AI 制药的瓶颈，正在从「设计」挪到「湿实验台」

这篇想回头聊一件 8 月中的事。8 月 20 日，湿实验室 Adaptyv Bio 发了一篇博文，Anthropic 也在自己的研究页上发了对应的说明：他们用 Claude（Mythos Preview / Opus 4.8）设计蛋白结合体，再交给 Adaptyv 这个独立的湿实验室去实测。

最近又看到有投资类通讯把这件事当成「前沿 AI 实验室集体进场 AI 制药」的例证来讲，我回头把一手材料重读了一遍。读完最大的感受是：大家都在转那个漂亮的命中率，但原报告自己写明的三条限定，转述里一句都没提。而这三条，恰恰是这件事最值得想的地方。

先看数字

下面的数字都来自 Adaptyv 和 Anthropic 的原文：

• Claude 一共设计了 1,320 个蛋白结合体，交给 Adaptyv 实测，其中 354 个真的结合上了，命中率 26.8%。行业均值大约在 10–15%，这个结果约是它的 2 倍。
• 表达率 95%；15 个靶点里，有 14 个找到了结合体。
• TREM2 这个靶点上，命中率 80%，对比竞赛的 38.3%。
• RBX1 上亲和力从 25.7 nM 到 3.9 nM；15-PGDH 上从 1.7 µM 到 33.4 nM。
• 和蛋白设计竞赛对比，「6 场赢 5 场」。
• 也有失手的：MBP 这个靶点，设计了 90 个，0 个结合。

我特意把 MBP 那一条也列上。一组结果里有成有败，反而让人更愿意相信它是真实测出来的，而不是挑出来的。

原文自己写明的三条限定

第一，这不是全自主。整个过程是人类团队在驱动，实验按人类设定的 protocol 来做。AI 在这里是一个非常强的设计工具，而不是一个自己定目标、自己跑完全程的「科学家」。

第二，这是开环。实验结果出来之后，并没有反馈回下一轮设计。也就是说，这一次展示的是「一次设计、一次实测」的能力，而不是「设计—实验—再设计」的闭环迭代。

第三，这只是 binder，不是药。能结合上靶点，离成为一个药，中间还隔着很长的路。把「蛋白结合体命中率 26.8%」读成「AI 能做药了」，是跳了好几级台阶。

这三条不是我挑刺，是原报告自己写的。转述把它们抹掉之后，故事变得更好讲，但也更容易让人误判。

真正的变化：瓶颈换了位置

我觉得这件事背后的机制，比数字本身更值得记下来。

过去做蛋白设计，难点在「想出好的候选」：靠专家经验、靠反复试错，一个靠谱的假设很贵。现在 AI 一次能给出上千个设计，而且命中率比行业均值高，假设生成这一步，几乎变得免费了。

但每一个设计到底行不行，还是得放到实验台上，表达、纯化、测结合，一个一个验证。这一步是物理世界的活，要时间、要仪器、要人手，不会因为模型变强就自动变快。

所以瓶颈并没有消失，而是挪了位置：从「设计」挪到了「湿实验台」。这也解释了为什么这次实验里，一个独立湿实验室的角色这么关键：没有它的实测，1,320 个设计只是 1,320 个文件。

再结合第二条限定来看就更清楚了。现在之所以是开环，很大程度上就是因为实验这一环太慢、太贵，没办法让结果快速流回模型。谁能把实验台做得更快、更便宜、更标准化，谁就有机会把开环变成闭环。

对我自己的启发

虽然我不做生物，但这个结构在很多领域都似曾相识。

我自己用 AI 写代码、写网站，也有类似体会：让 AI 生成十个方案很容易，真正花时间的是验证哪个能跑、哪个上线后真的有用。生成越便宜，验证就越成为那个卡脖子的环节。

所以，看到一个漂亮的 AI 成绩单时，我会多问两句：它是在哪个环节变强了？验证那一环是谁做的、做到了哪一步？结果有没有被拿回来改进下一轮？这几个问题问清楚了，才知道这件事到底走到了哪里。

写在最后

26.8% 是一个真实的、值得认真对待的数字。但它说的是「AI 让设计变便宜了」，而不是「AI 能自己做药了」。当想法变得几乎免费，真正稀缺的，是把想法放到现实里检验的那张实验台。

另外说明一下：转述这件事的那篇通讯，主要是从交易角度写的，里面提到的公司和交易框架我这里一概不展开，本文也不构成任何投资看法。

来源：

• Adaptyv Bio 博文：adaptyvbio.com/blog/anthropic-1（2026-08-20）
• Anthropic：anthropic.com/research/Claude-accelerates-protein-design
• 选题线索：Robonomics《AI Drug Discovery Is Becoming a Bottleneck Trade》（2026-10-04），仅作选题参考，文中数字均以上述一手原文为准。