英矽智能CEO Zhavoronkov：前沿模型不懂药物研发战壕，全栈智能体和后训练健身房才是护城河

一句话结论

英矽智能（Insilico Medicine）创始人兼 CEO Alex Zhavoronkov 在 Owkin 播客中拆解了 AI 制药竞争格局的真实逻辑：他与”绝对前沿”的硬件软件开发者开会后发现，这些玩家不了解药物研发的”战壕”——从零到候选药物要经历靶点假设、疾病模型、分子发现、动物实验、安全性验证的完整链条，而他们只在做局部优化。英矽智能的应对是构建覆盖全栈 R&D 的智能体编排系统，并做出了一个反直觉的商业选择：把部分软件业务”自我蚕食”，开放 AI 后训练设施让大模型厂商在药物研发任务上做强化学习，英矽智能再按约定结果回购模型——把”造模型”变成一门可交易的服务。

超级智能先从任务级定义：因果推理与”科学AI”终局

开场寒暄后两人迅速进入正题。Clozel 祝贺英矽智能的 IPO，Zhavoronkov 的回应是”现在必须更努力地磨”——具体方向押注多模态。两人对”生物学复杂度超出人类头脑、必须借助超级智能”完全一致；Clozel 补了一个共情的例子：普通感冒至今没有治愈选项，“我们得做得更好”。

Zhavoronkov 对超级智能给了一个务实的定义方式：如果定义为”在特定任务上超越人类”，那么很多环节已经达到超越人类专家的水平；真正的挑战是让 AI 在药物发现与开发链条的每一个任务上都超过人类。Clozel 提出”因果性”是他最看重的智能体技能——比如 20 年前基本不存在的胆管癌，没人知道为什么出现，而”为什么”恰恰是理解疾病的钥匙。Zhavoronkov 的回应给出了当前水位：在疾病因果推理上，Gemini、GPT-5.2 这一代推理模型的推理能力已经超过普通人、有时超过受过训练的医生——按任务级定义这就是超级智能的雏形。他进一步判断：前沿 AI 竞赛的终局之战是”科学 AI”（AI for science），两人对此完全一致。

战壕问题：前沿玩家不懂从零到候选药物的完整流程

访谈中段，Zhavoronkov 讲了一场刚刚结束的会议：对手是”绝对前沿”的硬件与软件开发者。他意识到这些玩家”对战壕里发生的事有点没概念”——从零到研发候选物（developmental candidate）要完整走完：发明靶点假设、构建疾病模型、发现药物、做动物实验、验证安全性。前沿玩家不知道这个阈值意味着什么，只聚焦在零碎环节上做优化。

这正是英矽智能的切入点判断：构建一个”具备 R&D 全部技能的智能体”，其中每个专家模型都必须做到行业顶尖，但真正的价值来自对所有环节的编排（orchestration）。这也是他们坚持做全栈模式、而不是只做一个环节的原因——新的推理能力诞生于全链条的协同，而非单点性能。

这个判断对做 AI 产品的团队有直接参考价值：当你发现强大的通用模型玩家不理解你所在行业的完整工作流时，护城河不在单点模型性能，而在对端到端流程的编排能力。

现实检验：不做自己的药，就永远得不到战壕数据

主持人（Owkin 联合创始人 Clozel）追问：为什么一定要自己做药？Zhavoronkov 的回答与 Clozel 当场”击掌”一致：不做自己的治疗管线，就没有对平台的”现实检验”（reality check）。Google 早就在 Transformer 上处于前沿，问题是没有尽早把它产品化、送进战壕——直到 ChatGPT 逼出全面产品化。Isomorphic Labs 的价值在于 Google 终于开始从真实药物项目里生成战壕数据。

他的推论很尖锐：许多基础模型开发者没有实验背景、没有从真实项目获取数据的通道，就只能停留在研究层面——“他们可能觉得自己在做很炫的东西”，在基因组学、蛋白折叠上做些”有趣的实验”，但没有真实药物做对照，就无法检验。

英矽智能自己已有临床试验在进行，真实管线产出的数据持续回流平台。这也是他判断”数据是这个世界最大的护城河”的依据。

反直觉策略：把软件业务”自我蚕食”，开健身房做后训练

访谈最精彩的部分是 Zhavoronkov 的商业策略自白。英矽智能决定蚕食自己的部分软件业务，转型做”AI 后训练健身房”：向大语言模型开发者开放 AI 训练设施，让它们的模型在一系列药物研发任务上做后训练、强化学习，变成”超级智能”；然后英矽智能按模型达到约定结果的程度付费回购。

用他的原话：“如果 OpenAI、xAI、微软想让他们的模型在科学任务上变得超级智能——来我的健身房，做后训练，我会强化你。然后我按你愿意为达成特定结果所收取的价格回购模型。”

这套”民主化 AI + 自己制药”被他称为”阴阳 workflow”。对从业者的启示是：当通用模型能力快速上涨时，垂直领域的价值可以转换为”训练环境 + 结果定价”的模式——你不需要永远自己持有最好的模型，你可以成为让模型变强的考场并按效果收费。

Google 回归与网络效应：为什么必须连到临床

谈到 Google 的”回归”，Zhavoronkov 纠正说这不是回归——Google 一直在前沿，Transformer 就是他们发明的，问题只是没有尽早产品化、送进真实使用场景。ChatGPT 出现后 Google 被迫全面产品化，而它手里有 YouTube、Gmail、搜索、自研半导体——当整个生态开始协同，客户侧的网络效应就建立起来了。

他把这个逻辑平移到医药：如果英矽智能不直接触达患者——不只是新疗法，还包括治疗方案组合与诊断（Owkin 自己就有识别早期响应者的诊断业务）——就建立不起同样的网络效应。“必须在很多路径上进入临床：治疗、诊断。你需要在某个时点把诊疗与科研连接起来，才能拿到网络效应、拿到信息的广度。“

制药行业的分层未来与中国的规模冲击

被问到”制药会不会被 AI 原生公司取代”，Zhavoronkov 给出了一个理想分层：科学家做基础科学；像英矽智能这样的公司做药物发现与早期开发；大型药企负责晚期临床试验和市场推广。三层各司其职是理想态。但现实是大型药企想在每一层都自己干，吸入大量资本和人才，效率不高——他说”恕我直言，我爱药企（他们是我的客户），但药企内部的整个 R&D 层效率不高”。

他特别指出了一个”没人预料到的趋势”：中国。最好的分子开始来自中国，化学质量与制造质量都在快速提升，中国正让这个分层变得更清晰——药企不得不到中国去买分子。他批评地缘政治情绪抑制了美国同行去中国实地看的能力，“你可以无知、可以中立、可以讨厌它，但你必须去那里看看正在发生什么”。他自己已发表相关论文，一家中国公司基于该论文启动了试点项目，他还计划把一个实验室设过去。他描绘的”未来医院”是多层数据中心与 AI 实验室从零共建、GPU 直接装进 MRI 机器、数据自由流动的形态——“不会让你死于愚蠢的原因”，你的数据在你的治疗与工作过程中持续回流药物发现。他预测这类”人类健康飞船”式社区可能先出现在中国，之后全世界跟随。

医学的数据驱动悖论：更多数据不一定带来更好医疗

访谈尾段出现了一个值得所有做健康数据产品的人记住的悖论。主持人提出：医学正从循证医学走向数据驱动，更多可穿戴设备、更多指标是好事吗？Zhavoronkov 认同方向但提醒风险：数据越多人越会”自己当医生”——做功能健康、测所有激素、大量补充剂，而”身体不是为接收 100 种补充剂设计的”，反而会制造毒性。

他给出的判断框架回到方向性：消费级设备的绝对数值常常是错的（V2 max 不准），但有价值的是趋势——你在往哪个方向改善。前沿社区会先享受”医疗飞船”级的多层 AI 社区（他预测可能先出现在中国），但面向所有人的公平性仍是巨大挑战。

Pharma 的 AI 转型病灶：首席 AI 官没有管线责任

Clozel 观察到药企这些年的 AI 转型路径曲折：先设”首席 AI 官”，又设”首席数字官”，职责相近但都没有管线的责任——不背药物管线的产出指标，就很难真正改变研发。相比之下，有管线责任的 AI 负责人（他举例俄罗斯的 IV）必须交付真实结果，这才是有效的组织设计。Zhavoronkov 认同药企正在努力：AI 人才与数据科学家的招聘质量明显提升，“我们正在进入 LLM 时代，一些项目真的在落地”。但他也直言遗留系统太多、转身需要时间。

被问”你成功了吗”，Zhavoronkov 的回答毫不含糊：“没有，我们失败了——我们没能把两三种癌症变成慢性病。“他把健康长寿作为唯一目标，战术上犯过很多错，但战略方向从不摇摆。他提到长寿药物组合的结构：免疫、炎症、代谢、纤维化与中枢神经四大领域，并透露自己更聚焦免疫——许多动物模型（如 SLE 模型）没有捕捉免疫微环境，而免疫记忆恰恰是持久缓解的关键。他还有一个生动的细节：两人都做过护理者（caregiver），这段经历让他们对患者端的时间尺度有切身的不耐烦——“作为临床医生，事情就是很慢，这让人沮丧”。

访谈在轻松氛围中结束：两人互赠礼物、拿彼此的”标志性物件”（Clozel 的外套与 Zhavoronkov 的粉色鞋子）开玩笑；43 岁的 Zhavoronkov 与 48 岁的 Clozel 互相打趣生物年龄，约定 60 多岁时在旧金山再次进行同样有活力的对话——“最好那时我们都更年轻一点”。

原文信息

• 原视频标题：The Owkin Podcast: Alex Zhavoronkov
• 频道：Owkin
• 讲者：Alex Zhavoronkov（英矽智能 Insilico Medicine 创始人兼 CEO）
• 发布日期：2026-01-27
• 视频时长：约 25 分钟