为什么Al的“大脑”软件公司也开始投重资产建实验室了？

——正文2946字，预计阅读时间3分钟

今年9月23日，以聊天机器人Claude闻名的Anthropic在官网发布了一篇不算起眼的文章：公司正式成立生命科学研究组，并已在旧金山湾区运营一间实体湿实验室。其中一个细节格外引人想象——在科学家仅给出高层次方向的情况下，Claude从海量DNA数据中筛选、推理，发现了一个性质与CRISPR相似的新型酶系统，随后由实验室人员动手完成验证。

而就在一周前，诺和诺德官宣与Anthropic合作，要用Claude Science加速新药研发；再往前几天，字节跳动分拆的AI制药公司Anew Labs（新生实验室）完成2.9亿美元首轮融资、估值约15亿美元，字节仍持股56%。

下图：路透社援引两位匿名信源和Anthropic生命科学负责人Eric Kauderer-Abrams的确认，报道了一个消息：Anthropic在旧金山湾区悄悄建了一个湿实验室（图源：路透社）

发现没有，这些公司有一个共同的身份：软件公司。它们赖以成功的逻辑，是“一行代码、全球部署”，是轻资产、零边际成本、无限复制。

可现在，它们却开始租场地、买仪器、养机器人、雇科学家，一头扎进最“重”、最慢、最烧钱的实体实验。软件行业信奉了二十年的“轻”，为什么在科学面前集体变“重”？这背后的转向，或许比一款新药更值得玩味。

一、“干”与“湿”：再强的模型，也算不出一个真实的答案

要理解这场转向，先得知道新药研发里的一对概念：

· 在计算机上完成的分子设计、结构预测、靶点筛选，不碰真实试剂，叫“干实验”，负责“想”；

· 把候选分子合成、表达出来，测它能不能结合、有没有药效、安不安全，必须在真实实验室里进行，叫“湿实验”，负责“验”。

一款新药平均要花十年、十亿美元，临床成功率不到10%，这是制药业残酷的“双十定律”。AI最擅长的，正是干实验这一段——传统上需要数月甚至数年、在数以亿计分子中大海捞针的筛选，AI几秒到几小时就能完成。

但“算得快”不等于“算得准”。一个分子从图纸变成实体，就得回到实验室，设计只需几秒钟，合成、测试却可能要几周、几个月。更关键的是，无论实验成功还是失败，真实数据都要回流给模型，每循环一轮，模型才能更准一分。这条“干—湿—数据回流”的闭环，才是AI制药的完整链条。

下图：干湿闭环。AI算得越快，送进实验室的活越多；实验数据回流让AI再迭代，验证需求在循环里越滚越大（图源：不惑之说）

现实的数据并不乐观。AI已经把临床I期的成功率从传统经验的40%—65%拉高到80%—90%，可到了检验疗效的II期，成功率约40%，与传统方法的约37%几乎没有差异。原因很简单：AI擅长判断一个分子安不安全、能不能被吸收，却回答不了“这个靶点、这套生物学机制到底成不成立”，而这恰恰是II期失败的主要原因。算力再强，也替代不了真实世界给的那一个回答。

二、为什么非要自己盖？因为最值钱的数据，只在实验室里产生

一个自然的疑问是：既然湿实验又重又慢，软件公司为什么不全部外包，专心做算法？答案也在数据里。

今天，AI模型本身正在快速趋同甚至开源，DeepMind的AlphaFold 3早已向研究者开放权重，仅凭一个模型很难建立壁垒。真正稀缺的，是高质量的实验数据。而这一领域有三痛：数据孤岛、标注稀缺、阴性数据缺失。最有训练价值的，恰恰是那些“失败的实验”和“没有成药的分子”，它们散落在各家药企和实验室，几乎从不公开。

换句话说，湿实验室不只是做验证的地方，更是“生产数据的工厂”。谁拥有持续、规模化、结构化的实验数据，谁就掌握了模型迭代的燃料，也就拥有了真正的护城河。这正是软件公司不得不亲自下场的根本原因——把实验外包，等于把最宝贵的数据生产资料拱手让人。

由此，行业出现了一个意味深长的分化。诺和诺德、礼来这样的百年药企，手握几十年积累的临床与实验数据，有底气采购外部模型，把具体验证交给金斯瑞、Twist等成熟服务商；据报道，诺和诺德与Anthropic合作后，相关蛋白候选序列的实验验证主要由外部服务体系完成。而Anthropic、字节这些没有数据家底的新玩家，若想让模型真正学会科学，就必须自建或牢牢绑定实验室。一个可以“外包”，一个必须“自建”，差的就是数据这道家底。

礼来的做法同样印证了这一点。它没有把AI外包了事，而是自建TuneLab平台，把金斯瑞、Twist、Ginkgo等服务商组织进一条覆盖蛋白验证、数据测试、抗体表征的链条，自己则牢牢掌握靶点判断和数据标准。

下图：Twist、金斯瑞、Ginkgo 接入礼来 TuneLab平台，给 AI 模型提供湿实验数据（图源：SeqDaily）

其实无论是自建实验室还是搭建平台，争夺的本质都一样：谁能让真实数据在自己的体系里循环，谁才握有定义新药的权力。

三、当实验室学会自己“开车”：具身智能闯进最高智力的现场

软件公司变“重”的同时，实验室本身也在变“自动”。一个新词正在成为前沿——自驱动实验室。

早在2023年11月，DeepMind发布能预测220万种稳定材料结构的GNoME模型；与之配套，伯克利国家实验室的A-Lab在《自然》上展示了一座自主实验室：由计算、文献数据和主动学习驱动机器人，连续运行17天就独立合成了40余种新材料。机器第一次像研究生一样，自己配料、自己合成、自己记录结果。

进入2026年，这样的场景正从论文走向常态。斯坦福SLAC国家加速器实验室在10月牵头建设“面向未来的自驱动实验室”；伯克利实验室的EcoBOT用机械臂完成植物实验，以消除人为误差；德国卡尔斯鲁厄理工的实验室里，系统几乎无人干预，机器会根据自己上一轮产生的数据，决定下一步做什么。

下图：在伯克利实验室的EcoBOT用机械臂制造新材料（图源：Marilyn Sargent/Berkeley Lab）

这种安排真正改变的，是科学发现的节奏。过去的实验是手工的、串行的，高度依赖个别研究者的经验与灵感；自驱动实验室把“提出假设—做实验—看结果—再假设”这套科学方法，压缩成一条24小时不停、可并行运行的流水线。研究者的角色，也从亲手做实验，转向提出更好的问题、设计更聪明的实验。

Anthropic自己披露的模型硬件标准实验更有画面感：Claude像科学家一样去调整一台激光器，通过摄像头观察光斑如何移动，反复尝试，最后把学到的规律写成一段可复用的控制脚本。这已经不是“用AI算个结果”，而是AI直接操控物理设备、从物理反馈中学习。

图源：机器之心

这恰好点出了具身智能的下一站。过去我们谈机器人，更多是搬箱子、拧螺丝、巡检站岗，替代的是体力；而在自驱动实验室里，机器人和智能体开始介入“提出假设—实验验证—修正假设”的科学过程，承担的是脑力劳动中的物理执行。

AI for Science因此成为AI落地最难、也最能证明价值的深水区——它要跨过的，正是数字世界与物理世界之间那道最宽的坎。

四、冷静的边界：它是“不知疲倦的实验员”，还不是“爱因斯坦”

热潮之下也应看清边界。Anthropic的湿实验室仍由人类研究人员值守，并非全自主机器人，新酶系统是在科学家“高层指导”下的发现；新药II期的成功率也没有因为AI而明显提高。机器人能把“试错”的速度和规模做到极致，却替代不了一个真正重要的问题的提出，更替代不了人类对疾病机理的深度理解。

更何况，实验室是重资产——场地、设备、合规、人才，样样昂贵且缓慢。软件公司一旦走进这片世界，就意味着告别高毛利、高扩张的旧梦，接受物理世界的成本与约束。

过去二十年，我们习惯了“软件吞噬世界”的叙事，它轻、快、几乎没有复制成本。而今天，最聪明的软件公司却回过头，盖起了实验室、养起了机器人。这或许不是退步，而是一种诚实的承认：世界的很多答案，并不在已有的数据里，而在尚未发生的现实中；要得到它，必须把手伸进培养皿。

智能的下半场，也许恰恰要从“屏幕里”回到“现实中”。当AI学会动手，留给人类的问题，或许不再是“它还能替我们做什么”，而是“还有什么，值得我们亲手去试”。

原创作者：上海产业转型发展研究院常务副院长

责任编辑：胡珊毓

新 书 推 荐

由上海产业转型发展研究院创作编辑、同济大学出版社出版的《城市更新：上海的实践与创新》一书，从经济、产业、城市、社会、企业、人文、消费和市民的多重维度，分析阐述怎样的城市更新才是城市经济社会发展所需要的；怎样的项目才是市民所喜欢的；怎样的投入产出才是可持续的；城市更新有哪些新案例、新观点和新趋势。它怎样才能既有社会价值，也有经济价值，更有市民的获得感和可持续性。这些都是本书的重点和切入点，力求给读者提供一些观察、了解城市发展的新视角、新渠道和新方法，为从事城市更新的同行、机构和企业提供一些源于实践的理论思考、方法创新和案例借鉴。

欢迎订购

联系人：孙老师13611942688
秦老师 15921998880

座机：021-64676547

READ MORE

上海下一步的亿元楼会装哪些生意？

10-20

2026胡润中国国资投研实力榜：“判断力”正在成为比“资本力”更稀缺的资源

10-19

上海宠物消费分布指数2.0：解读“它经济”的社区消费密码

10-15