2026年6月19日，John Jumper在 X上宣布，自己将离开工作近九年的 Google DeepMind，在短暂休整后加入 Anthropic。随后，DeepMind CEO Demis Hassabis也公开回复，感谢 Jumper对 AlphaFold和 AI for Science的贡献。

Jumper的大名无需太多介绍。他是 AlphaFold的共同创造者，2024年诺贝尔化学奖得主。AlphaFold预测超过2亿个蛋白质结构，被190个国家的200多万研究者使用，这大概是 AI在自然科学领域迄今最具辨识度的成果之一。也是 AlphaFold让 DeepMind从“会下围棋、会玩游戏的 AI实验室”，变成了一家真正有资格谈论科学发现的公司。

就在前一天，另一位重量级人物 Noam Shazeer也宣布离开 Google，加入 OpenAI。Shazeer是 Transformer架构奠基论文《Attention Is All You Need》的共同作者之一。Google在2024年通过一笔约27亿美元的 Character.AI授权和人才回流交易，把他重新请回 Google；不到两年，他又离开了。

一周之内，Google DeepMind连续失去两位极具象征意义的人物，放在任何公司，这都不可谓不是件大事。但人事变动本身不是这篇文章要写的事，如果我们顺着他们的去向往前看，从 Jumper加入的 Anthropic，到他离开的 DeepMind，再到挖走 Shazeer的 OpenAI，会发现三家前沿 AI实验室正在同时把筹码压向同一个方向：生命科学。

今天的 AI for Science，会像去年的 AI for Software Engineering吗？

首先是动作最为密集的 Anthropic。2025年10月，Anthropic推出 Claude for Life Sciences，把 Claude嵌入生命科学工作流，覆盖文献综述、实验设计、数据分析、临床与监管文档等任务。2026年1月的 JPMorgan医疗健康大会前后，Anthropic又推出 Claude for Healthcare，把重点从药企和研究机构扩展到医疗服务、支付方和临床场景。

随后，Anthropic开始把这件事从“行业版本 Claude”推进到更深层的能力建设。

2026年4月，Anthropic以约4亿美元股票收购 Coefficient Bio。这是一家成立仅数月、团队不到10人的 AI生物技术公司，核心成员来自 Genentech的计算生物学团队 Prescient Design。4亿美元买不到10个人，可以说是贵得离谱，但 Anthropic缺的正是这批人手里的药物研发经验。

相关报道还提到，Anthropic正在招聘生物学家、建设湿实验能力，并试图把 AI与实验验证闭环连接起来。

收购之后，Anthropic开始建自己的湿实验室，目标是把整个生命科学研发周期压缩十倍。差不多同一时期，有人在 Claude的界面里发现了一个叫 Operon的未公开模式，是专门的计算生物学工作区。诺华 CEO Vas Narasimhan加入了 Anthropic的董事会，据报道是第一个进入前沿 AI实验室管理层的制药公司高管。

6月9日，Claude Fable5发布。Anthropic用生命科学能力当核心卖点：底层的 Mythos5模型在药物设计任务中速度提升约10倍，独立完成了基因治疗研究任务，还在基因组学领域提出了新假说并得到实验验证。十天之后，Jumper来了。

OpenAI的路线不太一样。它不是先自建湿实验室，而是铺设合作网络和垂直模型。

2026年4月16日，OpenAI发布 GPT-Rosalind。这是一个面向生命科学研究的推理模型，目标是支持生物学、药物发现和转化医学研究。它可以帮助研究者做证据综合、假设生成、实验设计，也可以通过 Codex接入生命科学工具和数据库。

6月，OpenAI又更新了 GPT-Rosalind，把 GPT-5.5的 agentic coding和工具调用能力加入其中，并发布 Life Sciences Research和 Life Sciences NGS Analysis两个 Codex插件，让模型不只是回答问题，而是能在同一个工作区里检索证据、分析组学数据、执行生物信息学流程，并保留过程和产物。

同时，OpenAI Foundation也把生命科学列为未来一年至少10亿美元投入计划中的主要方向之一，重点包括阿尔茨海默症、公共健康数据集和高死亡率、低投入疾病。

OpenAI曾负责 OpenAI for Science的 Kevin Weil在2026年初说过一句被广泛引用的话：“2026年的 AI for Science，会像2025年的 AI for Software Engineering。”这句话后来变得越来越像行业共识：编程助手已经成为前沿模型商业化最拥挤的战场，而下一个要被 AI重写的高价值工作流，正在转向科学研究，生命科学排在最前面。

DeepMind和它孵化出的 Isomorphic Labs走的是第三条路，也走得最早：拆出一家独立的 AI药物发现公司，直接做临床管线。

2026年2月，Isomorphic Labs展示了自己的 Drug Design Engine，也就是 IsoDDE。Nature报道称，外部科学家把它称为接近“AlphaFold4”级别的进展。它不再只是预测蛋白质结构，而是面向药物发现中的蛋白-配体相互作用、抗体结构、结合位点等更贴近产业应用的问题。不同于 AlphaFold的开放路线，IsoDDE是闭源系统，能力留在 Isomorphic Labs的商业体系内部。

Isomorphic Labs已累计融资约27亿美元：2025年完成6亿美元融资，2026年5月又完成21亿美元 Series B。它还与礼来、诺华等大型药企达成合作，潜在交易总额接近30亿美元。Hassabis今年表示，公司预计在2026年底前启动第一批临床试验，这一时间表已经较此前“2025年底前进入临床”的目标有所延后。

三家的路径并不相同。Anthropic做的是把生物能力深度嵌入通用基础模型，并通过收购和实验能力建设补足闭环；OpenAI做的是垂直模型、工具插件和药企合作网络；DeepMind/Isomorphic做的是独立公司、闭源引擎和自有/合作管线。

但方向完全一致：前沿 AI实验室正在把生命科学视为软件工程之后的下一个核心战场。

为什么是现在？

最直接的推动力是：AI设计的药物开始在人体试验中拿出结果了。

2025年6月，英硅智能的 rentosertib在特发性肺纤维化的 IIa期临床试验中获得积极结果，论文发表在《Nature Medicine》上。Rentosertib是一个 TNIK抑制剂，其靶点发现和分子设计都使用了生成式 AI。无论最终它能否走到上市，这至少把“AI能否真正发现药物”从一个理论问题推进到了临床证据层面。

图丨相关论文（来源：NatureMedicine）

AlphaFold获得2024年诺贝尔化学奖，也起到了类似的信号作用。它让投资人、药企和前沿 AI实验室看到，AI for Science不只是 demo，也可以产生被科学共同体承认的基础性成果。而 FDA在2025年4月宣布逐步取消单克隆抗体动物实验要求、鼓励 AI计算模型替代，则从监管层面打开了两年前不存在的通道。

数据侧的变化同样重要。单细胞图谱、扰动数据集、空间转录组学、多组学数据在过去几年快速积累，为模型提供了蛋白质结构之外的训练材料。Bessemer引用 Epoch AI数据称，2015年全年新发布的生物学 AI模型还不到10个，到2025年已经超过380个。生物学正在从“数据稀缺的湿实验学科”，变成更适合模型训练和自动化闭环的领域。

还有一个容易被低估的变量：Agentic AI让生物学模型从“会回答问题”变成了“能干活”。一个会解释蛋白质折叠的模型很有价值，但它仍然只是个助手。一个能选择工具、设计实验、读取数据、修正失败、给出候选方案并把结果送去实验室验证的模型，才更接近产品。Claude Mythos5的药物设计流程、GPT-Rosalind的 Codex插件、Isomorphic的 IsoDDE，本质上都在朝这个方向走：不是只做科学问答，而是把模型嵌入科学工作的执行链条。

最后是商业逻辑。编程助手已经是最拥挤的前沿模型商业化赛道，相比之下，制药和医疗健康是更大、更慢、更贵，也更难被重写的产业。麦肯锡估算，生成式 AI每年可能为制药和医疗产品行业释放600亿到1,100亿美元价值；BCG的模型也认为，AI有机会把临床前发现时间缩短30%到50%，成本降低25%到50%。

与此同时，大药企正面临新一轮专利悬崖。2026到2030年间，多款重磅药物将失去专利保护，行业有数千亿美元收入暴露在风险中。药企需要更快补充管线，AI生物技术公司和前沿模型公司正好站在这个缺口上。

泡沫还是革命？

不过，如果只看多头逻辑，这个故事推进得似乎有点太顺了。

换个角度看，AI药物发现的临床记录其实仍然很少。Recursion仍没有获批药物，2025年还收缩了部分管线。BenevolentAI的候选药物在特应性皮炎临床试验中失败后，公司从阿姆斯特丹退市并被收购。Exscientia早期的 AI药物项目也曾在临床后终止。Insilico的 rentosertib结果是真实的，但目前它更像一个重要样本，而不是已经被反复验证的产业规律。

也就是说，AI药物发现已经越过了“完全没有临床证据”的阶段，但还远没有到“确定能系统性提高成功率”的阶段。

再看估值。Isomorphic Labs已经累计融资约27亿美元，但尚未披露具体临床资产；Coefficient Bio团队不到10人，却以约4亿美元被 Anthropic收购。这里面买的当然有技术和人才，但更重要的是稀缺性。

Isomorphic Labs的稀缺性在于，它可能是目前最接近“AI原生、垂直整合药企”的实体。投资人为“找不到第二家”付了溢价。Jumper去 Anthropic，某种程度上正是在制造这个可信的第二家。

三家都冲进来之后，一个更现实的问题也出现了：前沿 AI实验室在生命科学里的长期角色到底是什么？是卖 API给药企，赚工具钱？是自己做管线，和药企竞争？还是成为底层基础设施，向整个药物研发产业收平台税？

目前三家给出了不同答案。Isomorphic Labs选择自己做药物发现公司，直接对接临床和管线；OpenAI选择垂直模型和合作网络，把能力放进 Codex和企业工作流；Anthropic则更像一条混合路线：在通用模型里内建生物能力，同时通过收购、董事会配置和实验能力建设积累药物发现经验。

Dario Amodei在2024年10月那篇长文《Machines of Loving Grace》里，把生物学放在第一章（值得一提的是，Dario Amodei本身也是学生物出身的）。他提出一个说法，叫“压缩的21世纪”：当 AI达到足够水平，人类在生物学和医学上原本需要一百年才能取得的进展，可能被压缩到5到10年。

一年半后，他的公司收购了 AI生物技术团队，建设湿实验能力，发布具备药物设计能力的 Mythos级模型，把诺华 CEO拉进董事会，然后招来了 AlphaFold的共同创造者。现在回头看，那篇文章几乎就是 Anthropic给自己画下的一张路线图。

Jumper的选择也因此有了更多层面的含义。他在 DeepMind做 AlphaFold做到了最高点，诺贝尔奖也拿了，商业化工作交给 Isomorphic Labs，由 Hassabis亲自带队。留在原地继续做什么，确实是一个真实问题。

他选择了 Anthropic，而不是回到 Isomorphic Labs做药物管线，也不是去 OpenAI做 GPT-Rosalind。这说明 Anthropic的路线对他有吸引力：不是单独做一家 AI药企，而是试图让通用基础模型本身具备做生物学研究的能力。

这条路线也注定会更难。生命科学不是代码，错了不能简单回滚。越强的模型，越可能同时带来药物发现和生物安全风险。Fable5发布时最具争议的地方之一，就是它会在部分生物、化学和网络安全场景下触发保守降级；这种“越强，管得越严”的思路惹恼了一些研究者，但它也正是 Anthropic一直以来的核心叙事。

对一个深知蛋白质折叠预测两面性的科学家来说，这种在能力和安全之间走钢丝的路线，也许比单纯追求技术前沿更有吸引力。

三家实验室当初都是冲着“解决智能”起步的。现在，它们用资金、产品和人才在回答一个更具体的问题：如果智能真的变得足够强，第一批被它重写的领域会是什么？如今，这个答案似乎在收敛到生命科学这一领域。

而生命科学对模型的要求，和写代码、做客服完全不在一个量级上。模型要处理真实世界的物理约束，要在数据不完整的情况下做因果推理，要把计算结果送进实验室接受湿实验验证，错了就是错了，没有含糊余地。编程助手可以靠补全代码和跑 benchmark拿高分，但药物要么在临床上起效，要么不起效。从这个角度看，生命科学不只是 AI的下一个大市场。它正在变成前沿 AI的硬核考场，谁能在这里跑通闭环，谁就证明了自己的模型不只是在屏幕上有用，而是能在真实世界里产生可验证的结果。