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。

雷峰网 ( 公众号：雷峰网 ) 注意到，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。