一位生物医药投资人，给 Anthropic 留了一份万圣节收购清单：买下百时美施贵宝。Atlas Venture 的 Bruce Booth 在长帖里提出这个思想实验，并把 OpenAI 也列为可能的主角。他想讨论的是：AI 公司怎样才能在新药研发中，做一场足够大、足够完整的尝试？
在他的假设中，一家上市后市值达到 2 万亿美元的 AI 公司，可以通过股票交易拿下 BMS。这是设想中的估值与交易，没有收购公告。有意思的是接下来的问题：假如交易真的发生，这家公司周一早上的研发会议，会变成什么样？
从提供工具，到一起决定下一轮实验
Anthropic 已经在向科学研究的工作现场走。2025 年 10 月，它推出 Claude for Life Sciences，连接 Benchling、PubMed、10x Genomics 等平台；2026 年 6 月，又发布 Claude Science 测试版，把分析工具、计算资源与可追溯的研究产物放进同一工作环境。
Booth 把想象往前推了一步：让 AI 公司直接承担药物研发的长期结果。买下一家药企，就有机会同时组织计算、实验、临床和制造。模型提出的建议能否被检验，检验结果能否改变下一轮决策，都可以成为同一家企业持续改进的事情。
这种规模可以用一组真实数字感受。根据 BMS 的 2025 年业绩披露，公司全年收入为 481.94 亿美元，GAAP 研发费用为 99.51 亿美元，上年为 111.59 亿美元。这笔研发费用覆盖多个环节，不能直接当作早期药物发现预算。
这里值得想象的，是让一家已有药企的研发投入，同时积累可复用的知识。一项研究结束后，它留下的测量方法、失败原因和临床线索，能否帮助下一支团队？收购打开的一种可能，是把研发经验接成持续学习的体系。
BMS 的吸引力，藏在多年实验里
Booth 点名 BMS，着眼于它跨越多种药物形式的研发积累。2009 年，BMS 宣布以约 24 亿美元收购 Medarex，交易内容包括全人源抗体发现平台、研发团队及管线。抗体如何被发现、筛选和推进，是这段历史的重要组成部分。
蛋白降解则提供了另一种研究场景。可以把它想成请来细胞里的清理系统，处理致病蛋白。BMS 的 CELMoD 分子胶研发，会从化合物库出发，在细胞中筛选并测量哪些蛋白消失，再寻找值得推进的分子与靶点组合。
细胞治疗和放射性药物，又把观察延伸到不同层面。BMS 的公开资料描述了 CAR T 的研究、临床开发与制造能力；2024 年，公司完成约 41 亿美元的 RayzeBio 收购，加入放射性药物平台、管线和制造能力。这些环节给 AI 留下了不同的协作入口。
公开资料无法告诉我们，内部究竟有多少可直接用于模型的数据。沿着这个设想，收购后的首项工作可以很朴素：把实验条件、样本来历、测量结果和研究判断重新关联。长期积累的价值，要在下一次实验决策中兑现。
让一次实验，带回下一次设计
如果继续推演，数据整理可以先从一个项目做起。同一分子的结构、制备批次、测试条件和细胞反应，应当能够相互追溯。在权限与使用范围允许的前提下，模型帮助检索和比较，研究人员判断哪些历史结果值得放在一起，哪些差异需要重新验证。
接下来，再按明确的问题补齐数据：某类患者为什么响应？一个靶点在哪些细胞状态下值得干预？单细胞、空间和其他组学测量，可以围绕项目问题设计。目标是让不同层面的观察彼此解释，帮助团队选择最有信息量的下一步实验。
以一个假想的分子胶项目为例，团队先提出想要移除的致病蛋白，再结合已有筛选结果选择候选分子。计算工具协助排序，化学家评估制备路径，实验人员测量降解效果与选择性。结果回来后，团队一起解释差异，决定下一轮该改什么。
这像一支会复盘的接力队：每一棒都把信息交给下一棒。药物研发把这类过程称为设计、制备、测试、分析，即 DMTA 循环。AI 可以参与各个环节，科学家负责提出问题、辨别证据和作出取舍。每一轮实验，都有机会让下一轮设计更有根据。
把科学家放到更靠近决定的位置
Booth 用来参照的，是 Nimbus 的研发方式。按 Nimbus 的官方介绍，它把结构分析、分子模拟、机器学习、药物化学和转化研究结合起来。Booth 也是 Nimbus 的联合创始人；他想象的是，把这种紧密协作扩展到一家大药企的规模。
沿着这条思路，可以让小型团队围绕一个药物项目聚在一起：生物学家、药物化学家、计算研究者和临床专家，共享问题与判断。数据、模型和实验平台由公司提供，具体实验由接近问题的人推动。这样既保留专业分工，也减少来回交接。
这种变化也可以落在很日常的地方：减少重复录入、整理记录、追踪样本与核对文件。在这家假想企业里，AI 和自动化承担更多重复工作，科学家把时间用在解释异常、设计对照和沟通决策上；临床、质量和合规团队继续承担各自的专业责任。
项目选择也可以围绕更清晰的科学问题展开。让有充分依据、却长期缺少有效解决办法的靶点获得资源，同时让每个项目说清楚下一步需要什么证据。给药物研发者更多工具，也给他们推进好问题的空间。这是这场设想最有吸引力的部分。
给这场实验，留出五到七年
Booth 为这场改造设定了 5—7 年的观察窗口。在他的设想里，这段时间用来观察发现端的变化怎样进入早期开发与临床概念验证。沿着这个窗口，可以追问：哪些判断更早得到验证？哪些失败更早被识别？新项目又学到了什么？
药物最终仍要经过实验和临床检验，这场假想收购也远未发生。但它留下了一个值得认真想象的画面：计算团队、实验团队与临床团队，围绕同一款潜在好药共同学习。五到七年后，这样的研发方式，能不能把一些今天难以推进的问题送得更远？
