从大厂实验室到AI原生Biotech:AI+生物医药人才外溢的真正信号

6月2日，字节跳动Seed旗下AI4S团队核心成员顾全全宣布离职，引发AI+生物医药行业关注。公开信息显示，字节Seed-AI for Science团队原本聚焦生物基础模型、量子化学、分子动力学等方向，其Protenix被官方描述为可用于高精度复合物结构预测和从头蛋白设计的生物分子基础模型。近期，围绕AI4S团队组织调整、顾全全及肖文之等核心成员离开或准备离开并投向AI制药、蛋白设计、生物基础模型创业的消息不断发酵。

无独有偶，另一个案例也值得放在同一框架下观察：原石药集团AIDD负责人、上海翊石医药科技总经理宋云龙，在离职休整后创办云济智曜并担任CEO。公开活动信息已经显示，宋云龙以“云济智曜创始人、CEO”身份出席AI制药相关论坛，讨论AI在分子优化、成药性改造中的价值。其过往经历之所以引人关注，是因为石药曾与阿斯利康围绕小分子Lp(a)抑制剂YS2302018达成最高约19.2亿美元的独家许可协议；2025年，阿斯利康又与石药达成最高超过53亿美元的AI驱动药物研究战略合作。

一个来自互联网大厂AI for Science团队，一个来自传统药企AIDD体系。看似路径不同，本质却指向同一个趋势：AI+生物医药正在进入“技术人才、工程能力、药物研发经验同时外溢”的阶段。过去，AI制药创业更多来自学术实验室或早期AI创业者；现在，新的创业者开始来自大厂前沿模型团队、大药企内部AI研发团队、结构生物学与蛋白设计核心项目。这意味着AI制药已不再只是“把AI工具卖给药企”的外部服务赛道，而是逐渐演变为一场关于研发组织形态、数据资产、实验闭环和管线权益的重新分配。

最典型的是DeepMind AlphaFold人才的外溢。Latent Labs创始人Simon Kohl曾是DeepMind蛋白设计团队联合负责人、AlphaFold2高级研究科学家。2025年，Latent Labs带着5000万美元融资出场，定位是构建AI基础模型，让生物学更“可编程”，为药企和biotech生成、优化抗体、酶等蛋白分子。这个案例与字节AI4S人才外溢高度相似：核心并不是单个模型论文，而是把结构预测、生成式模型、蛋白设计和产业合作打包成独立创业平台。

Meta AI蛋白团队的EvolutionaryScale则是另一个更清晰的样本。2024年，前Meta研究人员创办EvolutionaryScale，并以ESM3模型和1.42亿美元种子轮融资高调亮相。Reuters报道称，其投资方包括Lux Capital、Nat Friedman、Daniel Gross、AWS和NVIDIA相关资本；ESM3被用于设计新的荧光蛋白，团队将其称为“biology的ChatGPT时刻”。这说明，通用AI大厂内部的生命科学研究一旦不再是集团战略核心，就很容易以创业形式继续推进。

OpenAI、Meta FAIR、Stripe、Google X等背景人才创办的Chai Discovery也说明了同一逻辑。Chai在2025年宣布7000万美元A轮融资，官方信息显示其团队来自OpenAI、Meta FAIR、Stripe和Google X，并推出用于从头抗体设计的Chai-2模型。更值得注意的是，前辉瑞首席科学官Mikael Dolsten加入其董事会，这代表AI模型人才正在主动引入传统药物研发的高级经验。

在更偏药企和学术管理层的方向上，Xaira Therapeutics是标志性案例。2024年，Xaira以超过10亿美元承诺资本成立，由ARCH Venture Partners和Foresite Labs联合孵化，David Baker等参与共创，Marc Tessier-Lavigne担任CEO。公司强调把机器学习研究、大规模生物与临床数据生成、药物产品开发三者整合起来，目标是端到端重塑药物发现与开发。

这些案例有一个共同点：创业者并不是从零开始追逐概念，而是带着已经被验证过的技术能力、工程体系、数据理解或药物研发经验，在外部资本支持下重新搭建组织。换言之，他们离开的不是“职业舒适区”，而是从一个大型组织的局部创新模块，迁移到一个更有机会独立定义资产、管线和商业模式的新组织。

理解这轮离职创业，不能只看个人选择，更要看产业阶段。

第一，AI+生物医药的技术范式正在从“预测”进入“生成与验证”。AlphaFold把蛋白结构预测推向新高度，但结构预测本身并不等于药物。真正的产业价值在于：能否设计新的结合蛋白、抗体、小分子、核酸药物，能否提高命中率、亲和力、选择性、ADMET性质，能否缩短从hit到lead、从lead到PCC的周期。Nature在讨论AI药物发现时也指出，AI洞察要真正改变药物研发，仍依赖高质量和足量的生物、化学数据。

第二，大模型降低了“通用算法”的稀缺性，却提高了“专业闭环”的价值。过去AI制药公司常把算法本身作为护城河；今天，单纯模型能力越来越容易被复制，真正难复制的是高质量实验数据、自动化实验体系、疾病生物学理解、药化经验、临床转化能力和药企合作网络。FDA也指出，AI正在越来越多地进入药物全生命周期，2016年至2023年CDER已看到超过500项包含AI组件的提交，监管也在建立风险导向框架。

第三，资本正在从“相信AI故事”转向“购买验证效率”。AI制药并未摆脱药物研发的高失败率和长周期，但它正在改变早期发现和优化环节的成本结构。对于投资人而言，来自字节、DeepMind、Meta、石药、辉瑞、Genentech等体系的人才有更强的可信度：他们既懂模型，也见过真实研发流程，知道哪些环节能被AI加速，哪些环节不能靠PPT跳过。

从技术经济学角度看，这是一种典型的“互补资产重组”。Teece的创新获利理论强调，技术本身不一定带来收益，收益取决于技术与互补资产的结合方式。AI模型是通用技术，药物研发是高度专用、强监管、长周期的产业系统。当通用技术进入产业落地阶段，创业公司往往比大组织更适合快速试错、聚焦场景、绑定权益；大药企则更适合在后期接管临床开发、注册和商业化。这就是人才从大组织流向创业公司的结构性原因。

这些离职创业者的共同点至少有四个。

第一，他们往往站在交叉学科的接口处。顾全全代表的是机器学习理论、大模型训练与AI for Science的结合；肖文之代表的是大规模工程系统与蛋白设计平台化能力；宋云龙代表的是计算化学、AIDD与真实药物项目推进经验。全球案例中，Simon Kohl来自AlphaFold蛋白设计，EvolutionaryScale团队来自Meta FAIR蛋白语言模型，Chai团队来自前沿AI公司与生物模型交叉背景。这个群体不只是“懂AI”，而是知道如何把AI嵌入生物问题。

第二，他们都在寻找更强的成果归属和资产定价。大厂内部AI4S项目即使做出世界级模型，也很难自然沉淀为药物管线权益；药企内部AIDD负责人即使提高了项目效率，其收益也往往归入公司整体研发体系。创业则不同：一旦模型、实验平台和早期管线形成闭环，技术贡献可以被直接资本化，转化为股权、平台价值、合作首付款、里程碑付款和未来管线权益。

第三，他们面对的是大组织创新的边界。互联网大厂重视基础模型、算力效率和平台生态，但AI制药需要湿实验、药化、毒理、临床、CMC和BD长期投入；传统药企重视项目确定性、合规流程和管线回报，但前沿AI探索往往需要更快迭代、更高容错和跨学科团队结构。大组织并非不能做AI制药，Roche已经宣布扩展NVIDIA AI工厂，将AI嵌入发现、开发、制造、诊断等价值链；BMS、Takeda等也参与联邦数据共享，用专有结构数据训练OpenFold3。但大组织内部创新必须服从战略优先级，而创业公司可以把一个技术假设变成全部战略。

第四，他们赶上了“资本愿意为AI原生biotech重新定价”的周期。Isomorphic Labs作为Google DeepMind孵化出的AI药物发现公司，2026年完成21亿美元融资，明确提出要规模化其药物设计引擎，并预计在2026年底推进首批临床试验。Eli Lilly与Insilico Medicine在2026年扩展最高27.5亿美元合作，也说明大药企愿意为AI平台产生的候选药物和全球权益支付高额对价。

更理性的判断是：主因是顺势而为，不能排除组织调整、资源分配、战略聚焦等因素，但在没有证据的情况下，不宜把它解释为“内斗”或“被迫出走”。

从字节案例看，公开报道提到AI4S团队发生组织调整，由杨震原负责管理，并将其放在Seed整体研发资源整合的背景下理解。对于大厂来说，AI for Science当然有长期意义，但它与广告、推荐、视频、办公、搜索、通用大模型等主航道相比，商业回报周期更长、产业链更重、监管约束更多。因此，组织收拢、资源再配置并不意味着否定AI4S，而可能意味着大厂更愿意把其定位为基础研究和平台能力，而非亲自下场做药。

从药企案例看，AIDD负责人创业也不必被过度解读为“药企不重视AI”。恰恰相反，石药与阿斯利康的多次合作说明药企正在更积极使用AI发现平台和小分子优化能力。只是药企内部的AI团队天然要服务既有管线和公司战略，而创业公司可以围绕创始人的方法论重新选择靶点、合作伙伴和管线节奏。对于有过大额BD验证经验的药研管理者来说，创业是把个人能力、项目判断和产业资源集中释放的一种方式。

所以，“顺势而为”是更合适的结论。但这个“势”不是简单的资本热，而是三股力量叠加：AI模型能力快速进步，药企创新药研发效率压力持续上升，资本重新寻找能把AI转化为真实管线资产的团队。隐情也许存在于每个个体选择中，但产业趋势比个体八卦更重要。

对医药行业而言，这意味着AI将从“外挂工具”变成“研发组织的一部分”。过去药企采购AI软件、外包CRO服务，更多是成本优化；未来，AI会进入靶点发现、分子生成、蛋白设计、药化优化、临床入组、真实世界数据分析等更核心环节。药企不会完全依赖外部AI公司，但也不可能所有能力都自建。更现实的模式是：内部AI团队负责战略性数据和核心流程，外部AI原生biotech负责高风险、高弹性的前沿探索，双方通过合作、授权、并购形成组合。

这也会倒逼药企重新定义AIDD部门的价值。AIDD不应只是“给项目组画分子”或“做虚拟筛选”，而要成为连接疾病生物学、计算模型、药物化学、实验验证和BD判断的枢纽。宋云龙提出“AI的价值不在于生成分子，而在于优化成药”，这一判断非常关键。AI制药的终局不是模型参数，而是临床获益；不是生成数量，而是提高决策质量。

对资本市场而言，这类离职创业会带来新一轮“人才溢价”。过去投资AI制药，资本常问：模型是否先进？今天资本会进一步问：团队是否做过真实药物项目？是否有实验闭环？是否能拿到药企认可的数据？是否能形成管线权益？是否有从PCC到IND的能力？

因此，资本将更偏好三类团队：一是来自DeepMind、Meta、字节等前沿模型体系的AI科学家，能建立底层模型优势；二是来自石药、辉瑞、Genentech、罗氏等药企体系的研发负责人，能理解真实项目成败；三是能把自动化实验、高质量数据和药化迭代连接起来的工程化团队。单一算法公司、单纯CRO型AI公司、没有数据闭环的平台公司，估值逻辑会被压缩。

但资本也需要克制。AI制药不是互联网应用，不能用DAU、调用量或模型榜单替代临床证据。即便早期hit rate显著提升，也不等于临床成功率必然提升。真正的价值兑现仍取决于成药性、毒性、安全窗、人体有效性和监管可接受性。

对现有AI制药公司而言，人才外溢既是利好，也是压力。

利好在于，更多高质量人才进入行业，会提高产业整体技术水平，吸引药企和资本继续下注。新创业者的出现，也会让大药企更加认可AI原生biotech作为创新来源，而不仅仅把AI公司当软件供应商。

压力在于，行业门槛会被重新抬高。未来AI制药公司的竞争不再是“我也有一个生成模型”，而是能否证明模型在真实药物研发中的边际贡献。对于小分子公司，要证明能提升选择性、活性、ADMET、合成可行性和项目推进速度；对于蛋白设计公司，要证明能从结构预测走向功能设计、湿实验验证和可开发性优化；对于基础模型公司，要证明模型不是演示系统，而是能服务真实靶点和真实药企需求。

这也意味着AI制药商业模式会继续分化：一类公司会成为药企的AI基础设施和研发平台；一类公司会围绕自有管线成为AI原生biotech；还有一类会以共研、里程碑、权益分成为核心，介于CRO和biotech之间。谁能长期胜出，取决于是否掌握不可替代的数据、方法论和项目判断。

顾全全、肖文之从字节AI4S走向AI制药创业，宋云龙从大药企AIDD体系走向云济智曜，本质上不是孤立的人事新闻，而是AI+生物医药产业进入新阶段的信号：最稀缺的资源正在从“模型能力”转向“模型、数据、实验、药物研发经验和商业权益的组合能力”。

这类人才外溢对原组织未必是坏事。对大厂而言，AI4S人才创业能扩大技术生态；对药企而言，内部AIDD人才创业可能成为外部创新伙伴；对资本而言，这是识别下一代AI原生biotech的窗口；对行业而言，这是从概念热走向产业验证的必经过程。

更重要的是，它提醒我们：AI制药的真正竞争，不在于谁更会讲“AI重塑药物研发”的故事，而在于谁能把AI嵌入药物研发最困难、最昂贵、最不确定的环节，并用实验数据、临床价值和产业合作来证明自己。所谓顺势而为，不是追风口，而是在技术范式转换的窗口期，把个人能力、组织边界和产业需求重新匹配。对于AI+生物医药来说，这场人才外溢或许正是下一轮产业重构的开始。