作者丨周蕾
2024年3月，Miles Wang从哈佛计算机科学本科辍学，加入OpenAI的强化学习团队。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。
这家公司暂时还没有官网，没有公开管线，这位年轻的创始人也没有生物学学位。然而，就是这样一家一切尚在雏形之中的公司，已经在洽谈一笔2亿美元左右的融资，领投方为Lightspeed，估值达20亿美元。
尽管谈判仍在推进，交易尚未最终落定，但这一数字本身足以让市场重新审视一个命题：当最顶尖的AI人才出走大模型实验室，他们的下一站会是哪里？
Miles Wang无疑踩进了一个火热到发烫的赛道。最近三个月内，AI制药赛道涌入约27亿美元：Chai Discovery刚官宣了新一轮4亿美元的融资，投后估值到达了38亿美元；Isomorphic Labs也在今年5月完成了B轮21亿美元的融资。
Anthropic则在本月初宣布进军药物研发领域，此前他们花了数亿美元收购Coefficient Bio，并且力邀AlphaFold的核心人物John Jumper加盟。
这些事实背后，一条新的迁移链条正在形成：大模型实验室的顶尖人才，正在系统性向科学领域迁移。
先翻开Miles Wang的论文列表，我们可以清晰地看到他的研究取向。他发表过《FrontierScience：评估AI执行科学研究任务的能力》《测量AI在湿实验室中加速生物学研究的能力》，这些工作的核心在于评估通用AI模型在科学场景中的表现，测试通用大模型在真实的科学场景里，究竟能做到什么程度，探讨AI的推理与规划能力离一个合格的“AI科学家”还有多远。
这一点也正是其创业逻辑的基点：通用AI向垂直行业的“降维打击”，将大模型已经得到验证的通用认知能力，迁移到科学发现的流程中，而非从零搭建一套只服务于药物发现的垂直小模型。
这种“通用能力向科学场景迁移”的逻辑，在机构层面也在同步发生。
Anthropic今年收购Coefficient Bio、推出Claude Science、并引入AlphaFold核心人物John Jumper，同样是在把大模型能力从工具层推进到科学研究的运营层。OpenAI、Anthropic这类实验室的“AI for Science”项目，正在从官网上的公益副项目，变成证明模型能力边界的关键实验场。
某种程度上来说，这种迁移或许说明，大模型在文本、代码、多模态上的“低垂果实”，已经被采摘完毕。人们需要一个可以大展拳脚的新战场，而科学领域就是下一个需要“高算力+高数据”来验证AGI通用性的战场。
Miles Wang选择“老药新用”作为切入点，也印证了这个逻辑。
老药新用，也就是挖掘已获批或已有大量安全数据药物的新适应症。这条路不需要从零设计一个全新分子，不必过早面对漫长的一期安全性验证，能通过AI对海量文献、基因表达谱、真实世界临床数据的深度整合与推理，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-推理优势恰好能直接转化为商业价值，路径更短，容错空间也相对更大。
但与大多数AI制药公司有所区别，Miles Wang创业公司的核心卖点，或许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。
他的论文列表里有一篇《测量AI在湿实验室中加速生物学研究的能力》，这说明在AI制药上，他有一定相关研究。
然而，“评估AI做科学的能力”和“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，但当前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。强化学习在药物发现中有一定应用场景，但未必是最对应的方向。
他选择“老药新用”作为切入点，这一点十分巧妙。正如前文所言，这个方向不需要从头设计分子，而是在已有安全数据的药物中寻找新适应症，监管路径更短，商业化更快，AI模型的评估-推理能力在这个环节也有发挥的余地。但管线推进需要的不只是模型能力，更是与FDA、药企、CRO打交道的经验，这家初创企业要补的行业功课，恐怕不会少。
但另一方面，20亿美金的估值，从某种程度上也说明了风投的“宽容”程度，同时也是一种风投趋势的信号：近年来投资人似乎又愿意再度押注辍学的年轻人了。
但这次的“辍学”和盖茨、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则是，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。
准确来说，投资人可能并不在意他是否哈佛辍学，也不在乎他“适不适合”传统意义上的药物发现，看中的是“OpenAI顶级研究员+AGI for Science”这个组合。
不难看出，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。他们的投资逻辑，归根结底，是“极其聪明的人去解决极其难的问题”，而已经不再是常见的“垂直行业经验+流程优化”的套路了。
更深一层去看，OpenAI、DeepMind、Anthropic等实验室在“AI for Science”上的重投入，本身就是一次对人才的定向灌溉。这些人的离开，比起“跳槽”“离职创业”的说法，其实更像是一种“毕业”——他们带着实验室的模型能力、研究品味、同事网络，成建制地降临到了垂直科学领域。
当VC为Miles Wang开出20亿美元估值时，他们押注的，其实是一份金光闪闪的“OpenAI学位”，以及背后所代表的，一个可能将科学发现速度彻底改写的全新范式。
