Chai Discovery 的核心价值不在于它造出了多么惊艳的 AI 模型，而在于它做了一个反行业共识的选择 —— 只卖软件工具，永远不建自有药物管线。这一承诺让礼来、辉瑞、诺华三大制药巨头先后付费合作，也让 Chai 在 AI 制药赛道中走出了一条与 Isomorphic Labs、Recursion 等对手截然不同的轻资产路线。但 2027 年底首批 AI 设计分子能否进入临床，将是检验这条路是否走得通的真正大考。
一、AI 制药的真实困境：工具很强，但临床始终是一道坎
过去五年，生成式 AI 在药物发现领域的进展不可谓不快。结构预测从 AlphaFold2 到 AlphaFold3 再到 Chai-1，准确率已经逼近实验解析水平；抗体从头设计从概念验证走向批量产出，Chai-2 在全新靶点上实现了 15.5% 的命中率，而传统计算方法通常低于 0.1%。
但行业有一个无法回避的尴尬：全球已投入约 200 亿美元用于生成式 AI 药物发现，超过 173 个 AI 来源的药物项目在推进，却没有一款 AI 设计的药物获批上市。AI 驱动的药物发现在一期临床通过率可达 80% 到 90%，但到二期临床会降至 40% 左右，与经典药物发现策略基本持平。
这意味着什么？AI 在 “找分子” 这个环节确实更快、更便宜、命中率更高，但分子能否在人体内安全有效，目前的 AI 模型还无法可靠预测。一期临床验证的是安全性，二期验证的是有效性 —— 恰恰是有效性这一步，AI 没有展现出显著优势。
这就是 Chai 面对的行业底层问题：当结构预测能力正在被快速商品化，当大药企普遍采取 “多家赛马” 策略同时与多个 AI 平台合作，一家纯软件公司靠什么建立长期护城河？
二、Chai 的三步解法：从 “看” 分子到 “造” 分子再到 “嵌入” 客户工作流
Chai 的产品演进逻辑非常清晰，大致可以分为三个阶段。
第一步：用开源基座模型建立学术信任。 2024 年 9 月发布的 Chai-1 是一个多模态基础模型，能预测蛋白质、小分子、DNA、RNA 及共价修饰的三维结构，性能与 AlphaFold 3 处于同一水平。它的关键差异化在于无需多序列比对（MSA）就能完成预测，这对全新序列的预测成本降低非常显著。Chai-1 的模型权重和代码对非商业研究全面开放，网页版对商业用途免费，截至 2026 年 4 月已被超 400 篇学术论文引用。
第二步：用闭源生成模型收取许可费。 2025 年 6 月发布的 Chai-2 完成了从 “看” 到 “造” 的升级。它采用全原子架构，将结构预测与序列生成整合进单次推理，使用者只需指定靶点结构和绑定表位（几个残基即可），即使没有任何已知起始抗体模板，也能 “零样本” 生成完整抗体设计。在 52 个此前没有已知抗体结合物的全新靶点测试中，整体命中率 15.5%，小蛋白结合物任务命中率达 68%，部分设计的结合亲和力达到皮摩尔级。每个靶点只设计不到 20 个分子，从发现到实验室验证全流程不到两周。从 Chai-2 开始，公司全面转向闭源，核心生成能力只通过商业许可提供。
第三步：用定制模型深度嵌入客户工作流。 2026 年推出的 Chai-3 宣称成功率是 Chai-2 的两倍，在治疗性结合、多特异性分子设计和跨靶点泛化方面均有提升。更重要的是，Chai 与礼来、辉瑞相继建立合作，基于客户各自的专有研究数据训练定制版模型。这一步才是 Chai 真正想建立的护城河 —— 当模型用客户的私有数据训练后，客户的切换成本会大幅提高。
这构成了三层递进的产品架构：开源基座建品牌，闭源产品收许可费，定制模型绑客户。每一层都有明确的商业目的，而非技术炫技。
三、Chai 与主要竞争对手的路线对比
表格
| 维度 | Chai Discovery | Isomorphic Labs | Recursion | Xaira | OpenAI/Anthropic |
|---|---|---|---|---|---|
| 核心路线 | 纯软件工具，不建管线 | 药物设计引擎 + 自有管线 | 表型组学 + 自动化实验 + 自有管线 | 虚拟细胞模型 + 实验平台 + 自有管线 | 企业合作，不直接做药 |
| 代表模型 / 技术 | Chai-1/2/3，抗体从头设计 | AlphaFold 系列衍生 | 高通量成像 + 多组学 | 细胞扰动响应模型 | Claude for Life Sciences 等 |
| 是否自建临床管线 | 否（公开承诺） | 是 | 是（多个分子进入临床） | 是 | 否 |
| 主要客户 | 礼来、辉瑞、诺华 | 礼来、诺华（近 30 亿美元合作） | 自有管线为主 + 合作 | 合作 + 自有 | 诺和诺德、赛诺菲等 |
| 融资规模 | A 轮 7000 万美元 | 21 亿美元（2026 年 3 月） | 已上市 | 未公开大额 | — |
| 数据壁垒来源 | 客户私有数据定制 | 谷歌算力 + 算法 | 自有自动化实验室数据 | 细胞实验数据 | 通用大模型能力 |
| 商业化天花板 | 许可费 + 里程碑（相对低） | 管线分成 + 许可费（高） | 自有药物销售（最高） | 管线 + 服务 | 企业订阅（中） |
这个表格揭示了一个关键事实：在 AI 制药赛道，几乎所有头部玩家都选择了 “平台 + 管线” 的混合路线，因为纯平台模式的获利天花板确实低得多。按照行业惯例，如果合作方最终开发出年销 10 亿美元的重磅药物，纯平台公司通常只能拿到 500 万到 5000 万美元；而如果拥有自有资产，按标准生物技术条款授权能获取 5% 到 20% 的价值。Chai 选择了前者，这是一个主动的商业取舍，而非被动接受。
四、三个值得关注的非表面观察
观察一：”不建管线” 本质上是一种信任经济学，而非技术选择。 在制药行业，大药企的核心资产是临床管线和研发数据。当它们考虑引入外部 AI 工具时，最大的顾虑不是模型够不够强，而是 “这家公司会不会拿着我的数据去做自己的药，最终变成我的竞争对手”。Chai 公开承诺永远不建管线，实际上是在出售一种 “中立性保证”。前辉瑞首席科学官米卡埃尔・多尔斯滕加入 Chai 董事会时说得很直白：在一个大药企需要最值得信任的外部合作伙伴的世界里，不同时运营自己的管线，才能真正获得客户信任。这种信任在 B2B 交易中往往比技术领先半代更有价值。
观察二：从 Chai-1 开源到 Chai-2 闭源，反映了 AI 生物科技公司的普遍困境。 Chai-1 开源为公司快速建立了学术影响力和品牌认知，400 多篇引用就是最好的证明。但当 Chai-2 展现出真正的商业价值（抗体从头设计、15.5% 命中率）时，公司立刻转向闭源。这背后的逻辑是：结构预测能力正在被快速商品化，开源可以扩大生态；但生成设计能力是真正的收入来源，必须闭源保护。这种 “开源建生态、闭源收费用” 的分层策略在 AI 领域并不新鲜，但在生物科技领域，Chai 是执行得最彻底的公司之一。
观察三：”两年三代、每代翻倍” 的迭代节奏更像是一种估值叙事，而非纯技术自然演进。 Chai-1（2024.9）→ Chai-2（2025.6）→ Chai-3（2026），间隔大约 9 个月到一年，Chai-3 宣称成功率是 Chai-2 的两倍。这个节奏和 “翻倍” 的表述非常符合硅谷科技公司的融资叙事逻辑 —— 用可量化的性能提升来证明技术壁垒和增长潜力。但需要注意的是，Chai-3 目前尚未公开技术报告或第三方基准测试，其 “两倍成功率” 的说法还没有经过独立验证。在 AI 制药这个临床结果才是终极裁判的行业，模型 benchmark 上的翻倍和临床成功率的翻倍之间，还隔着非常远的距离。
五、结论：明年底是第一个观察窗口
Chai Discovery 代表了 AI 制药领域一种独特的生存策略：用 AI 原生团队的技术能力做工具，用 “不建管线” 的承诺换取大药企信任，用三层产品架构逐步加深客户绑定。这条路的优势是轻资产、高毛利、客户关系纯粹；劣势是获利天花板低、缺乏自有临床资产带来的长期价值、以及在行业尚未跑通临床验证时面临的信心风险。
当前 Chai 的处境可以概括为：模型性能在快速提升，客户名单在不断扩大，但整个行业的临床大考还没有交卷。General Catalyst 董事总经理埃琳娜・维博奇在 2026 年初表示，与 Chai 合作的药企将在 2027 年底迎来首批进入临床试验的新药。这既是一剂强心针，也是一个紧张的倒计时 —— 如果到时依然没有分子进入临床，客户的合作信心会被动摇，Chai 的市场价值也会受到直接影响。
更长远来看，结构预测正在被商品化，下一阶段 AI 药物发现的竞争将转向闭环实验、表型整合、临床转化预测等领域，这些目前都不在 Chai 的能力范围内。加之纯平台模式的获利天花板远低于自建管线，”只做软件” 的承诺是否只是一种早期获客策略，未来是否会转而加入 “平台 + 管线” 的赛场，明年底的临床数据将是第一个关键观察窗口。
对于关注 AI 制药落地的从业者和投资人来说，与其追逐模型参数和 benchmark 排名，不如紧盯两个硬指标：一是 AI 设计的分子能否在 2027 年底前后真正进入临床，二是进入临床后二期有效性的通过率能否显著超越传统方法。这两个问题有了答案，AI 制药是真革命还是新泡沫，才会真正水落石出。
本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源
常见问题 FAQ
什么是AI智能系统？
「AI智能系统」可概括为：Chai Discovery 的核心价值不在于它造出了多么惊艳的 AI 模型，而在于它做了一个反行业共识的选择 —— 只卖软件工具，永远不建自有药物管线。这一承诺让礼来、辉瑞、诺华三大制药巨头先后付费合作，也让 Chai 在 AI 制药赛道中走出了一条与 Isomorphic Labs、Recursion 等对手截然不同的轻资产路线。但 2027 年底首批 AI 设计分子能否进入临床，将是检验这条路是否走得通的真正大考。 本文从定义、方法与实践要点展开说明。
为什么要关注AI智能系统？
关注AI智能系统，是因为它直接影响效率、风险与可复制性。文中指出：过去五年，生成式 AI 在药物发现领域的进展不可谓不快。结构预测从 AlphaFold2 到 AlphaFold3 再到 Chai-1，准确率已经逼近实验解析水平；抗体从头设计从概念验证走向批量产出，Chai-2 在全新靶点上实现了 15.5% 的命中率，而传统计算方法通常低于 0.1%。
如何落地AI智能系统？有哪些关键步骤？
可按本文结构落地AI智能系统：1) 一、AI 制药的真实困境：工具很强，但临床始终是一道坎 → 2) 二、Chai 的三步解法：从 "看" 分子到 "造" 分子再到 "嵌入" 客户工作流 → 3) 三、Chai 与主要竞争对手的路线对比 → 4) 四、三个值得关注的非表面观察。每一步先定义目标与验收标准再扩大范围。
AI智能系统适合哪些人或团队？
AI智能系统更适合：产品/技术负责人、运营与增长团队、需要落地智能体或自动化的中小团队、关注「AI智能系统」方向的读者。若你只需要单次聊天式问答，可先读概念；若要上生产，请重点看步骤、权限与风控相关段落。
关于「一、AI 制药的真实困境：工具很强，但临床始终是一道坎」，本文给出了什么结论？
在「一、AI 制药的真实困境：工具很强，但临床始终是一道坎」部分，要点是：持平。 这意味着什么？AI 在 "找分子" 这个环节确实更快、更便宜、命中率更高，但分子能否在人体内安全有效，目前的 AI 模型还无法可靠预测。一期临床验证的是安全性，二期验证的是有效性 —— 恰恰是有效性这一步，AI 没有展现出显著优势。 这就是 Chai 面对的行业底层问题：当结构预测能力正在被快速商品化，当大药企普遍采取 "多家赛马" 策略同时与多个 AI 平台合作，一家纯软件公司靠什么建立长期护城河？ 二、Chai 的三步解法：
关于「二、Chai 的三步解法：从 "看" 分子到 "造" 分子再到 "嵌入" 客户工作流」，本文给出了什么结论？
在「二、Chai 的三步解法：从 "看" 分子到 "造" 分子再到 "嵌入" 客户工作流」部分，要点是：作）自有管线为主 + 合作合作 + 自有诺和诺德、赛诺菲等融资规模A 轮 7000 万美元21 亿美元（2026 年 3 月）已上市未公开大额—数据壁垒来源客户私有数据定制谷歌算力 + 算法自有自动化实验室数据细胞实验数据通用大模型能力商业化天花板许可费 + 里程碑（相对低）管线分成 + 许可费（高）自有药物销售（最高）管线 + 服务企业订阅（中） 这个表格揭示了一个关键事实：在 AI 制药赛道，几乎所有头部玩家都选择了 "平台 + 管