Insilico Medicine AI 交易将湿实验室证据置于模型规模之上

Insilico Medicine 与一家未具名的前沿模型实验室签署了一项最高价值数千万美元的 AI 交易。该 Insilico Medicine AI 交易涵盖面向生物学研究的基础模型的联合开发、验证与商业化。

合作方将提供通用模型技术。Insilico 将通过其 MMAI Gym 框架提供专业数据、科学训练基础设施和实验室测试。双方还计划共享收入，但具体分配公式和预期产品时间表均未披露。

这一组合形成了核心张力。前沿实验室往往通过更大规模的模型和更广泛的能力展开竞争，而生物学研究更青睐能经受实验检验的专用系统。这项协议提出了一个问题：专有数据与湿实验室反馈能否将通用模型转化为具有商业价值的科学基础设施。

Insilico Medicine AI 交易实际涵盖什么

这项协议是一项模型开发合作，而非传统的药物授权交易。

Insilico 于 2026 年 9 月 21 日披露了该协议。公司仅将交易对手描述为一家前沿基础模型实验室，未披露该实验室的名称、所在地及现有产品组合。

根据交易摘要，双方计划为生物学研究打造多个模型。其工作将涵盖开发、验证和商业化，而非止步于研究演示。

基础模型是一种经过广泛训练、可适配多种下游任务的 AI 系统。在生物学领域，这些任务可包括分子设计、蛋白质分析、靶点识别、抗体研究、酶工程，以及对细胞行为的预测。

预计这家未具名合作方将提供其生成式模型架构。Insilico 将贡献覆盖专业生命科学任务的专有数据集，以及其科学推理材料和评估系统。

Insilico 还计划通过实体实验测试模型生成的结果。这一闭环流程会将实验发现反馈至模型开发，把数字预测与湿实验室的测量结果相连接；湿实验室是指处理生物或化学材料的实验室。

双方表示，将利用各自在生物制药领域的网络，在全球范围内推进相关模型的商业化。双方已建立收入分成安排，但尚未公布分成比例、最低承诺额或付款触发条件。

这些未披露事项之所以重要，是因为已宣布的合同上限并不代表保证收入。它同样无法说明有多少资金取决于技术里程碑、客户采用情况或成功的实验室验证。

交易对手的匿名身份又带来了一个验证缺口。投资者和潜在用户尚无法评估其模型业绩、算力资源、生物学专业能力或既有安全实践。

不过，这项协议揭示的信息并不止于一项泛泛的 AI 合作。它为模型开发商和生物技术平台分配了不同角色，并将双方工作与实验反馈及联合市场路径绑定。

这一结构使该交易成为对专业化的检验。核心问题并不是通用模型能否生成看似合理的科学语言，而是该系统能否提出在实验室测试后仍具实用价值的假设。

Insilico 为何要为生物学模型打造训练场

Insilico 正将其数据、基准测试和实验室定位为连接前沿 AI 与制药研究的适配层。

该公司于 2026 年 1 月推出 Science MMAI Gym。其MMAI Gym 发布公告将其描述为一个旨在针对药物发现和开发任务训练及评估语言模型的框架。

MMAI Gym 并非单一的生物学基础模型，而是一个利用领域专属数据、推理任务、强化信号、基准测试和实验依据来适配模型的环境。

这一差异解释了 Insilico 为何能够与不止一家模型公司合作。底层架构可以变化，而科学训练与验证层仍由 Insilico 控制。

该公司表示，该框架包含超过 1,000 项制药基准测试。公司还称，其训练资源涵盖约 1,200 亿个制药领域 token，覆盖超过 200 项任务。

这些数字是公司自行报告的，并非经独立审计的质量指标。庞大的 token 数量可能包含重复内容、覆盖不均的内容，或无法迁移至真实研究决策的材料。

因此，数据构成比原始规模更重要。Insilico 表示，其资源包括数百万个药物化学数据点、合成描述、分子动力学轨迹和推理示例。

这些材料面向研究的多个阶段。模型可能帮助研究人员比较生物靶点、提出分子建议、规划合成路线、预测特性，或为开发决策整理证据。

MMAI Gym 还包括基准评估。基准测试采用明确的任务和指标，使研究人员能够在一致条件下比较模型。

然而，基准测试结果仍属间接衡量。一种模型可能在精心筛选的回顾性任务上表现优异，却在新的生物靶点、陌生的化学系列，或不同条件下进行的实验中失效。

这一局限使交易中的湿实验室部分尤为重要。计划中的闭环可检验预测是否对应可测量的行为，识别失效模式，并生成新的训练证据。

原则上，该流程如下：模型提出一个分子、蛋白质修饰方案、实验设计或生物学假设；研究人员对其进行测试、记录结果，并利用这些证据改进模型或其训练策略。

这一闭环还可揭示那些看似自信却缺乏科学依据的输出。一个具有吸引力的分子结构，可能难以合成、在实验室条件下不稳定、对细胞有毒，或无法对预定靶点产生作用。

Insilico 已与具名合作伙伴共同使用 MMAI Gym。其与 Liquid AI 的合作聚焦于专为高效部署设计的小型科学模型。

Liquid AI 合作为通常的模型规模扩张叙事提供了重要对照。两家公司认为，紧凑、专门训练的模型可在特定分子任务上与规模大得多的系统竞争。

Insilico 随后与由 Human Longevity 创立的 Human Life Foundation Models 合作。这项长寿合作旨在开发整合生物学、临床和长期健康信息的模型。

最新协议延续了这一合作模式。不过，其更高的报道交易价值以及匿名交易对手表明，该合作处于不同的战略层级，具备更广泛的商业化目标以及潜在能力更强的基础模型。

核心竞争是模型规模与实验适配度之争

这项交易挑战了一个观点：更好的生物学 AI 会随着更大规模的通用模型而自动出现。

前沿实验室有强烈动机扩展通用能力。它们在软件、数学、写作、分析、图像处理和科学文献等领域训练系统，因为一种架构可以服务多个市场。

生物学带来了更棘手的迁移问题。科学语言能够描述实验，但仅靠语言无法复现这些实验所测量的物理系统。

模型或许能学到某种化合物与某个蛋白质靶点有关联，但这并不保证该化合物能到达相关组织、避免有害相互作用，或改善人类疾病结果。

同样的差距贯穿生物学研究。蛋白质结构、结合亲和力、细胞活性、动物反应和临床获益，描述的是不同层面的证据。

某一层面的预测无法确定下一层面的结果。一个能准确估计结合情况的模型，仍可能错过后续的细胞效应、代谢、毒性或患者个体差异。

近期科学分析支持这一审慎观点。一篇药物发现综述认为，有效部署 AI 必须将模型验证与具体项目决策及具备生物学相关性的实验系统联系起来。

这正是 Insilico 希望占据的位置。前沿实验室可以提供架构、训练方法和算力，而 Insilico 则提供生物学工作所需的任务定义与反馈。

这一安排也反映了数据稀缺问题。高质量生物学数据成本高昂，因为研究人员必须通过实验生成其中大部分数据，而不是从公开文本中收集。

制药公司掌握着有价值的内部结果，包括失败的实验。这些失败可以教会模型预测会在哪些环节失效，但企业很少公开它们，因为其中含有知识产权。

因此，Insilico 的专有数据集可能比合作方的原始参数规模更重要。如果数据捕捉到了决策链条和负面结果，它就能帮助区分看似合理的输出与可执行的输出。

不过，外部人士目前无法检视相关数据集。他们不了解其疾病覆盖范围、检测多样性、地域代表性、错误率，或其与评估基准之间的重叠程度。

这带来了一个常见的 AI 问题：提供训练系统的公司同时也定义了许多用于衡量性能的测试。

这并不意味着这些测试无效。但这意味着买方在将排行榜上的提升视为研究生产力证据之前，需要外部验证、留出数据集和前瞻性实验。

匿名合作方令这种审查更加困难。一家已知的实验室会带来可见的模型文档、安全政策、基础设施历史和过往科学评估。

在身份未知的情况下，读者无法判断这主要是一项基础设施协议、模型授权安排，还是更深入的研究合作。他们也无法将合作方技术与成熟的生物学专注型开发商的模型进行比较。

这种不确定性可能只是暂时的。在正当的商业协议中，保密条款、竞争时机或尚待发布的产品公告都可能延迟披露。

然而，匿名也限制了这则消息的信号价值。“前沿实验室”是一种描述，而不是具有标准认证流程的透明技术类别。

对于企业买家而言，实际检验很直接：合作双方必须证明其组合系统能改善科学决策，而不仅仅是在开发商选定的任务上取得更高分数。

湿实验室验证既是优势，也是瓶颈

实验室反馈可以让生物模型更可靠，但也带来了软件公司往往希望 AI 能摆脱的成本与节奏约束。

数字模型训练可以并行开展大量实验。实体生物学则受制于不同条件，包括材料、仪器、安全流程、细胞生长、合成时间以及研究人员的可用性。

闭环并不会消除这些限制。它能帮助研究人员将有限的实验室能力集中在最值得验证的预测上。

设想一个提出数百种分子设计的模型。研究人员可利用计算筛选排除存在明显问题的化合物，再合成并测试规模更小的一组候选物。

实验结果会揭示哪些预测经得起检验。这些证据可以改进后续排序、暴露盲点，或表明最初的靶点假设并不稳固。

这一过程可能形成数据优势。每完成一个循环，都会产生针对模型、任务和实验系统量身定制的专有证据。

它也可能带来累积优势。更好的排序会导向信息量更高的实验，产生更好的数据，进而改善未来的排序。

不过，反馈的可靠性取决于实验本身。检测伪影、批次效应、流程不一致或生物模型质量不佳，都可能让 AI 学到误导性的经验。

实验室证据还必须与预期用途相匹配。简化生化检测中的结果，对人体反应的说明力低于具有临床相关性的细胞系统所产生的结果。

合作双方需要决定哪些输出应接受实体实验验证。这一选择过程可能引入偏差，因为失败或实施不便的预测可能获得较少关注。

可重复性则是另一项挑战。在 Insilico 的环境中表现出色，并不保证外部实验室使用不同设备、样本或流程时能获得相同结果。

因此，独立复现应比不断扩大的内部基准分数更具分量。在结果揭晓前设计的前瞻性测试，能提供比回顾性比较更有力的证据。

该领域还需要任务特定的基线比较。基础模型应与经验丰富的科学家、传统计算方法、规模更小的专业模型以及标准筛选流程进行比较。

对于分子预测而言，规模更大并不总是更好。不同表示方式和模型结构适合不同任务，尤其是在可用训练数据有限或条件依赖性很强时。

通用模型可以通过科学推理、工具使用、文献综合和跨领域关联体现价值。而在某一狭窄的性质预测任务上，采用精心设计表示方式的较小模型仍可能表现更好。

这也是为什么不应通过单一排行榜评价 Insilico 的生物学模型。其价值将取决于每个组件是否能够改善实际的研究决策。

该交易也引发了治理问题。生物基础模型可以支持有益研究，但某些能力也可能降低有害实验的门槛。

交易公告和现有摘要均未说明双方将如何控制访问权限、筛查高风险请求、保护实验数据，或监测下游部署。

如果模型扩展到内部制药工作流之外，这些政策就尤为重要。联合商业化可能使系统面向安全标准和监管义务不同的客户。

双方尚未披露客户将获得模型权重、托管访问、本地部署，还是功能严格受限的工作流工具。每种交付方式都会在隐私、知识产权和滥用风险之间形成不同平衡。

未披露合作方，使商业前景尚未得到验证

合同表明存在需求，但公开信息并未证明收入质量、产品成熟度或独立科学表现。

“最高可达数千万美元”描述的是合同价值上限，并未说明预付款，也未将保证对价与附条件的里程碑付款区分开来。

这种区别在生物技术行业很常见。公告中的总金额可能同时包含近期资金，以及与研究进展、产品交付、许可、监管事件或商业销售挂钩的后续付款。

模型开发协议还会引入额外变量。付款可能取决于算力访问、基准表现、完成的数据集、经验证的实验室结果或客户合同。

收入分成安排同样不明确。公告没有解释哪一方拥有最终模型、衍生数据、客户关系，或联合工作期间形成的改进成果。

知识产权边界将尤为重要。未具名实验室可能拥有其基础架构，而 Insilico 则拥有其数据集、适配成果、基准和实验结果。

共同创建的模型权重会使这种划分更加复杂。当客户提供机密制药数据时产生的结果也是如此。

商业客户还会询问：推理或训练期间使用的信息是否可能泄漏到未来版本中。药物项目依赖保密的靶点、分子、检测结果和开发策略。

部署选项可以缓解部分担忧。本地部署模型运行在客户控制的环境中，而托管系统则会将数据发送到由供应商管理的基础设施。

较小的专业模型可能更容易进行私有部署。更大的前沿系统可能提供更广泛的推理能力，但也需要更昂贵的基础设施和更严格的数据控制。

Insilico 表示，MMAI Gym 可适配不同模型架构。这种灵活性可能让客户根据安全性、成本、任务表现和部署要求选择系统。

悬而未决的问题是，客户究竟需要通用生物学助手，还是嵌入特定工作流、经过验证的工具。制药团队通常通过受治理的流程作出决策，而非依赖单一的对话界面。

因此，有价值的商业产品可能不像聊天机器人。它可能结合模型、结构化数据库、实验室系统、审批控制和可追溯证据。

可追溯性至关重要，因为研究人员需要知道哪些数据和假设支撑某项输出。监管机构和内部审查人员也可能需要记录，以解释候选物或决策是如何产生的。

同样的需求也出现在普通知识工作中。评估复杂 AI 输出的团队需要受控的来源采集和知识融合，而非缺乏来源依据的孤立答案。

科学工作流对此提出了更高标准。模型建议可能影响昂贵的实验、知识产权决策，或是否推进某个候选药物的选择。

最有力的商业证据将是一项前瞻性客户案例。它应展示原始研究问题、基线流程、模型建议、实验结果，以及对时间或决策质量的影响。

最初披露中并未附带这些证据。公告确立的是合作结构，而非已经得到证明的结果。

这一缺口不应被误解为失败。开发协议通常在产品问世前公布，且保密研究可能妨碍详细披露。

但这意味着，新闻标题中的合同金额不应替代技术证据。合作方身份、付款结构和验证计划，仍是评估该交易的核心。

该协议对 AI 药物研发竞争者意味着什么

这项合作给那些只掌握生物 AI 技术栈某一环节的公司带来了压力。

通用模型实验室拥有架构、算力和广泛的推理能力，但往往缺乏专有实验数据和对实验室验证的直接控制。

AI 原生生物技术公司掌握科学工作流、专业数据集和研发项目。许多公司难以匹敌大型模型实验室的算力预算或通用推理研究能力。

传统制药公司拥有大量内部数据、实验室和开发专业知识，但其系统可能仍分散在不同部门、供应商和旧有软件中。

Insilico Medicine 的 AI 交易试图结合前两种优势。它将前沿模型开发与覆盖计算任务及实体实验的平台结合起来。

如果这一安排奏效，模型实验室可能会寻求与掌控差异化数据和湿实验能力的生物技术公司建立更多合作。这些资产可能成为适配基础设施，而非仅仅是训练输入。

生物技术平台也可能面临证明自身可支持多个基础模型的压力。当性能、许可和安全条件快速变化时，客户会抵制对单一架构的深度依赖。

Insilico 早期的合作已经指向多模型战略。Liquid AI 提供了注重效率的架构，而 Human Life Foundation Models 带来了以长寿为核心的使命和数据背景。

未具名实验室可能进一步扩展这一组合。其身份将表明 Insilico 是在增加另一家专业合作方，还是在将 MMAI Gym 接入一家大型通用模型开发商。

Isomorphic Labs、Recursion、Owkin 及其他计算生物技术公司的市场路径各不相同，它们以不同组合的方式配置数据、模型、实验室和药物项目。

一些公司专注于内部治疗资产，另一些则销售软件、开展研究合作、授权发现成果，或围绕影像和患者数据构建模型。

这种多样性使简单的公司排名缺乏意义。为分子设计优化的平台，无法与以临床数据或细胞成像为核心的平台直接比较。

更有价值的比较在于反馈循环：哪家公司能够将预测转化为高质量实验，并快速、可重复地将结果反馈给模型？

获得失败实验数据可能具有决定性意义。公开科学文献往往过度呈现成功发现，而药物研发高度依赖于理解看似合理的想法为何失败。

能够以结构化形式记录负面结果的公司，可以让系统基于更贴近现实的生物学图景进行训练。不过，它们也必须防止基准污染，并维持清晰的评估边界。

该交易也给独立基准提供商带来压力。买家将越来越多地追问：基准是否与前瞻性实验室成功相关，而不再仅仅接受历史任务上的表现。

它同样给实验室自动化公司施加压力。如果基础模型生成更多假设，研究机构就需要更快的实验系统来验证这些假设。

最可能的结果并非完全自主的科学家，而是更一体化的研究技术栈：模型提出建议，软件确定优先级，实验室进行测试，科学家作出决定。

这种结构使人类判断始终居于核心。研究人员必须定义问题、选择有意义的实验、解读相互矛盾的证据，并判断何时某项结果足以证明值得进一步投入。

三个信号将表明该交易是否重要

接下来的证据必须来自披露、前瞻性验证和客户使用，而非又一则合作公告。

第一个信号是该基础模型实验室的身份。披露这一信息将使客户能够评估其架构、科研记录、安全政策，以及支持长期商业产品的能力。

如果该实验室拥有已被记录的前沿能力，并明确致力于生物学研究，这种披露将增强合作的可信度。持续匿名则会保留不确定性：合作伙伴究竟贡献了什么，仍不清楚。

第二个信号是前瞻性的验证结果。合作双方应在测试前定义一项生物学任务，将其模型与可信基线进行比较，并报告实验室中实际发生的结果。

这类结果将支持 Insilico 的核心主张，即 MMAI Gym 能够将通用模型智能与实验生物学连接起来。如果内部回顾性基准测试仍是主要证据，这一论点的说服力就会减弱。

一项有价值的测试应同时报告失败与成功。它还应将计算准确性与合成成功率、生物活性和可重复性区分开来。

第三个信号是真实的商业部署。关注是否有具名的制药、生物技术或研究客户，在明确的工作流程中使用双方联合开发的模型。

如果客户合同明确任务内容和运营模式，其意义将最大。买方需要知道该系统是托管运行、私有化部署，还是与实验室平台集成。

如果客户续约、扩大使用范围，或报告研究决策得到改善，采用将增强其商业逻辑。没有持续使用的演示则表明，该系统仍处于探索阶段。

这些信号应按以下顺序出现：合作伙伴透明度、科学验证、可重复的客户采用。每个阶段都在检验这项公告的不同部分。

该协议已经表明，生物数据和实验室访问权已成为前沿 AI 的战略资产。但它尚未证明，由此产生的模型能够胜过专业工具，或改善药物研发成果。

因此，研究人员和企业买家应在工作流程层面追踪证据。应追问：哪项决策发生了改变？击败了什么基线？哪项实验确认了结果？另一家实验室是否复现了它？

这一标准要求很高，但生物学本身就要求严苛。只有当其模型从令人印象深刻的预测转变为可靠的实验决策时，Insilico Medicine 的 AI 交易才真正具有重要意义。