AI 制药公司绕了一圈,又回到了卖工具

药企不愿为尚未验证的 AI 工具付费，AI 制药公司便走上另一条路：自己设计分子、推进研发，等候选药物显示出价值后，再寻找合作伙伴。

现在，一些公司又开始把工具卖回药企。

这不一定意味着药物研发已经被 AI 解决了。更准确的变化是，工具公司开始相信自己的系统已经跨过一条商业门槛：药企愿意把它生成的候选放进实验，而不是只把它当成一个漂亮的演示。

Chai Discovery 是观察这次变化的一个窗口。它的创始团队在 Latent Space 访谈中谈到，产品正在从结构预测走向结合与设计；TechCrunch 则报道了它与 Eli Lilly 的合作。两篇材料放在一起，刚好能区分三件常被混在一起的事：模型会不会生成结构，药企会不会采用工具，以及生成的候选最终能不能成为药。

Chai Discovery

一家 2024 年成立的 AI 制药公司，本文使用其团队访谈来理解工具从结构预测走向分子设计的产品与商业逻辑；公司自身的判断不等于独立临床证据。

TechCrunch

报道科技创业公司与产业合作，本文使用其对 Chai、Lilly 合作和行业质疑的报道作为独立商业背景，而不是药效证明。

为什么工具公司曾经不敢只卖工具

卖软件给药企，最难的不是签一份采购合同，而是回答药企的第一个问题：这个工具的结果，为什么值得我花实验预算验证？

如果模型只会预测一个蛋白结构，客户仍然要自己承担后续的大量试错。工具带来的价值看起来像“更快地产生候选”，但候选是否能结合、是否稳定、是否容易递送、是否有毒，都要在实验里重新回答。

因此，AI 制药公司很容易走向另一条路：自己做药。自研管线可以把模型能力包装成一个更容易融资或授权的资产。只要某个靶点出现好结果，公司就不必说服几十家药企相信一个抽象的平台。

Latent Space 对 Chai 的介绍把这种行业路径说得很直接：AI 制药公司通常从工具开始，最后转向自己的药物管线，因为“工具有效”本身需要被证明；而一旦有了一个好靶点，卖具体资产反而比卖跨管线的平台更容易。

这里的关键不是药企突然变得更相信 AI，而是工具必须先承担一部分实验决策风险。

分子设计改变了工具的价值单位

Chai 团队认为，结构模型只是起点。更重要的跃迁，是从“这个蛋白大概长什么样”走向“这个分子与另一个分子结合得怎么样”，再走向“我应该怎样设计一个更可能成功的分子”。

这三步看起来只是模型能力逐渐增强，商业含义却完全不同。

结构预测主要减少理解成本；结合预测开始帮助筛选候选；设计模型则直接参与候选空间的构造。只有到了第三步，工具才可能不只是替研究人员少查几篇资料，而是让他们尝试过去很难系统探索的分子组合。

Chai 将这种产品想象成分子领域的 CAD，而不是聊天框。聊天框给出一个答案，CAD 则让研究人员持续修改、比较、约束和迭代设计。工具的价值因此从一次输出，转向一组能被实验验证的候选组合。

这也是为什么“生成分子”不是门槛。生成很容易成为一个演示动作；真正昂贵的是把候选整理成药企实验团队愿意接手的工作对象。

药企真正购买的是一条信任阶梯

可以把 AI 制药工具的商业化拆成一条阶梯：

预测
：模型能不能给出看起来合理的结构或性质；
设计
：模型能不能提出有区别、可约束、值得筛选的候选；
实验
：药企是否愿意把候选交给合成、结合、毒性或动物实验；
临床
：候选是否能进入人体试验，并产生可解释的安全性和疗效信号；
药物
：最终能否成为被批准、生产和使用的药。

行业叙事最容易把这五级压成一句“AI 加速药物发现”。但每上一级，承担风险的人都不同。模型团队可以证明预测指标，产品团队可以证明研究人员愿意使用，药企实验团队才会决定是否消耗真实样本和预算，临床团队还要面对完全不同的证据标准。

Chai 与 Lilly 的合作至少证明它进入了第三层附近：一家大型药企愿意把软件放进自己的发现流程，使用 Chai-2 辅助抗体开发。它说明工具不再只是创业公司的内部 demo。

但这仍然不是第四层或第五层的证明。TechCrunch 报道中，投资方期待合作公司在 2027 年看到 first-in-class 药物进入临床；“期待”是商业判断，不是已经发生的临床结果。

合作不是终点，而是更大的实验入口

工具公司重新敢卖工具，还有一个容易被忽略的原因：合作本身可以成为学习回路。

Chai 产品负责人 Neil Patil 在访谈中说，与药企伙伴一起工作，能让团队知道研究人员真正需要什么，而不是在真空里猜一个“理论上很酷”的功能。这个反馈回路会改变产品：分子编辑器更接近 CAD，工作流更接近实验设计，而不是让用户对着聊天框不断追问。

对药企来说，工具的价值也不只是一次性生成更多分子。如果候选更早被设计出来，实验团队可以更快筛选毒性、递送和结合问题；如果工具能提出过去不容易探索的双特异性抗体或特定分子级联，价值就不再只是节省几个小时，而是扩大原本很窄的候选空间。

但扩大候选空间也会扩大实验账单。工具生成得越快，越需要一套筛选、验证和淘汰机制，否则 AI 只是把“想法不足”变成“候选过剩”。

因此，药企购买的不是一个会生成分子的模型，而是一套能把生成、约束、实验和反馈接起来的工作系统。软件合同只是入口，实验闭环才是留存理由。

这也解释了工具模式和管线模式为什么会重新并存。自研药物仍然能捕获单个成功资产的巨大回报，但它把公司的命运绑定在少数靶点上；工具模式的回报较慢，却能从多个项目的实验反馈中学习。前者押注某个分子，后者押注一套持续缩短试错距离的系统。只有当系统真的能让实验团队更快淘汰错误候选，药企才会把它从“值得看看”升级成“值得接入”，而不是停在演示阶段。