照亮科学真相 · 向光而行，亮见未来

---

医药资讯并不缺。缺的是：读完一条「重磅」之后，你还知道自己能信到哪一层。

我们是亮眼（Lumina Research）。这是我们在微信的第一篇长文。以后你会在这里看到两类东西：一类是把靶点、管线、机制从头到尾拆开的深度调研；一类是跟踪读出、交易与监管的每日速递与深度点评。两类共用同一把尺子——事实与数据优先，不站政治队，不做荐股。开篇不打算自我介绍成简历，而是用最近一周 AI 制药的两条硬新闻，当场演示这把尺子怎么用。

先看现象，再谈口号。

7 月 20 日前后，Endpoints 用长文拆解 Anthropic 进入生物医药的「约一百天」：收购、挖人、面向药企的产品、以及自己做临床前药物项目的公开表态。约两周前的 6 月 19 日，AlphaFold 工作的关键贡献者之一 John Jumper 公开表示将加入 Anthropic（报道写明他尚未正式到岗、工作内容未公开）。4 月 2 日前后，Anthropic 以约 4 亿美元股权 收购成立不足一年的 Coefficient Bio——外界更常把它读成 acquihire：核心人物来自曾被罗氏/基因泰克体系收编的 Prescient Design 方向。产品侧，Claude Science 面向生物医药亮相；发布相关场合出现了 BMS、诺华与基因泰克研究负责人等产业重量级人物的身影。与此同时，Anthropic 也表示在做自己的药物项目：临床前、聚焦「被忽视疾病」，细节很少。

同一条时间轴上，信任问题也写得很清楚。更强的模型在生信与化学问答上曾被限制访问；药企侧有人直接担心：如果关键基础设施供应商某一天收紧能力，供应链风险谁担？礼来方面则公开强调自建 open-weight 语言模型，核心表述是「掌握自己的命运」——私企不该有权限制「为了病人必须做的 AI 研究」。Endpoints 把张力说破了：Anthropic 既想像基础设施伙伴一样卖能力，又在堆实验室岗位、自有管线与战略人才。伙伴和竞品之间那根针，很难穿。

再看另一条头条，像是在回答「模型吃什么」。

7 月 21 日，Endpoints 独家报道：David Baker 实验室 2017 年的 spinout A-Alpha Bio，拉起抗体 AI 数据联盟。创始成员包括 GSK、Boltz Bio、Cradle、Dyno Therapeutics 以及一家未披露的生物药公司。机制很具体：成员按季度付订阅费，换取联盟数据的非独占使用；每位成员可设计实验，由 A-Alpha 执行；初期聚焦 de novo 抗体生成 与 zero-shot 优化。数据量叙事是：五家成员大约每年 2800 万 次结合亲和力测量；若扩到二十家，大约 1 亿 次/年。公开结构库里，抗体–抗原复合物大约只有一万量级——和「真正通用」所需的百万级多样性结构，差的不是一个零。

A-Alpha 大约 37 人，2023 年 A2 轮约 2240 万美元，2026 年公司自称有望首次全年盈利。它并不靠市值叙事打动人。它打动产业的点是：大家嘴上都知道数据是瓶颈，却谁也不愿先把自己多年实验数据交出去。联盟用「订阅 + 非独占 + 共同堆增量实验」绕开这道合作失败。对照另一条已公开路径——礼来 TuneLab（以模型换数据/联邦学习一类思路，成员规模已过百）——你会看到同一年里至少两种「数据政治」：集中做增量实验池，以及 在数据不出门的前提下交换模型能力。

把两条新闻并排放，行业转折才清楚：

• 模型竞赛仍在发生：估值、Nobel 级人才、Claude Science / 竞品科学模型、千亿级 AI 公司与药企同台。
• 数据基建竞赛已经进场：谁能持续产生任务匹配的结合数据、结构多样性、可泛化到新表位的实验信号，谁才谈得上「设计抗体」而不只是「在标准靶点上刷好看名单」。
• 算力竞赛是第三轨（BMS、礼来与 Nvidia 的超算/实验室合作），它决定训练与推理成本，但算力解决不了「训练信号本身不够」。

我们的工作假说写在这里，供以后打脸： 若 12–18 个月内，行业主要突破仍主要来自「更大模型 + 既有公共/内部数据」，而共享/联邦/联盟式数据池没有可核对的增量，则「数据基建是主瓶颈」要降权。 反过来，若新颖表位、难靶点上的可转化资产，明显更常出现在「数据合作密度更高」的组织，假说就站得住。假说不是标题党，是方便读者以后回来验收我们。

亮眼以后默认怎么读 AI 药闻：三问。

一、模型层。 这是通用大模型换皮、任务专用模型，还是尚未公布对照数据的产品叙事？有没有与基线、与人类专家流程、与竞品的可核对比较？没有数字，就没有「领先」二字。

二、数据层。 数据从哪来？独占历史库、联邦不出门、订阅联盟增量，还是公开 PDB？规模与任务是否匹配——做 de novo 抗体，一万个复合物结构和百万级亲和力景观，不是同一量级的问题。权属与退出条款有没有写清？基础设施供应商会不会既当裁判又下场踢球？

三、湿实验与转化层。 设计有没有进入可重复实验？是不是只停在计算分数和「标准靶点短名单」？临床前是否有真实开发路径，还是「为了学会做模型而做的内部项目」？CMC、递送、监管、可及性有没有被新闻跳过？

用这三问回看 Anthropic：4 亿美元收购与 Jumper 加盟，说明人才与战略位被高价定价；Claude Science staged 得很隆重，但公开性能对照几乎空白；自有管线停在临床前且信息极少——所以我们今天只能写到「雄心与结构张力」，写不到「已经证明能做出药」。 用这三问回看 A-Alpha：条款与数据量叙事可读，联盟是数据基建的真动作；成员里有 GSK 说明大药企愿意为增量实验数据付钱；但加入费用未披露、扩员到 20 家尚未发生、对难表位是否兑现仍要时间——所以我们也不会写成「抗体设计问题已解决」。

我们是谁，以及你会在这里读到什么。

亮眼由长期在医药科研一线、并做过产业转化的科学共同体主导。我们用 AI 做检索、整理与草稿加速；否决权留在懂试验设计、终点、安全性与转化约束的人手里。我们不预设「AI 必然颠覆制药」，也不预设「AI 只是泡沫」。我们预设更笨、也更硬的一条：主张必须落到可核对的事实层。

以后的更新，大致两条线：

• 深度调研报告：把一个靶点、平台或赛道从机制走到临床与终局逻辑，慢，但要经得起挑刺。
• 每日速递与深度点评：快，可以短，但关键数字与监管状态必须回一手；不确定就写不确定。

三条你可以拿来验收我们的承诺：

1. 来源可回溯：关键事实尽量给到论文、登记试验、监管文件或公司/权威报道的可点开链接。 2. 判断分层：事实、推断、观点分开写；预测会写验证时点与怎样算我们错了。 3. 边界清楚：不编数字、不荐股、不站政治队；错了公开勘误。

开篇到此。下一篇起，我们会把这把三问尺子用在具体读出、交易与监管上——包括把 AI 制药这条线做成一组连续观察：数据联盟治理、TuneLab 类平台、药企自建模型与算力军备赛，分别卡在数据层的哪一环。

如果你愿意一起盯这条转折，欢迎星标。我们尽量不浪费你的时间。

---

事实主要依据 Endpoints News，Andrew Dunn：*Unpacking Anthropic's 100-day sprint into biopharma*，2026-07-20；*A-Alpha Bio starts AI antibody data consortium with GSK, Boltz*，2026-07-21。本稿为亮眼独立评述，非译文，非投资建议。

亮眼 Lumina Research 照亮科学真相 · 向光而行，亮见未来