前OpenAI研究员辍学创办AI制药公司估值20亿美元

背景

2024年3月，Miles Wang从哈佛大学计算机科学本科辍学，加入OpenAI强化学习团队。一年半后，他带着几位OpenAI同事离开，计划创办一家AI药物发现公司。这家公司尚无官网、公开管线，创始人也没有生物学学位，但正在洽谈一轮约2亿美元的融资，领投方为Lightspeed，估值达20亿美元。尽管交易尚未最终落定，这一数字已引发市场对AI顶尖人才从大模型实验室向科学领域系统性迁移的关注。

同期，AI制药赛道持续升温：三个月内涌入约27亿美元，Chai Discovery完成4亿美元融资（投后估值38亿美元），Isomorphic Labs在2025年5月完成B轮21亿美元融资，Anthropic在2025年初收购Coefficient Bio并力邀AlphaFold核心人物John Jumper加盟。这些事件共同勾勒出一条新的人才迁移链条——大模型实验室的顶尖人才正成建制地进入科学领域。

核心内容

Miles Wang的研究取向在论文列表中清晰可见：他发表过《FrontierScience：评估AI执行科学研究任务的能力》和《测量AI在湿实验室中加速生物学研究的能力》，核心在于评估通用AI模型在科学场景中的表现，测试通用大模型在真实科学场景中的能力边界，探讨AI的推理与规划能力距离“AI科学家”还有多远。这正是其创业逻辑的基点：通用AI向垂直行业的“降维打击”——将大模型已验证的通用认知能力迁移到科学发现流程中，而非从零搭建一套只服务于药物发现的垂直小模型。

Miles Wang选择“老药新用”作为切入点，即挖掘已获批或已有大量安全数据药物的新适应症。这条路不需要从头设计全新分子，不必过早面对漫长的I期安全性验证，而是通过AI对海量文献、基因表达谱、真实世界临床数据进行深度整合与推理，找出隐秘的“药物-靶点-疾病”新链接。在这个信息密集、逻辑推理重于分子模拟的环节，大模型的评估-推理优势能直接转化为商业价值，路径更短，容错空间相对更大。

与大多数AI制药公司不同，Miles Wang创业公司的核心卖点并非某种具体的分子设计软件，而是一种通用AI方法论在生物化学领域的可迁移性。他的论文中包含《测量AI在湿实验室中加速生物学研究的能力》，说明他在AI制药方面有一定相关研究。然而，从“评估AI做科学的能力”到“真正用AI做出一个药”，中间隔着从dry lab到wet lab的鸿沟。Miles的长处是强化学习和对齐评估，而当前AI制药的技术方向以扩散模型、图神经网络、蛋白质结构预测和分子动力学为主，强化学习虽有应用场景但未必是最对应的方向。管线推进需要的不只是模型能力，更需要与FDA、药企、CRO打交道的经验，这家初创企业需要补足大量行业功课。

20亿美元估值反映了风投的“宽容”程度，也揭示了一种趋势：投资人似乎又愿意押注辍学的年轻人，但这一次与盖茨、扎克伯格时代有本质区别。上一代辍学创业赌的是年轻人更懂互联网产品；这一代辍学创业赌的是大模型实验室已经替代了大学，成为更高阶、更稀缺的人才认证机构。投资人看中的并非“哈佛辍学”本身，也不是“适不适合”传统药物发现，而是“OpenAI顶级研究员+AGI for Science”这个组合。大模型实验室正在变成新的斯坦福、MIT——它筛选、训练、认证了最顶尖的AI人才，而投资人认这个认证。

关键要点

• 创始人背景：Miles Wang从哈佛计算机科学本科辍学，加入OpenAI强化学习团队，一年半后离开创办AI制药公司，暂无生物学学位。
• 融资情况：正在洽谈约2亿美元融资，领投方为Lightspeed，估值达20亿美元，交易尚未最终落定。
• 技术路线：以“老药新用”为切入点，利用大模型的评估-推理能力挖掘已获批药物的新适应症，而非从头设计分子。
• 核心逻辑：通用AI能力向科学场景迁移，而非构建垂直小模型；强调“评估AI做科学的能力”向“真正用AI做出药”的转化。
• 行业竞争：同期AI制药赛道火热，Chai Discovery、Isomorphic Labs、Anthropic等均有大额融资或人才部署。
• 人才迁移趋势：大模型实验室（OpenAI、DeepMind、Anthropic）成为人才认证机构，顶尖人才成建制地进入科学领域，类似“毕业”而非“跳槽”。
• 投资逻辑：投资人押注“极其聪明的人去解决极其难的问题”，认可“OpenAI学位”+“AGI for Science”组合，而非传统的垂直行业经验。
• 潜在挑战：强化学习在AI制药中并非主流技术方向；从dry lab到wet lab的鸿沟需要补充行业经验（FDA、药企、CRO合作等）。

意义与影响

Miles Wang的案例标志着AI人才流动的新范式：大模型实验室不再仅仅是技术研发机构，而是成为类似顶尖大学的“人才认证中心”。当这些实验室在“AI for Science”上重投入，实质上是定向灌溉了一批既掌握通用模型能力又具备研究品味的人才。他们的离开，成建制地降临到垂直科学领域，可能彻底改写科学发现的速度。

从更宏观视角看，这一事件反映了AI行业“低垂果实”已被采摘完毕——文本、代码、多模态等领域的成熟，促使最聪明的大脑转向需要“高算力+高数据”验证AGI通用性的新战场，即科学领域。AI制药只是其中一条战线，未来可能延伸至材料科学、物理模拟、生命科学等更多领域。投资人的“宽容”估值本质上是对这种新范式的早期押注，背后隐含的是对“通用AI降维打击”商业化的强烈预期。

然而，这种模式能否成功还需要解决一个关键矛盾：通用AI的评估-推理能力与现实药物发现流程中的湿实验验证、监管审批、产业协作之间存在巨大鸿沟。Miles Wang的团队能否补上行业功课，将决定这一“OpenAI学位”的含金量能否真正转化为药物管线。无论如何，这一事件已经向市场传递了一个信号：AI for Science不再是实验室的副项目，而是AGI能力验证的下一个主战场。