20亿美元估值背后的赌局：AI大模型人才如何重塑科学发现范式

在硅谷的叙事传统中，“辍学创业”往往与互联网黄金时代的英雄主义挂钩。然而，当时间推移至2024年至2025年的交叉点，这一标签的内涵正在发生深刻的异变。Miles Wang的故事并非简单的励志童话，而是一条清晰可见的人才迁徙轨迹。这位曾从哈佛计算机科学本科辍学、随后加入OpenAI强化学习团队的研究员，在一年半后带着几位同事投身AI制药领域。尽管其公司尚处于雏形阶段，缺乏公开管线且创始人无生物学背景，但其洽谈中2亿美元领投、20亿美元投后估值的交易规模，足以让市场重新审视一个核心命题：当最顶尖的AI人才系统性出走大模型实验室，他们究竟在押注什么？

这种人才流动并非孤立事件，而是整个科技行业向“深科技”（Deep Tech）渗透的缩影。在过去几个月内，AI制药赛道涌入的资金高达27亿美元。Chai Discovery完成4亿美元融资，估值攀升至38亿美元；Isomorphic Labs在完成B轮21亿美元融资后持续扩张；Anthropic则通过收购Coefficient Bio并引入AlphaFold核心人物John Jumper，正式宣布进军药物研发。这些动作背后，隐藏着一套全新的投资逻辑：大模型实验室正在取代传统顶尖高校，成为新一代顶尖科学人才的实际认证机构。投资人追逐的不再仅仅是垂直行业的丰富经验，而是那种经过大模型实验室高强度训练后，具备极强抽象思维和解决复杂问题能力的“通用型”大脑。

Miles Wang的学术背景为这种逻辑提供了注脚。纵观其发表的论文，如《Frontier Science：评估AI执行科学研究任务的能力》和《测量AI在湿实验室中加速生物学研究的能力》，其核心指向并非单纯的分子设计，而是评估通用AI模型在真实科学场景中的推理与规划能力。这表明，其创业基点在于“通用AI向垂直行业的降维打击”。与早期AI制药公司从零搭建服务于特定任务的垂直小模型不同，新一代创业者倾向于将大模型已验证的通用认知能力迁移到科学发现流程中。这种思路认为，科学发现本质上是一个信息密集、逻辑推理重于简单分子模拟的过程，而大模型的评估与推理优势恰好能在此处转化为直接的商业价值。

选择“老药新用”作为切入点，是这一逻辑在商业落地上的精明体现。所谓老药新用，即挖掘已获批药物的新适应症。这一路径避开了从头设计全新分子所需的高昂成本和漫长的一期安全性验证，转而利用AI对海量文献、基因表达谱及真实世界临床数据进行深度整合，寻找隐秘的“药物-靶点-疾病”链接。在这个环节，监管路径更短，商业化速度更快，且对模型的容错空间相对较大。对于缺乏传统药物研发经验的初创团队而言，这是一条能够迅速验证技术可行性并产生现金流的捷径。然而，这并不意味着技术壁垒的低微。相反，它要求AI模型具备极高的多模态数据整合能力和复杂的因果推理能力，这正是前沿大模型正在攻克的难关。

尽管前景诱人，但从“评估AI做科学”到“真正用AI做出一个药”，中间横亘着从干实验室（Dry Lab）到湿实验室（Wet Lab）的巨大鸿沟。Miles Wang的专长在于强化学习和对齐评估，而当前AI制药的主流技术栈仍以扩散模型、图神经网络、蛋白质结构预测和分子动力学为主。虽然强化学习在药物发现中有一定应用，但未必是核心驱动力。此外，管线推进不仅依赖算法，更涉及与FDA的沟通、药企合作以及CRO（合同研究组织）的协同。这家初创企业需要在行业Know-how上补齐大量功课，任何算法上的优越性若无法转化为实际临床数据，都将在残酷的生物医药验证面前显得苍白。

然而，20亿美元的估值恰恰反映了风投市场的某种“宽容”乃至狂热。近年来，投资人似乎重新爱上了“辍学的天才”叙事，但其内核已与盖茨、扎克伯格时代截然不同。前者赌的是对互联网产品直觉的敏锐，后者赌的则是大模型实验室作为“人才加速器”的认证效力。投资人看重的不是Miles Wang是否拥有生物学学位，而是“OpenAI顶级研究员+AGI for Science”这一组合所代表的潜力。他们相信，极其聪明的人加上极其先进的工具，足以解决极其困难的问题。这种逻辑忽略了对行业沉没成本的敬畏，却强调了认知维度的跃迁可能带来的颠覆性优势。

更深层次地看，OpenAI、Anthropic等巨头在AI for Science领域的重投入，实质上是一次对人才的定向灌溉与“毕业”分流。当这些顶级人才成建制地降临垂直科学领域时，他们带走的不仅是模型权重，更是研究品味、协作网络以及对AGI通用性的深刻理解。大模型实验室正在从单一的文本或代码生成中心，演变为证明AGI在物理世界和科学世界中通用性的关键实验场。这标志着AI技术发展的下一阶段：当互联网、金融、内容创作等数字化领域的“低垂果实”被采摘殆尽，科学领域将成为验证AGI真正智能水平的下一个主战场。

在这场变革中，数据与算力的边界正在消融。传统药物发现依赖试错法，效率低下且成本高昂；而基于大模型的AI制药试图通过生成式假设和预测性模拟，重构这一过程。这种重构不仅仅是工具层面的优化，更是方法论层面的范式转移。它要求科学家具备编程思维，要求工程师理解生物逻辑，要求投资人容忍长期的不确定性以换取指数级的回报突破。Miles Wang的案例，正是这一范式转移初期的一个典型切片。

展望未来，随着更多类似背景的人才涌入，AI制药的竞争格局将从单一的技术比拼转向生态系统的构建。拥有高质量生物数据的公司、拥有强大基础模型能力的AI公司，以及拥有临床转化能力的制药巨头，三方之间的合作与博弈将成为常态。而对于像Miles Wang这样的初创团队而言，如何在保持技术前瞻性的同时，扎实地跨越湿实验室的验证门槛，将是决定其20亿美元估值能否兑现的关键。

风投的20亿美元，买的不仅仅是一家公司的股权，更是一份关于“AI将彻底改写科学发现速度”的期权。在AGI尚未完全到来的前夜，这种对顶尖智力资源与通用人工智能技术结合的押注，或许正是科技史上又一次重要转折的开端。无论结果如何，大模型人才向科学领域的系统性迁移，已经不可逆转地改变了创新要素的配置方式，也重新定义了“创业”与“科研”的边界。