當字節跳動開卷AI制藥

字節跳動，高調殺入了AI制藥賽道。

它并非國內首個跨界生命科學的互聯網巨頭，但可能是最“重”的一個。自2020年啟動 AI4S 底層技術布局，經過內部多條業務線、多年的奔跑，完成底層平臺的搭建，到現在喊出解鎖“不可成藥”靶點、重塑藥物可能的口號，首個AI分子也走到臨床前驗證階段。

近期，又傳出字節跳動AI制藥業務線啟動拆分與獨立融資的消息，拆分后字節跳動仍將控股新公司，核心團隊、算法、技術平臺和已有管線資產整體進入新主體。不同于騰訊等大廠賦能新藥研發的戰略，字節展現出一副親自下場做藥的姿態。

字節在這個時間點拆分獨立，既是順勢而為，也是逆勢押注。當擅長飽和攻堅的算法巨頭闖入生物醫藥深水區，這套“矛盾”戰略背后，藏著互聯網跨界AI制藥最真實的優勢與隱憂。

AI制藥的核心競爭力究竟在哪里？字節的短板在哪里，底氣又是什么？這些問題，比字節拆分AI制藥本身更值得追問。

/ 01 /“原子”武器

3月份，字節跳動AI制藥團隊發布了兩篇論文。

第一個是，其與清華大學合作發布了基于全原子層面的通用分子生成基礎模型AnewOmni。號稱全球首個跨小分子、多肽、抗體的全模態藥物設計大模型。

以往AI藥物設計的思路將不同分子類型視為不同的領域，并為每種類型使用專門的生成模型，每個任務的數據、表征、模型架構都不一樣。但回到原子層面——碳、氮、氧、氫，在這一層面小分子和多肽沒有本質區別。

這就是AnewOmni的出發點，既然底層物理是共通的，那就可以用一套模型統一學習，并且跨模態互相增益。

AnewOmni通過全原子層面的通用分子生成基礎模型，在統一生成框架實現跨模態分子的從頭設計，并且，已經在KRAS G12D、PCSK9這兩大靶點中實現了濕實驗驗證，證明了跨模態知識遷移在實際任務中的可行性。

顯然，這是一種顛覆性敘事。即未來的分子設計，有可能從孤立的單點技術，逐步走向通用的、可編程的、能夠進行深度分子推理的整合平臺，進一步拓展科學界探索分子空間的能力邊界。

更具體而言，比如把抗體“轉換”成多肽——保留結合模式，同時獲得多肽的細胞穿透性。

第二個則是AnewSampling ，一個想要復現全原子分子動力學的框架。

過去幾年，AI徹底改變了蛋白質結構預測的能力，從序列到結構的預測精度達到前所未有的高度。然而，在真實的藥物研發中，單一的靜態結構遠遠不夠，真正決定藥效的，是它如何“動”。

蛋白與配體的結合本質是一個動態過程：構象不斷變化，能量狀態持續交換，關鍵相互作用在不同時間尺度上形成與消失。理解動態熱力學景觀，一直是藥物發現中的核心挑戰。

而傳統分子動力學（MD）模擬要靠飛秒級步長一點點推演，想看清毫秒級的構象變化，動輒需要超算跑上數周，成本高、效率低。

AnewSampling 試圖解決這一難題，通過在全原子水平重建分子動力學平衡分布的生成模型，比傳統MD快1000倍，能精準捕捉蛋白柔性及配體結合模式。

AI正在理解分子如何運動、如何演化，從靜態結構預測到動態分布建模，這似乎也是一個顛覆性敘事。

而以上這兩個平臺，也意味著，字節的AI制藥實現了從靶點機制解析、全新分子創造到成藥性優化的全鏈條布局。

/ 02 /管線迭代

底層平臺的集中露出，只是“獨立”的開端，真正引得制藥行業廣泛關注的，是首個AI分子的亮相。

4月25日，字節跳動旗下AI制藥子公司Anew Labs在AAI 2026上進行了口頭報告，首次公開處于臨床前階段的IL-17小分子抑制劑，利用AI驅動的虛擬篩選技術，結合分子生成算法成功識別而來，首次在小分子層面實現了對IL-17家族（AA/AF/FF）的泛抑制。

以往，由于傳統結構設計的局限性，小分子藥物只能靶向IL-17AA和AF，而字節實現了對IL-17AA、IL-17AF及極難成藥的IL-17FF二聚體的抑制。目前實驗室的數據顯示了它的高活性表現，成藥性驗證上在多個物種中也展現出良好的口服暴露特征。

IL-17靶點的自免商業潛力無需多言。2025年，諾華的司庫奇尤單抗全球銷售額超66億美元。鑒于自免口服藥廣闊的市場前景，小分子IL-17抑制劑一直是自免研發領域的熱點，禮來、賽諾菲、諾華、艾伯維等頭部MNC均有布局。

由此，其背后的主體——Anew Labs也徹底浮出水面，并將自身定位為“AI matters most where conventional drug discovery falls short”。

除了IL-17小分子抑制劑，Anew Labs官網顯示，還有一款靶向IL-4R的管線，已完成了靶點的命中識別；還有兩個未披露靶點的管線處于苗頭化合物發現階段。

相比底層平臺的“原子”顛覆敘事，目前披露的管線則更多是迭代式創新敘事。并非全新靶點的從頭開始，而是基于成熟靶點的進一步探索。

當然，這也是極大的突破，且契合當前市場對于AI制藥的期待——從早期的效率提升，到臨床成功率提升。

AI制藥領域有一個常見的敘事：傳統方法需要18個月，用AI三個月就完成了。但經歷前期種種顛覆性敘事之后，行業正在對AI祛魅，即在藥物開發這樣一個高風險、高失敗率的行業里，藥企真正想需要的不只是“快”，而是如何“提高成功率”，在后續的臨床開發中更有勝算。這才能構成完整的創新藥研發底層范式革命敘事。

Anew Labs這樣的管線布局思路，或許也與以劉勇軍為首的科學顧問委員會，有著直接關系。

劉勇軍曾公開表示過對“追新”持謹慎態度，面對下一代的自免藥物開發，他的建議是聚焦成熟靶點的迭代創新，新機制的靶點仍然存在不確定性。

/ 03 /大力出奇跡？

目前看，相比騰訊在AI制藥領域所強調的“連接”，字節的選擇更重，正朝著親自下場做藥、推臨床的方向演進。

騰訊健康總裁吳文達說過，騰訊最大的優勢是“連接”。騰訊不想做新藥，想做的是“賦能者”——為藥企提供底層的AI工具和云服務，讓專業的人做專業的事。這很符合騰訊一貫的定位：做連接器而不是顛覆者。

字節跳動則向來信奉“大力出奇跡”。

這套方法論在過去十年被反復驗證：今日頭條、抖音、TikTok，都是以大量資源投入、快速迭代、飽和攻擊的策略攻城略地。當這種思維遇上AI制藥，字節的選擇并不令人意外——要么不做，要么全力做。

從組織動作上可以看得很清楚。字節將原本分散在各處的AI4S團隊全部并入劉凱負責的AI制藥團隊，完成算法模型團隊的整合。最新的拆分傳聞更是讓AI制藥業務獨立運營，擁有獨立決策權。

有意思的是，除了Anew Labs，字節內部還有兩條AI制藥線，此前顧全全牽頭的SeedFold、肖文之的Protenix，且各自訓練模型。目前看，被推向前臺的是Anew Labs。這或許是近期傳出，字節AI大牛集體出走、籌備AI制藥創業的原因。

而在海外科技媒體TNW看來，字節的入局具備獨特優勢：

其AI底層能力源自TikTok推薦系統。推薦算法的核心邏輯，是處理海量用戶行為數據、預測內容組合帶來的反饋；Anew Labs生成模型邏輯與之同源——處理海量分子數據、預測原子組合對應的生物活性。兩者架構雖不完全相同，但底層工程能力高度互通：訓練超大模型、海量數據快速迭代、大規模算力部署。支撐15億TikTok用戶的算力集群，如今被用來模擬分子行為，分子結合親和力成為這套系統的“用戶互動指標”。

這話乍一聽沒錯，但關于大語言模型數據管理的經驗是否可以轉移至生物科技領域，還有不少質疑。

比如上下文先天稀缺。文本數據里，語義上下文天然嵌在句子結構里，而蛋白結合親和力、后翻譯修飾、可成藥性這些AI真正需要的標簽，只能靠濕實驗一個個測出來貼上去；再比如多樣性的假象問題，蛋白質數據銀行（PDB）等公開數據庫看起來數據量很大,但它們提供的是藥物研發過程中經過高度篩選和編輯后的結果性數據。

換言之，大語言模型的“大力出奇跡”，并不適用AI制藥。

/ 04 /數據與閉環之爭

業內有一個日漸清晰的共識：在公域數據對所有參與者均等可及、主流算法架構通過論文和開源代碼快速擴散的情況下，真正決定AI平臺性能上限的，是高質量、標準化且可持續迭代的私域數據。

公開數據雖構成行業共同起點，但其噪聲、偏倚和陰性數據缺失等問題，制約了模型的泛化能力。相比之下，藥企與CXO積累的SAR過程數據、ADMET實驗數據、臨床數據，以及AI原生公司通過自動化實驗室產出的高通量標準化數據，對模型訓練的價值高得多。AI制藥的核心競爭，正在從“算法能力”轉向“數據資產與閉環能力”。

這也是為什么AI制藥企業，都在強調建設自動化濕實驗室，將干實驗與濕實驗相結合。因為，持續運行的濕實驗，能夠產生大量高質量且標準的專有數據集，用于訓練Al模型，而Al模型則能夠指導高通量濕實驗，再產生新數據用于模型選代，干濕閉環可形成自我強化的數據飛輪。

在這方面，字節的優勢與劣勢同樣一致突出。大模型訓練是吞噬算力的怪獸，一般玩家連入場券都拿不到，而字節擁有火山引擎提供的底座支持。這是Anew Labs的絕對長板。

但是，靠無限堆算力并不能解決生物底層規律學習問題。高價值的數據資產，以及現分子生成-測試-實驗數據反哺模型的閉環，是Anew Labs的短板所在。

比如，AnewSampling也承認當前框架的局限性。其中，高質量動態訓練數據的稀缺仍是制約模型擴展的主要瓶頸。同時，模型在處理復雜復合物時仍較依賴初始模板，僅依賴一級序列的高精度分布預測仍有提升空間。此外，由于當前框架主要在單一固定的熱力學環境下學習分布，尚不能完全替代傳統分子動力學在不同宏觀條件下的靈活模擬。

從分拆動作來看，字節將Anew Labs推出去獨立融資，無疑是希望Anew Labs能夠完成閉環的，甚至日后有可能與百圖生科類似，與創新藥企結盟，加速產業化。只不過，龐大的標準化實驗數據需要大量時間投入和資本支出，且難以通過捷徑復制。

難，才有做的必要與價值。因為這場AI制藥的全球競賽，已經不只是商業層面的競爭，更是一場關于未來十年生命科學戰略高地的博弈。

放眼整個賽道，國內有頭有臉的互聯網大廠都已下場，甚至中國電信也有布局。海外，OpenAI在2026年4月發布了專為生命科學打造的GPT-Rosalind，Anthropic收購了前基因泰克的AI團隊Coefficient Bio，谷歌旗下的Isomorphic Labs帶著AlphaFold直接做新藥管線。

這意味著，AI制藥賽道的競爭將愈發激烈，技術迭代速度將持續加快，產業整合將不可避免。

在這場競爭中，字節已經交出了算法的第一張成績單，但真正的戰役，在它離開大廠溫室、直面數據壁壘的這一刻，才剛剛開始。