通量高，快速看细胞层面结合、杀伤  平面培养，没有肿瘤三维屏障，高估药效  iPSC 类器官 2D 之后、动物之前 3D 立体，评估渗透、内吞、组织层面药效、早期脱靶毒性 通量低、成本高，不能几十万分子大规模筛 动物体内实验 PCC 临床前阶段  体内真实药效、PK、完整毒性  周期长、价格极贵，样本量有限  正是因为 iPSC 类器官具备 3D 立体组织屏障，对于结构复杂的大分子药物（如抗体、双特异性抗体、ADC 药物），它能完成 2D 单层细胞完全无法模拟的复杂场景评估： 1.抗体偶联药物（ADC）：评估组织穿透深度与内吞效率 ADC 药物必须先深入致密的肿瘤组织内部，被细胞内吞后才能释放毒素（Payload）杀伤肿瘤。  iPSC 肿瘤类器官是 3D 小球团，可利用荧光染色直观检测 ADC 是仅停留在球体表面，还是能渗透至肿瘤球心深处。  评估 ADC 是否被有效内吞，以及能否杀死球芯细胞，避免出现“表面细胞死亡而核心肿瘤活得很好”的假阳性候选。 2.双特异性抗体：重现免疫细胞招募与空间交互 双抗往往需要同时结合肿瘤靶点与免疫细胞。  ·免疫共培养模型：将 iPSC 肿瘤类器官与免疫 T 细胞共培养，模拟肿瘤微环境。  ·空间招募评估：直观观察双抗能否在 3D 致密结构中将 T 细胞精准招募至肿瘤团块内部并激活杀伤，这是 2D 平面细胞完全无法复现的场景。  3.脱靶毒性预判与特殊屏障模型 ·器官毒性早筛：利用 iPSC 诱导的正常人体器官类器官（如肝、肠道类器官），测试抗体或 ADC 强毒性 Payload 对正常组织的损伤，提前剔除毒性暴雷分子。  ·血脑屏障类器官：对于脑靶向抗体，可利用 iPSC 诱导血脑屏障类器官，测试抗体的跨屏障穿透能力。  硬性指标要求：用于筛选的 iPSC 类器官必须保证靶点表达贴近真实人体肿瘤、形态与三维结构稳定（批次变异小）、功能完整，并且需要“肿瘤类器官（评估药效）+ 同源正常类器官（评估毒性）”对照使用。四、RSI递归自我迭代飞轮：硅碳闭环与生命科学的终极加速 在全局视野下，AI 分子生成与 iPSC 类器官高保真验证的结合，完美契合了AI 驱动的科研加速循环： AI 工程实践创新 (Chai-3, 24小时计算，原子级精度生成"零样本"候选大分子)-> iPSC 类器官 3D 功能复筛 (碳基验证,模拟3D屏障渗透、ADC内吞、双抗招募、正常器官脱靶毒性) -> 转化为理论与形式化推理 (提炼生物学空间规律，构建形式化表述，反哺AI生命大模型) -> 驱动下一代模型迭代飞轮持续加速 这一硅碳闭环构成了 AI 递归自我迭代飞轮的核心：  1. AI 算法在 24 小时内计算出具备“原子级精度”的零样本分子；  2. iPSC 类器官在几周内提供贴近真实人体的高维度生物学真值反馈；  3. 高质真值数据重新喂给 AI 模型，推动算法提炼出深层的生物学理论与形式化规律； 4. 下一代更强的 AI 大模型被训练出来，进一步提升分子设计的成功率与速度。  结合当前全球监管体系对类器官等新方法学（NAMs）的政策破冰（如 FDA Modernization Act 及各项指导草案逐步减少对动物实验的依赖），这种“计算+高仿真人源验证”的范式正加速取代传统的盲目试错。  正如数学家陶哲轩等学者所洞察到的那样，当 AI 开始解决形式化问题并从工程实践中自我提炼理论时，科研加速的飞轮一旦启动，其演进速度将超越人类传统的认知节奏。当 24 小时的硅基计算加上数周的类器官碳基验证可以替代过去数年的试错时，人类距离攻克那些曾被认为无药可救的绝症，也许真的只差几次模型的迭代和反馈闭环。五、结语-硅碳交融，新药研发的终极加速 当时代的齿轮转到今天，生命科学正经历着有史以来最深刻的范式转移。一方面，以 Chai Discovery 为代表的生成式 AI 算法正在将分子设计推向“24小时算力输出”与“零样本成功率”的极致；另一方面，iPSC 衍生类器官则在培养皿里搭建起能够高保真还原人体生理机制的“微型沙盘”，弥合了计算机代码与真实生命体之间的鸿沟。 算法赋予了人类在前所未有的微观尺度上“从头设计生命分子”的能力，而 iPSC 类器官则以高维度、高保真的人源真值数据，为 AI 生命大模型的递归自我迭代提供了源源不断的燃料。结合全球监管机构对非动物替代方法（NAMs）的逐步破冰，这场由 AI 与 iPSC 类器官共同构筑的“硅碳闭环”，正将漫长盲目的经验试错重塑为精密可控的工程科学。 尽管生命系统的复杂性依然巨大，但这套新范式正让科研人员拥有更清晰的微观洞察力。人类攻克复杂绝症的道路或许依然漫长，但在“算力+人源高仿真验证”的飞轮运转下，新药发现正从充满未知的摸黑前行，走向更加确定、高效的未来。 亲爱的读者们，这是随笔君的第38篇原创。感谢大家一直以来对我的支持与陪伴，你们的每一次阅读、点赞和分享，都是我坚持在这片科学新边疆深耕创作的全部动力！ 参考资料与文献  1.Deininger, L., Caldarelli, P., Zernicka-Goetz, M., & Mikut, R. (2026). From pixels to patterns: the AI revolution in stem cell-derived models. Nature Methods, 23(8), 1120–1132.  2.Chai Discovery. (2024). Chai-1: Technical Report on Foundation Models for Molecular Biology. Chai Discovery Technical Report.  3.Clevers, H. (2026). Organoids in Precision Oncology and Drug Screening: From Bench to Bedside. Nature Reviews Drug Discovery, 25(3), 180–196.  4.U.S. Food and Drug Administration (FDA). (2026). General Considerations for the Use of New Approach Methodologies (NAMs) in Drug Development: Guidance for Industry. FDA Draft Guidance.  5.U.S. Food and Drug Administration (FDA). (2026). Oncology Pharmaceuticals: Streamlined Nonclinical Safety Studies for Biologics and Conjugated Products. FDA Guidance Document.  免责声明 1.本文用于旨在科普相关知识，传递行业前沿，不作为医疗指导建议。 2.若文中涉及相关公司介绍和产品介绍，不具有商业推广或者服务目的。 3.本文部分内容来源于网络和其他文献并已于参考资料链接中披露。本文版权归作者所有，如需转载请注明来源于【生科随笔】。