一家AI抗体公司，一年到底在忙什么？

说实话，我观察AI抗体赛道挺长时间了。从2024年一堆公司冒出来，到2026年头部玩家开始交出成绩单，这个行业的变化速度比多数人想象的要快得多。这个赛道的魅力在于，它既有前沿算法的性感，又有湿实验的泥土气，缺一不可。

但有个事儿我一直觉得被严重误读了——很多人以为AI抗体公司就是"训练一个大模型，跑一跑，出几个分子，完事"。好像核心竞争力是谁的GPU多、参数大，谁就是老大。

真的不是这样。

我花了不少时间去了解几家头部公司的实际工作流，跟做抗体的人聊、看他们的项目记录、翻他们的公开报告，发现这玩意儿其实是一条完整的、干湿闭环的项目流水线，从立项到湿实验验证，每一步都在拉锯，每一步都考验生物学深度和工程化能力。今天就把这条线拆开来说说，一家AI抗体公司，一年到底在忙什么。

先说一个最反直觉的事：一家AI抗体公司，在项目启动阶段花最多时间的，其实是判断"这个靶点该不该做"。

没错，不是"怎么做"，是"该不该做"。

团队要深入调研靶点的生物学机制、竞争格局、临床未满足需求，确定技术可行性和最终目标——是做到PCC还是PCC+。同时提前规划时间周期、成本预算、算力资源调度方案。这一步本质上是在做减法：砍掉不该做的项目，把有限资源集中在最有希望的方向上。一个项目如果靶点生物学机制没摸清楚、临床需求不够刚、竞争格局已经红海一片，哪怕AI能力再强也没必要硬上。我见过太多团队在方向上偷懒，觉得"反正AI厉害什么都做得出来"，结果半年后发现靶点本身就不值得做，白白烧了几个月算力和人力。方向选错了，后面AI再猛也救不回来。真正会做项目的团队，在这一步花的时间往往比后面任何一个环节都多。

判断完"该不该做"，接下来才是"该不该用AI"。

不是所有项目都要上AI，这点很多传统Biotech没想明白。2026年了，好像什么都得套个AI，但说实话，不该用AI的项目硬上AI，纯粹浪费时间和钱。AI真正的切入点，是那些传统方法搞不定的场景——抗体设计空间有多大？理论上超过10的11次方，人根本筛不过来。多目标优化怎么做？亲和力、特异性、成药性、免疫原性要同时优化，传统方法一个个来根本扛不住。难靶点怎么搞？GPCR、离子通道这些，传统手段效率极低，有些靶点压根就没有好的免疫原，抗体结合位点藏得严严实实。但如果一个项目用传统杂交瘤或者噬菌体展示就能搞定，硬要套AI流程就是给自己加戏，花了大价钱搞了一套AI pipeline，出来的东西还不如老方法直接筛来得实在。

确认了AI切入点之后，真正的大头活来了：准备测试数据集。

这一步很多人觉得不就是收集数据嘛，有什么难的。太难了。你要收集已知阳性参考抗体和阴性抗体的数据，建立测试集来评估AI算法模型的准确度。数据集质量决定模型上限——垃圾进垃圾出，这道理谁都懂，做起来是另一回事。抗体序列数据不像小分子有ChEMBL这种公开大库可以随便用，抗体的公开数据又散又杂，清洗标注工作量巨大，而且很多数据的质量根本没法保证。你得一条一条核实来源、验证活性数据是否可靠、统一格式，这个过程枯燥但绕不过去。

有了数据集，才算进入大家最兴奋的环节：抗体计算设计。

结合AI模型预测加上人工经验判断，筛选候选突变体。不同项目可能分两阶段：先做"大范围探索"，初筛几千到数百个候选，这一阶段靠模型的泛化能力把空间铺开；再做"精细化设计"，精修到数十甚至数个候选，这一阶段靠的是对每个位点的深入理解和人工经验。AI在这里不是替代人，是扩展人的设计空间——它能在人想不到的区域找到好的候选，但判断这些候选是不是真的靠谱，还得靠有经验的抗体工程师。

Chai-2的做法很有说服力。这家公司2024年成立，创始团队来自OpenAI和Absci，做zero-shot抗体设计，52个靶点平均命中率约16-20%，相比传统计算方法0.1%提升了200倍。更关键的是，每个靶点只测不到20个设计，从设计到读出不超过2周。200倍命中率提升，每个靶点只测不到20个设计——这说明什么？说明AI的价值不是穷举，而是把人的设计空间从"大海捞针"压缩到"精准制导"。最终拍板的，还是人。

接下来，候选分子被送进实验室。这才是真正见功夫的环节。

湿实验验证——亲和力、特异性、功能性，还有可开发性：稳定性、表达量、聚集倾向，一个都不能少。很多人觉得湿实验就是跑个流程，跟工厂流水线似的，样品进去数据出来。其实完全不是这么回事。湿实验本身不难，难的是"读懂"实验数据。这是整个AI抗体公司最容易被低估的环节。

同一批候选分子，在不同表达系统、不同检测方法、不同批次条件下跑出来的亲和力数据可能差几倍。不了解这些变量，就会被数据牵着鼻子走。批次效应、表达系统差异、检测方法差异，都会影响最终的亲和力数据解读。算法再强，也替代不了有经验的人去判断"这个数据差异是真实信号还是实验噪声"。一个分子表达量低但亲和力好，是该优化表达还是直接放弃？这个判断，靠的是日积月累的实验直觉，是隐性知识，不会写在SOP里，也不会出现在论文里，但恰恰是这种知识决定了一个项目是继续推进还是及时止损。说白了，湿实验解读能力就是一道隐形门槛，跨不过去的公司永远只能停留在"AI算得很准"的阶段，永远走不到真正能用的分子。

几个数字可以感受一下：大湾区生物AlfaBodY平台，单轮迭代周期3周，PCC+分子8个月内交付，候选少于300条序列——传统方法得3-5轮迭代才勉强接近这个水平。Absci从AI设计到湿实验验证最快6周，内部两个管线从立项到IND约2年，每管线约1500万美元。三友生物AI-STAL 2.0做到14天候选分子发现全闭环，从文库筛选到核心分子验证一气呵成。明度数智PTM预测准确率94.1%，减少75%纯化实验量。传统抗体发现12-24个月，AI压缩到4-8周。传统药物发现从立项到临床开发4-6年，成本超1亿美元，成功率不到5%。

最后说说钱的事，毕竟行业最终要回到商业逻辑上来验证。Absci两个管线从立项到IND约2年，每管线约1500万美元，这已经比传统路线省了一大截。英矽智能2026上半年营收1.06亿美元，同比增长287%，毛利率90.3%，BD总额65亿美元，是AI制药平台型公司的标杆。Chai-2 2026年1月与礼来达成合作，年费八位数美元。这些数字说明一件事：资本已经为AI抗体的效率买单了，但买单的不是你的模型有多大，而是你能多快交出靠谱的分子。

所以回到开头那个问题：一家AI抗体公司，一年到底在忙什么？

忙的是不断加速"干湿闭环"这个循环。让每轮迭代更快、更准、更省。

算法是工具，数据是燃料，湿实验是裁判。真正值钱的，是一支能把这三样东西串起来、跑得快、跑得稳的团队。