抗体药物研发长期遵循"十亿美元、十年周期"的困局，传统方法依赖动物免疫或高通量筛选，命中率通常不足千分之一。8月初，由OpenAI早期成员创办的Chai Discovery发布新一代模型Chai-2，把完全从零开始的抗体设计命中率提升到15%至20%，在52个新抗原靶点中，近半数靶点仅评估20个设计就产出了有效结合物，从分子设计到实验室验证的闭环被压缩到两周以内。这家定位"生物领域基础模型实验室"的公司，正在把药物发现改写成一道扩展规模的问题，而红杉资本等顶级机构的访谈背书，让这场变革的商业逻辑更加清晰。
Chai-2最核心的指标是de novo抗体设计的命中率。公司创立时，该领域的行业最优水平约是0.1%，即一千个设计分子中只有一个能在实验室结合目标。Chai-2把这个数字做到15%至20%，相当于筛选一千个分子能拿回150个有效结合物，足以支撑药物属性的统计分析。联合创始人Josh Meier透露，团队原本的预算是在三四年内做到20%命中率，能达到1%就算惊人，结果远超预期。
这一跃迁的价值在于资本效率。传统抗体发现中，命中率直接决定试错成本：命中率低意味着需要合成筛选海量分子，每个候选分子的合成与测试都要投入真金白银。Chai-2在约50个多样化抗体靶点上完成了实验室验证，其中近半数靶点产出高质量命中，每个靶点合成测试的设计数量不到20个，且得到的抗体呈现纳摩尔级结合亲和力、高靶点特异性和良好的可开发性。用更少的实验次数拿到更多有效分子，研发账本随之改写。
Chai-2的"零样本"特性是理解其技术路线的关键。系统只需输入目标抗原与表位信息，就能生成全新的抗体序列，包括所有互补决定区，不依赖现有结构模板，也不需要实验反馈回路。传统方法中关键的免疫流程与高通量筛选环节被完全跳过，相当于把"大海捞针"变成"按图索骥"。
模型还支持多种抗体格式，包括单域纳米抗体VHH和VH-VL配对结构，并在微型蛋白设计上展现了更强的泛化能力：在5个微型蛋白靶点上全部取得验证结合命中，命中率超越此前最优的AI与计算方法。联合创始人Matthew McPartlon把公司的设计哲学概括为"苦涩教训在生物学同样成立"：坚定扩展数据、扩展模型、扩展计算，而不是堆叠专用模块。Chai-1曾包含23个独立子模块，团队刻意在Chai-2上做减法，用更简洁、可泛化的架构换取可预测的扩展规律，因为23个子模块的架构根本无法规模扩展。
Chai-2已在实际案例中证明价值。在一个治疗性抗体研发案例中，传统方法已消耗超过500万美元的研发成本仍未解决，Chai-2在数小时内给出有效抗体设计，并在两周内通过实验室验证。辉瑞前首席科学官Mikael Dolsten评价称，Chai-2在de novo设计短周期药物上潜力巨大，这一反馈来自服务过大型药企数十年的行业核心人物，分量不言而喻。
商业层面，Chai Discovery已与礼来、诺华、辉瑞等药企建立合作，其模式是为行业提供基础设施而非自研管线。公司于8月完成新一轮融资讨论，估值与资金实力持续充实，并已启动Chai-2早期访问计划，邀请战略合作伙伴集成到其发现管线中。从0.1%到20%的命中率跃迁，从数月到两周的验证周期，Chai-2把"AI能设计抗体"的叙事推进到了"AI能稳定交付抗体"的新阶段，也让"一个设计一次成功"从口号向现实靠近了一大步，开放访问计划将让更多药企在真实项目中验证这套方法的价值，进一步推动整个行业从观望走向落地。
Chai-2发布的时间点，恰逢AI制药赛道的资本热潮。就在8月初，市场消息称Chai Discovery已启动新一轮约4亿美元的融资讨论，延续了这家公司"高估值、强背书"的融资节奏。与Chai同台的还有Isomorphic Labs等玩家，但两者的路线形成鲜明对照：Isomorphic背靠DeepMind、选择自研药物管线，而Chai选择"做基础设施、武装整个行业"，与礼来、诺华、辉瑞等药企合作，让模型"真正在真实研发中工作"。联合创始人认为，这是更难但更可扩展的模式，因为模型只有被行业反复验证，才能持续进化。
路线分化的背后，是对药物发现底层逻辑的分歧。Chai团队笃信分子设计遵循与机器学习相同的"苦涩教训"，扩展数据、模型与算力就能逼近理想结果；传统生物学家则强调湿实验验证与领域知识的不可替代性。Chai-2用52个靶点的实验室验证数据表明，扩展路线在抗体设计上确实跑通了，但能否覆盖更多靶点类型、能否在真实管线中持续兑现，仍需时间检验。无论如何，当命中率、周期与成本三个硬指标同时改善，AI制药的"交付叙事"已经比任何时候都更有说服力。