Google DeepMind 终究还是向学术界低了头。
AlphaFold 3（以下简称 AF3）的源代码和学术权重正式开源。这一举动，把大半年前因“仅提供 Web 服务器、限制每日调用、不给权重”而引发的学术界怒火彻底平息，但也顺手把大量 AI 制药（AIDD）初创公司推进了更残酷的生存战役。
过去几年，不少 AIDD 公司靠着“我们优化了 AlphaFold 的结构预测精度”或者“我们能预测蛋白质与配体的相互作用”在资本市场拿到了第一张门票。而现在，AF3 连同它对蛋白质、DNA、RNA、化学修饰以及小分子配体复合物的预测能力，近乎无偿地摆在所有人面前。
算法的民主化，正在无情地扒掉行业最后一层虚火。
算法壁垒的坍塌：工具不再是资产
在 AF3 之前，很多初创公司的底层逻辑是：售卖算法工具（SaaS模式）或提供基于算法的外包服务（CRO模式）。
他们会向传统制药企业或 Biotech 论证，自己的模型在预测靶点蛋白与小分子结合（Protein-Ligand interaction）时，比公开的 AF2 或者传统的分子对接（Docking）软件高出几个百分点。
但 AF3 的开源直接掀翻了这张牌桌。
AF3 最核心的突破，就在于它不再仅仅是一个“蛋白质结构预测工具”，而是一个多分子交互系统。它能直接预测小分子、核酸与蛋白质的复合物结构。这意味着，过去需要初创公司花费数月自研、调优的“蛋白质-小分子”预测管线，现在任何一个高校实验室或药企的 IT 部门，拉下 AF3 的权重代码，就能在自己的服务器上跑出极其逼近甚至超越市面大多数商业软件的效果。
当最顶级的预测工具变成人人皆可免费获取的公共基础设施时，“算法本身”就不再能沉淀为资产，也无法形成壁垒。 那些纯粹靠包装开源算法、做界面汉化、或者做微调（Fine-tuning）来卖软件的中间商，生存空间将在极短时间内被压缩至零。
亲和力不等于成药性：干实验的泡沫被湿实验戳破
AF3 确实很强，强到能把静态的复合物结构预测到近乎原子级的精度。但这恰恰也给行业带来了一个危险的幻觉：结构解出来了，药就做出来了一半。
每一个在药企一线摸爬滚打过的老药工都知道，结构预测只是“万里长征的零点五步”。
- 亲和力（Affinity）不等于成药性。 AI 预测某个小分子与靶点蛋白结合得严丝合缝，但在真实的生理环境下，这个分子能否跨过细胞膜？它的溶解度如何？它会不会被肝脏瞬间代谢掉（ADME 属性）？它会不会产生严重的脱靶毒性（Toxicity）？这些决定一个分子能否成为“药物”的关键指标，AF3 无法给出直接答案。
- 静态结构不等于动态机制。 蛋白质在生物体内是“活的”，是在不断发生构象变化的。AF3 给出的是能量最低的静态快照。对于那些高度依赖构象变化的靶点（如 GPCR 的激活态、变构调节靶点、无序蛋白 IDPs），静态预测的指导意义往往大打折扣。
- 合成难度。 AI 可以天马行空地生成一个高评分的结构，但如果合成路线需要 30 步，且良率极低，那它在商业上就是死路一条。
AF3 的开源，实际上把药物研发的瓶颈期，从“如何获取结构”（干实验）瞬间推回了**“如何验证活性与安全性”**（湿实验）。
那些没有自己湿实验验证平台、无法完成“设计-合成-测试-分析（DMTA）”闭环的 AI 创业公司，会发现自己卡在了尴尬的位置：他们用 AF3 快速生成了成百上千个潜在化合物，却既没有钱也没有能力去买小鼠、做细胞筛选、做动物实验来证明哪怕一个分子的有效性。
在资本寒冬下，没有谁会愿意为一堆仅存在于显存里的“高评分分子”买单。
AIDD 行业的洗牌与幸存者法则
面对 AF3 降维打击式的开源，未来的 AI 制药初创公司如果想活下去，必须重新寻找自己的定位。行业正在分化出两条真正具备商业可行性的路径。
1. 从“卖算法”转型为“卖管线”（Biotech 化）
既然算法工具不值钱了，那就必须用算法去孵化具有真实临床价值的资产（Pipeline）。
这类公司不再向客户吹嘘自己的 AI 模型有多先进，而是直接用 AI 作为加速器，去攻克那些传统手段极难啃的“不可成药”（Undruggable）靶点。他们必须建立自己的湿实验平台，快速把 AI 预测的分子合成出来，拿到 in vitro（体外）和 in vivo（体内）的活性数据。
对于投资者而言，评估这类公司的标准也极其简单粗暴：别看你用了什么 AI，看你的管线走到了临床几期，看你有没有拿到大药企（Big Pharma）的 BD 授权（Out-licensing）首付款。
2. 占领独特的数据源，寻找 AF3 的死角
AI 模型的上限由数据决定。AF3 强，是因为它吃透了 PDB（蛋白质结构数据库）里累积了几十年的公开数据。但是，在药物研发的某些特定领域，公开数据是极其匮乏的。
- 特定构象数据。 比如处于特定过渡态的激酶结构，或者膜蛋白在特定脂质环境下的构象。
- 私有疾病生物学数据。 靶点的选择往往比分子设计更重要。如果你拥有某种罕见病或特定癌症亚型的独特临床样本数据、多组学数据，这才是真正无法被 DeepMind 复制的“护城河”。
- 高通量湿实验产生的负反馈数据。 AF3 的训练数据大多是“成功”的结构，但药企研发中 99% 的“失败”数据（即不结合、不具有活性、有毒性的数据）并没有被公开。谁能高效、大规模地产生标准化、高质量的负反馈数据来微调模型，谁就能在特定的疾病领域做出比 AF3 更实用的预测。
工具退幕，生物学回归
AlphaFold 3 的学术权重开源，绝不是 AI 制药的终结，而是这个行业走向成熟的成人礼。
它逼着所有人承认一个事实：AI 只是药物研发的一种先进工具，就像当年的冷冻电镜（Cryo-EM）和高通量筛选（HTS）一样。工具的普及从来不会摧毁行业，只会把竞争推向更高维度。
当算法的神秘感消失，AI 制药公司无法再靠“黑科技”的光环躺着拿钱时，大家终于要回到同一个考场里，比拼最朴素也最残酷的指标：
你对生物学的理解有多深？你解出来的靶点是否有临床价值？你做出来的分子，到底能不能救命？
