本文系基于公開資料撰寫，僅作為信息交流之用，不構成任何投資建議

2026年5月12日，倫敦，谷歌母公司 Alphabet 旗下專注于 AI 藥物研發的子公司Isomorphic Labs，宣布完成21億美元B輪融資，約合人民幣143億元。

Thrive Capital領投，Alphabet、GV跟投，新進者包括阿布扎比MGX、新加坡淡馬錫、英國主權AI基金。一年前A輪不過6億美元，B輪直接翻了三倍多，創下AI制藥單輪融資紀錄。

Isomorphic Labs由Google DeepMind于2021年分拆成立，CEO德米斯·哈薩比斯（Demis Hassabis）同時執掌DeepMind。

這家公司的地基是AlphaFold，一個2020年橫空出世的蛋白質結構預測模型，被譽為一舉破解了“生物學50年難題”。2024年，哈薩比斯與同事約翰·江珀（John Jumper）因此摘得諾貝爾化學獎。

諾獎是科學界的終極蓋章，這21億美元則是資本投下的同一張票，面額大得多。

這筆錢將燒向三個方向：繼續開發AI藥物設計引擎IsoDDE，加速內部臨床前管線，在全球范圍內擴編AI、工程與藥物設計團隊。翻譯成一句話：砸錢換速度，賭一個尚未被驗證的未來。

01

從輔助工具到基礎設施

AI進藥物發現，不是2026年才開始的。

早在上世紀80年代，計算機輔助藥物設計已是科學家的常規武器。但CADD依賴人類預設的規則，能力邊界始終有限。AI帶來的變化，不是替代它，是重新定義了“計算”在藥物發現中的角色。

2010年前后，機器學習開始滲入藥物研發，主要集中在虛擬篩選、ADMET預測等點上。2016年，深度學習將分子生成、活性預測等環節的能力推到新的高度。

真正的質變發生在AlphaFold出現之后：它證明了深度學習可以解決生物學中最棘手的結構預測問題，精度直逼實驗水平。藥物發現的第一個關口，理解靶點蛋白的三維結構，被AI以極低成本、極高速度攻了下來。

此后，行業加速演進。

2026年初，禮來與英偉達宣布投資10億美元建立AI藥物發現聯合實驗室。2026年4月16日，OpenAI推出專為生物學和藥物發現打造的GPT-Rosalind，直接闖入制藥賽道。

這是典型的生物制藥新代際基礎設施競爭。AI制藥在2026年，已經從“可選的輔助工具”跨過了“必選的核心生產力”那條線。

02

IsoDDE的野心與盲區

AlphaFold解決的是“靜態結構預測”：給一段氨基酸序列，輸出一個三維結構。但藥物設計要的東西遠比這多。分子不只要結合，還要結合得夠強；不只要對靶點有效，還要對“脫靶”無害。

AlphaFold能啃下第一塊，后面幾塊不在它的射程之內。Isomorphic Labs的回應則是IsoDDE：一套藥物設計引擎。

這套系統在挑戰性基準測試中，預測蛋白質-配體結構的準確率是AlphaFold 3的兩倍多。它能預測結合親和力，即藥物與靶點的結合強度，準確度與此前黃金標準的物理模擬方法相當，速度快了幾個數量級。

它還能僅憑氨基酸序列識別藥物結合口袋，包括科學界十余年未曾察覺的隱藏口袋。藥物發現中“發現靶點、設計分子、預測活性”的前半程，Isomorphic Labs試圖在一套系統里全部跑通。

但技術瓶頸同樣刺眼。

當前，AI在全新蛋白質體系上的泛化能力仍然不足，一旦遇到訓練數據中未見過的生物系統，預測準確性會顯著滑坡。蛋白質-配體相互作用的物理規律極其復雜，AI模型至今難以完整捕捉其動態特征。

更致命的是，所有AI模型都受限于訓練數據的偏差——已知的藥物-靶點相互作用數據嚴重偏斜，大量潛在靶點缺乏高質量標注。模型再好，喂進去的都是同一本缺頁的教科書。

03
“藥物發現=一項可計算的工程問題”

21億美元是一筆極其昂貴的賭注。

截至2026年5月，全球尚無一款AI設計的藥物真正進入臨床階段，更遑論成功上市。

即便是Isomorphic Labs本身，也尚未將任何AI設計的分子推進到臨床試驗。

哈薩比斯曾在2025年預測“年底前將有候選藥物進入臨床”，事后修正為“臨床前研究”。據彭博社報道，今年1月在達沃斯世界經濟論壇期間，他已將首個臨床試驗時間表從2025年底推遲至2026年底 。

這算不上失敗，但它的確在替市場校準預期：AI制藥的最后一公里，比所有人最初想象的更長。

行業內其他玩家的處境更觸目傷懷。

Recursion Pharmaceuticals較2021年上市高點已跌去近90%，市值約19至20億美元，幾乎回到中等規模生物科技公司的估值。英偉達在2026年2月已完全清倉其持有的RXRX股份。英國BenevolentAI在2024年底宣布從阿姆斯特丹泛歐交易所退市，并進行大規模裁員和成本削減。

高泡沫之后是高回報何時出現，迄今沒人拿得出答案。

21億美元能做許多事。它可以支付一整條臨床開發鏈的絕大部分開支，也可以直接買下幾家中型Biotech。但Isomorphic Labs選擇將這筆錢全部押在一個極其昂貴的底層假設上：藥物發現可以被轉化為可計算的工程問題。

潛臺詞是：只要模型足夠好、數據足夠多、算力足夠強，設計有效藥物可以像設計芯片一樣通勤自動化。

這個假設如果成立，21億不過是一張入場券。如果不成立，它將是AI時代最昂貴的一次哲學試錯。

04
沖進去，或被關在外面

如果Isomorphic Labs成功，藥物發現將從“篩選”轉向“設計”，這將是一場偉大的范式革命。

當前藥物開發的平均周期是12到15年，平均成本超過20億美元。90%的候選藥物在臨床試驗中折戟。如果AI能將研發效率提升哪怕幾個百分點，每年為全球產業節省的都將達數百億美元量級。

但Isomorphic Labs選擇的路徑與傳統制藥公司截然相反。

傳統藥企的藥物發現依賴科學家經驗和海量實驗，是濕實驗室的苦活累活；Isomorphic Labs的方法論是一套純數字化的“設計-預測-驗證”循環。

AI在硅基空間里設計分子，預測活性、毒性、藥代特性，選定最優候選，再由少量濕實驗室驗證。這條路徑若能跑通，藥物發現的“濕實驗”部分將被系統性壓縮。哈薩比斯所說的“AI優先的藥物設計”，實質正在于此。

資本市場看到了可能性，但歷史從不輕易讓渡答案。

一百年前，化學家Paul Ehrlich提出“魔法子彈”概念，預示精準靶向藥物的時代——這個時代等了四分之三個世紀才真正成熟。三十年前，基因治療令資本瘋狂涌入，一次嚴重不良事件就讓整個行業倒退了十年。AI制藥才剛走完最初的狂熱期，距離真正的臨床大規模驗證還隔著漫長距離。

這21億美元，賭的是一個尚未被證明的假設：AI能從“預測蛋白質結構”一路進化到“設計一切有效藥物”；賭的是藥物發現的復雜性可以被還原為可計算的工程問題。

科學史上，這種豪賭贏過，人類基因組計劃最終兌現了整個生物技術產業的黃金時代。也輸過，AI的幾次寒冬埋葬了無數雄心勃勃的實驗室。最終定局的不是資金規模，而是真實世界的療效數據。

Isomorphic Labs賭的是，藥物發現的范式革命正在發生。21億美元，是購買這場革命的入場券。

對中國的創新藥企而言，這筆融資真正值得關注的不是金額，而是一套截然不同的研發哲學正在成形：當全球最頂尖的AI實驗室開始用工程化思維解決藥物發現，還在用線性思維追趕的后來者，面臨的將不是競爭，是代際淘汰。

范式革命的窗口只開一次，沖進去，或被關在外面，時間不會等人。

轉載開白 | 商務合作 | 內容交流

請添加微信：jinduan008

添加微信請備注姓名公司與來意

· 靶點格局 ·

| |

| |

| |

| |

· MNC觀察 ·

| | |

| | |

| | |

| | |

| | Illumina

· 產業地圖 ·

| |

| |

| |

| |

| |

| |

| |

| |