过去几年，全球AI赛道的竞争几乎始终围绕大语言模型展开。从ChatGPT、Claude、Gemini，到中国市场的DeepSeek、Kimi，模型参数持续扩容，推理能力不断升级，行业从文本生成迈向多模态、编码能力，从对话工具进一步向Agent演进。
但进入2026年，AI竞争的边界开始进一步拓展，在语言大模型之外，面向物理世界与生命世界的模型加速发展。其中，生命科学正在成为全球巨头共同关注的新战场。Google DeepMind、OpenAI、Anthropic等头部AI公司相继加码，顶尖科学家、资本与算力开始向这一领域汇聚。
【产业痛点与AI禀赋的高度契合】
医药健康是全球规模最大的核心产业之一，但创新药研发长期深陷“高投入、长周期、低成功率”的困境。塔夫斯药物开发研究中心2016年的研究数据显示，一款新药从研发到上市平均需要约12.5年，资本化成本约26亿美元，而进入临床试验后的候选药物，最终成功获批的比例不足10%。更值得关注的是，这并不是一个短期现象，而是一条持续了数十年的长期趋势。
从更宏观的尺度看，这一产业面对的已经不仅是药物研发效率问题，而是整个医疗体系日益增长的成本压力。摩根士丹利研究指出，美国医疗支出2023年已经约占GDP的18%，如果当前增长趋势持续，到2050年这一比例可能达到25%，甚至进一步向30%靠近。换句话说，随着人口老龄化、慢性疾病负担增加以及医疗需求持续上升，生命科学与医疗健康正在成为影响未来经济运行效率的重要变量。谁能够借助AI提高疾病研究、药物创新和临床转化效率，解决的也就不仅是一家药企的研发成本问题，而是一个体量不断扩大的社会经济命题。
早在2012年，美国学者杰克·斯坎内尔（Jack W. Scannell）等人就发现，新药研发效率自上世纪50年代以来持续下降：以“每10亿美元研发投入能够产出的FDA批准新药数量”衡量，研发效率大约每9年下降一半。与计算机产业中性能持续提升的“摩尔定律”相反，这一现象因此被称为药物研发的“反摩尔定律”（Eroom's Law）。
也就是说，在测序、自动化、高通量筛选、计算化学等技术不断进步的同时，行业能够测试的分子越来越多、获得的数据越来越丰富、研发工具越来越先进，但真正成功转化为临床药物的效率并没有同步提高。
过去几年，AI已经在蛋白质结构预测、小分子生成、虚拟筛选、性质预测等环节展现出明显价值，大幅提升了药物发现阶段的研发效率。但随着AI制药不断向前发展，一个更加核心的矛盾开始浮现：今天大多数AI能力，依然集中在“分子”这一侧。
如果从药物研发的第一性原理出发，药物研发最终追求的并不是获得一个结构新颖、性质良好的分子，而是创造真实的临床价值——找到正确的疾病机制、选择正确的干预靶点、设计合适的药物，并最终让正确的患者从中获益。
围绕这一过程，实际上存在两类不同的模型。一类是“分子模型”，主要面向化学空间，解决分子的生成、筛选、性质预测与结构优化等问题，核心回答的是“什么样的药可以被设计出来”；另一类则是“生物模型”，面向疾病与生命系统，理解基因、信号通路、细胞、组织、病灶乃至患者之间复杂的相互作用，试图回答“为什么要做这个药、应该干预什么、适合什么疾病和患者，以及干预之后生命系统会发生怎样的变化”。
过去几年AI制药的快速发展，本质上主要推动了分子模型的成熟。从生成到优化，从结构预测到虚拟筛选，AI正在让“做出一个分子”变得越来越快。但与之相比，真正能够系统理解疾病机制、预测生物响应和临床结果的生物模型仍然十分稀缺。
这也构成了当前AI制药最核心的结构性缺口：药物研发真正决定成败的，很多时候并不是后端“能不能做出一个分子”，而是前端“研发方向是否正确”。靶点是否具有真实的疾病因果关系，药物究竟应该用于什么适应症，哪些患者更可能获益，这些判断一旦出现偏差，后端分子生成和筛选效率再高，也可能只是更快地走向错误结果。
因此，AI真正改变药物研发，不能只继续提高分子层面的搜索和设计效率，还必须补上长期缺失的生物模型，让AI从“计算分子”进一步走向“计算生命”，从优化传统研发流程，进一步进入疾病理解、研发决策与临床价值判断的核心环节。
回看大语言模型能力的产生，很大程度上建立在互联网海量文本之上，它可以从人类已积累的知识中寻找模式、建立关联并生成答案。但生命科学并不存在一个统一完整的“生命互联网”，大量信息分散在学术论文、生物数据库、实验结果和临床数据之中。更关键的是，生命系统本身也不是简单的信息关联，而是一个不断变化、多尺度耦合的动态系统。这意味着，AI进入生命科学真正困难的地方，并不是训练一个更懂医学知识的垂直大模型，而是能否让机器从分散的信息中建立对生命运行规律的整体理解，并进一步回答一个更困难的问题：如果进行某种干预，接下来会发生什么？
也正是在这一背景下，AI进入生命科学的思路正在产生变化。
【巨头抢滩，AI在生命科学领域竞争加剧】
全球AI巨头都嗅到了生命科学领域的巨大前景。Google DeepMind凭借AlphaFold率先打开了AI与生命科学结合的想象空间。2024年，AlphaFold之父John Jumper与Demis Hassabis因破解困扰生物学界50年的蛋白质结构预测难题，共同获得诺贝尔化学奖。AlphaFold已预测超过2亿个蛋白质的3D结构，全球超过300万科学家在使用它，在此之前，确定一个蛋白质的结构需要数年实验室工作，而现在只需几分钟。
进入2026年，巨头们的布局进一步加速和分化。OpenAI于4月推出面向生命科学研究的GPT-Rosalind，将大模型推理与Agent能力带入科研场景，连接50余个科学数据库和工具。Anthropic则在6月发布Claude Science，将AI工作台搬进科研流程。6月9日，Claude 5发布，直接把“能设计药物、做基因治疗研究”作为最大卖点。10天后，诺奖得主John Jumper从DeepMind跳槽至Anthropic。同月，Transformer之父Noam Shazeer从谷歌加入OpenAI。
两条顶尖人才流向变动，证明了生命科学正在成为AI的下一个核心战场。
目前业界的AI三巨头也选择了不同的战略路径。DeepMind与Isomorphic Labs由Hassabis亲自带队，从蛋白质结构预测到药物设计端到端打通，2026年5月完成21亿美元融资。OpenAI走平台战略，为所有药企和科学家提供AI工具。Anthropic则走垂直整合路线，收购湿实验室团队，自建药物研发管线，目标是让通用AI本身就会做生物研究，把整个药物研发周期从10年缩短到1年。
更值得关注的是Google内部的组织架构调整。8月5日，Axios报道，Google DeepMind联合创始人Demis Hassabis将转任董事长和Alphabet首席科学家，Koray Kavukcuoglu接管DeepMind日常工作。Jeff Dean则与Sanjay Ghemawat、Oriol Vinyals和Quoc Le创办Discovery Loop，采用独立公益公司架构，Google作为创始投资方和云服务伙伴。这意味着Google正在用三种不同结构承接AI4S任务：通用模型留在DeepMind，AI制药由Isomorphic Labs推进，长期科学发现则交给公司边界外的Discovery Loop。
Jeff Dean向《纽约时报》解释，离开上市公司能给团队更大的选择空间。有些研究决策未必符合公司最直接的财务利益，却可能对长期科学进展更有价值。
巨头选择的路线并不完全相同，但它们指向同一个趋势：AI正在从处理已有知识，走向参与科学发现本身。
中国企业拿出不同方案，哲源科技提出“生命世界模型”概念
而在中国，一批AI4S企业也开始探索自己的路径。近期，哲源科技获得近2亿元A2轮融资，由圣湘生物携产业基金领投，老股东中科创星持续跟进，张江科投等联合跟投。与市场更熟悉的AI分子生成、虚拟筛选等技术路线不同，哲源科技将自己的核心体系定义为“生命世界模型”。
从大模型的视角理解，这一概念并不复杂。如果说语言模型通过学习语言规律形成对语言世界的表征，物理世界模型通过学习现实环境中的状态变化形成对物理世界的理解，那么生命世界模型所希望建立的，就是AI对于生命运行规律的内部表征。它并不是简单训练一个“生物医药版ChatGPT”，而是试图让AI能够持续理解、计算和推演生命系统。
围绕这一目标，哲源科技摒弃了行业通用的“生物医药大模型”轻量化路径，以生命功能数字孪生为基础，将生物医学知识、基因组、信号通路、细胞和病灶等不同尺度的信息纳入统一体系。其核心逻辑是：让AI不只是回答“过去已经知道什么”，而是进一步预测“改变一个条件之后可能发生什么”。这也是生命世界模型与传统AI工具最大的区别。
目前，哲源科技已搭建完成五大基础模型矩阵，形成完整技术闭环：生物医学知识模型负责全域知识理解，“群体——个体”双尺度基因组语言模型实现遗传机制解析，信号通路模型完成生物通路图谱推演，虚拟细胞模型支撑细胞扰动预测，病灶世界模型实现疾病演化全程模拟。五类模型协同发力，构建出多模态、时序化的疾病全景数字孪生体系。
但比模型数量更重要的是，这些模型正在被放进同一个疾病研究框架中协同工作。哲源科技希望通过这一体系，从疾病出发理解机制，再向靶点发现、药物研发和临床预测延伸，最终形成“计算—预测—验证—再学习”的闭环。
【不玩概念，生命世界模型已有落地成果】
对于任何AI4S平台而言，真正的挑战不在于提出一个新的模型概念，而在于模型能否进入真实世界接受验证。这也是生命科学与大语言模型最大的不同之一。语言模型回答错误可以重新生成，但药物研发最终必须面对实验和临床结果。模型对世界的理解是否成立，最后必须由真实生物系统给出答案。
依托该技术体系，哲源科技推出了两个核心产品方向。
其一是D2P，即Disease to Product。从疾病出发，研究疾病机制，寻找真正值得干预的靶点，并继续向产品转化，解决的是研发源头的问题。
其二是T2I，即Target to Indication。从一个已经存在的靶点或药物出发，重新回答它真正适合什么疾病、更有可能在哪类患者身上发挥作用，解决的是临床价值匹配的问题。
前者回答“从哪里开始研发”，后者回答“如何让已存在的东西发挥更大价值”。两者的共同逻辑，是通过数字孪生与计算模拟，尽可能把大量原本需要在真实研发阶段才能获得的信息提前，以“虚拟病人”开展仿真试验，用计算模型替代低效试错，实现“电子人试电子药”的全新研发模式。
而虚拟临床试验，正是这套体系从“理解疾病”进一步走向“预测临床”的关键环节。传统临床试验往往要在患者真正入组、接受治疗后，才能逐渐知道药物对哪些患者有效、哪些患者无效，以及剂量、适应症和人群选择是否合理。虚拟临床试验则试图把其中一部分判断向前移动：基于真实患者数据构建与个体对应的数字孪生“电子人”，再建立药物作用的“电子药”，让药物先在计算环境中作用于虚拟患者，预测治疗响应、疾病进展及不同干预方案可能带来的结果。
哲源科技与北京肿瘤医院已经开展平行、前瞻性的Principal-001虚拟临床研究。在这一研究中，同一受试者一方面进入真实临床试验，另一方面同步建立数字孪生模型并进行虚拟用药，再将计算预测结果与真实临床结果进行对照。公开报道显示，早期入组患者的虚拟疗效预测与真实临床观察结果保持一致。其意义并不只是证明“模型能够猜对疗效”，更重要的是探索一种新的研发方式：未来能否在真正开展大规模临床试验之前，就提前判断优势适应症、筛选潜在获益人群、优化入排标准和试验方案，从而减少临床阶段昂贵而低效的试错。
这也是生命世界模型与单纯疾病知识问答之间最重要的区别之一。当模型不仅能描述一个患者“现在发生了什么”，还能够模拟加入某种药物干预后系统如何变化，它才真正开始具备“世界模型”意义上的推演能力。虚拟临床试验，则提供了一个现实世界中的验证场：模型做出的预测最终必须与真实患者的临床结果相互印证。
这套体系已经开始进入实际研发场景。哲源科技自研的I类创新药PR00012已顺利进入Ⅰ期临床，靶向胰腺癌等恶性实体肿瘤，具备同类首创、同类最优潜力。其原创作用机制从分子设计到IND获批仅用时两年，大幅刷新了行业研发速度。同时，公司携手多家国家级医学中心，深耕肿瘤、精神疾病等难治重疾领域，挖掘全新原创靶点。截至2026年7月，平台已通过虚拟计算筛选出200余个高潜力创新药靶点，技术实用性得到真实场景验证。
本轮近2亿元融资落地后，哲源科技将持续迭代基础模型矩阵，完善AI智能体与实验验证体系，加速原创靶点、创新药管线、虚拟临床试验等核心成果的产业化落地。
【规则未定，中国迎来定义机会】
过去几年的通用大模型竞争中，中国AI企业很长时间处于追赶状态。国内赛道的共性是：已有成熟的技术范式与对标标杆，企业的核心竞争点是提速、提质、降本。DeepSeek以及Kimi K3的出现改变了这一叙事，它们证明即使技术范式首先由硅谷建立，中国公司依然能够通过模型架构、训练效率和工程能力创新，重新影响全球竞争格局。
而生命科学AI可能提供一个更加特殊的机会。与通用大模型不同，这个领域至今没有真正迎来自己的“ChatGPT时刻”，也没有被全行业验证的标准答案。全球巨头都已入场，但“AI究竟应该怎样理解生命”仍然没有唯一答案。这意味着，技术路线和竞争规则仍然处于形成阶段。
这正是中国AI的全新机遇。哲源科技提出生命世界模型，本质上是在尝试给出一种来自中国的答案：不是简单复制通用大模型的技术框架，也不局限于药物研发中的某一个单点环节，而是从疾病和生命系统本身出发，尝试建立一个能够被AI持续理解、推演和验证的数字世界。这条路线最终能走多远，仍然需要更多科研成果与临床实践验证。但对于中国AI而言，意义或将更加深远。
欢迎关注【华商韬略】，识风云人物，读韬略传奇。
热门跟贴