字节把AI制药拆出去了，再看AI制药的下一步

字节把AI制药拆出去了，再看AI制药的下一步

每日热点洞察 · 基础软件 ×AI制药 TO销售市场

9月16日，字节跳动拆分出来的AI制药公司 Anew Labs（新生实验室）** 完成2.9亿
美元首轮融资，投后估值约15亿美元。这家公司前身是字节跳动内部的AI for Science药物发现团队。2026年6月，字节把这项业务整体拆分，团队、算法平台和在研管线进入新主体。完成融资后，字节仍持有约56%的股份，保持控股。

脑子里随之出现疑问：为什么一家互联网公司的AI制药团队，单独拆出去一定是在搞什么大事情？再把腾讯、百度、华为最近的动作放在一起看，这似乎又不只是字节自己的组织调整。

AI制药正在从"大厂的一项AI能力"，要变成一个独立的产业方向。未来这个领域不只是"谁又发布了一个模型"，而是这些公司要把AI带到国内药物研发的新阶段了。

一、字节把AI制药拆出去要做什么？

公开资料显示，Anew Labs目前布局了生物分子结构预测、分子设计、抗体设计与优化等能力，同时已经开始推进自己的药物管线。公司此次外部融资后估值约15亿美元，字节仍是控股股东。所以，这并不是传统意义上的"事业部独立核算"。更准确地说是：

互联网大厂内部科研团队 → 独立公司 → 外部融资 → 自己承担药物研发周期和风险。

互联网业务和药物研发，本来就是两套完全不同的经营逻辑：互联网产品可以快速上线、快速迭代，几个月就能看到用户反馈；药物研发则要经过靶点研究、分子设计、实验验证、动物实验、临床试验等多个阶段，周期长、投入大，而且每一步都可能失败。所以，AI制药如果发展到真正做药的阶段，组织方式自然会发生变化。

从这个角度看，字节这次拆分真正值得关注的，不是"字节也开始做医药"，而是：AI制药已经开始从互联网公司的内部科研项目，变成可以独立融资、独立承担研发周期的产业主体。意味着AI制药的商业逻辑过去可以卖模型、卖算力、卖平台、卖服务。再往后，还可以做自己的药物管线，通过合作开发、授权等方式获得回报。

当然，Anew Labs现在仍处于药物研发阶段，融资和估值本身并不意味着临床成功或商业化成功。它更重要的意义，是证明了这种"AI公司独立做药"的组织模式已经开始获得外部资本支持。

二、除了字节，国内大厂还有谁已走这条路上？

会发现一个有意思的现象：字节、腾讯、百度、华为大家都在进入AI制药，但进入方式并不一样。

腾讯走的是比较典型的平台路线。腾讯的云深iDrug，以腾讯云为基础，覆盖小分子和大分子药物发现，并已经与多家生物医药企业开展合作。平台本身覆盖虚拟筛选、分子生成、 ADME T预测、合成路线规划等多个环节，同时强调AI计算和实验验证的结合。

百度则更偏生物计算。*PaddleHelix已经覆盖小分子筛选、分子设计、蛋白质结构以及mRNA等方向。比如其HelixVS用于大规模虚拟筛选，HelixVS-Syn用于分子设计和优化；百度团队今年还在《Nature Machine Intelligence》发表了HelixFold-S1相关研究。

华为更强调算力、AI能力与药企研发流程的结合。** 华为目前公开的智药云解决方案，已经覆盖小分子药物发现和临床试验等场景，同时强调多源研发数据汇聚、知识图谱、数据溯源以及统一运维。8月底，华为医疗业务负责人还向外媒表示，公司计划进一步扩大与国内药企的AI合作，从药物研发延伸到临床等环节。华为目前也在利用昇腾、鲲鹏等自有计算平台支持药物筛选。

因此，几家公司的路线其实已经出现了差异：

- 字节：往AI Biotech走，开始自己做药。
- 腾讯、百度：往AI研发平台和生物计算走。
- 华为：把算力、数据和AI能力带进药企研发流程。

路线不同，但共同点越来越明显：AI开始从药物研发的一个工具，进入药物研发的整个流程。

## 三、模型还能做什么，"模型之后怎么办"

之前，AI制药我们讨论的问题是模型：能不能预测蛋白结构？能不能生成分子？能不能找到新的药物靶点？能不能把虚拟筛选做得更快？

但行业走到今天，真正麻烦的问题开始出现在模型之后。假设一个模型一次生成100万个候选分子，真正能进入实验的可能只有其中很少一部分。实验完成之后，又会产生新的数据；新的数据再回到模型里，模型根据实验结果调整下一轮设计。于是，一条真正的研发链就变成了：计算 → 设计 → 实验 → 数据 → 再计算。

这里面，最难的不是"生成100万个分子"。而是：怎么从100万个里面找到真正值得实验的那100个？实验结果回来之后，怎么判断哪些信息值得保留？下一轮模型能不能真正用上这些结果？如果这些环节之间仍然是一个个孤立的软件系统，那么模型能力再强，也很难形成持续积累。

这也是近期行业讨论已经越来越多地从模型转向干湿实验闭环、数据孤岛和研发流程。

腾讯的iDrug已经明确把"干湿实验结合验证"作为平台能力之一；百度的相关平台也在把虚拟筛选、分子设计和实验案例连接起来。

换句话说：AI制药真正的难题，正在从"模型能不能给出答案"，变成"研发系统能不能利用答案继续往下走"。

四、真正的瓶颈，重新回到数据上

这时候再看药物研发的数据，就会发现它和普通企业数据完全不是一回事。一个药物研发项目里，可能同时存在：分子数据（记录化合物结构、性质、活性等）；蛋白与生物数据（记录蛋白结构、序列以及不同生物过程）；实验数据（记录实验条件、结果和时间变化）；文献和专利（保存研究结论、技术路线以及历史经验）；知识关系（记录一个靶点、一个分子、一项实验、一篇论文之间的关系）；模型数据（记录训练数据、预测结果以及不同版本模型产生的结果）。这些数据天然不是一种形态，它们之间还有大量关系。

一个分子为什么被选中？它对应哪个靶点？这个判断来自哪次实验？实验采用了什么条件？最终结果怎么样？下一轮模型是否使用了这个结果？

如果只是把数据分别存到不同系统里，数据本身可能都在，但研发过程仍然是断的。所以AI制药真正需要的，并不只是一个"存数据的数据库"。而是一套能够让不同数据进入同一个研发流程的基础设施。

这也是为什么，数据库和高质量数据集在AI制药中的角色正在发生变化。
过去数据库解决的是：数据存在哪里、怎么查。现在还需要解决：**不同类型的数据怎么放在一起？数据之间的关系怎么保留下来？模型怎么调用这些数据？实验结果怎么回到下一轮研发？

从这个角度看，AI制药真正需要的不是简单的"AI数据库"。而是：能够同时组织关系、图、时序、文档、向量等不同类型数据，并让它们参与研发计算的数据底座。

这也解释了为什么，AI制药越往后走，数据库和数据平台反而越重要。

五、下一轮竞争，真不一定发生在模型层

如果把整个行业拆开来看，现在大概可以看到三个层次。

第一层，是模型能力。包括蛋白结构预测、分子生成、虚拟筛选、性质预测等。这一层的竞争已经非常激烈。

第二层，是数据能力。模型需要的不只是公开数据，还包括企业自己的实验数据、历史项目数据、专利、文献以及不断产生的新实验结果。谁能把这些数据组织起来，谁才能让模型持续学企业自己的研发经验。

第三层，是研发闭环。也就是：数据 → 模型 → 实验 → 新数据能不能真正形成循环。

这三层其实是递进关系。没有模型，数据很难发挥价值；没有数据，模型无法持续改进；没有实验验证，模型也很难真正走到药物研发结果。

所以，AI制药最后比拼的可能并不是某一个模型的参数规模，而是一家公司能不能把这三件事情连起来。

Anew Labs选择自己做药物管线，是一种路径；腾讯把AI、云计算和干湿实验结合起来做平台，是另一种路径；百度继续强化生物计算平台，是另一种路径；华为则试图把算力、数据和AI能力嵌进药企研发流程。现在判断哪一种模式最终会成为主流还太早。

但有一点越来越明显：AI制药已经不是单纯的模型生意。它开始变成一个数据、计算、实验和研发流程共同参与的产业。

六、所以，接下来我们真正值得看的是什么？

回到字节这次拆分动作。如果只把它理解成"字节又进入AI制药了"，好像就低估这件事情。

我们要关注的是：一家互联网公司的AI科研团队，开始被单独组织、单独融资，并且有自己的药物管线。 与此同时，腾讯、百度、华为也分别从平台、生物计算、算力和药企解决方案等方向往产业深处走。

说明一个变化正在发生：这个领域要从"AI能不能帮助药企提高研发效率？"开始变成"AI能不能真正进入药物研发的生产流程？"进入这个阶段，竞争就不会只停留在模型层。

它会向下走*数据 → 数据库 → 算力 → 实验，再向上走：候选药物 → 临床 → 管线 → 商业化。

那么今天再看AI制药，数据库这个话题在现在看来与未来更值得一讨论。因为药物研发最终留下来的，不只是一个模型。还包括越来越多的：分子数据库、实验数据库、知识数据库、研发关系和验证结果。这些东西如果只是分散在不同系统里，它们只是数据。当它们能够被持续组织、查询、计算，并重新回到下一轮研发中，真正变成研发资产。

所以，AI制药的下一步，不是简单地再出现一个又一个更大的模型。而是开始回答一个更基础的问题：如何把研发过程中不断产生的数据，真正变成下一轮研发的起点？**

从这个角度看，字节把AI制药拆出去，或许只是一个开始。

模型正在进入药物研发，而数据库、数据平台以及背后的数据基础设施，也正在重新进入药物研发的核心位置。

每日热点洞察 · 基础软件 ×AI制药 TO销售市场

9月16日，字节跳动拆分出来的AI制药公司 Anew Labs（新生实验室）** 完成2.9亿美元首轮融资，投后估值约15亿美元。这家公司前身是字节跳动内部的AI for Science药物发现团队。2026年6月，字节把这项业务整体拆分，团队、算法平台和在研管线进入新主体。完成融资后，字节仍持有约56%的股份，保持控股。

脑子里随之出现疑问：为什么一家互联网公司的AI制药团队，单独拆出去一定是在搞什么大事情？再把腾讯、百度、华为最近的动作放在一起看，这似乎又不只是字节自己的组织调整。

AI制药正在从"大厂的一项AI能力"，要变成一个独立的产业方向。未来这个领域不只是"谁又发布了一个模型"，而是这些公司要把AI带到国内药物研发的新阶段了。

一、字节把AI制药拆出去要做什么？

公开资料显示，Anew Labs目前布局了生物分子结构预测、分子设计、抗体设计与优化等能力，同时已经开始推进自己的药物管线。公司此次外部融资后估值约15亿美元，字节仍是控股股东。所以，这并不是传统意义上的"事业部独立核算"。更准确地说是：

互联网大厂内部科研团队 → 独立公司 → 外部融资 → 自己承担药物研发周期和风险。**

互联网业务和药物研发，本来就是两套完全不同的经营逻辑：互联网产品可以快速上线、快速迭代，几个月就能看到用户反馈；药物研发则要经过靶点研究、分子设计、实验验证、动物实验、临床试验等多个阶段，周期长、投入大，而且每一步都可能失败。所以，AI制药如果发展到真正做药的阶段，组织方式自然会发生变化。

从这个角度看，字节这次拆分真正值得关注的，不是"字节也开始做医药"，而是：**AI制药已经开始从互联网公司的内部科研项目，变成可以独立融资、独立承担研发周期的产业主体。** 意味着AI制药的商业逻辑过去可以卖模型、卖算力、卖平台、卖服务。再往后，还可以做自己的药物管线，通过合作开发、授权等方式获得回报。

当然，Anew Labs现在仍处于药物研发阶段，融资和估值本身并不意味着临床成功或商业化成功。它更重要的意义，是证明了这种"AI公司独立做药"的组织模式已经开始获得外部资本支持。

二、除了字节，国内大厂还有谁已走这条路上？

会发现一个有意思的现象：字节、腾讯、百度、华为大家都在进入AI制药，但进入方式并不一样。

腾讯走的是比较典型的平台路线。腾讯的云深iDrug，以腾讯云为基础，覆盖小分子和大分子药物发现，并已经与多家生物医药企业开展合作。平台本身覆盖虚拟筛选、分子生成、ADMET预测、合成路线规划等多个环节，同时强调AI计算和实验验证的结合。

百度则更偏生物计算。*PaddleHelix已经覆盖小分子筛选、分子设计、蛋白质结构以及mRNA等方向。比如其HelixVS用于大规模虚拟筛选，HelixVS-Syn用于分子设计和优化；百度团队今年还在《Nature Machine Intelligence》发表了HelixFold-S1相关研究。

华为更强调算力、AI能力与药企研发流程的结合。** 华为目前公开的智药云解决方案，已经覆盖小分子药物发现和临床试验等场景，同时强调多源研发数据汇聚、知识图谱、数据溯源以及统一运维。8月底，华为医疗业务负责人还向外媒表示，公司计划进一步扩大与国内药企的AI合作，从药物研发延伸到临床等环节。华为目前也在利用昇腾、鲲鹏等自有计算平台支持药物筛选。

因此，几家公司的路线其实已经出现了差异：

- 字节：往AI Biotech走，开始自己做药。
- 腾讯、百度：往AI研发平台和生物计算走。
- 华为：把算力、数据和AI能力带进药企研发流程。

路线不同，但共同点越来越明显：AI开始从药物研发的一个工具，进入药物研发的整个流程。

## 三、模型还能做什么，"模型之后怎么办"

之前，AI制药我们讨论的问题是模型：能不能预测蛋白结构？能不能生成分子？能不能找到新的药物靶点？能不能把虚拟筛选做得更快？

但行业走到今天，真正麻烦的问题开始出现在模型之后。假设一个模型一次生成100万个候选分子，真正能进入实验的可能只有其中很少一部分。实验完成之后，又会产生新的数据；新的数据再回到模型里，模型根据实验结果调整下一轮设计。于是，一条真正的研发链就变成了：计算 → 设计 → 实验 → 数据 → 再计算。

这里面，最难的不是"生成100万个分子"。而是：怎么从100万个里面找到真正值得实验的那100个？实验结果回来之后，怎么判断哪些信息值得保留？下一轮模型能不能真正用上这些结果？如果这些环节之间仍然是一个个孤立的软件系统，那么模型能力再强，也很难形成持续积累。

这也是近期行业讨论已经越来越多地从模型转向干湿实验闭环、数据孤岛和研发流程。

腾讯的iDrug已经明确把"干湿实验结合验证"作为平台能力之一；百度的相关平台也在把虚拟筛选、分子设计和实验案例连接起来。

换句话说：AI制药真正的难题，正在从"模型能不能给出答案"，变成"研发系统能不能利用答案继续往下走"。

四、真正的瓶颈，重新回到数据上

这时候再看药物研发的数据，就会发现它和普通企业数据完全不是一回事。一个药物研发项目里，可能同时存在：分子数据（记录化合物结构、性质、活性等）；蛋白与生物数据（记录蛋白结构、序列以及不同生物过程）；实验数据（记录实验条件、结果和时间变化）；文献和专利（保存研究结论、技术路线以及历史经验）；知识关系（记录一个靶点、一个分子、一项实验、一篇论文之间的关系）；模型数据（记录训练数据、预测结果以及不同版本模型产生的结果）。这些数据天然不是一种形态，它们之间还有大量关系。

一个分子为什么被选中？它对应哪个靶点？这个判断来自哪次实验？实验采用了什么条件？最终结果怎么样？下一轮模型是否使用了这个结果？

如果只是把数据分别存到不同系统里，数据本身可能都在，但研发过程仍然是断的。所以AI制药真正需要的，并不只是一个"存数据的数据库"。而是一套能够让不同数据进入同一个研发流程的基础设施。

这也是为什么，数据库和高质量数据集在AI制药中的角色正在发生变化。
过去数据库解决的是：数据存在哪里、怎么查。现在还需要解决：**不同类型的数据怎么放在一起？数据之间的关系怎么保留下来？模型怎么调用这些数据？实验结果怎么回到下一轮研发？

从这个角度看，AI制药真正需要的不是简单的"AI数据库"。而是：能够同时组织关系、图、时序、文档、向量等不同类型数据，并让它们参与研发计算的数据底座。

这也解释了为什么，AI制药越往后走，数据库和数据平台反而越重要。

五、下一轮竞争，真不一定发生在模型层

如果把整个行业拆开来看，现在大概可以看到三个层次。

第一层，是模型能力。包括蛋白结构预测、分子生成、虚拟筛选、性质预测等。这一层的竞争已经非常激烈。

第二层，是数据能力。模型需要的不只是公开数据，还包括企业自己的实验数据、历史项目数据、专利、文献以及不断产生的新实验结果。谁能把这些数据组织起来，谁才能让模型持续学企业自己的研发经验。

第三层，是研发闭环。也就是：数据 → 模型 → 实验 → 新数据能不能真正形成循环。

这三层其实是递进关系。没有模型，数据很难发挥价值；没有数据，模型无法持续改进；没有实验验证，模型也很难真正走到药物研发结果。

所以，AI制药最后比拼的可能并不是某一个模型的参数规模，而是一家公司能不能把这三件事情连起来。

Anew Labs选择自己做药物管线，是一种路径；腾讯把AI、云计算和干湿实验结合起来做平台，是另一种路径；百度继续强化生物计算平台，是另一种路径；华为则试图把算力、数据和AI能力嵌进药企研发流程。现在判断哪一种模式最终会成为主流还太早。

但有一点越来越明显：AI制药已经不是单纯的模型生意。它开始变成一个数据、计算、实验和研发流程共同参与的产业。

六、所以，接下来我们真正值得看的是什么？

回到字节这次拆分动作。如果只把它理解成"字节又进入AI制药了"，好像就低估这件事情。

我们要关注的是：一家互联网公司的AI科研团队，开始被单独组织、单独融资，并且有自己的药物管线。 与此同时，腾讯、百度、华为也分别从平台、生物计算、算力和药企解决方案等方向往产业深处走。

说明一个变化正在发生：这个领域要从"AI能不能帮助药企提高研发效率？"开始变成"AI能不能真正进入药物研发的生产流程？"进入这个阶段，竞争就不会只停留在模型层。

它会向下走*数据 → 数据库 → 算力 → 实验，再向上走：候选药物 → 临床 → 管线 → 商业化。

那么今天再看AI制药，数据库这个话题在现在看来与未来更值得一讨论。因为药物研发最终留下来的，不只是一个模型。还包括越来越多的：分子数据库、实验数据库、知识数据库、研发关系和验证结果。这些东西如果只是分散在不同系统里，它们只是数据。当它们能够被持续组织、查询、计算，并重新回到下一轮研发中，真正变成研发资产。

所以，AI制药的下一步，不是简单地再出现一个又一个更大的模型。而是开始回答一个更基础的问题：如何把研发过程中不断产生的数据，真正变成下一轮研发的起点？**

从这个角度看，字节把AI制药拆出去，或许只是一个开始。

模型正在进入药物研发，而数据库、数据平台以及背后的数据基础设施，也正在重新进入药物研发的核心位置。