從哈佛輟學的前OpenAI研究員踏足AI制藥，拿下20億美元估值：VC在賭什么？

“篩選標準或許只有一個：「極其聰明的人去解決極其難的問題」。”

作者丨周蕾

編輯丨岑峰

2024年3月，Miles Wang從哈佛計算機科學本科輟學，加入OpenAI的強化學習團隊。一年半后，他帶著幾位OpenAI同事離開，計劃創辦一家AI藥物發現公司。

這家公司暫時還沒有官網，沒有公開管線，這位年輕的創始人也沒有生物學學位。然而，就是這樣一家一切尚在雛形之中的公司，已經在洽談一筆2億美元左右的融資，領投方為Lightspeed，估值達20億美元。

盡管談判仍在推進，交易尚未最終落定，但這一數字本身足以讓市場重新審視一個命題：當最頂尖的AI人才出走大模型實驗室，他們的下一站會是哪里？

Miles Wang無疑踩進了一個火熱到發燙的賽道。最近三個月內，AI制藥賽道涌入約27億美元：Chai Discovery剛官宣了新一輪4億美元的融資，投后估值到達了38億美元；Isomorphic Labs也在今年5月完成了B輪21億美元的融資。

Anthropic則在本月初宣布進軍藥物研發領域，此前他們花了數億美元收購Coefficient Bio，并且力邀AlphaFold的核心人物John Jumper加盟。

這些事實背后，一條新的遷移鏈條正在形成：大模型實驗室的頂尖人才，正在系統性向科學領域遷移。

先翻開Miles Wang的論文列表，我們可以清晰地看到他的研究取向。他發表過《FrontierScience：評估AI執行科學研究任務的能力》《測量AI在濕實驗室中加速生物學研究的能力》，這些工作的核心在于評估通用AI模型在科學場景中的表現，測試通用大模型在真實的科學場景里，究竟能做到什么程度，探討AI的推理與規劃能力離一個合格的“AI科學家”還有多遠。

這一點也正是其創業邏輯的基點：通用AI向垂直行業的“降維打擊”，將大模型已經得到驗證的通用認知能力，遷移到科學發現的流程中，而非從零搭建一套只服務于藥物發現的垂直小模型。

這種“通用能力向科學場景遷移”的邏輯，在機構層面也在同步發生。

Anthropic今年收購Coefficient Bio、推出Claude Science、并引入AlphaFold核心人物John Jumper，同樣是在把大模型能力從工具層推進到科學研究的運營層。OpenAI、Anthropic這類實驗室的“AI for Science”項目，正在從官網上的公益副項目，變成證明模型能力邊界的關鍵實驗場。

某種程度上來說，這種遷移或許說明，大模型在文本、代碼、多模態上的“低垂果實”，已經被采摘完畢。人們需要一個可以大展拳腳的新戰場，而科學領域就是下一個需要“高算力+高數據”來驗證AGI通用性的戰場。

Miles Wang選擇“老藥新用”作為切入點，也印證了這個邏輯。

老藥新用，也就是挖掘已獲批或已有大量安全數據藥物的新適應癥。這條路不需要從零設計一個全新分子，不必過早面對漫長的一期安全性驗證，能通過AI對海量文獻、基因表達譜、真實世界臨床數據的深度整合與推理，找出隱秘的“藥物-靶點-疾病”新鏈接。在這個信息密集、邏輯推理重于分子模擬的環節，大模型的評估-推理優勢恰好能直接轉化為商業價值，路徑更短，容錯空間也相對更大。

但與大多數AI制藥公司有所區別，Miles Wang創業公司的核心賣點，或許并非某種具體的分子設計軟件，而是一種通用AI方法論在生物化學領域的可遷移性。

他的論文列表里有一篇《測量AI在濕實驗室中加速生物學研究的能力》，這說明在AI制藥上，他有一定相關研究。

然而，“評估AI做科學的能力”和“真正用AI做出一個藥”，中間隔著從dry lab到wet lab的鴻溝。Miles的長處是強化學習和對齊評估，但當前AI制藥的技術方向以擴散模型、圖神經網絡、蛋白質結構預測和分子動力學為主。強化學習在藥物發現中有一定應用場景，但未必是最對應的方向。

他選擇“老藥新用”作為切入點，這一點十分巧妙。正如前文所言，這個方向不需要從頭設計分子，而是在已有安全數據的藥物中尋找新適應癥，監管路徑更短，商業化更快，AI模型的評估-推理能力在這個環節也有發揮的余地。但管線推進需要的不只是模型能力，更是與FDA、藥企、CRO打交道的經驗，這家初創企業要補的行業功課，恐怕不會少。

但另一方面，20億美金的估值，從某種程度上也說明了風投的“寬容”程度，同時也是一種風投趨勢的信號：近年來投資人似乎又愿意再度押注輟學的年輕人了。

但這次的“輟學”和蓋茨、扎克伯格時代有本質區別。上一代輟學創業，賭的是年輕人更懂互聯網產品；這一代輟學創業賭的則是，大模型實驗室已經替代了大學，成為更高階、更稀缺的人才認證機構。

準確來說，投資人可能并不在意他是否哈佛輟學，也不在乎他“適不適合”傳統意義上的藥物發現，看中的是“OpenAI頂級研究員+AGI for Science”這個組合。

不難看出，大模型實驗室正在變成新的斯坦福、MIT——它篩選、訓練、認證了最頂尖的AI人才，而投資人認這個認證。他們的投資邏輯，歸根結底，是“極其聰明的人去解決極其難的問題”，而已經不再是常見的“垂直行業經驗+流程優化”的套路了。

更深一層去看，OpenAI、DeepMind、Anthropic等實驗室在“AI for Science”上的重投入，本身就是一次對人才的定向灌溉。這些人的離開，比起“跳槽”“離職創業”的說法，其實更像是一種“畢業”——他們帶著實驗室的模型能力、研究品味、同事網絡，成建制地降臨到了垂直科學領域。

當VC為Miles Wang開出20億美元估值時，他們押注的，其實是一份金光閃閃的“OpenAI學位”，以及背后所代表的，一個可能將科學發現速度徹底改寫的全新范式。