製藥產業透過重大夥伴關係加速對AI平台的投資

製藥產業以決斷性的策略轉向開始了2026年，不再停留在實驗性的AI試點，而是投入大量基礎建設投資。於一月一連串高調公告中，產業巨頭 Eli Lilly、GSK 與 Pfizer 分別與新興的AI新創公司締結多年合作。這些與 Chai Discovery、Noetik、以及 Boltz 的合作，標誌著藥物發現的一次重大演進，重心轉向能以確定性方式「工程化」生物的基礎模型（foundation models），而非傳統的機率性方法。

Eli Lilly 與 Chai Discovery 合作設計生物製劑

Eli Lilly 已與總部位於舊金山的 Chai Discovery 建立策略性合作，以加速新型生物治療劑的設計。此合作利用 Chai 的專有 AI 平台，特別是其旗艦 Chai-2 模型，該模型被視為首個能在零樣本（zero-shot）情況下達到雙位數實驗命中率的抗體設計平台。

根據協議條款，Chai Discovery 將部署其「前沿」AI 平台，支援 Lilly 在多個目標上的藥物發現工作。此交易的一個關鍵要素是開發一個專為 Lilly 建置、僅以 Lilly 廣泛專有資料訓練的專用 AI 模型。此客製化模型旨在將 Chai 的生成能力（generative capabilities）針對 Lilly 的特定發現工作流程進行調整，有效地將識別可行藥物候選者的時程從數月壓縮至數週。

「我們與 Lilly 的合作結合了雙方的優勢，」Chai Discovery 執行長 Josh Meier 表示。他強調，這項夥伴關係不僅限於簡單的模型存取，而是旨在「擴展AI驅動早期藥物發現的邊界」。此公告緊接在 Chai Discovery 於2025年12月完成的 B 輪融資之後，該輪融資使公司估值達到13億美元，突顯市場對其生成分子設計套件的高度信心。

GSK 下注5千萬美元於 Noetik 的虛擬細胞模型

在一項凸顯空間生物學重要性日益增長的交易中，GSK 承諾提供5千萬美元的前期資金，與原生 AI 生物科技公司 Noetik 建立合作。這項為期五年的協議聚焦於革新腫瘤學研究，特別是非小細胞肺癌（NSCLC）與結直腸癌（CRC）。

此合作的核心是 Noetik 的 OCTO-VC（Virtual Cell）基礎模型（foundation models）。與套用於生物領域的標準語言模型不同，OCTO-VC 是一種以自我監督學習訓練、可能基於腫瘤學領域最大規模的空間轉錄組學（spatial transcriptomics）資料集的模型。它通過預測基因表現、細胞狀態與腫瘤─免疫互動於其局部鄰域情境中，來模擬人類腫瘤生物學。

GSK 全球 AI 與機器學習部門負責人 Kim Branson 指出，整合這些模型有可能顯著深化對癌症生物學的理解。「Noetik 在大規模產生高品質空間資料以訓練基礎模型方面的方法是新穎的，」Branson 說。

這項合作代表了朝向癌症藥物「確定性工程（deterministic engineering）」的轉變。透過以「世界模型（world models）」模擬病人體內生物學，GSK 旨在擺脫業界傳統的「大量嘗試」方式。該交易不僅包含5千萬美元的前期付款，還包括近期里程碑與持續訂閱費，驗證了一種針對AI生技公司以授權基礎設施而非僅開發資產為核心的新商業模式。

Pfizer 與 Boltz：打造藥物發現的「Linux」

Pfizer 宣布與以開放原始碼理念著稱的應用AI研究實驗室 Boltz 建立策略合作。此合作旨在於 Pfizer 的臨床前發現計畫中部署最先進的生物分子基礎模型，包括 Boltz-2 與 BoltzGen。

此合作的獨特之處在於其對基礎建設的專注。Boltz 將使用 Pfizer 廣泛的歷史資料來精進其開源基礎模型，打造專屬的高效能模型，用於結構預測、小分子親和力估算與生物製劑設計。關鍵的是，Pfizer 對於透過此計畫所發現的任何化合物保有完全所有權。

產業分析師形容 Boltz 的策略為生物領域的「Red Hat」，提供企業等級的藥物發現「作業系統」，同時維持開源核心。Boltz 執行長 Gabriele Corso 強調，Pfizer 的科學家是其開源工具的早期採用者之一。「這項合作有助於我們在準確性、效能與整合面將平台提升到新的層次，」Corso 表示。此交易同時發生於 Boltz 完成2800萬美元種子輪融資之際，顯示投資人對其以基礎建設為先的策略給予強烈支持。

2026年1月主要夥伴關係重點摘要

下表總結了這三項重大合作的關鍵面向：

向確定性藥物發現的轉變

這三項交易在短時間內接連公布，說明2026年的一個更廣泛趨勢：製藥產業正從實驗性使用AI，轉向將其整合為核心基礎建設。重心已從簡單自動化，轉向部署基礎模型（foundation models）——這些在大量生物資料上訓練的大型AI系統能夠「理解」並模擬生物交互。

從機率性發現（篩選數百萬化合物以期望獲得命中）轉向確定性設計（針對特定目標特徵工程化一個分子）有望大幅降低臨床試驗相關的高失敗率。隨著對AI平台的投資預計在2030年前顯著成長，這些年初的夥伴關係為一年內矽晶與生物學融合定下了步調。