一篇論文和一份訂單之間論文，隔著什麼？
對一門新技術來說，這兩個詞指向兩個截然不同的世界論文。論文回答的是"我能做什麼"，訂單回答的是"你要不要"。過去十年，AI for Science(人工智慧驅動的科學研究)的敘事，大多停留在前一個世界——從深度學習模型在蛋白質結構預測上一鳴驚人，到諾貝爾獎花落蛋白質設計領域，頂尖AI一次次在論文裡改寫人類對分子、蛋白、材料的認知邊界。但"寫論文"和"接訂單"之間，隔著的是命中率、良品率、臨床資料，還有真金白銀的採購合同。
2026年的這個夏天，事情起了變化論文。
8月18日，Anthropic官宣了一項震動生命科學界的盲測：AI模型Claude在48小時內自主設計了1320個全新蛋白質，經兩家完全獨立的溼實驗室驗證，其中354個在物理世界裡真實"工作"，15個高難度靶點攻下14個，命中率22.6%至35.1%，是行業常規水準10%至15%的兩倍論文。同一時間視窗內，據英矽智慧披露，全球首款由AI發現靶點、AI設計分子的候選藥物Rentosertib在中國啟動III期臨床試驗；全球進入臨床的AI藥物管線已超過160條，多款抵達上市申報的關鍵節點。
從"論文"到"訂單"，AI for Science站上了產業化拐點論文。這一躍是怎麼完成的？走到哪一步了？下一個拐點又在哪？這篇文章，我們一層層拆開來看。
48小時、354個蛋白質論文：AI交出了溼實驗室的作業
如果把過去的AI蛋白質研究比作一場閉卷考試，這次Anthropic做的，是一場全程無人監考的開卷實踐論文。
實驗的流程並不複雜，卻處處透著顛覆感：Claude拿到15個生物靶點的清單後，自主上網研究生物學背景，自己搭建計算環境，排程一支由多個子智慧體組成的"團隊"，把RFdiffusion、ProteinMPNN、Genie等十款業內頂尖的專用蛋白設計工具連結成24條工作流，最後向兩家獨立溼實驗室——Adaptyv Bio與Twist Bioscience——交付了1320個候選序列論文。人類科學家全程沒有即時指導，也沒有中途干預。
溼實驗的結果讓整個生物圈炸鍋：1320個送檢序列中，354個在物理世界裡成功實現了結合，15個靶點攻破14個，整體命中率落在22.6%至35.1%之間(據Anthropic官方研究釋出)，而行業常規水平只有10%至15%——直接翻了一倍論文。
最戲劇性的一幕發生在RBX1靶點上論文。這是蛋白質設計界出了名的"地獄難度"考題：表面極度平坦，幾乎沒有著力點，像一面光滑的攀巖峭壁。在以往的人類公開競賽中，全球頂尖團隊在它身上的從頭設計命中率只有慘淡的3.7%。而Claude單靶點模式下命中率衝到40%，最優設計的結合強度達到3.9納摩爾，比此前人類競賽冠軍作品的45納摩爾，強了約一個數量級。
但冷靜的聲音也隨之而來論文。斯坦福大學教授、Arc Institute聯合創始人Patrick Hsu公開發文澄清：Claude並沒有在底層發明新的物理學定律，承擔底層施工的，是生物圈近幾年開源的專用AI武器庫——RFdiffusion負責生成蛋白質骨架，ProteinMPNN負責填入氨基酸，BoltzGen、Genie負責驗證"鑰匙能不能插進鎖孔"。大模型真正乾的，是扮演一位超人類級別的"專案總排程官"：一份長達3萬Token的專家策略協議，沉澱了頂級蛋白質工程師多年摸索的實戰策略；Claude據此自主分析結合位點、決定先調哪個工具、什麼時候推倒重來、最終挑出最有希望的候選分子交付實驗室。
展開全文
這個分工恰恰是產業意義所在論文。過去，光是"把工具鏈跑通"這一步，就需要一支由生物資訊學家組成的團隊耗時數週甚至數月手工拼接；如今，一個智慧體把初次篩選週期壓縮到兩天，把原本昂貴低效的手工作坊，硬生生砸成一條可按小時計費的流水線。誠然，模型也有盲區——在MBP等少數靶點上，Claude的設計序列在溼實驗中幾乎全部落空，底層專用模型不擅長的結構盲區，光靠一個更聰明的排程官無法憑空變出物理奇蹟。但"命中率翻倍"這件事本身，已經足以讓整個行業重新審視早期藥物發現的成本結構。
當然，一個清醒的事實是：蛋白結合劑不是藥論文。Adaptyv Bio實驗室用了一個形象的比喻："研製一款新藥就像攀登珠穆朗瑪峰，把結合劑做出來，充其量只是在山腳下把鞋帶繫好。"但過去，光是"繫鞋帶"這第一步，就要頂尖實驗室消耗數月甚至數年的寶貴時間。現在，這條路的第一段，被修寬了。
從"繫鞋帶"到"登山隊"論文：AI藥物開始闖三期關
如果說蛋白設計是起點，那藥物臨床就是真正的"天梯"論文。
傳統創新藥研發的殘酷，業內用"雙十定律"概括：十年時間、十億美元投入，還不一定成功論文。如今的口徑更沉重——一款新藥平均要12至15年、耗資約26億美元，進入臨床試驗的分子實體最終獲批的只有一成上下。大量成本與時間，消耗在無效篩選、反覆合成與試錯實驗裡。
2026年，一批AI藥物走到了驗證真偽的關口論文。
最受關注的是英矽智慧的Rentosertib論文。據公司公開披露，這款藥物瞄準的是特發性肺纖維化——一種被稱為"不是癌症的癌症"的致命疾病，過去十多年沒有新機制藥物獲批，大量患者面臨無藥可用的困境。它的靶點由AI發現、分子由AI設計，從立項到提名臨床前候選化合物只用了不到18個月，合成測試的分子不到80個；而傳統模式下，這一過程平均需要4年半、篩選數百甚至上千個分子。此前公佈的IIa期資料顯示，Rentosertib不僅減緩了肺功能下降，還觀察到改善訊號。2026年夏天，它在中國正式啟動III期臨床試驗，計劃入組320名受試者。
放眼全球，AI藥物的"登山隊"已經排開陣型論文。據行業統計，全球進入臨床的AI藥物管線已超160條，其中多款推進至III期：Relay Therapeutics的膽管癌候選藥已向美國FDA遞交上市申請，成為全球首批即將落地的AI自研創新藥之一；武田的銀屑病AI藥物完成關鍵III期試驗，16周內近70%患者皮損近乎清除，療效優於傳統對照藥；Generate Biomedicines將AI最佳化的抗體藥物從分子設計一路推到III期，只用了4年，打破了"AI只能做小分子"的刻板印象。
一組對比足以說明變化：傳統路徑下，一款新藥從候選分子確認到進入III期，平均要12至15年；而AI驅動的候選藥物，這一週期普遍壓縮到3至4.5年論文。英矽智慧聯合執行長兼首席科學官任峰的判斷很有代表性："AI製藥上半場比的是演算法和平臺能力，下半場比的是能不能拿出臨床結果。"2026年，行業公認是AI製藥的分水嶺——從"AI篩分子"的技術驗證期，邁入"臨床落地、商業化兌現"的拐點。
當然，也要潑一盆冷水：截至目前，還沒有任何一款完全由AI研發的新藥完成III期或獲批上市，統計層面的成功率依然是空白論文。AI能把更多"選手"更快地送上馬拉松起跑線，但能不能跑完全程，AI解決不了——藥理驗證、臨床一、二、三期，一步也少不了。但方向已經清楚：當賽道上的選手密度成倍增加，破紀錄只是時間問題。
跨國藥企排隊下單論文：訂單比論文更誠實
如果說臨床試驗是AI for Science的"資格考試"，那跨國藥企的合同，就是最誠實的"打分表"論文。
8月，據券商研報及行業報道，AI製藥公司ChaiDiscovery與全球醫藥巨頭百時美施貴寶達成抗體設計合作——生成式蛋白設計，正式從論文走向藥企的採購清單論文。這被業內視為"由論文到訂單"的標誌性事件：藥企願意為AI設計的分子結構付費，意味著這項技術不再是實驗室裡的花活兒，而是被寫進商業合同的交付物。
訂單的體量還在快速變大論文。據公開披露，英矽智慧半年內接連與施維雅、禮來、SK、武田達成合作，合作潛在總價值接近70億美元；晶泰科技2025年拿下近60億美元合作訂單；石藥集團與阿斯利康在2026年再度簽署總額17.7億美元的合作協議。全球AI生物製藥公司已超過350家，其中中國公司超百家、約佔三分之一。更重要的是，合作模式本身也在升級——從軟體授權，到聯合研發、管線授權、里程碑分成，深度與廣度都在快速拓展。
更耐人尋味的是甲方姿態的變化論文。禮來、羅氏、默沙東、阿斯利康等跨國藥企不再滿足於"採購AI服務"，開始自建AI研發平臺、併購AI初創公司、聯動科技巨頭打造一體化研發體系——把這項能力裝進自己體內。這恰恰說明，AI for Science已經過了"要不要用"的猶豫期，進入"怎麼用得更好"的軍備競賽階段。
以前是AI公司追著藥企演示技術，現在是藥企拿著需求清單上門談合作論文。從"寫論文給同行看"到"接訂單給客戶用"，這個轉身，跨國藥企用真金白銀投了票。訂單，比任何論文都誠實。
飛輪合攏之後論文：AI for Science的下半場在哪
站在拐點上往回看，這一輪變化的本質，是一次生產要素的系統性重組論文。
歷史總是相似的：蒸汽機單點存在時只是個抽水機，當它與鐵軌、車廂組合在一起，就變成重塑地理版圖的火車；RFdiffusion和結構預測模型此前只是計算生物學家手裡的精密儀器，當它們被裝進通用智慧體的排程中樞、連上全自動化的雲端溼實驗室，生命科學的研發飛輪就被焊在了一起論文。
但目前的實驗大多還是"開環"的——AI設計一波，人類測試一波，結束論文。更猛烈的變化在後頭：當實驗室把物理測試結果即時喂回給AI，讓智慧體在試錯中連續自我迭代，AI製藥的反饋飛輪才算徹底合攏。這一條路，行業正在鋪設。
與此同時，"AI for Science"與"AI for Scientists"的分工正變得清晰：前者直接解決靶點發現、分子設計這類真實科學問題，後者輔助科研人員讀文獻、整理材料、提升科研辦公效率——兩條線都在加速，最終合流於同一條產業河床論文。
現實的約束同樣具體論文。既懂生物醫藥又懂AI的跨學科人才高度稀缺，有企業坦言部分專案因人力限制無法承接；資料質量參差、標準割裂仍是行業級難題。但這些都是"成長的煩惱"，不是"方向的問題"。當AI把早期研發成本壓縮到原來的五分之一甚至十分之一，過去因投入產出比過低而被擱置的小眾疾病藥物研發，第一次具備了商業可行性——更多無藥可醫的患者，才有機會等到新的治療選擇。
回到開頭的那個問題：一篇論文和一份訂單之間，隔著什麼？2026年的夏天，AI for Science給出了自己的回答——隔著48小時，隔著354個在試管裡真實"工作"的蛋白質，隔著320位等待新療法的臨床受試者，隔著跨國藥企一張張落地的合作清單論文。這條路一旦開啟，就不會再回頭。而路的終點，從來不是模型榜單，是患者。
