AI 让科研支出降低，但“成品工厂”与“决策引领者”成两种风格。

当大型语言模型把“思考”的成本压得近乎归零，科研工作的重心便悄然从智力博弈转移到了体力消耗。Anthropic 甚至萌生了自建湿实验室的念头，但对于大多生物科技企业而言，AI 引发的变革正分裂为两条截然不同的轨道：一是追求产出的 Foundries（成品工厂），二是专注策略的 Navigators（决策引导者）。

Endura Therapeutics 的 Adrian Sanborn 对此有独到见解。这位拥有斯坦福计算机科学博士学位的专家，既能熟练编写代码，也能在实验室里熟练操作仪器。他敏锐地指出，当前的瓶颈在于知识型任务——包括代码编写、数据整合以及系统构建——的执行速度令人咋舌，然而物理层面的实验验证却依旧被困在按天或周计算的漫长周期里。换句话说，思维变得极其廉价，但“动手”的过程依然昂贵。

Foundries 模式的核心理念很直接：既然实验过程缓慢，那就通过工业化手段强行压低时间与成本。这类企业的本质是在比拼“产出数据的能力”。它们的竞争力并不取决于所用模型的大小，而在于能够生产多少高质量、大规模的实验数据。目前行业内的玩家各有侧重，有的利用下一代测序（NGS）和多重检测技术，如 Xaira、NewLimit、Octant、Tahoe 以及 Endura Therapeutics；有的则依托高通量显微成像技术，例如 Insitro、Eikon 和 Noetik；还有的专注于物理自动化设备，像 Lila 和 Periodic Labs。

对于 Foundries 而言，AI 的价值在于让海量且杂乱无章的实验数据变得可读且具备预测性，但真正的护城河其实是那些由自动化设备产生的实体实验数据。这种模式需要大量的资金注入，是对特定技术路线的长期重注，入场门槛极高。

与之形成鲜明对比的是 Navigators 模式。这种方式更为隐蔽，它们不直接大兴土木建造实验室，而是将 AI 模型无缝嵌入公司现有的工作流程中，用以优化决策链条和操作效率。如果说 Foundries 是在放大“硬件”的吞吐极限，那么 Navigators 则是在深挖“软件”的运行效率。它们关注的核心问题是：哪些实验真正值得开展？执行时需要调用什么工具？如何利用既有流程跑得更顺畅？

这种模式无需私有大模型或海量私有数据集的支持，它考验的是改变工作惯性的决心。在那些没有沉重历史包袱——比如陈旧软件合约、僵化组织架构或繁琐合规流程——的初创企业中，这种转变尤为显著。一旦团队发现了更高效的工作方法，就能迅速将其固化为标准操作流程。

当一家公司成功从 Navigators 模式完成转型，其研发效率的提升是肉眼可见的。根据 Adrian 的观察，具体影响体现在三个维度：

其一，分析周期大幅缩短。原本需要耗费整整一周的数据分析任务，现在可能在一个小时内就能搞定，这直接压缩了实验迭代的等待时间。

其二，软件成本显著降低。过去，获取一套价值六位数美元的专业软件授权是常态，现在借助 AI 辅助，团队可能在一天内就自行编写出功能相当的替代方案。

其三，候选项目的筛选规模急剧扩大。传统研发团队或许只能同时评估 5 个疾病研发的候选方案，而在 AI 的加持下，这一数字可以膨胀至 500 个。

这里隐藏着一个深刻的技术细节：实验科学与软件工程之间存在本质的冲突。在软件工程领域，几周内发生的需求变更通常只被视为规划上的微调；但在科学研究中，需求必须不断变化，因为实验的根本目的就是为了获取新知，而新获得的知识必须立刻反哺并影响下一个实验的设计逻辑。

当下的变化在于，代码的演进速度终于能够追上科学发现的节奏。在过去，实验协议（protocol）在第一年内可能会经历十几次变动，每一次变动都意味着要重写代码、调整流程，过程极其痛苦；而现在，从“发现”到“执行”的反馈闭环正被 AI 极大地压缩。

这些条件同时成立时，下一步该怎么做？如果数据产出能力与决策反馈速度同步提升，传统的线性研发管线将不再适用。当 500 个候选方案涌入视野，且分析能在小时级完成时，原本用于“筛选”的人力资源必须立即转向“假设生成”。若此时仍沿用旧有的审批层级来应对快速迭代的协议变更，Navigators 模式的优势就会瞬间失效。因此，当思考成本趋近于零且执行速度跟上后，企业必须建立动态的资源分配机制，让每一笔实验预算都能实时流向最新数据指向的方向，否则快速反馈带来的只会是信息的过载而非效率的提升。