作者丨冯汝梅聚创优配
编辑丨关雎
图源丨Midjourney
2020年，Google DeepMind开发的人工智能系统AlphaFold 2，将蛋白质结构预测从传统实验方法的“数年时间”缩短至“几分钟到几小时”，且精度达到实验测定水平，解决了困扰生物学界50年的“蛋白质折叠难题”。
2024年，AlphaFold 2的开发者Demis Hassabis和John Jumper也因此获得诺贝尔化学奖。这一里程碑式突破开启了AI在生物医学从概念验证迈向实际应用的分水岭——AlphaFold时刻。
第二个“AlphaFold时刻”即将来临。
2025年12月16日，成立仅1年9个月的生物科技初创公司Chai Discovery宣布完成1.3亿美元的B轮融资，投后估值达到13亿美元（约合92亿元人民币），正式跻身AI制药独角兽行列。这距离其上一轮7000万美元的A轮融资，仅过去了不到四个月。
这家初创企业正在利用前沿AI技术加速药物发现，核心目标是打造一个“分子计算机辅助设计套件”，实现从零开始设计完整疗法，最终将生物学从“描述性科学”转变为“工程学科”。
目前，公司已开发出两款AI模型——Chai-1和Chai-2，用于预测和重编程生化分子，如蛋白质、小分子、DNA和RNA等之间的相互作用。其中，Chai-2带来了类似AlphaFold 2的突破性变革。它在零样本抗体设计实验中，成功率高达15%-20%，相比之下，传统的计算方法成功率仅约0.1%，实现了百倍效率提升，直接改变了该环节的成本与时间逻辑。
自2024年成立以来，Chai Discovery完成了3轮融资，总融资额达2.3亿美元，获得了OpenAI、Thrive Capital、Menlo Ventures、General Catalyst、Oak HC/FT等机构的连续押注。
关于此次B轮融资资金，Chai Discovery将用于加速研发、模型开发和商业化。目前，公司正在全球范围内大力招聘，计划在未来一年内扩大工程团队规模。
01从哈佛宿舍到硅谷
Chai Discovery的故事，是一个典型的“AI时代生物技术革命”叙事：一群对人工智能与生命科学交叉充满热情的极客，在经历了个人成长、职业积累和技术拐点的洗礼后，于关键时刻汇聚在一起聚创优配，创立公司并实现快速增长。
从左到右依次为Joshua Meier、Jacques Boitreaud、Matthew McPartlon和Jack Dent
图源：Genetic Engineering & Biotechnology News
创始人兼CEO Joshua Meier出生于1996年，从4岁就开始对科学产生浓厚兴趣，特别是科学、历史、创业和古希伯来文本等领域。他被描述为一个“天生好奇”的孩子，早年就展现出跨学科思维。
高中时期，Meier就已展现出过人的创业天赋和科研实力。16岁时，Meier牵头创立生物技术公司Provita Pharmaceuticals，公司完全由高中生组建和运营，专注于两个创新方向：研发减少血友病患者注射频率的医疗器械，以及探索通过蚊子传播疫苗的“飞行注射器”技术。其中，“飞行注射器”项目成功入围谷歌科学挑战赛，还登上《科学美国人》杂志。
次年，17岁的Meier斩获多项国家级科技奖项，包括西门子科学竞赛全国第四名和英特尔科学人才搜索（Intel Science Talent Search）全国第四名，以及总额达8万美元的赛事奖金。
后来，Meier进入哈佛大学攻读计算机科学和化学双学位及计算机科学硕士学位。在哈佛期间，他就已崭露头角，早早开始接触机器学习与生物学的交叉应用。此外，他还加入CRISPR-Cas基因编辑技术先驱之一张锋的实验室，担任研究助理，帮助其开发机器学习平台，用于设计CRISPR筛查实验。
毕业后，Meier先在OpenAI从事生成式大模型研究，随后加入Meta FAIR（Facebook AI研究），担任核心科学家，主导开发首个Transformer架构蛋白质语言模型ESM-1b，该模型被生物制药行业广泛使用。2021年，Meier加入AI制药公司Absci并担任首席AI官，带领团队开发生成式AI模型用于创造新型蛋白质疗法。
另一位联合创始人Jack Dent担任公司总裁。Dent比Meier小一岁，同样毕业于哈佛大学计算机科学专业。两人是大学同学兼室友，在校期间就结下了深厚友谊，曾共同参与TaxiLater应用开发，解决预约Uber的实际难题。毕业后，Dent加入全球支付巨头Stripe，担任核心工程与产品负责人。
尽管毕业后各奔东西，但他们保持着每3-6个月交流一次的习惯，Meier不断向Dent分享他在AI药物设计领域的研究进展。在一次交流中，他向Dent展示了“以原子级精度设计分子”的可能性，这打动了Dent，让他觉得相比之下“其他项目都显得不那么重要”，并决定放弃Stripe的高薪职位，与其共同创业。
2024年3月，Chai Discovery在美国加利福尼亚州旧金山正式成立。选择此时创业并非一时冲动，而是基于对技术成熟度的判断。他们认为，谷歌DeepMind的AlphaFold 2在2022年基本解决了蛋白质折叠问题，而扩散模型和大语言模型（LLM）的突破，为将结构预测推进到“分子生成”创造了条件。Meier后来表示，这是一次经过深思熟虑的“押注”，最佳创业窗口期可能只有一到两年。
Matthew McPartlon和Jacques Boitreaud是其他两位联合创始人，前者在多家技术生物公司负责机器学习领导工作，后者在法国AI制药公司Aqemia领导团队，专注将机器学习工具应用于小分子发现。
02“药界ChatGPT”聚创优配
首先需要了解的是，现代药物研发的关键在于针对导致疾病的特定靶点蛋白进行设计。这类似于治疗需要找准核心的发病机制。通过精准干预这个关键的分子“开关”，药物能够在尽可能减少对正常细胞影响的前提下，达到治疗效果。
然而，这一过程长期面临根本性挑战。首先，仅解析靶点蛋白的三维结构就可能耗时数年且成本高昂；其次，在海量无限的化学空间中寻找并优化能与靶点精准结合的分子，如同大海捞针，依赖大量试错。这导致一款新药的平均研发周期长达10-15年，耗费数十亿美元，且失败率极高。
Chai Discovery正在为这些问题提供AI解决方案，并已取得显著进展。
刚起步时，公司团队规模不到10人，挤在旧金山一间办公室开展工作。创始成员直接参与模型开发，并在几个月后快速推出首个基础模型Chai-1。
图源：Chai Discovery
Chai-1是多模态分子结构预测基础模型，其核心突破在两方面：一是开源属性，它是首个完全开源的AlphaFold3复现版本，采用Apache 2.0许可证，明确允许免费商业使用，打破了AlphaFold3仅开放学术场景的使用限制，降低了行业技术应用门槛。二是性能表现，在PoseBusters等权威基准测试中，其预测准确率与AlphaFold3相当甚至更优，尤其在单序列输入、无需多序列比对的复杂场景下，仍能保持稳定的高精度输出。
Chai-1的核心定位是高精度生物分子结构预测，具备跨分子类型的统一预测能力，可精准解析蛋白质、小分子、核酸等多种核心生物分子的三维结构，精度达到“原子级显微镜”水准。这一步恰好解决了药物设计的核心前提——让药物分子与靶点蛋白精准匹配，若无法清晰解析靶点蛋白的精确空间结构，后续设计便无从谈起。
技术突破快速转为市场认可，Chai-1发布当日，公司同步宣布完成近3000万美元种子轮融资，获得OpenAI、Thrive Capital及Dimension的支持。
不到一年，Chai Discovery便实现技术迭代升级。2025年6月，公司正式发布多模态生成式AI模型——Chai-2。相较于Chai-1的“结构预测”，Chai-2实现了从“预测”到“创造”的跨越。
图源：Chai Discovery
Chai-2的核心亮点是“零样本”从头抗体设计，仅需输入靶点抗原信息，就能直接生成全新的、具有结合活性的抗体或微型蛋白的序列和3D结构。实验数据显示，其成功率平均达到15.5%-20%，相较于传统计算方法仅约0.1%的成功率，效率提升超100倍。更重要的是，Chai-2能针对传统上“无药可靶向”的G蛋白偶联受体等靶点生成高亲和力抗体，这被业界视为通过纯计算方式实现的重大突破。
这意味着，一个过去耗资数百万美元、历时数年的早期发现难题，现在可能被缩短至数周内解决。
并且，与仅能设计蛋白质片段的许多模型不同，Chai-2能够生成长度完整的抗体。设计分子在原子级精度与实验结构一致，86%的设计达到可直接进入早期药物开发的标准。
现在，Chai-2被业内形象地称为“药界ChatGPT”，因为它实现了从“读分子”到“写分子”的改变。与AlphaFold专注于“预测蛋白质结构”不同，Chai-2致力于“创造所需蛋白质”，即将开启生成式AI在药物研发领域的全新应用场景。
随着B轮融资的完成，Chai Discovery正在推进商业化进程，拓展合作伙伴关系，推动其平台在更多生物制药公司中的应用。
03 AI制药的新阶段
如果说AlphaFold 2解决的是“看清”的问题，那么Chai-2则更进一步，解决的是“创造”的问题。AlphaFold 2像一台超高精度显微镜，让科学家能快速地看到几乎所有蛋白质的形状。Chai-2则像一个分子生成器，能根据靶点直接设计出全新的、可能成为药物的抗体。
这一跨越对制药行业的意义在于，它有望从根本上解决行业长期面临的“高投入、低产出”难题。
与之对应，Chai Discovery未来将打造一个“分子的计算机辅助设计套件”，让生物学家能像工程师一样，可预测、可编程地设计生命分子。正如其创始人Meier所言，未来最强的抗体工程师可能不再是传统的生物学博士，而是懂得如何与AI协作的“分子提示词工程师”。
尽管AI设计的分子仍需经过漫长且严格的临床实验验证，但Chai Discovery无疑代表“生成式AI制药”的前沿方向——不局限于筛选，而是直接创造全新分子，以攻克传统难以解决的靶点。
在全球范围内，类似的竞争正聚焦于生成式AI的工程化能力。在国内，这一赛道同样活跃，据不完全统计，已有上百家公司在此布局，部分企业已在技术突破和商业化方面取得实质性进展。
市场分析认为，尽管在底层通用生成模型方面与国际顶尖公司存在差距，但国内企业在特定靶点、临床数据应用及本土市场结合方面正快速发展。中国在政策与临床资源整合上的优势，未来可能催生全球级的AI医药研发服务平台。
本文为创业邦原创，未经授权不得转载，否则创业邦将保留向其追究法律责任的权利。如需转载或有任何疑问，请联系editor@cyzone.cn。
金鼎配资提示：文章来自网络，不代表本站观点。
