Chai Discovery 与 GSK 的合作标志着其快速拓展制药业务，但临床验证仍在后面

Chai Discovery 在成功完成实验室评估后与 GSK 签约，使这家 AI 初创公司在九个月内迎来第六家大型制药合作伙伴。Chai Discovery 与 GSK 的合作让其蛋白质模型从演示阶段迈向 GSK 研发管线中的实际发现工作。

重要的结果并不只是又一份企业协议。GSK 针对多个生物靶点测试了计算机生成的设计方案，并称在评估的每个靶点上都找到了结合物。结合物是能够附着于目标蛋白的分子，通常是将一项设计转化为有用疗法的首要条件。

这一结果为 Chai 提供了比软件基准测试表现优异更有力的商业证据。不过，这仍是来自受控实验室工作的早期证据，而非 AI 设计药物会在动物或患者中成功的证明。当前的核心较量在于快速的早期设计，与决定一种分子能否成为药物的缓慢生物学验证之间的竞争。

Chai Discovery 与 GSK 的合作始于一项实验室测试

GSK 在其自有实验室测试 Chai 生成的分子后，才扩大了双方合作关系。

两家公司于 2026 年 10 月 9 日宣布合作。根据协议，GSK 将获得 Chai 平台的使用权，包括其蛋白质折叠和分子设计模型，用于该制药商研发管线中的项目。

双方未披露财务条款、具体靶点、疾病领域、项目数量或所有权安排。这些缺失的信息限制了外界对协议潜在商业价值的判断。它也表明，在技术仍处于早期部署阶段时，两家公司都希望保留灵活性。

最有价值的细节在于协议签署前的评估。Chai 在未接受靶点特异性训练的情况下，为一系列 GSK 靶点生成了分子设计方案。随后，GSK 在内部测试这些设计，并称在评估中的每个靶点上都发现了结合物。

这种方法被称为零样本设计。模型会在未针对该靶点使用专门创建的示例进行训练的情况下尝试新任务。在分子发现中，有说服力的零样本结果表明，模型已学习到可迁移至不同蛋白质的模式。

GSK 未公布靶点的数量或身份，也未披露研究人员测试了多少项设计、其中多少成为结合物，或这些结果与既有发现方法相比表现如何。每个靶点至少找到一个结合物令人鼓舞，但这并不能说明实验的效率。

结合亲和力增加了另一层证据。这一指标描述一个分子与另一个分子结合的紧密程度，更强的结合通常有助于支持后续开发。GSK 研发技术高级副总裁 Christopher Austin 表示，这项评估在多种靶点上产生了具有强结合亲和力的设计方案。

Austin 还将 Chai 的系统描述为对 GSK 内部模型的补充。GSK 会持续利用其自有实验室数据重新训练这些模型。这一表述指向一种混合式运营模式：外部基础模型生成设计方案，而专有实验则用于优化筛选和验证。

Chai 在其 GSK 合作公告中表示，在 GSK 进行湿实验室评估前，公司模型已生成这些设计。湿实验室是研究人员测试生物材料的实体实验室，而非仅依赖计算机模拟。

这一顺序很重要。GSK 并非在审阅已发布的基准测试后便授权使用模型；其科学家进行了实证测试，并在看到结果后扩大了合作。

因此，这项协议代表着从评估到部署的转变。尽管它几乎未向读者说明下游治疗成功的可能性，但这一转变是该事件中最清晰的商业信号。

Chai 于 2024 年由 Joshua Meier、Jack Dent、Matthew McPartlon 和 Jacques Boitreaud 在旧金山创立。其创始人拥有来自 OpenAI、Meta、Stripe、分子工程和学术研究领域的经验。

这一背景帮助 Chai 迅速吸引了大型投资者和技术领域的关注。然而，该公司的核心主张比人工智能在医疗领域的普遍承诺更为聚焦。它希望提供一套计算机辅助设计系统，供制药科学家为特定靶点创造分子。

GSK 的评估正是对这一主张的一次测试。更广泛的合作如今让 Chai 有机会证明，同一方法能否在真实发现项目中持续发挥作用——而这些项目的要求远不止结合能力。

为什么零样本蛋白质设计对 GSK 很重要

其战略价值在于减少产出可行起始分子所需的实验室循环次数。

传统发现团队通常会在大量现有分子库中筛选，开展实验测试，并通过反复循环改造有前景的候选物。每个循环都可能消耗材料、科研人力和实验室产能。

生成式蛋白质模型改变了这项工作流程的一部分。系统不再只筛选研究人员已有的物质，而是根据期望的生物学相互作用提出新的分子结构。科学家随后可以合成规模更小的一组设计并进行测试。

Chai 表示，其模型可预测生物结构和相互作用，然后生成可能与选定靶点结合的分子。其 分子设计平台聚焦于蛋白质，包括抗体和更小的蛋白质结合物。

抗体是能够识别特定分子特征的免疫蛋白。治疗性抗体将这种选择性用于阻断、激活或将治疗手段递送至与疾病相关的靶点。

设计抗体不仅仅是找到一种能够结合的结构。有价值的候选物还必须保持稳定、避免不良免疫反应、支持生产制造，并在体内表现出可预测性。

零样本表现之所以重要，是因为制药团队持续面对实验数据稀缺的靶点。若模型在处理每个新靶点前都需要大量定制数据集，就会保留现有流程中很大一部分准备负担。

相比之下，可迁移模型可在研究人员积累大量靶点特异性训练数据之前，先生成一批初始候选物。这一过程能够让项目更快进入实验学习阶段。

GSK 的结果支持这一较为有限的主张。Chai 的模型显然在没有靶点特异性训练的情况下生成了可测试的设计，而 GSK 在受测面板中的各个靶点均找到了结合物。但这并不能证明每个靶点都会有相似反应。

未披露的样本规模尤其重要。在一个小型、经过精心挑选的面板上取得成功，与在许多彼此无关且困难的靶点上取得成功，意义并不相同。这份公告无法让读者区分这两种情况。

它也没有说明每个项目中的“强”亲和力具体意味着什么。结合要求会因靶点、治疗机制和分子类型而异。一项足以支持开展另一轮发现工作的结果，仍可能达不到开发候选物的标准。

尽管如此，这项合作仍契合 AI 药物发现领域更广泛的变化。模型正从公开的结构基准测试，迈向与实际开发决策相连的实验。

一篇 2026 年的药物发现综述指出，有用的评估必须将模型与明确的项目背景和决策节点相联系。单靠通用模型性能无法证明临床相关性，因为生物数据高度依赖实验条件。

GSK 的评估遵循了这种以项目为中心的模式。其研究人员选择靶点、测试生成的分子，并利用结果决定是否深化合作关系。

对 GSK 而言，该平台提供了另一种分子假设来源。其内部模型仍保有重大优势，因为它们可以从外部供应商无法获得的专有实验数据中学习。

Chai 提供了一个互补的基础层。GSK 可以将其方案与内部系统进行比较，结合公司数据，并决定哪些候选物值得投入实验室资源。

这种结构也使 GSK 不必依赖单一 AI 供应商。该制药商可将外部系统视为既有研究流程中的组成部分，而不是将科学判断外包出去。

对 Chai 而言，这一安排让其反复接触困难靶点和严苛的制药标准。即便机密数据仍保留在合作伙伴环境中，每个成功项目都能提升该平台在其他买家眼中的可信度。

这一区别解释了为何这项交易比软件订阅更重要。该产品正在进入模型生成与实体实验之间的反馈循环。

当公司获得有用的实验信号时，这一循环可以改善决策；它也可能揭示计算信心在哪些方面无法预测生物学行为。

六家制药合作伙伴将模型变成商业网络

Chai 合作伙伴的快速增长表明，在尚无临床验证的情况下，制药公司愿意测试其模型。

据报道，GSK 协议使 GSK 成为 Chai 自 2026 年初以来的第六家大型制药合作伙伴。其已宣布的合作名单包括 Eli Lilly、Pfizer、Novartis、argenx、Bristol Myers Squibb 和 GSK。

这些合作关系似乎并不完全相同。有些提供 Chai 软件的使用权，另一些则聚焦于抗体发现或特定研究项目。共同主题是在成熟制药组织内部使用生成式分子设计。

对于一家成立于 2024 年的公司而言，这一速度引人注目。这表明 Chai 已降低了一项采用门槛：说服大型制药商相信，该平台值得接受内部科学评估。

Eli Lilly 是最早可见的采用者之一。这家制药商表示，计划将 Chai 的生成式模型与其生物制剂专业能力及专有数据相结合。

这项合作出现在制药研究 AI 基础设施投资更广泛增长的时期。Lilly 还与 Nvidia 推进了一项独立的 AI 实验室计划，表明制药商可以同时与多家技术供应商合作。

因此，Chai 的商业战略并不依赖于取代制药公司的整个研发技术栈。它可以销售一种专业化设计能力，与现有数据、实验室和开发团队相连接。

这一定位不同于自行开发并拥有内部药物管线的 AI 原生生物技术公司。平台提供商可以将技术分发给许多合作伙伴；而药物开发商可从成功药物中获得更多价值，但也承担更大的资本和临床风险。

Chai 似乎融合了两种策略的要素，但其当前公开的发展势头主要来自合作伙伴关系。相比等待多年让完全自主拥有的药物完成试验，使用权协议和合作能够更早带来市场验证。

该模型也有助于解释这九个月来的快速增长。药企可以先在有限范围的靶点上评估设计软件，再决定是否作出更大规模的投入。它无需重组整个药物发现业务。

此前关于 Chai 与 Lilly 合作的报道将该公司的模型描述为定制化架构，而非基于通用语言模型改造而来。这一区别至关重要，因为分子几何结构和生化相互作用需要专为物理结构构建的表征方式。

Chai 的融资为其支持这一不断扩大的合作网络提供了资源。该公司于 2025 年 12 月完成 B 轮融资，随后又在 2026 年宣布获得额外资金。

然而，融资并不能证明科学性能。它支持更大规模的模型训练、实验室工作、招聘和客户服务。制药合作伙伴仍需针对每个项目获得实验依据。

如果合作使 Chai 接触到多样化的靶点类别和设计问题，这一网络本身可能会成为优势。更多项目的经验可以揭示反复出现的失败模式，并改善科学家使用该系统的方式。

数据访问依然复杂。制药公司严密保护实验结果和化合物信息，因此平台供应商不能假定每个合作伙伴的专有数据都会用于改进共享模型。

合同必须明确模型运行地点、哪些信息会返回给 Chai，以及生成分子的所有权归属。GSK 合作中的这些安排均未披露。

因此，最终形成的商业网络可能不像合作伙伴数量所暗示的那样统一。六个标识可能代表六套彼此隔离的部署，它们具有不同的规则、目标和技术集成程度。

不过，持续促成合作仍然重要。大型制药公司会对外部工具进行安全、法律、科学和采购审查。获得多项协议表明 Chai 能够满足这些要求。

GSK 协议提高了后续进展的门槛。相比再宣布一位合作伙伴，现有项目已选定一个开发候选物的证据将带来更多信息。

这正是市场兴趣与治疗进展之间的差别。Chai 以不同寻常的速度积累了前者。其下一项任务是为后者提供证据。

这笔交易给竞争对手的 AI 药物发现平台带来压力

Chai 争夺的是进入制药实验室的席位，而不只是蛋白质基准测试上的最高分。

该市场包括原生 AI 药物开发商、软件平台、研究机构，以及拥有分子模型的科技公司。竞争者包括 Isomorphic Labs、Generate Biomedicines、Absci、EvolutionaryScale，以及其他蛋白质设计专家。

Google DeepMind 的 AlphaFold 改变了人们对蛋白质结构预测的预期。Isomorphic Labs 正将相关方法拓展至商业化药物发现和内部治疗项目。

Chai 瞄准的是下一步实际操作：设计可由制药团队合成和测试的分子。这使其与构建生成式抗体和蛋白质平台的公司形成重叠。

竞争的单位不是一次模型发布，而是一个经过验证的药物发现项目，能够产出符合药物开发标准的分子。

Chai 连续获得六家合作伙伴带来了压力，因为这意味着分发能力。每一次部署都会将其系统置于专有模型、筛选流程和成熟供应商之间。

制药科学家会依据可量化结果比较生成的分子。关键维度包括命中率、结合亲和力、选择性、稳定性、可制造性，以及所需实验轮次。

Chai 已公开宣传其模型的强劲结果，但横向比较仍然困难。公司往往在不同实验室条件下测试不同靶点集合，随后仅披露经过筛选的结果，方法学细节有限。

这种碎片化使合作伙伴的行为更具参考价值。GSK 在自身评估后决定扩大合作，其分量高于完全由供应商选择和运行的基准测试。

这仍不能证明 Chai 优于所有替代方案。GSK 将该技术描述为对其内部系统的补充，而非替代。

这一表述确立了主要的竞争张力。外部基础模型承诺提供广泛的分子知识，而制药公司的内部模型则受益于专有实验数据和项目背景。

广泛模型可以针对陌生靶点生成思路。内部模型则能从围绕公司特定分子、设备和科研重点设计的测定中学习。

最可能胜出的并非某一种模型，而是能够连接两类来源、同时保留实验可追溯性的运行系统。

这有利于能够轻松融入实验室工作流的供应商。一个能生成吸引人结构、却无法适应合作伙伴数据治理或验证流程的模型，将难以超越评估阶段。

这同样有利于拥有强大内部 AI 团队的制药公司。它们可以检验外部输出、设计信息量更高的实验，并利用专有结果重新训练模型。

规模较小的生物技术公司或许能够在不组建庞大计算团队的情况下获得先进设计系统。然而，它们在数据使用、排他性和后续所有权方面的议价能力可能较弱。

因此，Chai 的 AI 药物发现战略同时加剧了外部供应商和内部研究团队的竞争压力。供应商必须展示前瞻性结果，而内部团队则必须说明外部模型何时能创造价值。

这也让“一家 AI 实验室将主导药物设计”的流行叙事变得更加复杂。大型药企通常会维持多种技术合作关系，因为每个平台在不同分子形式和靶点上的表现可能不同。

GSK 的表述强化了这种多元化路径。其科学家预计 Chai 的模型将与基于内部湿实验数据训练的系统协同工作。

这为 Chai 创造了一个要求严苛的市场。早期表现可以赢得准入机会，但持续比较也可能迅速暴露薄弱环节。

竞争对手无需在每项科学任务上击败 Chai。它们可以通过更好的集成能力、更强的专有数据集、更明确的知识产权条款，或在特定治疗模式上的更深专业能力展开竞争。

因此，制药合作伙伴数量是领先指标，而非最终记分牌。持久优势将来自那些无需过度实验补救便能推进的项目。

湿实验结果并不能证明什么

一种在早期测定中能够结合的分子，距离成为安全有效的药物仍非常遥远。

Chai Discovery 与 GSK 的交易验证了分子创制中的一个环节。它并未验证整个药物开发流程。

结合对于许多治疗机制而言是必要条件，但很少是充分条件。一个分子可能结合得很紧，却仍可能与错误的蛋白质发生作用、快速降解、引发免疫反应，或无法到达相关组织。

研究人员还必须考察效力、选择性、溶解性、稳定性、药代动力学、毒性和可制造性。这些性质可能相互冲突，迫使团队牺牲亲和力，以换取更具可行性的开发特征。

抗体项目还面临自身限制。一种有前景的抗体必须在有效浓度下保持其特性，并承受生产、储存和递送条件。

即使候选物经过良好工程设计，也可能因为其底层生物学靶点未如预期影响疾病而失败。分子设计无法消除人类生物学中的不确定性。

这正是临床验证仍是 AI 药物发现核心检验的原因。早期模型可以缩小搜索空间，但只有患者能决定所选假设是否产生有意义的获益。

近期的独立分析强调了这一差距。一项临床现实检验发现，AI 仍未以业界热情所暗示的规模推动药物开发。

担忧并非计算工具毫无价值，而是早期发现阶段的改进并不能自动解决开发中最缓慢、风险最高的环节。

临床试验检验安全性、剂量、疗效，以及相对于既有治疗的表现。它们还需要患者招募、监管协调、生产制造和多年的观察。

AI 平台可以帮助生成更好的起始分子，但无法按同样比例压缩每一项后续要求。

这一差别应当影响读者对 GSK 发现的解读。每个受测靶点都获得结合物，表明 Chai 生成了具有生物活性的候选物。这一结果没有公开说明任何有关安全性或临床获益的信息。

缺失的分母同样重要。Chai 和 GSK 没有说明生成、合成或淘汰了多少候选物。

假设某个模型为每个靶点都生成了结合物，但每个靶点需要数百次测试。这与仅通过少数几个设计实现相同覆盖度相比，意味着截然不同的生产率提升。

两家公司也未描述阴性对照、基线方法或靶点难度。缺少这些细节，外部人士无法评估该模型相对于 GSK 既有工作流带来了多大改进。

这种不透明在竞争激烈的药物研究中可以理解。靶点身份和实验流程可能泄露有价值的项目信息。然而，保密也限制了独立审查。

因此，目前最有力的证据是行为层面的。GSK 已看到足够的内部数据，因此扩大了合作关系，并将 Chai 的平台用于更多药物发现工作。

这一决定为 Chai 增加了一些科学和财务层面的可信度。但它并未将 GSK 的声誉转移给这家初创公司提出的每一项技术主张。

另一项风险涉及泛化能力。零样本设计旨在跨靶点迁移，但生物系统差异很大。在可溶性蛋白质上的表现，未必能预测其在膜蛋白、柔性复合物或缺乏稳定结构的靶点上的成功。

实验室反馈能够弥补其中部分弱点。科学家可以测试一批候选物、识别失败模式，并要求修订设计。

效率主张最终取决于这种循环能减少多少。如果团队在获得第一个模型生成的结合物后仍需进行大量优化，该平台改善的只是构思阶段，而非改变开发经济性。

一项有力的未来披露将报告在明确面板上的前瞻性表现，包括设计数量、实验命中率、亲和力范围、优化周期和相关基线。

更有力的临床披露将确认一个由 Chai 设计的开发候选物进入人体试验。这一里程碑仍不能保证获批，但会将模型输出与受监管的开发流程连接起来。

目前，GSK 的评估之所以具有意义，是因为它跨越了从计算到实验的界线。其局限性同样具有意义，因为药物发现还包含许多更多关卡。

三个信号将表明这项合作是否重要

下一步证据必须从合作伙伴积累转向可衡量的项目进展。

第一个信号是 GSK 是否将 Chai 生成的分子推进至正式候选物开发。该认定将表明，该设计满足了比结合能力更广泛的一组要求。

一项开发候选物通常需要通过活性、选择性、稳定性、可制造性和早期安全性等测试。GSK 无需披露靶点，也能让这样的里程碑具有参考价值。

如果候选物继续推进，Chai AI 的药物发现逻辑将更具说服力。如果合作仍停留在评估阶段，其商业势头与管线进展的关联就会显得较弱。

第二个信号是 Chai-3 或其后续产品的前瞻性性能数据。有价值的报道应包括研究人员设计了多少个分子、测试了多少个分子，以及这一过程产出合适分子的频率。

来自高难度靶点的结果将尤其有价值。这些结果能够表明，该模型是否拓展了团队可解决的生物学问题范围，而不只是加速熟悉的任务。

独立研究或由合作伙伴开展的研究，其分量会高于仅由公司发布的基准测试。它们也将帮助买家在真实条件下比较 GSK 的蛋白质设计模型、Chai 的平台以及竞争系统。

第三个信号是现有制药合作伙伴如何加深承诺。续约、扩大项目数量或新增开发里程碑，都将揭示初始评估是否正转化为持续使用。

当公司披露合约结构时，这些结构将很重要。预付款意味着承诺，而研究经费支持持续开展工作。里程碑付款和版税条款则表明合作伙伴预期价值将如何随时间显现。

六家合作伙伴的数量为 Chai 提供了一个引人注目的采用故事。下一阶段需要的是一个留存与推进的故事。

读者应避免得出两个轻率的结论。第一，GSK 的实验室结果证明 AI 设计的药物将更快惠及患者。第二，缺乏临床证据就意味着这一结果无关紧要。

更站得住脚的判断介于两者之间。Chai 在全球最大的制药研发机构之一内部通过了一项重要的早期测试，随后将这一结果转化为更广泛的合作机会。

其模型如今必须在保密项目、高难度靶点和严格的开发标准中反复展现表现。这一挑战比赢得一项基准测试更难，也比宣布又一个合作品牌更有价值。

对于科学家和企业技术买家而言，更广泛的启示在于评估。只有当领域专用 AI 能在买家自身条件下改善一项真实决策时，才会赢得信任。

GSK 并未仅依赖 Chai 的说法。它在扩大合作关系之前，先自行生成了实验室证据。这种评估模式为其他采用专业 AI 系统的公司提供了实用标准。

团队应界定一项范围明确的任务，将结果与现有工作流程进行衡量，并记录哪些环节仍离不开人类专业知识。一个可搜索的 AI 知识库 可以帮助研究团队在长期项目中保留假设、实验决策和相互矛盾的发现。

Chai Discovery 与 GSK 的交易已经表明，一家年轻的 AI 公司可以迅速进入严肃的制药工作流程。但它尚未证明，快速生成分子是否会转化为更好的药物。

下一个问题很具体：GSK 或另一家合作伙伴是否会推动一款由 Chai 设计的候选物走向人体试验，并披露足够的证据，以将模型性能与治疗进展联系起来？