OpenAI天才辍学创业AI制药，20亿美元估值背后的资本逻辑是什么
人才迁徙：从代码农场到实验室培养皿
2024年3月，Miles Wang做出了一个在旁人看来略显突兀的决定。这位刚刚从哈佛计算机科学本科辍学的年轻人，此前仅加入OpenAI强化学习团队一年半，却选择带着几位核心同事离职，投身于一个极度陌生且高风险的领域：AI制药。这并非简单的职业跳槽，而是一次具有象征意义的范式转移。尽管新创公司尚无官网，未公布具体管线，创始人也缺乏传统意义上的生物学学位，但市场反应却异常热烈。在融资洽谈阶段，领投方Lightspeed便认可了其20亿美元的估值。
这一数字之所以令人震惊，不仅因为金额巨大，更因为它打破了传统生物技术初创公司的估值逻辑。在最近的三个月里，AI制药赛道迎来了资本的热潮，Chai Discovery完成4亿美元融资，估值达38亿美元；Isomorphic Labs也在B轮融资中获得21亿美元；Anthropic更是通过收购Coefficient Bio并引入AlphaFold核心人物John Jumper，正式大举进军药物研发。这些巨头动作表明，一条新的迁移链条正在形成：大模型实验室的顶尖人才，正开始系统性地向科学领域迁徙。
这种迁徙并非偶然。Miles Wang的研究背景揭示了他的创业逻辑基点。他此前发表的论文如《Frontier Science：评估AI执行科学研究任务的能力》，核心在于测试通用AI模型在真实科学场景中的表现，探讨AI推理与规划能力距离成为合格“AI科学家”还有多远。这种思路与传统的垂直药物发现模型截然不同。他不打算从零搭建服务于药物发现的专用小模型，而是试图将通用大模型已验证的认知能力，直接迁移到科学发现流程中。这是一种典型的“降维打击”，利用通用智能的泛化能力，去解决垂直领域的高门槛问题。
估值重构：当大模型实验室成为新名校
VC给出20亿美元的高估值，表面看是看好AI制药赛道，深层逻辑却是对人才认证体系的重新定义。过去几十年，学术界的大牌名校是顶尖人才的背书者；而在大模型时代，OpenAI、DeepMind、Anthropic等实验室正在取代斯坦福、MIT，成为更高阶、更稀缺的人才认证机构。
投资人看重的，不再是创始人是否拥有生物学博士学位，或是传统药企的管理经验，而是“OpenAI顶级研究员”这一标签背后所代表的智力密度和技术敏锐度。这是一种新的信任机制：能够在顶级大模型实验室生存并贡献核心成果的人，证明了其拥有解决极其复杂问题的能力。当这种能力从文本生成、代码编写迁移到药物发现时，投资人相信其底层逻辑是相通的——即通过强化学习和对齐评估，优化决策过程，从而加速科学发现。
这种逻辑的变化，也反映了大模型技术发展的阶段性特征。目前，大模型在文本、代码、多模态处理上的“低垂果实”已被采摘殆尽，增长边际效益递减。资本和技术需要新的战场来验证AGI（通用人工智能）的真正通用性，而科学领域，因其对高算力和高质量数据的双重需求，成为了检验模型推理和规划能力的最佳试验场。Anthropic推出Claude Science、OpenAI加强AI for Science项目的投入，都是这一趋势的佐证。大模型实验室不再将科学项目视为公益副业，而是将其作为证明模型能力边界的关键实验场。
策略选择：老药新用的理性与妥协
在具体执行层面，Miles Wang选择“老药新用”作为切入点，是一个极具策略性的选择。老药新用旨在挖掘已获批药物或拥有大量安全数据药物的新适应症。这一路径无需从头设计全新分子，也不必过早面对漫长且昂贵的一期临床安全性验证。它更多依赖于对海量文献、基因表达谱和真实世界临床数据的深度整合与逻辑推理。
在这个环节，大模型的评估-推理优势能够直接转化为商业价值。AI可以挖掘出人类难以察觉的“药物-靶点-疾病”隐秘链接，从而大幅缩短研发周期。相比于从头设计新药（De Novo Design）需要依赖扩散模型、图神经网络和复杂的分子动力学模拟，老药新用对模型的绝对精度要求相对较低，更侧重于关联分析和逻辑推理，这正是当前大语言模型和强化学习算法的强项。
然而，这种策略也隐藏着一个巨大的鸿沟。Miles Wang的专长在于强化学习和对齐评估，这是“干实验室”（Dry Lab）的核心能力。但从模型输出到药物实体，中间隔着从干实验室到湿实验室（Wet Lab）的巨大跨越。AI预测出的分子或适应症，必须经过严格的生化实验验证。当前AI制药的主流技术方向如蛋白质结构预测、分子动力学模拟，与Miles的背景存在一定错位。他选择的“老药新用”虽然避开了分子设计的硬骨头，但也意味着要进入一个高度依赖经验、监管复杂且竞争激烈的红海市场。
挑战与未来：从模型能力到行业Know-How
尽管估值诱人，但这家初创公司面临的挑战并不少。AI制药不仅仅是算法问题，更是生物学、医学和监管科学的重叠。Miles Wang团队需要补齐行业经验的短板，学会与FDA监管机构打交道，理解药企的研发流程，并与CRO（合同研究组织）建立合作。这些“软技能”和“硬经验”，是单纯的技术天才无法直接携带的。
此外，投资人对“辍学创业”的宽容度，也需理性看待。与盖茨、扎克伯格时代赌年轻人懂互联网产品不同，现在赌的是“大模型实验室替代大学”这一假设是否成立。如果通用AI无法在科学发现中展现出超越垂直专用模型的效能，那么这种基于人才溢价的估值模型将面临巨大的回调风险。
更深层次来看，OpenAI等实验室对人才的“定向灌溉”，实际上是一次科学发现范式的革新。这些离开实验室的年轻人，带着大模型的思维模式、同事网络和技术品味，成建制地降临到垂直科学领域。他们带来的不仅仅是一款软件或一个分子，而是一种全新的工作流：将AI从辅助工具升级为合作伙伴，甚至是在科学发现中担任主导角色。
20亿美元的估值，是风投对这一潜在范式转移的提前定价。它标志着AI与生物科学的融合，已从“AI for Science”的概念阶段，进入了“AI by Science”的实战阶段。在这个过程中，技术的通用性与行业的专业性之间的张力，将成为决定成败的关键。对于投资者而言，他们押注的是一份金光闪闪的“OpenAI学位”，以及背后可能彻底改写科学发现速度的全新逻辑。而对于创业者来说，如何将这种逻辑转化为实实在在的实验室数据和监管批准，将是他们接下来最艰难的一课。