谷歌和Meta，开始押注“下一颗药” AI制药有一个绕不过去的问题：模型给出的答案，实验室里到底能不能成立。 谷歌和Meta这次参与的项目，就是要补上这块短板。 10月7日，Biohub宣布扩大“虚拟生物学”计划，联合美国能源部、美国国立卫生研究院，以及Google DeepMind、Meta、Isomorphic Labs，建设用于训练AI的生物数据资源。 项目合计涉及约18亿美元投入，其中三家企业共同承诺3亿美元。18亿美元包含此前投入和既有科研数据资源，并非当天新增的现金。 美股投资网认为，这件事最值得关注的，是AI制药公司的竞争门槛正在变得更具体：谁能证明自己的模型减少了无效实验，谁才有机会获得药企持续付费。 你可以这样理解这个项目。 研究人员希望记录细胞在不同干预下的反应，再训练模型，让科学家先在电脑里预测实验结果，帮助选择更值得进入实验室验证的方向。这也是美国能源部公告明确提出的目标。 假如模型能提前排除一部分失败方向，药企就有机会节省实验时间和成本，把资源集中在更有希望的候选药物上。 但这里要分清两笔账：更快找到候选药物，与最终研发出安全有效、能够上市的药，之间还有很长的距离。实验预测做得更好，并不能替代后续验证。 这决定了我们该怎么看相关美股。 对 $GOOGL，我把这次合作看作长期研发投入。DeepMind参与建设数据资源，有机会提高生物模型的预测能力；如果这种能力后来能帮助药企提高研发效率，才可能形成新的商业收入。 现在就把它计入谷歌未来几个季度的利润，太早。更有价值的验证是：模型预测能否被实验重复证实，药企是否愿意扩大合作并持续付费。 对 $META，我的判断更谨慎。 Meta参与投入，与扎克伯格和陈慧娴支持的非营利机构Biohub，是不同主体。参与一个生物研究项目，也不能直接推导出Meta即将获得药品收入。 它可以拓宽Meta的AI研究能力，但就这条消息而言，我不会上调Meta的短期盈利预期。 真正可能受到更大影响的，是那些靠“我们有独家生物数据”获得高估值的AI制药公司。 这次合作的目标，是建设开放的生物数据基础。数据如果逐步向研究者开放，更多团队就有机会训练和检验模型。 这会提高整个行业的研究起点，也可能削弱部分公司的数据稀缺优势。投资者需要重新追问：它的数据有多少真正独特？模型比同行准确多少？这种优势有没有转化成实验结果和商业合同？ 所以，我更看好能不断完成“预测—实验—修正”的公司。 它们每做一次真实实验，就能检验模型哪里对、哪里错，再用结果改进下一轮预测。即使大家都能使用公共数据，实验能力、专有数据和研发执行仍然可能拉开差距。 这也是为什么我不会因为18亿美元这个数字，就追着整个AI医疗板块买。 这笔投入提高了AI制药取得进展的可能性，却没有替任何一家上市公司证明盈利能力。 接下来，真正值得给更高估值的，是能拿出证据的公司：同样的研发预算，找到了更多有效候选药物；同样的实验次数，获得了更高成功率；已有合作方愿意继续掏钱。 AI制药的故事，正在进入需要实验结果和收入兑现的阶段。只会展示模型的公司，估值会越来越难撑。 #美股#

生物学研究正迎来一个类似“AlphaZero”的转折点。 随着 扎克伯格夫妻创办的Biohub 推出蛋白质生物学的“世界模型”——ESMC 与 ESMFold2，我们正式告别了依赖人工标注的传统路径，进入了计算驱动自学习的生物发现新时代。 蛋白质是生命活动的“执行者”，被誉为生命的分子机器。它们在生物体内的地位几乎等同于电子系统中的硬件与软件的结合。 现代医学中，绝大多数药物的“作用位点”都是蛋白质。 长期以来，蛋白质结构预测严重依赖实验室测定出的已知结构标签。Biohub 的这套系统颠覆了这一范式，它通过“自监督学习”直接从约 28 亿条自然序列中“领悟”生物学： 模型通过类似“完形填空”的任务，学习了氨基酸之间的化学规律、折叠规则和演化逻辑。它不需要人类预先告诉它“这段序列对应什么结构”。 研究发现，模型内部独立演化出了对催化基序（如 nucleophilic elbow）等生物学抽象概念的理解，展现出了超越序列本身的物理洞察力。 就像 AlphaZero 通过自我对弈掌握围棋本质一样，ESMFold2 通过大规模缩放（Scaling Laws）掌握了蛋白质折叠的底层逻辑。 当预测速度快到能在一天内生成数万个候选设计时，实验室验证就从“盲目筛选”变成了“目标验证”。Biohub 团队证实，AI 设计的抗体在肿瘤学关键靶点（如 EGFR, PD-L1）上已展现出纳摩尔级别的亲和力，并获得了冷冻电镜（Cryo-EM）的结构验证。 ESM的成功再一次告诉我们，只要存在大规模、标准化的演化/博弈序列，且闭环反馈速度足够快，Scaling Law 就持续有效。 这一范式极有可能在以下领域复刻成功： 材料科学： 晶体结构与电子能带的逆向设计，本质上就是材料的“折叠”问题。 微观市场动力学： 价格波动与订单流序列，可类比蛋白质的博弈机理。 复杂供应链与工艺： 将生产参数流视为“代谢路径”，自动识别产能失稳的“工艺基序”。 团队协作建模： 分析协作流（Information Flow），找出决定团队效能的“社交基序”。 对于市场一直在寻找的ai应用，这可能就是真正的应用方向 --- 将物理世界的复杂系统转化为“计算任务”，并通过极短的闭环反馈，加速系统的自我迭代。

回顾9月，AI圈的重磅新闻一个接一个。 9月4日，OpenAI发布GPT-6 Astra。这个发布报告里只字未提机器人的通用模型，转身就空降了机器人评测榜首，甚至让一批机器人Benchmark直接失效。有人半开玩笑地说：机器人领域等了这么多年的“GPT时刻”，居然是GPT自己。 Meta Muse给每个用户配了一台云端电脑，两周就冲上美区App Store榜首；竞争对手Instinct一个月内估值从25亿涨到100亿美元。个人Agent掀起了新一轮烧钱获客大战，可它们能打开的网页，正在一个一个被关上。 AI for Science方面，Claude只用了21小时就找到一种结构像CRISPR的新酶，扎克伯格夫妇的Biohub要把虚拟细胞计划做到18亿美元……热闹归热闹，数学那边，AI已经在破解千禧年难题；生物制药这边，却还没有一款完全由AI开发的药，它卡在哪了？ 本期《硅谷101》，我们请来三位分别站在Agent、机器人和AI制药一线的研究者——一起聊清楚三件事：个人Agent商业化卡在哪？机器人怎么被Astra这样的底层模型冲击？AI制药真正的瓶颈是什么？