过去几周，Altimeter 的科技投资人 Freda Duan 在 X 上连发两篇长文。她过去的研究清单是 AI 算力、自动驾驶、机器人；但这一次的主题换成了她几乎不碰的 AI 制药，框架还是同一套——供应链、瓶颈、产能。
资本看好 AI 制药不新鲜，2020 到 2021 年已经集体兴奋过一轮。但一个习惯研究 GPU、HBM 和电力瓶颈的投资人，开始给生物产业画供应链地图：DNA 合成、蛋白表达、assay、测序、自动化、临床前测试，然后问"这条链上谁先供不应求"。
AI 制药正在被放进一个更大的科技投资框架。
上一轮 AI 制药，押错了什么
2021 年那轮热潮的叙事很顺：模型更好，虚拟筛选更快，实验更少，研发更便宜。AI 当时的定位是搜索效率工具，任务是用计算消灭低价值的湿实验。 但后来的剧本没有照这个走。
标志性案例是 Exscientia 的 DSP-1181。这个分子从发现到进 Phase I 只用了不到 1 年，行业平均是 4.5 年。 但它停在了 Phase I，官方理由是未满足该靶点机制的评估标准。宏观同时翻脸：2022 年 biotech IPO 融资额不到上年八分之一。
更冷的数据来自一份 2024 年的综述。AI 来源药物的 Phase I 成功率约 80%-90%，高于行业历史区间；Phase II 约 40%，与行业均值基本持平。 样本不大，但已足够留下怀疑：更快的发现，没有自动等于更好的临床生物学。
从"减少实验"到"制造实验"
Freda 的核心论点：这一轮和 2021 年是两套相反的逻辑——上一轮想用 AI 减少实验，这一轮 AI 正在制造实验。模型生成假设的成本趋近于零，蛋白、抗体、小分子设计一次出几千上万个候选。 但每个候选要变成有用的东西，仍得穿过现实世界：合成、表达、assay、测序、动物实验。
设计越便宜，堵在验证环节的量越大。Twist 预计 AI 药物发现相关订单 FY26 三位数增长，FY27 再来一年；GenScript 的 AIDD 业务上半年同比翻倍。 平台宣称每天验证 4,000 多个，但 Freda 的渠道调研称实际已跑到约 8,000 个，年底奔 16,000 个。
过去实验是成本中心；但当模型等着数据回流，实验通量本身成了竞争力。
AI 没有消灭实验，反而可能制造更多实验。
失败的实验，为什么突然值钱了
更深一层的变化在实验的功能。传统研发里，实验只回答一个问题：这个候选药行不行。但 AI 研发里，实验要多回答一个：这次结果能教模型什么。
今年 8 月，Anthropic 和 Adaptyv Bio 把这个逻辑演了一遍：Claude 针对 16 个靶点自主设计 1,320 个蛋白 binder，Adaptyv 的自动化湿实验室负责合成、表达、测试。 95% 的设计成功表达，354 个结合靶点，命中率 26.8%，但行业常态只有 10%-15%。
在刚办过公开竞赛的 RBX1 上，Claude 的 90 个设计里 28 个结合，命中率 31.1%；整个竞赛 245 个设计只中 9 个，3.7%。 但真正的差距在亲和力：最紧的 binder KD 做到 3.9 nM，比竞赛冠军的 25.7 nM 紧约 6.6 倍。
但 Freda 看中的在命中率之外：那 966 个失败品。不表达、不结合、亲和力差，全是带标签的负样本，回流训练下一代模型。一次实验即使失败，也在为模型生产训练数据。
这就构成 Design、Build、Test、Learn 闭环。GenScript 说自己从序列到结合数据只要 4-7 天，因为模型迭代的速度取决于实验反馈的速度。 Quanquan Gu 把这叫作生物领域的 recursive self-improvement。过去 AI scaling 靠算力加数据，但 AI biology 的配方还要多两样：自动化实验，和别人拿不到的生物数据。
沿着半导体剧本，找生物的瓶颈
科技资本最熟悉的剧情，是技术扩张后利润向瓶颈迁移。AI 走过一遍：GPU 之后是 HBM，HBM 之后是网络，再往后是电力和散热。Freda 押的是生物重演这个剧本：模型之后是合成，合成之后是 assay 和自动化，再往后是临床前产能。 但生物的瓶颈更分散——猴价已回到前高，CRO 排期已紧。
她的需求测算很粗暴，但量级感在那儿。全球药企每年研发开支 3,000 亿-4,000 亿美元；如果 Anthropic 2026 年 ARR 到 800 亿美元，拿 1% 做 AIDD，就是一年 8 亿美元的增量。 她关心的对象，从"谁能做出下一款药"换成了"哪个环节最先断货"。
时间坐标也给了：2026 到 2027 年，Isomorphic 设计的药物首次进人体试验；2028 到 2030 年，临床数据开始回答 AI 药行不行。 但在此之前，这个交易很难被证伪。
这个故事哪里会断
需要泼一盆冷水：GPU 的 scaling 几乎线性，卡越多，HBM 和电力按比例涨。但生物不一定。如果模型筛选能力同步变强，100 万个设计里只需挑 100 个做实验，实验总量未必爆炸。 AI 产生更多假设，同时减少每个发现所需的实验数——哪边赢，现在没有答案。
但更根本的问题在临床。临床前再快，药还是要过 Phase I、II、III，要病人、时间和钱。如果 AI 药在 Phase II 的失败率和传统药一样，上游的繁荣可能只是又一轮阶段性现象。
Phase II 才是这个 thesis 的生死线。
所以说法要克制：湿实验还没有成为下一个 HBM。
但硅谷已经开始认真寻找 AI 制药自己的 HBM。
把镜头拉远，Freda 只是一个引子。过去十年，AI for biology 主要是 biotech 圈和专业基金的话题；现在，generalist AI 投资人开始用 scaling law 和 bottleneck 框架理解生物。 但被当成 AI 的下一个基础设施市场，就得接受基础设施市场的审视标准。也许 AI 制药进入下一阶段的标志会出现在 benchmark 之外——模型已经足够强，现实世界还能不能跟得上。2028 年的临床数据给出第一版答案。