AI 制药的故事讲到哪了
从 2020 年 AlphaFold 破解蛋白质折叠开始，「AI 制药」就是资本市场最爱讲的故事之一：既然 AI 能预测蛋白质长什么样，那它能不能直接设计出新的药物分子？到 2025 年，答案是越来越肯定的——AI 模型一天能生成几十万、上百万个候选分子的设计方案。
但这里有一个几乎所有 AI 叙事都故意略过的环节：设计图不等于实物。
DBTL：制药是一台循环机器
现代药物研发的核心工作法叫 DBTL 循环——Design（设计）、Build（构建）、Test（测试）、Learn（学习），四步转一圈，再转一圈，每一圈都让候选分子变得更好：
- 设计：在电脑上提出一批候选分子（这一步 AI 已经接管，快得离谱）；
- 构建：把这些设计真的造出来——合成对应的 DNA，放进细胞，让它产出蛋白质；
- 测试：在实验室里看这些真实的分子能不能粘住病灶、有没有毒性；
- 学习：把实验数据喂回模型，改进下一轮设计。
大白话：AI 是天才设计师，出图速度一万倍于人类。但图纸要变成楼，得有施工队。没有施工队，一万张图纸只是一万张纸。
瓶颈从「想」挪到了「造」
这是理解 TWST 暴涨最关键的一步，值得放慢。
在 AI 出现之前，DBTL 循环里最慢的是「设计」——人类科学家冥思苦想一周，也就提出几个候选。那时候合成 DNA 的需求是温和的：一个实验室一次订几十条就不错了。
AI 把设计提速了一万倍之后，循环的短板瞬间换位：「构建」和「测试」成了新的瓶颈。AI 一晚上设计十万种蛋白质变体，可如果合成一条 DNA 要等两周、还贵，那这十万个设计里能验证的可能只有五十个——AI 的强大被活活憋死在试管口。
谁能把「构建」这一步做得又快又便宜又通量巨大，谁就掐住了整个 AI 制药行业的咽喉。而「在硅片上一次写一百万条序列、几天交货、一条几分钱」——这正是第三章里那台机器的规格书。Twist 花了十三年磨的刀，恰好架在了 AI 时代的瓶颈上。
「从屏幕到试管」的唯一桥梁
行业里给这个角色起了个形象的名字：卖铲人——淘金热里，不管谁淘到金子，卖铲子、卖牛仔裤的先赚钱。AI 制药领域有一百多家公司在赌自己的模型能设计出神药，彼此之间你死我活；但它们全部需要把数字序列变成实体分子。2026 年华尔街突然想通的就是这件事：赌哪家 AI 制药公司会赢太难了，不如买所有玩家都必须路过的那座桥。
桥有了，还得有人来走——而且最好是名头足够响的人，当着全市场的面走过去。下一章，Anthropic 登场。