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，创立公司并实现快速增长。

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"

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。

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。

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。