最近，波士顿和特拉维夫双总部的初创公司Converge Bio宣布完成2500万美元的A轮融资，领投方是知名风投Bessemer Venture Partners。更引人注目的是，这轮融资还获得了来自Meta、OpenAI和Wiz等科技巨头高管的个人投资。

这已经不是今年AI药物发现领域的第一笔大额融资。事实上，全球已有超过200家初创公司正在这个赛道上激烈竞争，试图将AI直接编织进药物研发的工作流程中。从表面看，这只是一场资本的狂欢；但深入观察，你会发现这背后是一场正在重塑整个生物医药行业底层逻辑的深刻变革。

**一、传统药物研发的’死亡之谷’**

要理解AI药物发现的价值，首先要明白传统药物研发有多难。

根据美国药物研究与制造商协会的数据，一款新药从实验室走向市场，平均需要10-15年时间，耗资超过20亿美元。更残酷的是，成功率极低——进入临床试验的药物中，只有不到10%最终能够获批上市。

这个过程被称为’死亡之谷’：成千上万的化合物在早期研究中被筛选出来，但绝大多数都在漫长的临床试验中折戟沉沙。失败的原因多种多样——疗效不足、毒性太大、副作用不可接受，或者干脆就是临床试验设计本身出了问题。

传统药物研发就像在黑暗中摸索：科学家们基于有限的生物学知识和经验，设计出分子结构，然后通过反复试验来验证。这个过程不仅耗时耗钱，更关键的是，它充满了不确定性。

**二、AI如何改变游戏规则**

AI药物发现的核心逻辑，是用数据和算法来照亮那片’黑暗’。

Converge Bio的做法很有代表性：他们使用在分子数据上训练的生成式AI，帮助制药和生物技术公司更快地开发药物。这意味着什么？

首先，AI可以处理和分析海量的生物医学数据——基因组数据、蛋白质结构、临床试验结果、科学文献等等。人类科学家可能需要数月甚至数年才能理清的数据关系，AI可以在几小时内完成。

其次，生成式AI可以’设计’新的分子结构。传统的药物发现是从已知的化合物库中筛选，而AI可以根据目标蛋白质的结构，从头开始生成全新的、具有潜在治疗效果的分子。这大大扩展了药物设计的可能性空间。

第三，AI可以预测药物的性质。在分子被合成出来之前，AI就能预测它的溶解度、稳定性、毒性，甚至是在人体内的代谢途径。这相当于在投入大量资源进行实验之前，就进行了一轮虚拟筛选。

**三、竞争正在白热化**

Converge Bio的融资只是冰山一角。整个AI药物发现领域正在经历一场’军备竞赛’。

根据CB Insights的数据，2023年全球AI药物发现领域的风险投资超过50亿美元，是2020年的三倍多。头部玩家包括：

– Insilico Medicine：这家香港公司已经使用AI发现了多个进入临床试验的候选药物
– Recursion Pharmaceuticals：市值超过30亿美元，拥有庞大的生物数据平台
– Exscientia：与多家大型药企合作，已有药物进入临床阶段
– Schrödinger：将物理模拟与机器学习结合，在药物设计领域深耕多年

这些公司各有所长：有的专注于特定疾病领域，有的构建了独特的数据平台，有的开发了创新的算法模型。但它们的共同目标是：用AI让药物研发更快、更便宜、更成功。

**四、科技巨头的’跨界打劫’**

Meta、OpenAI、Wiz高管个人投资Converge Bio，这个细节值得玩味。

这不仅仅是财务投资，更是技术生态的延伸。Meta在AI大模型和计算基础设施方面有深厚积累；OpenAI在生成式AI领域是绝对的领导者；Wiz在云安全和企业软件方面有专长。

这些科技公司的高管看到了什么？他们看到的是AI技术从互联网、内容生成向生命科学领域的自然延伸。药物发现本质上是一个复杂的优化问题：在近乎无限的化学空间中，找到那个既能与靶点结合、又安全有效的分子。这正是AI擅长的领域。

更深远的影响在于：科技公司正在用他们的方式重新定义生物医药的研发范式。传统的药企是’湿实验室’驱动，而科技公司是’算法驱动’。当这两种文化碰撞，会产生什么样的化学反应？

**五、挑战与未来**

尽管前景广阔，但AI药物发现仍面临诸多挑战：

1. **数据质量**：AI的性能高度依赖于训练数据的质量和数量。生物医学数据往往存在噪声、偏差和不完整性。

2. **可解释性**：AI模型常常是’黑箱’，科学家很难理解为什么某个分子被预测为有效。这在需要严格监管的医药领域是个大问题。

3. **验证周期长**：即使AI预测的分子看起来很有希望，仍然需要经过漫长的临床试验来验证。这个过程无法被完全跳过。

4. **人才稀缺**：既懂AI又懂生物医药的复合型人才凤毛麟角。

然而，趋势已经不可逆转。AI正在从药物发现的辅助工具，转变为研发流程的核心引擎。未来的药物研发可能会是这样的场景：

科学家提出一个疾病靶点，AI在几天内生成数千个候选分子并预测它们的性质，最有可能的几个进入实验室合成和初步测试，然后快速推进到临床试验。整个周期可能从现在的10-15年缩短到3-5年。

**六、更深层的思考：效率与创新的悖论**

在这场AI药物发现的狂欢背后，有一个更深层的问题值得思考：当一切都追求效率最大化时，我们是否会失去某些重要的东西？

传统药物研发虽然低效，但那种’试错’的过程本身常常带来意外的发现。青霉素的发现是偶然，伟哥最初是作为心脏病药物研发的。这些’美丽的意外’在高度优化的AI流程中，还有可能发生吗？

AI擅长在已知的范式内优化，但它能带来真正的范式突破吗？当所有公司都在用相似的AI工具、相似的数据、相似的算法时，药物研发会不会陷入另一种形式的’内卷’？

这让我想起经济学家熊彼特所说的’创造性破坏’。AI带来的可能是药物研发效率的’破坏性提升’，但真正的’创造性’——那些改变游戏规则的全新治疗方式——可能还需要人类科学家的直觉、想象力和冒险精神。

**结语**

Converge Bio的2500万美元融资，不仅仅是一笔交易。它是一个信号，标志着AI药物发现正在从概念验证阶段，走向规模化应用阶段。

资本在涌入，人才在聚集，技术在前沿。这场’军备竞赛’的赢家，可能不仅仅是获得融资的初创公司，也不仅仅是投资它们的风投机构。

真正的赢家，可能是那些因为新药研发加速而获得及时治疗的患者，是那些因为研发成本降低而能够负担得起创新药物的普通人，是整个社会医疗健康水平的提升。

但在这个过程中，我们需要保持清醒：AI是强大的工具，但不是万能的神药。它应该成为科学家手中的’望远镜’和’显微镜’，帮助他们看得更远、更清，而不是取代他们成为探索生命奥秘的主体。

毕竟，药物研发的最终目的不是创造最智能的算法，而是治愈疾病、减轻痛苦、延长生命。在这个根本目标上，AI和人类科学家应该成为盟友，而不是对手。