2026年6月19日，John Jumper在 X上宣布，自己將離開工作近九年的 Google DeepMind，在短暫休整後加入 Anthropic。隨後，DeepMind CEO Demis Hassabis也公開回復，感謝 Jumper對 AlphaFold和 AI for Science的貢獻。
Jumper的大名無需太多介紹。他是 AlphaFold的共同創造者，2024年諾貝爾化學獎得主。AlphaFold預測超過2億個蛋白質結構，被190個國家的200多萬研究者使用，這大概是 AI在自然科學領域迄今最具辨識度的成果之一。也是 AlphaFold讓 DeepMind從「會下圍棋、會玩遊戲的 AI實驗室」，變成了一家真正有資格談論科學發現的公司。
就在前一天，另一位重量級人物 Noam Shazeer也宣布離開 Google，加入 OpenAI。Shazeer是 Transformer架構奠基論文《Attention Is All You Need》的共同作者之一。Google在2024年通過一筆約27億美元的 Character.AI授權和人才回流交易，把他重新請回 Google；不到兩年，他又離開了。
一周之內，Google DeepMind連續失去兩位極具象徵意義的人物，放在任何公司，這都不可謂不是件大事。但人事變動本身不是這篇文章要寫的事，如果我們順著他們的去嚮往前看，從 Jumper加入的 Anthropic，到他離開的 DeepMind，再到挖走 Shazeer的 OpenAI，會發現三家前沿 AI實驗室正在同時把籌碼壓向同一個方向：生命科學。
今天的 AI for Science，會像去年的 AI for Software Engineering嗎？
首先是動作最為密集的 Anthropic。2025年10月，Anthropic推出 Claude for Life Sciences，把 Claude嵌入生命科學工作流，覆蓋文獻綜述、實驗設計、數據分析、臨床與監管文檔等任務。2026年1月的 JPMorgan醫療健康大會前後，Anthropic又推出 Claude for Healthcare，把重點從藥企和研究機構擴展到醫療服務、支付方和臨床場景。
隨後，Anthropic開始把這件事從「行業版本 Claude」推進到更深層的能力建設。
2026年4月，Anthropic以約4億美元股票收購 Coefficient Bio。這是一家成立僅數月、團隊不到10人的 AI生物科技公司，核心成員來自 Genentech的計算生物學團隊 Prescient Design。4億美元買不到10個人，可以說是貴得離譜，但 Anthropic缺的正是這批人手裡的藥物研發經驗。
相關報導還提到，Anthropic正在招聘生物學家、建設濕實驗能力，並試圖把 AI與實驗驗證閉環連接起來。
收購之後，Anthropic開始建自己的濕實驗室，目標是把整個生命科學研發周期壓縮十倍。差不多同一時期，有人在 Claude的界面里發現了一個叫 Operon的未公開模式，是專門的計算生物學工作區。諾華 CEO Vas Narasimhan加入了 Anthropic的董事會，據報導是第一個進入前沿 AI實驗室管理層的製藥公司高管。
6月9日，Claude Fable5發布。Anthropic用生命科學能力當核心賣點：底層的 Mythos5模型在藥物設計任務中速度提升約10倍，獨立完成了基因治療研究任務，還在基因體學領域提出了新假說並得到實驗驗證。十天之後，Jumper來了。
OpenAI的路線不太一樣。它不是先自建濕實驗室，而是鋪設合作網絡和垂直模型。
2026年4月16日，OpenAI發布 GPT-Rosalind。這是一個面向生命科學研究的推理模型，目標是支持生物學、藥物發現和轉化醫學研究。它可以幫助研究者做證據綜合、假設生成、實驗設計，也可以通過 Codex接入生命科學工具和資料庫。
6月，OpenAI又更新了 GPT-Rosalind，把 GPT-5.5的 agentic coding和工具調用能力加入其中，並發布 Life Sciences Research和 Life Sciences NGS Analysis兩個 Codex插件，讓模型不只是回答問題，而是能在同一個工作區里檢索證據、分析組學數據、執行生物信息學流程，並保留過程和產物。
同時，OpenAI Foundation也把生命科學列為未來一年至少10億美元投入計劃中的主要方向之一，重點包括阿爾茨海默症、公共健康數據集和高死亡率、低投入疾病。
OpenAI曾負責 OpenAI for Science的 Kevin Weil在2026年初說過一句被廣泛引用的話：「2026年的 AI for Science，會像2025年的 AI for Software Engineering。」這句話後來變得越來越像行業共識：編程助手已經成為前沿模型商業化最擁擠的戰場，而下一個要被 AI重寫的高價值工作流，正在轉向科學研究，生命科學排在最前面。
DeepMind和它孵化出的 Isomorphic Labs走的是第三條路，也走得最早：拆出一家獨立的 AI藥物發現公司，直接做臨床管線。
2026年2月，Isomorphic Labs展示了自己的 Drug Design Engine，也就是 IsoDDE。Nature報導稱，外部科學家把它稱為接近「AlphaFold4」級別的進展。它不再只是預測蛋白質結構，而是面向藥物發現中的蛋白-配體相互作用、抗體結構、結合位點等更貼近產業應用的問題。不同於 AlphaFold的開放路線，IsoDDE是閉源系統，能力留在 Isomorphic Labs的商業體系內部。
Isomorphic Labs已累計融資約27億美元：2025年完成6億美元融資，2026年5月又完成21億美元 Series B。它還與禮來、諾華等大型藥企達成合作，潛在交易總額接近30億美元。Hassabis今年表示，公司預計在2026年底前啟動第一批臨床試驗，這一時間表已經較此前「2025年底前進入臨床」的目標有所延後。
三家的路徑並不相同。Anthropic做的是把生物能力深度嵌入通用基礎模型，並通過收購和實驗能力建設補足閉環；OpenAI做的是垂直模型、工具插件和藥企合作網絡；DeepMind/Isomorphic做的是獨立公司、閉源引擎和自有/合作管線。
但方向完全一致：前沿 AI實驗室正在把生命科學視為軟體工程之後的下一個核心戰場。
為什麼是現在？
最直接的推動力是：AI設計的藥物開始在人體試驗中拿出結果了。
2025年6月，英矽智能的 rentosertib在特發性肺纖維化的 IIa期臨床試驗中獲得積極結果，論文發表在《Nature Medicine》上。Rentosertib是一個 TNIK抑制劑，其靶點發現和分子設計都使用了生成式 AI。無論最終它能否走到上市，這至少把「AI能否真正發現藥物」從一個理論問題推進到了臨床證據層面。
圖丨相關論文（來源：NatureMedicine）
AlphaFold獲得2024年諾貝爾化學獎，也起到了類似的信號作用。它讓投資人、藥企和前沿 AI實驗室看到，AI for Science不只是 demo，也可以產生被科學共同體承認的基礎性成果。而 FDA在2025年4月宣布逐步取消單株抗體動物實驗要求、鼓勵 AI計算模型替代，則從監管層面打開了兩年前不存在的通道。
數據側的變化同樣重要。單細胞圖譜、擾動數據集、空間轉錄組學、多組學數據在過去幾年快速積累，為模型提供了蛋白質結構之外的訓練材料。Bessemer引用 Epoch AI數據稱，2015年全年新發布的生物學 AI模型還不到10個，到2025年已經超過380個。生物學正在從「數據稀缺的濕實驗學科」，變成更適合模型訓練和自動化閉環的領域。
還有一個容易被低估的變量：Agentic AI讓生物學模型從「會回答問題」變成了「能幹活」。一個會解釋蛋白質摺疊的模型很有價值，但它仍然只是個助手。一個能選擇工具、設計實驗、讀取數據、修正失敗、給出候選方案並把結果送去實驗室驗證的模型，才更接近產品。Claude Mythos5的藥物設計流程、GPT-Rosalind的 Codex插件、Isomorphic的 IsoDDE，本質上都在朝這個方向走：不是只做科學問答，而是把模型嵌入科學工作的執行鏈條。
最後是商業邏輯。編程助手已經是最擁擠的前沿模型商業化賽道，相比之下，製藥和醫療健康是更大、更慢、更貴，也更難被重寫的產業。麥肯錫估算，生成式 AI每年可能為製藥和醫療產品行業釋放600億到1,100億美元價值；BCG的模型也認為，AI有機會把臨床前發現時間縮短30%到50%，成本降低25%到50%。
與此同時，大藥企正面臨新一輪專利懸崖。2026到2030年間，多款重磅藥物將失去專利保護，行業有數千億美元收入暴露在風險中。藥企需要更快補充管線，AI生物科技公司和前沿模型公司正好站在這個缺口上。
泡沫還是革命？
不過，如果只看多頭邏輯，這個故事推進得似乎有點太順了。
換個角度看，AI藥物發現的臨床記錄其實仍然很少。Recursion仍沒有獲批藥物，2025年還收縮了部分管線。BenevolentAI的候選藥物在特應性皮膚炎臨床試驗中失敗後，公司從阿姆斯特丹退市並被收購。Exscientia早期的 AI藥物項目也曾在臨床後終止。Insilico的 rentosertib結果是真實的，但目前它更像一個重要樣本，而不是已經被反覆驗證的產業規律。
也就是說，AI藥物發現已經越過了「完全沒有臨床證據」的階段，但還遠沒有到「確定能系統性提高成功率」的階段。
再看估值。Isomorphic Labs已經累計融資約27億美元，但尚未披露具體臨床資產；Coefficient Bio團隊不到10人，卻以約4億美元被 Anthropic收購。這裡面買的當然有技術和人才，但更重要的是稀缺性。
Isomorphic Labs的稀缺性在於，它可能是目前最接近「AI原生、垂直整合藥企」的實體。投資人為「找不到第二家」付了溢價。Jumper去 Anthropic，某種程度上正是在製造這個可信的第二家。
三家都衝進來之後，一個更現實的問題也出現了：前沿 AI實驗室在生命科學裡的長期角色到底是什麼？是賣 API給藥企，賺工具錢？是自己做管線，和藥企競爭？還是成為底層基礎設施，向整個藥物研發產業收平台稅？
目前三家給出了不同答案。Isomorphic Labs選擇自己做藥物發現公司，直接對接臨床和管線；OpenAI選擇垂直模型和合作網絡，把能力放進 Codex和企業工作流；Anthropic則更像一條混合路線：在通用模型里內建生物能力，同時通過收購、董事會配置和實驗能力建設積累藥物發現經驗。
Dario Amodei在2024年10月那篇長文《Machines of Loving Grace》裡，把生物學放在第一章（值得一提的是，Dario Amodei本身也是學生物出身的）。他提出一個說法，叫「壓縮的21世紀」：當 AI達到足夠水平，人類在生物學和醫學上原本需要一百年才能取得的進展，可能被壓縮到5到10年。
一年半後，他的公司收購了 AI生物科技團隊，建設濕實驗能力，發布具備藥物設計能力的 Mythos級模型，把諾華 CEO拉進董事會，然後招來了 AlphaFold的共同創造者。現在回頭看，那篇文章幾乎就是 Anthropic給自己畫下的一張路線圖。
Jumper的選擇也因此有了更多層面的含義。他在 DeepMind做 AlphaFold做到了最高點，諾貝爾獎也拿了，商業化工作交給 Isomorphic Labs，由 Hassabis親自帶隊。留在原地繼續做什麼，確實是一個真實問題。
他選擇了 Anthropic，而不是回到 Isomorphic Labs做藥物管線，也不是去 OpenAI做 GPT-Rosalind。這說明 Anthropic的路線對他有吸引力：不是單獨做一家 AI藥企，而是試圖讓通用基礎模型本身具備做生物學研究的能力。
這條路線也註定會更難。生命科學不是代碼，錯了不能簡單回滾。越強的模型，越可能同時帶來藥物發現和生物安全風險。Fable5發布時最具爭議的地方之一，就是它會在部分生物、化學和網絡安全場景下觸發保守降級；這種「越強，管得越嚴」的思路惹惱了一些研究者，但它也正是 Anthropic一直以來的核心敘事。
對一個深知蛋白質摺疊預測兩面性的科學家來說，這種在能力和安全之間走鋼絲的路線，也許比單純追求技術前沿更有吸引力。
三家實驗室當初都是衝著「解決智能」起步的。現在，它們用資金、產品和人才在回答一個更具體的問題：如果智能真的變得足夠強，第一批被它重寫的領域會是什麼？如今，這個答案似乎在收斂到生命科學這一領域。
而生命科學對模型的要求，和寫代碼、做客服完全不在一個量級上。模型要處理真實世界的物理約束，要在數據不完整的情況下做因果推理，要把計算結果送進實驗室接受濕實驗驗證，錯了就是錯了，沒有含糊餘地。編程助手可以靠補全代碼和跑 benchmark拿高分，但藥物要麼在臨床上起效，要麼不起效。從這個角度看，生命科學不只是 AI的下一個大市場。它正在變成前沿 AI的硬核考場，誰能在這裡跑通閉環，誰就證明了自己的模型不只是在屏幕上有用，而是能在真實世界裡產生可驗證的結果。
