2.9亿美元融资背后：AI制药真正要跨越的，不只是模型

一发生了什么

二为什么重要

互联网产品和创新药，看起来都强调技术和增长，实际上遵循的是两套不同的时间表。

互联网业务通常以周或月为单位迭代，观察用户、收入和留存；药物研发则要经历模型预测、实验验证、先导化合物优化、毒理研究、IND申报和临床试验。任何一个环节失败，都可能使此前数年的投入归零。

这意味着，一个大厂内部的AI科研团队即使拥有算力、人才和数据，也不一定适合直接按照互联网部门的方式长期管理。

它需要独立的股权激励吸引跨学科人才，需要熟悉医药的董事会和投资人，需要围绕药物资产配置资本，也需要对知识产权、实验质量和患者安全承担清晰责任。

因此，Anew Labs 的拆分本身，可能比融资金额更值得研究。

它代表一种值得观察的路径：大公司提供初始人才、算力和技术积累；独立公司引入产业资本和专业治理；母公司继续保留控制权及长期收益。

三对创业者、企业和投资人的影响

对AI制药创业者

「模型能力强」已经不足以构成完整的公司故事。

创业者需要证明，模型输出能够进入实验闭环：候选分子能否被合成？活性和选择性是否可以重复？药代、毒性和成药性是否改善？失败数据能否反过来训练下一轮模型？

真正的壁垒不是一次排行榜领先，而是「计算—实验—数据—再计算」的迭代速度与质量。

对拥有科研资源的大型企业

并非所有AI4Science团队都应该被拆分。但当项目开始拥有独立管线、专利、外部合作和长期资本需求时，就应认真评估组织边界。

拆分之前必须说清楚四件事：知识产权归属、数据使用权、算力与服务协议，以及核心团队的长期激励。否则，形式上独立了，实际运行仍可能受到母公司的流程牵制。

对投资人

估值AI制药公司时，应把「平台价值」和「药物资产价值」分开。

平台要看技术是否具有持续优势和可复用性；管线则要按照靶点、实验数据、知识产权、开发阶段和临床风险逐项判断。

不能因为模型先进，就提前把所有候选药物都当作成功资产；也不能只按传统Biotech估值，完全忽略数据和模型带来的研发效率。

四春雨的判断

做投资近20年，我看到过很多技术从实验室走向产业。最容易被高估的是技术演示，最容易被低估的是组织设计。

AI制药是一种「双重资产负债表」的生意：一边要持续投入模型、算力和数据，另一边要承担药物研发漫长且高度不确定的成本。只懂AI或只懂医药，都很难独立完成这个闭环。

我对 Anew Labs 的判断不是「这笔融资证明AI制药已经成功」。恰恰相反，这笔融资只说明它获得了参加下一阶段比赛的资本。

真正的验证仍然要来自可重复的实验数据、具有差异化的候选药物，以及未来的临床结果。

Anew Labs 更值得关注的地方，是它正在尝试把大厂内部的科研能力转换为独立的药物资产和公司治理体系。如果这个转换成功，它可能为中国大型科技公司的AI4Science商业化提供一个样板；如果失败，原因也未必是模型不够好，而可能是科学、资本和组织没有真正形成同一个闭环。

五三个可执行启示

1. 建立「模型到资产」的转化表

   逐项列出模型输出、实验验证、候选物、专利、临床前研究和IND节点。任何无法对应到下一步证据的模型指标，都不应被当作核心商业成果。

2. 分开计算平台和管线价值

   明确哪些收入来自技术服务，哪些价值来自自有药物管线；同时提前确定知识产权、数据权利和合作成果的归属。

3. 让融资与科学里程碑对应

   下一轮融资不应只依赖论文、模型规模或生成分子数量，而应绑定可重复实验、候选物确定、成药性改善和监管节点。

六风险与反方观点

• 大额融资和高估值不等于临床验证。Anew Labs 披露的管线仍处于较早阶段。
• 独立运营可能削弱团队原本能够获得的大厂算力、数据和人才支持。
• 字节跳动仍持有约56%的股份。如果治理独立性不足，外部投资人和潜在药企合作伙伴可能有所顾虑。
• AI可以缩小搜索空间，但无法消除生物机制、毒性、制造和临床试验的不确定性。

因此，对这笔交易最合适的态度不是追捧，也不是否定，而是观察 Anew Labs 能否把算法优势转化为连续、可验证的药物资产。