卖一个分子，还是开一座科研工坊？

AI模型江湖·行业篇 / 07 / 公司研究 · 英矽智能 · 2610

普通人的红利：产业 × 投资 × 交易，寻找AI时代的Google、Amazon ｜ 于AI诸相中，普皆共证菩提

本系列纯属个人兴趣，仅为AI江湖的八卦交流，不构成任何投资建议！如有侵权，联系删稿！｜2026年10月

先看结论

当前定位：Pharma.AI相关对外能力按筑基后期研究，MMAI共研线金丹待证。依据是科研工具已有商业供给，Liquid AI又利用英矽的领域训练与评测形成联合模型；但模型交付以后，客户是否持续依托同一底座建设，尚未证实。[1][2]

产业视角｜AI Native：不只是替药企多找几个候选分子，而是让研究团队与模型企业取得可持续使用的科学设计、训练和验证能力。

能力与持续性：发动机看科学方法怎样教会模型；工程化看时间、质量、成本；平台化看愿意打开哪些能力、怎样共同挣钱，以及团队能否兼顾管线与平台。

投资视角｜金印五阶：筑基后期，金丹待证——技术与对外交付已有内容，合作建模触及底座关系；药企继续开发一个分子，却不能直接证明它围绕英矽平台持续建设。

交易视角｜风控五环：不把授权总额当成到账现金，也不把一时的药物交易收益当成已经稳定的平台租金。

一｜江湖开场：卖分子的成功，能否长成模型平台？

上一站看Schrödinger，我们问谁在科学计算体系里建立自己的研发方法。这一站来到英矽智能，柜台上却摆着两种很不一样的东西：一边是可以继续开发的分子，一边是帮助别人训练科学模型的方法。丹药可以卖得很贵，教别人炼丹也可能很值钱，但两门生意留下的关系未必一样。

2026年3月，Liquid AI宣布与英矽合作，推出LFM2-2.6B-MMAI。联合模型把Liquid的模型架构与英矽的MMAI Gym训练、评测能力结合，并提供在私有基础设施上使用的路径。[1]这是合作方亲自确认的一项产出：英矽的行业经验开始参与别人模型的形成，而不只是自己生成一个候选物。

另一张账单提醒我们别只看新招式。英矽8月发布的半年业绩说明中，药物研发与管线开发收入约1.031亿美元，软件解决方案收入约269.7万美元。[2]这组数说明既有商业兑现的重心。它不否认软件的潜力，却不能被改写成大量企业已经持续为共同模型底座付费。

所以，本篇保持筑基后期、MMAI共研线金丹待证的定位。科研能力已经变成外部可购买的供给，合作建模又打开新的方向；尚待确认的，是客户拿到成果之后，下一次创造是否还要在英矽这里展开。我们看的不是哪本账更尊贵，而是哪本账正在长出平台位置。

英矽最值得研究的矛盾也在这里：如果药物成果卖得很好，团队会不会更愿意自己挑项目、自己炼药？如果打开训练与评测，又能否帮助更多人做出自己的模型和产品？两条路可以互相养活，也可能争夺同一批人才与资源。宗门想开百家工坊，不能只靠一炉名丹撑起想象。

二｜产业视角·需求：药企要成果，模型伙伴要方法

药企要解决的，不是分子图画得不够多，而是在有限时间与预算内，找到值得继续验证的方向。模型企业则面对另一道题：通用模型懂很多词，却未必懂怎样比较分子的性质、合成路径和证据。一个客户可能买研发结果，另一个客户可能来补自己的科学能力。两种需求不能按同一套订单来理解。

平台级机会，藏在研究目标不同、底层方法却有共同部分的地方。每家企业可以保留靶点、数据和产品选择，同时借助共同的分子表示、性质预测、实验设计和验证工具。供应商的价值不必是替所有客户作主，而是让客户有能力把自己的问题研究得更深。

可以设想一个有专业知识、却没有大规模模型团队的研究小组。它利用已有工具定义条件、比较候选，再把预算投向最有信息的实验。这是增能的方向；若工具、执行和结果检查连成明确服务，才进一步接近承责。这里是产业情景，不是已经取得某客户全部研发记录。

丰裕要看合格研究结果能否更可负担，而不是屏幕一次生成更多结构。破界在于扩大能够被实际验证的化学空间；创生则看新的方法和工具能否支持下一轮探索。AI Native的想象应当打开，但每一步仍要有人说明：这个结果由谁验证、用于什么决定、预算从哪里来。

开放，先看英矽愿意交出什么建设条件。Chemistry42的官方说明不仅列出生成和筛选，还允许结合外部预测模型、模拟工具与自有数据库；MMAI Gym则明确接受客户自己的模型参加领域训练。[3][4]这意味着它愿意让别人的知识与模型进入体系，而不只销售一个不能改动的答案。

但打开一扇门，不等于整座藏经阁都无条件相赠。客户能部署哪个模型、能否修改和再训练、如何使用私有数据，要按具体产品与协议确认。Liquid提供的是可申请访问的私有部署路径，本篇没有取得足以说明所有再分发权利的许可全文。[1]开放可以有商业边界，关键是边界是否给别人留下真实的发展空间。

共生再看各方能否做成自己的事业。在这次联合建模里，一方带来模型架构，一方带来科学训练与评测，下游研究者希望取得能在自身环境中使用的能力。共同产品已经出现，各方怎样收费、支持和分配后续收益，公开材料尚未完整回答。产品一起署名是起点，不能替账房宣布家家盈利。

团队的考题，是如何同时经营成果与平台。公司披露的软件和药物业务并存，是实际的资源选择背景，而不是两支互不相干的宣传队伍。[2]我会看它是否持续建设通用训练、验证和支持能力，也看高价值管线能否反哺这些能力；暂不以掌门履历或一句愿景，推定内部协调已经成熟。

这一章的产业判断是：英矽有机会把积累的科研方法变成别人的生产条件。真正值得期待的开放，不是让大家围观自己的炼丹术，而是让不同团队保留研究方向，在共同方法上做出不同成果。能否持续共生，要等实际工作与收益回答。

三｜产业视角·供给：两套功法，各自产生什么能力？

Pharma.AI与MMAI Gym不能混成一个产品。前者旗下的Chemistry42直接面向分子设计与优化工作；后者更像科学模型的训练场，用领域数据、推理任务和评测方法改进基础模型。[3][4]一个帮助研究者做事，一个帮助模型学会做事。二者可以共享积累，却对应不同的交付对象。

C｜算力工程：小模型能够本地使用，是客户部署的一个选择，不是英矽训练工程已经全面领先的证明。要把模型变成可用供给，还需处理训练、推理、工具调用与任务调度。是否省资源，应在相近任务质量和运行条件下比较，不能只用参数更少便算出整条科研流程便宜了多少。

A｜算法效率：关键不只是教模型记住化学名词。联合研究论文把分子形式、多类科学任务及相应训练方法放在一起，覆盖分子优化、性质预测、逆合成与靶点活性等问题。[5]我的理解是，它试图让同一个基础模型学会不同科学问题之间的表达与推理，而不只是把药学词典多背几遍。

论文报告了指定分子基准上的表现，本篇不将其外推为临床成功率或全部药物研发效率。[5]对算法更有价值的追问是：面对训练时少见的结构、条件和任务，结果是否仍然可用；遇到不确定性时，能否帮助研究者决定下一步怎样验证。试卷得分可以说明练过招，出门治病还隔着另一套验证。

D｜数据工厂：Chemistry42允许用实验或模拟数据训练预测模型，也说明了专家标注反应模板等工具基础。[3]这些是数据加工的具体入口。接下来要看任务定义、数据清理和验证设计是否一致：同一个性质在不同条件下测得的结果，不能抹掉背景后混成一个标准答案。

例如一个假设的分子优化任务，活性提高了，但合成难度和其他性质变差了。若训练只奖励一个分数，模型可能学会钻指标的空子；若把多项要求、实验条件和失败信息接起来，它才更有机会学到有效取舍。这里解释的是训练与验证应解决的问题，不冒充英矽已经披露的统一改进比例。

E｜经验飞轮：客户用过，不代表公司全部学到了。研发项目的实测结果、模型企业的私有训练数据、客户最终采用与放弃的原因，可能有不同使用权。能否在获准范围内把错误变成更好的训练、评测或通用工具，才决定每一轮项目有没有反哺共同供给。一次联合模型发布，还不能替多轮反馈闭环盖章。

表1｜科研发动机：已有支撑与尚待证明的部分

F｜资本续航：药物合作可以给平台带来资源，但未来里程碑不是现款。公司业绩披露显示商业收入已经有分量，[2]真正要判断续航，仍需将可动用资金与自有研发、实验、计算及客户服务义务配对。本篇不依据合同总额估算还能炼几代模型，也不把单期利润直接当成平台进入元婴。

把发动机连起来看，英矽的长板是把科学任务、方法与模型训练放在同一个体系里思考。它的下一道技术题，不只是再发布一个模型，而是让持续得到的有效证据改善下一轮供给。发动机能教会别人新功法，是否又能让别人长期回来，仍需经营关系作证。

四｜产业视角·交付：模型交出去，谁接后面的工作？

在英矽这里，交付至少有三种形态：约定研发成果、供研究者使用的软件、供伙伴继续开发的模型或训练服务。先说清客户最后拿到什么，才能用时间、质量、成本比较。临床前候选物、可运行的软件和训练完成的模型，不是同一种验收单。

表2｜三种交付，三种验收与持续关系

模型交付之后，还要由相关主体处理环境部署、输入质量、工具连接与任务验证。私有部署可以帮助客户控制自己的环境，却不会自动替客户完成全部系统建设。谁处理错误、谁接受结果、谁承担后续更新，最好在项目起点就明确，而不是等第一份实验失败报告回来再开会分锅。

时间，要分发布节点、训练周期和客户实际可用时间。Liquid公告证明联合模型已经推出；MMAI Gym页面还展示三个月训练服务的安排。[1][4]后者是产品方案，不是所有客户三个月完成验收的统计。模型什么时候出炉，与客户什么时候用它稳定开展工作，仍要分别记录。

质量，更不能用一张榜单包打天下。性质预测、合成建议、功能团推理各有验收条件；某项任务准确，不保证换一批结构仍然准确。对会影响后续实验的结果，除了报告平均表现，还需要弄清失败样本、比较基准以及人工复核怎样参与。科学模型的自信，不能替实验台签字。

成本也要算完整。训练和推理之外，数据整理、科学核验、失败重试、客户支持都会消耗资源。模型变小可能减少一部分计算，若错误使实验多走弯路，总账仍可能上升。以同一任务、同等质量的有效结果作比较，才知道工程改善有没有真正传到客户。

目前能够确认的是，软件提供了具体工作入口，联合模型已有产出；尚未取得跨客户统一的验收周期、失败率和完整成本记录。因此，我承认交付已经走出单纯概念，也保留工程优势的测量边界。接下来最有分量的成绩，是客户能够少返工、可预期地完成下一轮研究。

五｜投资视角：客户投资分子，还是围绕底座建设？

投资视角先把尺子放回经营结果。英矽的战略位置，是药物发现中可共同使用的设计、训练与验证能力；市场锚则落在有预算、有明确研发任务的客户，而不是把全球药品销售额直接当成软件收入空间。天地足够大，自己能守住哪一段工作还要单独看。

本期按筑基后期研究。支持这一定位的，是生成与科学训练已经形成可辨认的技术组合，且有软件、研发合作和联合模型产出。[1][2][3]这不是仅有一个演示的早期状态。但MMAI新业务自身的稳定份额、持续外部使用以及路线收敛程度，仍缺同口径材料；不能由旧业务的收入替它宣布格局大定。

金丹的门槛，不是合作方愿意花很多钱。一家药企买到候选物，随后投入临床、注册和商业化，主要可能在建设自己的药物资产。药物收益未来按协议分配，并不要求下一条管线仍然使用同一模型平台。卖出好丹药完全可以成功，只是不能顺便把买药者的整个宗门登记在自己名下。

Liquid这条线更值得追，因为伙伴确实借助英矽的领域方法形成自己的模型产品。[1]不过，占据需要回答更深的问题：今后的科学任务、质量验证和版本开发，是否持续依托MMAI Gym的关键能力？若拿到模型后主要可独立运行，现有事实更接近一次有价值的训练交付；若后续研发围绕同一体系展开，才开始支持底座依赖。

这里不能把自主部署简单看成反证。客户能够在自己的环境运行，同时仍持续购买训练、验证和更新，是可能的。也不能先规定客户必须用MMAI，再宣布MMAI不可替代。比较时应保留客户相同的科研目标、数据边界和质量要求，允许其他路径参与，再看要重建哪些关键能力。

表3｜从筑基后期到金丹：差的不是再签一张大单

EDP在这里不是另一张修为表。E若持续产生难以自行补齐的科学能力，D若让训练与验证按期可靠交付，P又让伙伴有能力、有空间挣钱，占据就具备更好的条件。相反，若每轮训练都只输出可带走的结果，或者平台成本长期依靠管线大单掩盖，固化就不能顺着技术故事往下写。

元婴还要再往前：它能否在科研协作、交付与收费中取得可持续的分配位置，并留下两高两稳支持的收益。一次高毛利授权与长期平台规则权，不是同一张证书。我的判断是，英矽已经值得认真研究如何跨过这道坎，但还不能把“教会一个模型”直接写成“占住一片生态”。

六｜交易视角：里程碑归里程碑，现金归现金

授权首付款、后续里程碑、销售分成和软件收入，各有不同条件。看懂研发价值，不等于所有远期付款都会实现；一段收入增长，也不等于平台已经取得持续定价权。资金安排要同时考虑实验、研发和交付义务，不把合同总额直接当现金储备。本篇不提供目标价、买点或统一仓位。沿准入、定仓、估值、共修、退出守住边界，可以期待下一炉好药，不能把尚未形成的金丹依赖和元婴收益一起预付。

七｜共修观察：第二轮训练，还会到这里来吗？

近期先盯两件事。第一，Liquid或其他模型伙伴的下一版产品，是否继续使用同一科学训练和评测体系，上一轮形成的方法能否承接。第二，同一药企的后续项目，是继续购买一个结果，还是把更多自己的研究工作组织在共同平台上。前者追模型伙伴，后者追真正的科研客户，不能混成合作数量。

我更期待看到一种具体记录：客户提出新任务，沿用已有验证资产，供应商补充新的能力，双方再把改进带入后续产品。这样的记录，比单纯公布更高分数更能说明关系怎样变厚。若实际没有发生，也应允许公司继续是一家有价值的科研供给者，不必硬逼所有生意都长成同一种宗门。

主要反证也明确：伙伴训练一次便不再需要支持；关键工作逐渐迁入通用工具而几乎无需重建；合作方一直没有独立业务与合理收益。出现这些现象，应收缩平台持续性的判断。若只是取得更多材料而看清了原有关系，则是研究认识的修正，不是公司一夜破境。

更远的元婴，要让领域方法成为客户持续创造的条件，并让开放与共生支持可维护的收费、利润和再投入。团队既要会挑值得炼的药，也要会建设能让别人长期炼药的工坊；拥有一项漂亮技术，不自动等于这两种组织能力都已具备。

归拢本期判断：当前看筑基后期，MMAI金丹待证；长板是科学方法进入模型训练；近关是第二轮研发是否继续依托；反证是成果交付后关系断开；远期看各方共同经营、原厂也能留下持续收益。下一篇看Recursion：自己用得很好的科研发动机，怎样真正走出自家实验室？

资料与研究口径

本篇刊期为2610，事实资料核对至2026年9月24日。主评Pharma.AI与MMAI Gym对外能力，沿用本系列‘筑基后期；MMAI共研线金丹待证’的有边界研究定位。该定位不表示已完成软件市场份额或所有技术路线的同口径比较。药物成果、软件和模型共研分别归因，科学基准不外推临床效果。

EDP采用CADEF／时间、质量、成本／开放、共生、团队；金印五阶以经营事实判断位置，能力用于解释持续性，不合并评分。正文以“本期判断”“假设”“可能”等区分研究推断与已发生事实；未公开的迁移成本、客户留存、训练权限和伙伴收益不补造。

[1] Liquid AI｜与英矽共同推出LFM2-2.6B-MMAI

2026-03-03，合作方公告。支持联合模型、分工与私有部署路径；模型测试为发布方口径，不证明广泛客户验收与跨代依赖。 原文

[2] 英矽智能｜2026年上半年业绩发布

2026-08-26，公司通过美通社发布。仅引用药物研发／管线与软件解决方案的收入拆分，不将远期合同额当到账资金，也不将宣传判断当独立评审。 原文

[3] Pharma.AI｜Chemistry42官方产品说明

2026-09-24核对。支持生成、性质预测、逆合成、自有数据训练及外部工具接入等功能；功能目录不等于全量质量与客户依赖证明。 原文

[4] 英矽智能｜MMAI Gym for Science

2026-09-24核对。说明面向外部模型的科学训练、评测和实验验证安排；三个月为页面列示服务方案，非已验收项目的统一周期。 原文

[5] Kuznetsov等｜MMAI Gym for Science: Training Liquid Foundation Models for Drug Discovery

arXiv:2603.03517，2026-03-03首发，2026-08-31更新至v2。本篇采用摘要中的任务与训练方向，不宣称完成论文全量实验的独立复现。 原文

研究说明：本文用于产业与企业研究交流，不构成任何投资建议。阶段为有证据边界的研究判断，未来情景不构成承诺。

声明：本文由 AI 辅助整理初稿。