从写论文到接订单，AI for Science站上产业化拐点

一篇论文和一份订单之间，隔着什么？

对一门新技术来说，这两个词指向两个截然不同的世界。论文回答的是"我能做什么"，订单回答的是"你要不要"。过去十年，AI for Science(人工智能驱动的科学研究)的叙事，大多停留在前一个世界——从深度学习模型在蛋白质结构预测上一鸣惊人，到诺贝尔奖花落蛋白质设计领域，顶尖AI一次次在论文里改写人类对分子、蛋白、材料的认知边界。但"写论文"和"接订单"之间，隔着的是命中率、良品率、临床数据，还有真金白银的采购合同。

2026年的这个夏天，事情起了变化。

8月18日，Anthropic官宣了一项震动生命科学界的盲测：AI模型Claude在48小时内自主设计了1320个全新蛋白质，经两家完全独立的湿实验室验证，其中354个在物理世界里真实"工作"，15个高难度靶点攻下14个，命中率22.6%至35.1%，是行业常规水准10%至15%的两倍。同一时间窗口内，据英矽智能披露，全球首款由AI发现靶点、AI设计分子的候选药物Rentosertib在中国启动III期临床试验；全球进入临床的AI药物管线已超过160条，多款抵达上市申报的关键节点。

从"论文"到"订单"，AI for Science站上了产业化拐点。这一跃是怎么完成的？走到哪一步了？下一个拐点又在哪？这篇文章，我们一层层拆开来看。

48小时、354个蛋白质：AI交出了湿实验室的作业

如果把过去的AI蛋白质研究比作一场闭卷考试，这次Anthropic做的，是一场全程无人监考的开卷实践。

实验的流程并不复杂，却处处透着颠覆感：Claude拿到15个生物靶点的清单后，自主上网研究生物学背景，自己搭建计算环境，调度一支由多个子智能体组成的"团队"，把RFdiffusion、ProteinMPNN、Genie等十款业内顶尖的专用蛋白设计工具链接成24条工作流，最后向两家独立湿实验室——Adaptyv Bio与Twist Bioscience——交付了1320个候选序列。人类科学家全程没有实时指导，也没有中途干预。

湿实验的结果让整个生物圈炸锅：1320个送检序列中，354个在物理世界里成功实现了结合，15个靶点攻破14个，整体命中率落在22.6%至35.1%之间(据Anthropic官方研究发布)，而行业常规水平只有10%至15%——直接翻了一倍。

最戏剧性的一幕发生在RBX1靶点上。这是蛋白质设计界出了名的"地狱难度"考题：表面极度平坦，几乎没有着力点，像一面光滑的攀岩峭壁。在以往的人类公开竞赛中，全球顶尖团队在它身上的从头设计命中率只有惨淡的3.7%。而Claude单靶点模式下命中率冲到40%，最优设计的结合强度达到3.9纳摩尔，比此前人类竞赛冠军作品的45纳摩尔，强了约一个数量级。

但冷静的声音也随之而来。斯坦福大学教授、Arc Institute联合创始人Patrick Hsu公开发文澄清：Claude并没有在底层发明新的物理学定律，承担底层施工的，是生物圈近几年开源的专用AI武器库——RFdiffusion负责生成蛋白质骨架，ProteinMPNN负责填入氨基酸，BoltzGen、Genie负责验证"钥匙能不能插进锁孔"。大模型真正干的，是扮演一位超人类级别的"项目总调度官"：一份长达3万Token的专家策略协议，沉淀了顶级蛋白质工程师多年摸索的实战策略；Claude据此自主分析结合位点、决定先调哪个工具、什么时候推倒重来、最终挑出最有希望的候选分子交付实验室。

这个分工恰恰是产业意义所在。过去，光是"把工具链跑通"这一步，就需要一支由生物信息学家组成的团队耗时数周甚至数月手工拼接；如今，一个智能体把初次筛选周期压缩到两天，把原本昂贵低效的手工作坊，硬生生砸成一条可按小时计费的流水线。诚然，模型也有盲区——在MBP等少数靶点上，Claude的设计序列在湿实验中几乎全部落空，底层专用模型不擅长的结构盲区，光靠一个更聪明的调度官无法凭空变出物理奇迹。但"命中率翻倍"这件事本身，已经足以让整个行业重新审视早期药物发现的成本结构。

当然，一个清醒的事实是：蛋白结合剂不是药。Adaptyv Bio实验室用了一个形象的比喻："研制一款新药就像攀登珠穆朗玛峰，把结合剂做出来，充其量只是在山脚下把鞋带系好。"但过去，光是"系鞋带"这第一步，就要顶尖实验室消耗数月甚至数年的宝贵时间。现在，这条路的第一段，被修宽了。

从"系鞋带"到"登山队"：AI药物开始闯三期关

如果说蛋白设计是起点，那药物临床就是真正的"天梯"。

传统创新药研发的残酷，业内用"双十定律"概括：十年时间、十亿美元投入，还不一定成功。如今的口径更沉重——一款新药平均要12至15年、耗资约26亿美元，进入临床试验的分子实体最终获批的只有一成上下。大量成本与时间，消耗在无效筛选、反复合成与试错实验里。

2026年，一批AI药物走到了验证真伪的关口。

最受关注的是英矽智能的Rentosertib。据公司公开披露，这款药物瞄准的是特发性肺纤维化——一种被称为"不是癌症的癌症"的致命疾病，过去十多年没有新机制药物获批，大量患者面临无药可用的困境。它的靶点由AI发现、分子由AI设计，从立项到提名临床前候选化合物只用了不到18个月，合成测试的分子不到80个；而传统模式下，这一过程平均需要4年半、筛选数百甚至上千个分子。此前公布的IIa期数据显示，Rentosertib不仅减缓了肺功能下降，还观察到改善信号。2026年夏天，它在中国正式启动III期临床试验，计划入组320名受试者。

放眼全球，AI药物的"登山队"已经排开阵型。据行业统计，全球进入临床的AI药物管线已超160条，其中多款推进至III期：Relay Therapeutics的胆管癌候选药已向美国FDA递交上市申请，成为全球首批即将落地的AI自研创新药之一；武田的银屑病AI药物完成关键III期试验，16周内近70%患者皮损近乎清除，疗效优于传统对照药；Generate Biomedicines将AI优化的抗体药物从分子设计一路推到III期，只用了4年，打破了"AI只能做小分子"的刻板印象。

一组对比足以说明变化：传统路径下，一款新药从候选分子确认到进入III期，平均要12至15年；而AI驱动的候选药物，这一周期普遍压缩到3至4.5年。英矽智能联合首席执行官兼首席科学官任峰的判断很有代表性："AI制药上半场比的是算法和平台能力，下半场比的是能不能拿出临床结果。"2026年，行业公认是AI制药的分水岭——从"AI筛分子"的技术验证期，迈入"临床落地、商业化兑现"的拐点。

当然，也要泼一盆冷水：截至目前，还没有任何一款完全由AI研发的新药完成III期或获批上市，统计层面的成功率依然是空白。AI能把更多"选手"更快地送上马拉松起跑线，但能不能跑完全程，AI解决不了——药理验证、临床一、二、三期，一步也少不了。但方向已经清楚：当赛道上的选手密度成倍增加，破纪录只是时间问题。

跨国药企排队下单：订单比论文更诚实

如果说临床试验是AI for Science的"资格考试"，那跨国药企的合同，就是最诚实的"打分表"。

8月，据券商研报及行业报道，AI制药公司ChaiDiscovery与全球医药巨头百时美施贵宝达成抗体设计合作——生成式蛋白设计，正式从论文走向药企的采购清单。这被业内视为"由论文到订单"的标志性事件：药企愿意为AI设计的分子结构付费，意味着这项技术不再是实验室里的花活儿，而是被写进商业合同的交付物。

订单的体量还在快速变大。据公开披露，英矽智能半年内接连与施维雅、礼来、SK、武田达成合作，合作潜在总价值接近70亿美元；晶泰科技2025年拿下近60亿美元合作订单；石药集团与阿斯利康在2026年再度签署总额17.7亿美元的合作协议。全球AI生物制药公司已超过350家，其中中国公司超百家、约占三分之一。更重要的是，合作模式本身也在升级——从软件授权，到联合研发、管线授权、里程碑分成，深度与广度都在快速拓展。

更耐人寻味的是甲方姿态的变化。礼来、罗氏、默沙东、阿斯利康等跨国药企不再满足于"采购AI服务"，开始自建AI研发平台、并购AI初创公司、联动科技巨头打造一体化研发体系——把这项能力装进自己体内。这恰恰说明，AI for Science已经过了"要不要用"的犹豫期，进入"怎么用得更好"的军备竞赛阶段。

以前是AI公司追着药企演示技术，现在是药企拿着需求清单上门谈合作。从"写论文给同行看"到"接订单给客户用"，这个转身，跨国药企用真金白银投了票。订单，比任何论文都诚实。

飞轮合拢之后：AI for Science的下半场在哪

站在拐点上往回看，这一轮变化的本质，是一次生产要素的系统性重组。

历史总是相似的：蒸汽机单点存在时只是个抽水机，当它与铁轨、车厢组合在一起，就变成重塑地理版图的火车；RFdiffusion和结构预测模型此前只是计算生物学家手里的精密仪器，当它们被装进通用智能体的调度中枢、连上全自动化的云端湿实验室，生命科学的研发飞轮就被焊在了一起。

但目前的实验大多还是"开环"的——AI设计一波，人类测试一波，结束。更猛烈的变化在后头：当实验室把物理测试结果实时喂回给AI，让智能体在试错中连续自我迭代，AI制药的反馈飞轮才算彻底合拢。这一条路，行业正在铺设。

与此同时，"AI for Science"与"AI for Scientists"的分工正变得清晰：前者直接解决靶点发现、分子设计这类真实科学问题，后者辅助科研人员读文献、整理材料、提升科研办公效率——两条线都在加速，最终合流于同一条产业河床。

现实的约束同样具体。既懂生物医药又懂AI的跨学科人才高度稀缺，有企业坦言部分项目因人力限制无法承接；数据质量参差、标准割裂仍是行业级难题。但这些都是"成长的烦恼"，不是"方向的问题"。当AI把早期研发成本压缩到原来的五分之一甚至十分之一，过去因投入产出比过低而被搁置的小众疾病药物研发，第一次具备了商业可行性——更多无药可医的患者，才有机会等到新的治疗选择。

回到开头的那个问题：一篇论文和一份订单之间，隔着什么？2026年的夏天，AI for Science给出了自己的回答——隔着48小时，隔着354个在试管里真实"工作"的蛋白质，隔着320位等待新疗法的临床受试者，隔着跨国药企一张张落地的合作清单。这条路一旦开启，就不会再回头。而路的终点，从来不是模型榜单，是患者。