Chai Discovery

1.1 身份、总部与使命

Chai Discovery 是一家人工智能公司，总部位于 California 州 San Francisco，2024 年初注册成立。公司自称使命是「把生物学从科学变成工程」，用前沿 AI 预测并重写生化分子之间的相互作用——蛋白质、抗体、核酸和小分子几乎支撑着所有生物过程。Chai 不建设自己的药物管线，而是以平台公司运作：开发 AI 基础模型，并部署给生物制药伙伴，让对方加速早期疗法发现。公司将愿景描述为打造分子的「计算机辅助设计套件」，类似 CAD 软件在机械和土木工程中的角色——把上游工作从蛮力实验筛选，转向有目的、由计算引导的设计。Chai 创立时，团队在 OpenAI 的 San Francisco 办公空间工作，反映出公司与更广泛 AI 研究社区的深度联系。四位联合创始人 Joshua Meier、Jack Dent、Matthew McPartlon 和 Jacques Boitreaud，在 Harvard 研究、OpenAI、Meta FAIR、Absci、Stripe 和 Aqemia 之间有长达十年的交集。OpenAI 是公司最早的种子轮投资方之一。Chai 按「Responsible Deployment」政策运营，选择性开放伙伴访问，而非全面商业开放。截至 2026 年初，据报道公司约有 29 名员工，但该数字未在公开披露中得到官方确认。 [CO001, CO002, CO003, CO004, CO005, CO006]

1.2 领导层、创始人与治理

Chai Discovery 的创始团队把深度 AI 研究能力、生物制药经验和大规模工程经验组合在一起。联合创始人兼 CEO Joshua Meier 2018 年曾在 OpenAI 研究和工程团队任职，之后加入 Meta FAIR，共同主导 ESM1 的开发——ESM1 是首个 transformer 蛋白语言模型，也是现代蛋白 AI 的基础前身。Meier 随后在 Absci 工作约三年，他与联合创始人 Matthew McPartlon 领导 AI 部门，率先开展从头设计抗体的早期研究，并贡献了如今进入临床试验的多个候选药物。联合创始人兼总裁 Jack Dent 曾任 Stripe 工程和产品负责人，具备构建高韧性大规模机器学习系统的经验；他和 Meier 最早在 Harvard 计算机科学课堂相识，后来由 OpenAI CEO Sam Altman 介绍潜在合作。Jacques Boitreaud 曾任 Aqemia AI 负责人，将面向小分子发现的 ML 工具推向生产。投资者把四位创始人的合作称为「酝酿了十年的伙伴关系」。治理层面，Mikael Dolsten 于 2025 年加入 Chai 董事会；他曾任 Pfizer 首席科学官，负责推进超过 150 个分子进入临床试验，并交付 36 款获批药物。2025 年 12 月 Series B 之后，Oak HC/FT 联合创始人兼管理合伙人 Annie Lamont，以及 General Catalyst 董事总经理 Hemant Taneja 也加入董事会。关键人物风险较高：Meier 支撑技术愿景和团队声誉，也是顶级投资者与合作伙伴信任的核心。 [CO011, CO012, CO013, CO014, CO015, CO016]

1.3 融资历史与投资者版图

对一家成立两年的公司来说，Chai Discovery 的融资节奏异常快。2024 年 9 月，成立约六个月后，公司完成 $30 million 种子轮，由 Thrive Capital、OpenAI 和 Dimension Capital 领投，估值约 $150 million。种子轮提供了初始现金跑道，并支持 Chai-1 发布。2025 年 8 月，公司完成 $70 million Series A，由 Menlo Ventures 通过 Anthology Fund 领投；Anthology Fund 是 Menlo 与 Anthropic 的联合基金。新投资方包括 Yosemite、DST Global Partners、SV Angel、Avenir 和 DCVC，老股东 Thrive Capital、OpenAI 和 Dimension 也继续参与。Series A 将 Chai 估值推至约 $550 million，累计融资约 $100 million。仅四个月后，2025 年 12 月，Chai 完成 $130 million Series B，由 Oak HC/FT 和 General Catalyst 共同领投，估值 $1.3 billion，成为独角兽。Series B 新投资方包括 Emerson Collective（Laurene Powell Jobs）和 Glade Brook Capital。Series B 后累计融资超过 $225 million；Chai 2026 年 1 月新闻稿称公司「迄今已融资近 $230M」，与其他公开披露存在轻微四舍五入差异。投资者组合值得注意：前沿 AI 投资方（OpenAI、Thrive、Menlo/Anthology）与医疗健康成长股权投资方（Oak HC/FT）和转型导向风投（General Catalyst）同时在场，说明技术和商业化两个维度都获得了信任。 [CO020, CO021, CO022, CO023, CO024, CO025]

1.4 技术平台与产品主张

Chai 的平台围绕两代基础模型构建。Chai-1 于 2024 年末作为开源模型发布，通过在生物分子结构预测中实现最先进表现，迅速在研究社区建立声誉——某些类别的表现大致持平或超过 Google DeepMind 的 AlphaFold 基准。Chai-2 于 2025 年 6 月 30 日发布，是公司的旗舰产品，声称在抗体设计上带来根本性跃迁。模型只需要输入目标抗原和表位，就能在 zero-shot 场景下从零生成所有互补决定区（CDR）——不需要模板、大规模筛选或既有实验样本。Chai 在 2025 年 6 月提交给 bioRxiv 的预印本中报告称，模型在 52 个多样化抗体靶点上的命中率为 16%，每个靶点提示少于 20 个设计，并在不到两周内完成湿实验验证；约一半靶点（26/52）至少产出一个已验证命中。2025 年 11 月的配套预印本把结果延伸到全长单克隆抗体，报告称超过 86% 的 Chai-2 设计呈现强可开发性特征——热稳定性、表达、纯度、人源性——可与已获批疗法相比。同一预印本还展示了功能性 GPCR 激动作用和对肿瘤特异性新表位的选择性结合，这两类靶点历来难以成药。公司还报告称，小蛋白结合物设计的湿实验成功率为 68%。Chai 声称，一个传统 R&D 需要投入超过 $5 million、耗时三年以上的药物发现挑战，被其在数小时内用计算解决，并在不到两周内完成实验室验证。上述公开结果均为公司撰写的预印本，截至运行日期尚未经过正式同行评审。 [CO029, CO030, CO031, CO032, CO033, CO034]

1.5 里程碑、合作与反向背景

Chai 在前两年的里程碑节奏异常快。公司从 2024 年 9 月拿到种子轮，到 2025 年 12 月成为独角兽，全程约 15 个月。Chai-1 和 Chai-2 的发布，让公司很快在研究社区和生物制药行业获得技术可信度。2026 年 1 月 8 日，Chai 宣布与全球最大制药公司之一 Eli Lilly 合作：Lilly 将在多个药物靶点上部署 Chai 的 AI 平台，Chai 则会开发一个专用模型，仅用 Lilly 专有的大规模数据集训练。至少一位分析师将该合作描述为生物技术领域最大的 AI 软件交易之一；财务条款未公开。General Catalyst 预计，像 Chai 这类工具的早期制药采用者，可能会在 2027 年底前看到 first-in-class 分子进入临床试验。 动能之外，投资者和分析师也指出了实质性反向背景。LoonBio 发布的一份详细行业分析显示，自 2015 年以来，更广泛的 AI 药物发现行业吸引了超过 $60 billion 风险投资，但截至 2025 年初仍未产出一款获得 FDA 批准的 AI 设计药物。Exscientia、BenevolentAI、Recursion 等高知名度第一代 AI 生物技术公司，都经历了重大临床失败、管线缩减和股价崩跌。批评者质疑，早期计算命中率高能否转化为临床成功，也质疑 Chai 在没有临床阶段资产的情况下，能否支撑 $1.3 billion 估值。Chai 的 Chai-2 性能数据建立在公司撰写、尚未同行评审的预印本之上。截至运行日期，没有任何 Chai 设计的分子进入人体试验。Chai 的直接竞争对手包括 Isomorphic Labs——由 Nobel laureate Demis Hassabis 领导的 Alphabet 子公司，2025 年 3 月融资 $600 million——以及 Formation Bio 和 Reid Hoffman 支持的 Manas。 [CO038, CO039, CO040, CO041, CO042, CO043]

1.6 展示材料

2.1 市场边界与范围

精确定义市场很重要，因为分析师估算会随「AI 药物发现」的窄口径或宽口径相差一个数量级。最窄定义由 Axis Intelligence 和 Grand View Research 使用，只覆盖在 IND 申报前，对靶点识别、命中物和先导物生成、先导物优化、从头分子设计以及临床前候选物选择提供实质支持的 AI 软件和相关服务。这个定义排除了用于临床试验运营、监管申报、药物警戒、制造和商业分析的 AI。按这个窄口径，2026 年市场规模为 $2–5 billion。Mordor Intelligence 使用的中等定义加入 AI 赋能的制剂和药物再利用分析，2026 年规模为 $4.36 billion。Global Market Insights 和 Towards Healthcare 采用最宽定义，把触及整个制药价值链的所有 AI 软件都纳入——临床试验、制造、患者匹配——得到 2026 年 $24.51 billion。对 Chai Discovery 来说，相关边界是最窄定义：Chai-2 平台瞄准实验筛选前的早期生物药设计（抗体、纳米抗体、小蛋白），而不是临床或制造 AI。相邻但排除在外的支出类别包括：不依赖 AI-native 设计的 CRO 生物信息服务、传统湿实验抗体发现（杂交瘤、噬菌体展示）以及 AI 临床试验招募工具。主要现状替代方案是传统抗体发现方法（杂交瘤和噬菌体展示，2024 年占更广泛抗体发现市场的 38.1%）、手工计算 docking 流水线，以及制药公司完全自建的内部 AI 团队。全球制药 R&D 基数约为 2025 年 $300 billion 年支出，构成需求背景，但 AI 药物发现软件目前只占其中约 1.5%。 [CM001, CM002, CM003, CM004, CM005, CM007]

2.2 市场规模测算：TAM、SAM、SOM 与相互矛盾的估算

Chai 的总可用市场（TAM）可以分两层来看。最宽层面，全球制药 R&D 支出约 $300 billion，代表更好的发现工具最终可能替代或增强的全部支出。更实际地看，Statista 估计 2026 年管线接近 23,000 个在研候选药物，来自超过 7,000 家公司——这些都是 AI 辅助分子设计的潜在受益者。可服务市场（SAM）是其中流向 AI 发现软件和生物药平台的支出子集。以 Mordor Intelligence 对 AI 制药 R&D 的 $4.36 billion（2026 年）作为最宽可信商业估算，再与 $10.75 billion（2026 年）的抗体发现市场交叉校验，Chai 的 SAM——聚焦生物药的 AI 设计——可估计为 2026 年约 $1–2 billion，并会随从头设计能力成熟而上升。可获取市场（SOM）要小得多：Chai 仍处商业化前，依赖选择性伙伴访问，并与既有玩家竞争；对 2026–2028 规划期而言，$100–300 million 的早期部署收入 SOM 属于保守且合适的估算。分析师对窄口径 AI 药物发现市场的估算相差 9 倍，主要由定义范围驱动。Grand View Research 将 2025 年市场定为 $2.35 billion（到 2033 年 CAGR 24.8%）。Axis Intelligence 将其收窄至 $1.94 billion（2025 年），CAGR 27%。Fortune Business Insights 报告为 $4.46 billion（2025 年），CAGR 更保守，为 12.2%。最乐观报告（Global Market Insights/Towards Healthcare）把临床 AI 纳入后，给出 2026 年 $24.51 billion；这个数字高估了纯发现平台的相关市场。相互矛盾的 CAGR 估算（11.3%–32.25%）大体跟随范围差异：窄范围 CAGR 较低，宽范围吸收了增长更快的临床分部。 [CM001, CM004, CM005, CM006, CM007, CM008]

2.3 买方、用户与付款方分层

AI 药物发现平台的主要买方是制药公司和生物技术公司，两者合计占 2025 年 AI 制药 R&D 支出的 59.45%。在这一群体中，大型制药公司（年 R&D 预算超过 $8 billion，例如 Eli Lilly、AstraZeneca、Roche 和 Novartis）支出最高，但采用外部新平台较慢。它们通常通过研究合作、股权投资或里程碑驱动的授权协议接触 AI 发现公司；Eli Lilly 仅在 2026 年 Q1 签署的 AI 药物发现交易总额就超过 $3.75 billion，正是例证。中型和专科制药公司往往每年向 AI 药物发现分配 $10–50 million，主要通过里程碑驱动合作，而不是大额前期承诺。AI-native 生物技术公司是增长最快的买方分部，AI 采用率比大型制药公司高 73%。它们在整个管线中部署 AI，也是重要的转介绍和验证渠道。传统生物技术公司更挑剔，通常只运行一两个 AI 试点。合同研究组织（CRO）是按 CAGR 计算增长最快的终端用户分部（到 2031 年为 33.15%），因为它们整合 AI 能力，为制药客户提供扩展后的发现服务。高校和研究机构是增长中的分部，但不是主要商业预算持有者。预算负责人通常是 Discovery Biology 负责人或首席科学官，采购中也越来越多涉及首席 AI 官和平台架构师。采用触发点通常是：某一具体靶点类别上，传统方法已经失败或太慢，同时专利悬崖时间表带来压力。 [CM026, CM027, CM028, CM029, CM022]

2.4 增长驱动因素与采用约束

AI 药物发现采用的首要结构性驱动，是 R&D 生产率危机。开发一个新的分子实体平均成本为 $2.8 billion（资本调整后），耗时 12–15 年，并承受约 90% 的 Phase I 失败率。2024 至 2030 年间，年美国收入超过 $180 billion 的药物将面临专利独占期丧失，董事会层面急需比传统时间表更快地补上收入。AI 能带来可衡量的效率提升：在特定工作流中，它可以把临床前开发周期从 5–6 年压缩到 12–18 个月，并将开发成本降低 25–50%。IQVIA Global R&D Trends 2026 报告给出最权威的行业信号：AI 赋能的新兴生物制药项目 Phase I 成功率达到 75%，传统项目为 40–65%；这一结果在 EBP 分部可见，即便尚未扩展到全行业。AlphaFold 映射 200M+ 蛋白结构，是基础性使能因素；FDA 在 2024 年对 12 款 AI 识别的肿瘤药物给予 fast-track designation，也释放了监管接纳信号。2026 年 1 月，FDA 和 EMA 联合发布药物开发中 AI 实践的 10 条指导原则，降低了买方的监管不确定性。风险投资也验证了行业：2025 年投入 $5.7 billion，较 2024 年增长 78%。采用约束同样关键。最主要障碍不是数据量，而是数据就绪度：组织拥有足够数据，却难以完成清洗、语境化，并对齐具体发现问题；这是 CAS Life Sciences Summits 在 2025 年的发现。尽管投入很高，只有 22% 的生命科学领导者成功规模化 AI。切换成本高：整合 AI 平台需要深入连接数据流水线、重新培训员工适应新工作流、按监管标准验证模型输出，并推动化学和生物部门的变革管理。模型可解释性仍是约束——监管方和实验室科学家需要可解释输出，黑箱深度学习模型在内部会遭遇怀疑。人才缺口（AI + 生物学复合能力）和预算限制卡住了较小生物技术公司。也许最重要的是：截至 2026 年 5 月，没有 AI 设计药物获得 FDA 批准，意味着买方购买的是尚未被证明的长期结果，这会拉长决策周期并限制前期合同规模。 [CM017, CM018, CM019, CM020, CM021, CM023]

2.5 AI 抗体设计子赛道

Chai Discovery 的核心方向——完全从头设计 AI 抗体——位于两个市场的交汇处：更广泛的抗体发现市场（2025 年 $9.78 billion，2026 年增至 $10.75 billion）以及该市场中由 AI/ML 赋能的子分部；后者 2025–2030 年 CAGR 为 22.4%，高于整体抗体市场的 10.1%。抗体发现市场涵盖识别治疗性抗体候选物的所有方法：杂交瘤技术（2024 年 38.1% 份额）、噬菌体展示、B 细胞工程、转基因小鼠平台，以及 AI/ML in-silico 设计。AI/ML 分部装机基础最小，但增长最快，驱动因素是 AI 平台可以把命中物识别周期从数月压缩到数周，并降低下游可开发性测试中的流失。制药和生物制药公司占 2024 年抗体发现支出的 48.3%；生物技术初创公司则以 14.8% CAGR 推进。North America 在 2024 年占据 41.5% 市场，Asia-Pacific 以 13.5% CAGR 增长最快。在 AI 抗体子赛道中，关键差异点是从头设计，而不是对实验发现先导物做 in-silico 优化。Chai 的 Chai-2 平台瞄准从头设计用例——只给定目标蛋白，不给实验种子分子，就从零设计抗体。这个问题明显比序列优化或亲和力成熟更难，相比 AI 辅助筛选，它也对应更高价值主张（以及更高采用门槛）。AI 蛋白结构预测市场是紧密相关的使能层，估计 2025 年为 $1.8 billion，2026 年以约 30% CAGR 增至 $2.33 billion，并在 2030 年达到 $6.62 billion。这一结构生物学基础设施支撑所有 AI-native 抗体设计平台，也是 Chai 与竞争对手竞争的计算基础。Chai 在这一子赛道中的 SAM 受限于当前伙伴访问模式，以及从头设计抗体市场作为独立商业类别仍处早期。 [CM011, CM012, CM013, CM014, CM002]

2.6 展示材料

3.1 竞争格局概览

截至 2026 年 5 月，AI 药物发现竞争格局包含五类功能上不同的竞争者，各自瞄准相互重叠但有差异的买方需求。第一类是 AlphaFold 谱系的结构预测和通用 AI 平台——主要是 Isomorphic Labs（Alphabet spinout），其在 2024 年 11 月 Series A 融资约 $600 million，并把 AlphaFold 衍生模型用于小分子药物设计。Isomorphic 主要聚焦小分子，公开伙伴包括 Eli Lilly 和 Novartis，与 Chai 生物药优先的方向不同，但争夺同一制药 R&D 预算和伙伴关系。第二类是全栈 AI 药物发现编排平台——Recursion Pharmaceuticals（NASDAQ: RXRX）于 2025 年完成收购 Exscientia，形成覆盖基于 phenomics 的靶点发现到 AI 化学候选物设计的端到端平台；Insilico Medicine 则运营 Pharma.AI 平台，覆盖靶点识别（Biology42）、分子设计（Chemistry42）和临床优化（Medicine42）。Recursion 通过 BioHive-2 机器人基础设施生成超过 50 petabytes 专有实验数据，构成行业内最强的数据护城河。第三类是面向蛋白和抗体设计的生成生物学公司——Generate:Biomedicines 的 GB-0895（anti-TSLP）已进入重度哮喘 Phase 3，且已生成并测试 42,000+ 个蛋白；AbSci 的 ABS-201 是首个进入人体临床试验的 AI 设计从头抗体。两者都是 Chai 生物药设计抱负的直接类比对象，但临床验证更早。第四类是物理 + ML 混合既有玩家：Schrödinger（NASDAQ: SDGR）运营超过 35 年，与 1,750+ 制药和生物技术客户保持授权关系，并用可解释的物理方法（FEP+、Glide、BioLuminate）区别于纯深度学习路径。第五类是开源和学术替代方案，下一节会详细讨论；它们对 Chai 的结构价值主张构成最不对称的商品化威胁。 [CP001, CP002, CP003, CP004, CP005, CP006]

3.2 直接同行与相邻平台

在 Chai 最直接的竞争同行中，三家公司在 modality、能力和商业阶段对比上尤其相关：Generate:Biomedicines、AbSci 和 Isomorphic Labs；Recursion/Exscientia 与 Insilico Medicine 则是相邻但覆盖更广的平台。Generate:Biomedicines（Cambridge, MA）成立于 2019 年，由 Flagship Pioneering 和 ARCH Venture Partners 支持，已经在抗体、酶和其他功能蛋白中生成并实验验证 42,000+ 个设计蛋白。其领先候选物 GB-0895 是一款从头设计的 anti-TSLP 抗体，用于重度哮喘，已进入 Phase 3 临床试验，使 Generate 成为临床推进最靠前的生成蛋白设计公司。Generate 拥有 140,000+ 平方英尺实体湿实验空间，形成一体化设计-制造-测试优势；Chai 的轻资产、依赖伙伴模式无法复制这一点。AbSci Corporation（Vancouver, WA；NASDAQ: ABSI）成立于 2011 年，聚焦用 ACE Assay、SoluPro® 表达系统和深度学习平台推进 AI 驱动的抗体与蛋白工程。AbSci 的 ABS-201 由 AI 从头设计，截至 2025 年成为首个进入人体 Phase 1 临床试验的 AI de novo 抗体，比 Chai 更早提供临床概念验证。AbSci 声称拥有 6 周设计到表征周期，直接竞争 Chai-2 的快速生物药设计工作流。Isomorphic Labs（London）是 Alphabet spinout，也是行业内资本最充足的纯 AI 药物发现公司，2024 年 11 月 Series A 融资约 $600 million。尽管 Isomorphic 平台能力延伸到生物药，其历史聚焦和与 Eli Lilly、Novartis 的共同开发组合主要仍是小分子。Schrödinger 呈现出不同竞争动态：其 LiveDesign 协作平台和基于物理的工具（用于 docking 的 FEP+、Glide，以及用于生物药建模的 BioLuminate）经过 35+ 年已经深度嵌入制药工作流，形成行业最高的切换成本护城河。Insilico Medicine 的 ISM001-055 用于特发性肺纤维化，已进入 Phase 2，是 AI 设计小分子推进最远的案例；即使截至 2026 年 5 月没有 AI 药物最终获得 FDA 批准，它也表明 AI 药物设计可以产出可行临床候选物。这些竞争者的定价均未公开披露：合作通常是一单一议的定制安排，Schrödinger 是一个显著例外，它作为授权软件平台拥有经常性企业订阅收入。 [CP009, CP010, CP011, CP012, CP013, CP014]

3.3 开源与现状替代方案

开源和免费工具对 Chai Discovery 构成一类独立且被低估的竞争威胁。AlphaFold Database（alphafold.ebi.ac.uk）由 EMBL-EBI 与 Google DeepMind、NVIDIA 和 Seoul National University 合作维护，按 Creative Commons Attribution（CC-BY-4.0）许可提供超过 200 million 个蛋白的预测结构。2026 年 3 月更新后，覆盖扩展到蛋白复合物结构。蛋白结构预测作为独立价值层由此被永久商品化——任何具备标准生物信息能力的制药团队都可以免费访问这些预测。Google DeepMind 发布的 AlphaFold3 把覆盖范围扩展到蛋白-核酸和蛋白-小分子相互作用；不过，模型权重下载需要 Google DeepMind 明确批准，商业使用条款也较严格，限制了它作为 Chai 潜在客户自托管替代方案的可部署性。最尖锐的开源商品化风险是 Boltz-2（github.com/jwohlwend/boltz），它按 MIT License 发布。Boltz-2 在结构预测准确性上明确对标 Chai-1，并额外预测结合亲和力——这是 Chai-1 不提供的能力，也把它的用途从结构预测扩展到配体排序。完全宽松的许可（MIT）意味着任何制药公司或学术团队都可以在生产环境部署 Boltz-2，无需授权费或限制。Meta AI 按 MIT license 开发的 ESMFold（github.com/facebookresearch/esm），不需要多序列比对就能从单一序列预测蛋白结构，支持早期筛选所需的快速推理。OpenFold（github.com/aqlaboratory/openfold）提供按 Apache 2.0 授权的 AlphaFold2 复现，让学术实验室可以用专有数据微调结构预测模型，进一步模糊商业能力与学术能力边界。除这些计算工具外，现状替代方案还包括传统抗体发现方法（杂交瘤融合和噬菌体展示）；这些方法在 2024 年占更广泛抗体发现市场的 38.1%，并且仍被充分理解、风险更低，也有成熟 CRO 基础设施支持。Genentech、AstraZeneca、Pfizer 等大型制药公司的内部 AI 团队，则代表自建替代方案，可能压缩外部 AI 设计平台的总可用市场。战略含义很直接：Chai 必须在从头设计和候选物生成层做出差异化，而不是结构预测层；结构预测正越来越像免费的公共品。 [CP015, CP016, CP017, CP018, CP019, CP020]

3.4 护城河耐久性与竞争风险

Chai Discovery 的竞争护城河仍处早期，同时面临近期和结构性风险。截至 2026 年 5 月，公司最主要的差异化资产是：（1）Chai-2 带来的 zero-shot 从头设计抗体能力，已在已发表技术报告中的难靶点上验证；（2）Eli Lilly 合作，它既提供商业验证，也可能带来真实世界生物药设计数据，用于强化训练；（3）开放权重的 Chai-1 模型，它推动社区采用，但展示能力的同时也会加速竞争者商品化。上述优势在多个方向上面临耐久性挑战。最尖锐的风险是开源替代：Boltz-2 的 MIT license 以及直接对标 Chai-1，意味着免费使用的 Chai-1 网页服务器，要与一个可商业部署、且增加了 Chai-1 所缺结合亲和力预测的开源替代方案竞争。AbSci 凭 ABS-201 进入 Phase 1 的先发位置，意味着临床基准和制药关系数据会在 Chai 推进自己的 IND 候选物之前由竞争对手设定——可能围绕 AbSci 的设计路径和时间表塑造商业伙伴预期。Isomorphic Labs 背靠 Alphabet 的资本优势显著：其融资约 $600 million，而 Chai 累计约 $200 million，Isomorphic 可以在模型开发、BD 能力和制药共同开发安排上投入更多。如果 Isomorphic 从小分子扩展到从头设计生物药——其 AlphaFold 谱系架构在技术上具备这种能力——它将成为资本充足的直接竞争者。Recursion 的 50+ PB 数据护城河在结构上很难被较小竞争者复制：它需要与 NVIDIA 共同开发的专用机器人生物学基础设施（BioHive-2）、实体实验室设施，以及多年化合物库筛选。虽然这道数据护城河目前主要适用于小分子，但如果 Recursion 把基于 phenomics 的数据生成扩展到生物药靶点，它就会成为数据不对称如何变成耐久竞争壁垒的先例。Schrödinger 通过 35+ 年 LiveDesign 工作流整合形成的切换成本护城河，与 Chai 的目标买方画像（发现阶段生物药团队）不完全直接相关，但提供了一个警示模型：长期竞争位置最终可能由深度整合带来的锁定效应决定，而不是模型优越性。Generate:Biomedicines 的实体湿实验基础设施优势，也向 Chai 提出资本配置问题：是继续保持轻资产并依赖伙伴做实验验证，还是建设内部湿实验能力，以增强可信度并降低对 Eli Lilly 等伙伴的依赖。对 Chai 最不利的情景，是三件事叠加：（1）Boltz-2 或后继者完全商品化基于结构的设计；（2）AbSci 或 Generate 在 Chai 推进自己的 IND 之前建立临床先例；（3）Isomorphic Labs 借 Alphabet 资本扩展到生物药。这些风险单独看都可管理，但合在一起会压缩 Chai 在市场结构固化前建立差异化的窗口。 [CP021, CP022, CP023, CP024, CP025, CP026]

3.5 展示材料

4.1 收入模式与变现架构

Chai Discovery 的收入架构分两层，核心是对平台模型开放不同级别的访问。第一代分子结构预测模型 Chai-1 于 2024 年末发布，所有用户都可通过网页界面免费使用，商业用途也包括在内。Chai-1 模型权重按 Apache 2.0 许可证开源，但仅限非商业用途；商业网页访问则由 Chai 平台直接免费提供。Chai Discovery 的 Crunchbase 资料特别写明，“Chai-1 可免费用于商业应用”，Chai-1 在 bioRxiv 上的预印本也确认了这种商业网页访问模式。这个免费增值底座意在拉动平台采用，沉淀专有使用数据，并让 Chai 成为生物制药公司计算药物发现团队默认使用的分子建模工具。 Chai-2 是公司的旗舰级从头抗体设计系统，目前不公开开放。访问由一套“负责任部署”政策约束，Chai 只向经过选择的合作伙伴开放；目前仅限具名药企合作方。2026 年 1 月与 Eli Lilly 的合作，是该模式下首个公开确认的商业交易：Chai 将开发一个专用 AI 模型，只用 Lilly 的大规模专有数据训练，并部署到 Lilly 的 TuneLab 前沿 AI 单元，用于多个药物靶点的生物制剂发现。除定制训练系统外，Lilly 还可访问 Chai 的核心平台模型。Lilly 交易的财务条款没有公开披露，包括任何预付许可费、与发现成果挂钩的里程碑付款或特许权使用费安排。 这套架构暗示的中期收入模型有四块：（1）面向 Chai-2 合作伙伴访问的平台许可费，可能按年度软件协议设计；（2）面向希望基于专有数据微调版本的生物制药公司的定制模型开发费，Lilly 即属此类；（3）如果 Chai 生成的候选物推进到临床前或临床开发，可能获得发现里程碑付款；（4）更长期的共同开发收益层，即药企伙伴选择共同开发结构时，Chai 参与其生成项目的经济收益。共同领投 Series B 的 General Catalyst 公开预测，Chai 等 AI 药物设计工具的早期采用者，可能在 2027 年底前看到同类首创生物制剂进入临床试验；这意味着 GC 预计收入模型将在两年内从软件费用升级为里程碑和特许权使用费收入。 公司公开愿景是打造一套分子“计算机辅助设计套件”，这表明其志向是做更广泛可访问的平台。但当前商业落地仍处早期，依赖合作伙伴，财务条款也不透明。截至 2026 年 5 月，Chai 的收入尚未公开披露；公司或任何第三方都没有确认 ARR、合同数量或付费客户数量。 [CI001, CI002, CI003, CI004, CI005, CI006]

4.2 成本结构、单位经济与资本强度

Chai Discovery 的成本结构主要由两项构成：人力资本（旧金山的 AI 研究人才）和算力基础设施（AI 模型训练与推理）。根据 BuiltInSF 的间接报道，截至 2026 年初，公司约有 29 名员工；该数字尚未得到官方确认。旧金山 AI 公司若处在这一人才层级，含税含福利的单人年成本通常在 $250,000 至 $400,000 之间，意味着估算年薪资消耗约为 $7–12 million。管理层称代码库完全自研——“我们代码库里的每一行代码都是自研的”——不使用现成大语言模型，架构也高度定制；这说明技术团队偏向资深 AI 研究员，薪酬大概率落在区间上沿。 算力成本是关键且未披露的第二条成本线。Chai 训练其规模下的前沿蛋白质结构预测和从头设计模型，需要大量 GPU 算力。行业基准显示，训练 Chai-2 这一级别的前沿 AI 生物模型，每次主要训练运行成本约在 $1–15 million，合作伙伴部署还会叠加持续推理成本。Lilly 合作明确涉及在 Lilly 专有数据上训练定制模型，这会产生额外算力支出，但公开披露中看不到。Chai 没有披露 AWS、Azure、GCP 或其他算力开支，公开报道中也没有出现对其算力预算的独立估算。 Chai 成本画像中的一个关键结构性优势，是没有湿实验室基础设施。不同于 Generate:Biomedicines（140,000 sq ft 湿实验室空间）或 AbSci（77,000 sq ft），Chai 完全依赖合作伙伴做湿实验室验证，而不是自建内部实验设施。这压低了资本开支，也让软件模式具备较高毛利潜力；但它也意味着 Chai 声称的命中率需要合作伙伴实验室确认，由此形成验证依赖，既有财务含义，也有科学含义。 大药企研发支出背景凸显机会规模，也凸显竞争成本：头部制药公司合计每年研发支出超过 $200 billion，Roche、J&J、Merck 等单家公司每年都超过 $15 billion。在这个背景下，与单一合作伙伴签下的 AI 药物发现交易，收入很可能只占成功平台最终必须捕获金额的一小部分，才足以支撑 $1.3 billion 估值。S&P Global Market Intelligence 的行业数据确认，生物制药风投活动仍集中在临床前阶段平台，Series B+ 交易需要可信的商业化证据；Chai 通过 Lilly 交易部分跨过了这道门槛，但尚未用已披露收入指标完全证明。 [CI010, CI011, CI012, CI013, CI014, CI015]

4.3 资本充足性、现金跑道与融资风险

Chai Discovery 三轮累计融资约 $230 million：2024 年 9 月完成 $30 million 种子轮（Thrive Capital 与 OpenAI 领投，估值约 $150 million），2025 年 8 月完成 $70 million Series A（Menlo Ventures/Anthology Fund 领投，估值约 $550 million），2025 年 12 月完成 $130 million Series B（Oak HC/FT 与 General Catalyst 共同领投，估值 $1.3 billion）。Series B 新闻稿称资金将用于“加速研究和产品开发，并扩大商业化投入”；这套表述符合公司从研发高投入阶段转向搭建商业基础设施的状态。 按每年 $20–35 million 的估算消耗率计算——这与 29 人 AI 研究团队、显著算力开支以及早期销售和商业开发成本相符——仅 $130 million Series B 就可从 2025 年 12 月交割起提供约三到六年现金跑道，且尚未计入任何合作收入。如果 Lilly 合作或其他药企交易带来的收入显著降低净消耗，现金跑道还可进一步延长。反过来，团队快速扩张、算力投资加速，或战略性湿实验室合作资本支出，都可能缩短消耗周期。在缺少已披露财务报表的情况下，所有现金跑道估算都带有推测性。 投资人联盟质量很高，构成安全垫，显著降低了稀释性过桥融资风险。General Catalyst、Oak HC/FT、Thrive Capital、OpenAI、Menlo Ventures 和 Emerson Collective 都是一线机构资本，储备雄厚。多家投资人（Thrive、OpenAI、Dimension、Menlo）参与了多轮融资，释放出对未来融资能力的信心。这套名单降低了当前现金跑道内被迫降估值融资或困境过桥融资的风险。 行业融资背景同时带来顺风和风险。S&P Global Market Intelligence 数据显示，2025–2026 年生物制药 VC 资金不成比例地流向 AI 驱动的临床前平台，这一趋势有利于 Chai 的定位。但同一时期，多家知名 AI 药物发现公司在临床阶段遭遇挫折；loonbio.com 的行业分析认为，自 2015 年以来 AI 药物发现风投资金超过 $60 billion，但截至 2025 年初产生的 FDA 批准为零——这提出了一个问题：投资人对临床前到临床转化的耐心是否正在逼近上限。Chai 必须在当前融资周期内，证明其能够走向临床里程碑或有意义的平台收入，否则下一轮融资可能面临估值重置。drugdiscoverynews.com 关于 AI 从命中到临床候选物缺口的分析，特别指出从 in silico 设计转向经验证的临床候选物，是成本最高、失败率最高的阶段；Chai 尚未用任何公开披露项目走过这道关。 [CI018, CI019, CI020, CI021, CI022, CI023]

4.4 财务透明度缺口与尽调问题

Chai Discovery 的财务图景有一个异常特征：已融资金额很高，已披露财务信息却很少。公司通过官方新闻稿确认了融资金额、估值和投资人联盟；其他所有内容——收入、ARR、现金消耗、交易经济性、算力成本、利润率结构和资产负债表——要么未披露，要么只能推断。对一家成立两年的私营公司而言，这种不透明并不反常；但 $1.3 billion 估值让尽调所需的举证责任明显提高。 Eli Lilly 合作是最重大的未知数。作为公司唯一公开确认的商业交易，Lilly 合同的财务结构——包括任何预付款、年度许可费、里程碑触发条件和特许权使用费安排——定义了 Chai 当前的收入轨迹。Eli Lilly 是上市公司，若合作达到重大性门槛，可能会在财务申报中提及；但目前没有 Lilly 的 SEC 披露确认具体交易经济性。pda.org 对 AI 药物发现监管和商业挑战的分析指出，AI 平台交易通常采用与发现成果挂钩的里程碑付款结构，因此早期合作的经济价值高度取决于候选物推进情况。 Lilly 交易之外，还有几类财务信息在结构上缺失。Chai 没有正式披露员工数；BuiltInSF 给出的约 29 人只是间接估计。尽管算力开支可能是一条每年数百万美元的成本线，具体数额完全不透明。合同管线、销售周期数据，以及 Lilly 之外的其他合作伙伴名称，都没有得到确认。mavenbio.com 对大药企研发资本配置的分析显示，发现软件工具在每个大型药企合作中的年度平台费用通常在 $1–20 million 区间，但没有交易数量和合同结构，无法估算 Chai 的实际交易规模。 药物发现行业经济学文献一贯显示，从 AI 命中生成走向临床候选物所需资本，显著高于发现阶段本身；纳入临床成本后，通常要高出两到三个数量级。Chai 当前模式把这部分成本递延给合作伙伴，近期保住资本效率，但也可能限制上行空间，因为合作伙伴捕获临床价值。drugdiscoverynews.com 对 AI 改造药物发现经济性的分析强调，能产生发现命中的 AI 软件平台，必须及早谈下有利的里程碑和特许权使用费条款，才能捕获长期经济价值；随着时间推移，药企伙伴对这些条款会更熟练。 [CI027, CI028, CI029, CI030, CI031, CI032]

4.5 重点观察

5.1 产品组合与模型架构

Chai Discovery 的产品组合分为两个明确层级。Chai-1 于 2024 年 10 月以 biorxiv 预印本形式发布，并在 PyPI（chai_lab，目前为 v0.6.1）开放，是一个多模态基础模型，在单一架构中统一预测蛋白质、小分子、DNA、RNA、糖基化以及混合模态复合物。它接收 FASTA 输入，可选连接 MSA 服务器（MMseqs2/ColabFold 集成），也可用交联质谱数据等实验约束提示模型，把预测准确率提升两位数百分点。Chai-1 按 Apache 2.0 发布，允许学术和商业使用。推荐推理硬件是 NVIDIA A100 80 GB 或 H100 80 GB；A10 和 A30 支持更小的复合物，用户也报告过用消费级 RTX 4090 GPU 成功运行。 Chai-2 于 2025 年 6 月发布，是一个专有多模态生成模型，专为完全从头抗体和迷你蛋白设计而建。不同于 Chai-1 预测现有或假设序列的结构，Chai-2 只用目标抗原和表位规格，就能从零生成新型抗体序列，在没有任何种子序列或既有结合体的情况下设计全部六个互补决定区（CDR）。联合创始人 Jack Dent 表示：“我们代码库里的每一行代码都是自研的。我们不是从开源 [生态] 中拿现成 LLM 再微调。这些都是高度定制的架构。”Chai-2 的模型权重和训练数据没有公开披露；访问由早期访问合作伙伴计划把关。lab.chaidiscovery.com 的浏览器界面在认证后提供免费的 Chai-1 预测，包括商业药物发现用途。 [CE001, CE002, CE003, CE004, CE005, CE006]

5.2 技术表现——抗体设计基准与验证

Chai-2 的核心主张是：面对 52 个多样化抗原靶点，在完全从头抗体设计中达到 16% 命中率；这些靶点在 RCSB Protein Data Bank（PDB）中都没有既有抗体或纳米抗体结合体。每个靶点测试不超过 20 个设计，模型在单轮湿实验室检测中，让 50% 的靶点至少产生一个经实验验证的结合体。经验证抗体展现出纳摩尔级结合亲和力、对目标靶点的特异性，以及可比已获批疗法的开发属性。从 AI 设计到实验确认的端到端流程少于两周。 传统计算抗体发现方法——包括免疫、定向进化，以及基于酵母表面展示的计算筛选——报告的命中率持续低于 0.1%，这让 Chai-2 声称的表现高出 100 倍以上。在迷你蛋白设计上，Chai-2 达到 68% 的湿实验室成功率，并经常产出皮摩尔级结合体。2025 年 11 月的困难靶点预印本进一步显示，超过 86% 的全长单克隆抗体（mAb）设计，其可开发性画像与已获批治疗性抗体相当；Chai-2 设计的实验解析结构也与 in silico 预测高度吻合（原子级准确度）。Chai-2 还成功为 GPCR 激动作用设计出功能性抗体，并为肿瘤特异性新表位设计出高度特异性抗体。 关键基准注意事项：AlphaFold 3（DeepMind/Google）于 2024 年 5 月发表在 Nature，是生物分子结构预测领域主导性的同行评议基准；Chai-1 预印本明确说明，AlphaFold 3 基准值取自公开发布的预测结果，而不是独立运行。ESMFold（Meta/FAIR）于 2023 年 1 月发表在 Science，使用蛋白质语言模型，仅凭序列预测原子级蛋白质结构。AlphaFold 3 和 ESMFold 都主要是结构预测工具；二者都不是为从头抗体生成而设计，因此直接比较命中率在方法上并不等价。CASP（Critical Assessment of Protein Structure Prediction）仍是结构预测的国际金标准盲测竞赛。截至 2026 年 5 月，所有 Chai-2 抗体设计数据都只发布在公司作者撰写的 biorxiv 预印本中，尚无独立同行评议。 [CE007, CE008, CE009, CE010, CE011, CE013]

5.3 开源策略与开发者生态

Chai-1 是 Chai Discovery 技术策略中的开源锚点。Chai Discovery 按 Apache 2.0 发布 Chai-1，包括模型权重和推理代码，由此打造了一个社区飞轮，推动采用、外部验证和人才信号。Python 包（chai_lab）通过 PyPI 分发并定期更新；最新发布版本为 0.6.1，开发分支每天更新。GitHub 仓库（chaidiscovery/chai-lab）提供完整源码、可复现环境的 dev-container 设置，以及 Chai-1 和 Chai-2 预印本的引用元数据。HuggingFace 托管 Chai-1 模型卡，包含安装说明和模型文档。Chai-2 的引用块已经出现在 GitHub README 中；即便 Chai-2 模型本身仍为专有，Chai 也在把该库定位为社区接口。 这种开源核心策略对应着 MLOps（如 Hugging Face）和生物信息学（如 ColabFold）中的成功先例：免费提供强大的基线模型，建立生态依赖，再通过下一代能力的商业访问变现。Chai-2 保持专有，因为公司认为抗体设计能力是核心商业差异点。PLOS Computational Biology 的 LAP（Liability Antibody Profiler）工具包可以说明补充 Chai 平台的开源工具类型：它会对抗体负债进行测序和结构映射，并与天然和治疗性抗体库比对，用于可开发性评估；未来也可能与 Chai 平台集成。 [CE003, CE004, CE021, CE022, CE036]

5.4 部署、路线图与信任控制

Chai-2 只通过早期访问合作部署给经过选择的学术机构和生物制药组织。公司运行一套自称“负责任部署框架”的机制，重点放在有利健康、低风险的应用，生物安全，以及与社会目标一致。2026 年 1 月 Eli Lilly 合作——Lilly 的 TuneLab 项目将 Chai-2 集成到生物制剂发现中——是迄今最受关注的合作伙伴部署。Menlo Ventures 合伙人 Greg Yap 在 Series A 公告中公开表示，“生物技术行业中相当一部分已经申请 Chai-2 访问权限”，但具体申请数量或批准率没有披露。 从监管合规角度看，FDA 于 2025 年 1 月发布题为《使用人工智能支持药物和生物制品监管决策的考量》的指导草案，并称自 2016 年以来已审查超过 500 份纳入 AI 的药物申报。Chai-2 设计的抗体候选物仍需完成完整的 IND 支持性研究、临床试验（I–III 期）和监管审评，才能获批；Chai 平台加速的是发现阶段设计，不是临床或监管批准。截至 2026 年 5 月，没有专门面向 AI 设计生物制剂这一独立类别的 FDA 路径。从头抗体设计带来的生物安全担忧已经被承认，包括生成针对危险靶点的新型结合体的双重用途风险，但公开文件尚未充分缓解。公司路线图包括把 Chai-2 扩展到更多模态（肽、酶、小分子），也可能扩展到更广格式（双特异性抗体、ADC），但具体时间表没有公开披露。 [CE028, CE029, CE031, CE032, CE033, CE037]

5.5 重点观察

6.1 客户基础、买方与用户分层

Chai Discovery 的客户结构横跨三个运营上不同的分层。第一类是大型制药公司，具体就是 Eli Lilly；它同时扮演买方、用户和付款方。Lilly 合作于 2026 年 1 月 8 日宣布，在多个生物制剂靶点上部署 Chai 的前沿 AI，并包括用 Lilly 专有数据训练一个定制 Chai 模型。这代表了典型的 Chai 商业关系：多项目合作，药企伙伴把 Chai 平台接入自身内部发现工作流。该合作之前有一段已披露的“评估期”，确认大药企客户在承诺前会先对 Chai 做尽调。财务条款没有披露；Chai 采用“负责任部署”政策，选择性把关访问，而不是开放式商业自助服务。 第二类是早期访问生物技术合作伙伴。Chai-2 在 2025 年 7 月发布时明确向“精选合作伙伴”开放合作申请；Chai Series A 领投方 Menlo Ventures 公开表示，“生物技术行业中相当一部分”已经申请 Chai-2 访问。Chai 没有公开点名这些申请方或已确认早期访问合作伙伴。它们代表管线，即潜在未来付费客户；但在正式协议宣布前，不应计入已确认收入。 第三类是 Chai-1 的学术、研究和非商业用户；Chai-1 是 Chai 的开源结构预测模型。Chai-1 可在 GitHub 和 PyPI 免费下载，也可在 lab.chaidiscovery.com 免费网页推理。这些用户增强开发者生态和品牌可信度，但除非转化为商业协议，否则不是付款方。CB Insights 将 Chai 列入 AI 100 2026 的医疗健康与生命科学类别，并指出公司估值在约十五个月内从种子轮 $150 million 增至 Series B $1.3 billion；这进一步验证了 Chai 在药企 AI 市场中的定位，即便其付费客户数量仍有限。 [CU001, CU002, CU003, CU004, CU005, CU006]

6.2 开发者采用与开源生态信号

Chai-1 于 2024 年 9 月开源后，已经获得有意义的第三方开发者采用；即使这种采用不直接转化为收入，也能作为商业兴趣的领先指标。截至 2026 年 5 月，chaidiscovery/chai-lab GitHub 仓库累计 1,938 个 star 和 274 个 fork，87 个开放 issue 说明社区互动活跃。该仓库创建于 2024 年 9 月，最近一次 push 在 2026 年 4 月，约二十个月持续开发。这条轨迹与同成熟阶段的其他计算生物学开源项目相比并不逊色。 PyPI 上的 chai_lab Python 包——注意这里是下划线版本，不同于更早的连字符包名——已达到 0.6.1 版本，发布日期为 2025 年 3 月，显示仍在积极维护。Chai Discovery 的 HuggingFace 组织页托管模型权重和文档，为研究社区提供额外分发渠道。PyPI 和 HuggingFace 的采用信号，都是研究者到商业转化漏斗的代理指标：在学术工作流中使用 Chai-1 的开发者，可能成为其机构内部推动企业采用的支持者。 Chai-1 的 biorxiv 预印本在 2024 年 10 月更新到第 2 版，Chai-2 技术报告于 2025 年 7 月作为 biorxiv 预印本发布，显示 Chai 对科学透明度的承诺，也把它与完全封闭的竞争者区分开。但开源模型的非商业许可证限制了创收型部署，意味着庞大的开发者采用基础不会直接变现，除非转成付费合作协议。lab.chaidiscovery.com 的商业网页界面仍向个人研究者免费开放，这进一步限制了非药企用户基础的直接变现。 [CU016, CU017, CU018, CU019, CU020, CU021]

6.3 客户留存、集中度风险与证据缺口

Chai 的客户画像存在显著集中度风险。截至 2026 年 5 月，Eli Lilly 是唯一公开具名的付费合作伙伴。公司没有公开披露 ARR、logo 数、留存率、NPS 分数或任何其他客户健康指标。鉴于合作范围包括多个生物制剂靶点和定制模型训练，Lilly 合作很可能是多年期；但合同期限或续约条款没有宣布。第二个具名付费客户缺席，意味着 Lilly 关系若出现恶化，将实质性损害 Chai 的商业轨迹。 留存韧性也被临床转化风险复杂化。截至 2025 年，没有任何 AI 设计药物候选物获得 FDA 批准。Exscientia、BenevolentAI、Recursion 等同行公司经历了知名临床失败，削弱了药企对 AI 药物发现平台的信心。反向来源 loonbio.com 记录称，AI 药物发现累计投入 $60 billion，却没有 FDA 批准；这一动态会让人质疑，缺乏已证明临床证据时，药企客户是否愿意长期为发现阶段 AI 工具付费。从发现到 IND 申报的典型时间线是四到七年，意味着即便最早的 Chai-Lilly 合作产出，最早也不太可能在 2029 年之前产生临床证据。 证据缺口很重要：没有独立第三方审计 Chai 的命中率基准，“负责任部署”访问政策没有公开，早期访问生物技术合作伙伴的名称也没有披露。单一具名客户、无披露收入指标、无临床证据三者叠加，形成了监控义务——投资人应要求在 Series B 资本完全部署之前，按季度报告 logo 数、Chai-2 合作伙伴转化率和 Lilly 合作里程碑进展。 [CU026, CU027, CU028, CU029, CU030, CU031]

6.4 重点观察

7.1 技术与科学风险

Chai 的技术承诺很大胆：公司把 Chai-2 定位为具备原子级精度的从头抗体设计，同时把 Chai-1 定位为开放、领先的多模态结构模型。风险不在于模型没意思，而在于基准质量和治疗质量不是一回事。Chai 的公开证据仍主要来自一组预印本和公司发布材料，而不是独立、同行评议的转化研究。本章最强的外部评论都指向同一个失败模式：即便模型提出了结合体或看似合理的结构，抗体后续仍会因为聚集、表达差、不稳定、剪切、脱靶相互作用或免疫原性而失败。Chai 尚未公布足够的原始湿实验室数据或第三方复现，外部无法独立验证其最具商业意义的主张——接近 20% 的 Chai-2 命中率。这个缺口并不否定公司，但意味着投资人承销的仍是一个部分黑箱的科学到产品转化问题，而不是一个已完全验证的平台。[CR001, CR002, CR003, CR005, CR012, CR013]

7.2 监管与质量风险

监管风险不在于 FDA 敌视 AI，而在于 Chai 仍需满足任何治疗开发公司都要承担的质量和临床就绪负担，同时还叠加模型特有的不确定性。FDA 发布了面向软件的 AI 指引，也更广泛讨论了药物开发中的 AI，但两个来源都没有为 AI 设计抗体提供定制审批路径。因此，Chai 应被视为一家恰好使用先进 AI 的生物制剂发现公司，而不是一家可以绕过 CMC、检测验证或 IND 级证据的公司。FDA 自身 CMC 材料强调批次数据、工艺描述、纯度、稳定性，以及无菌或内毒素控制，这些都是安全关键项。Chai 的公开材料没有披露任何先导资产的生产合作伙伴、放行规格集或稳定性包。Lilly 公告证明了市场对发现工作流有商业兴趣，但尚未证明 Chai 能推动一个抗体完成 IND 支持性工作、监管沟通或生产放大。结果是典型的生物技术时点风险：发现主张可能成熟得远快于质量体系和临床证据。[CR019, CR020, CR021, CR022, CR023, CR024]

7.3 市场与竞争风险

Chai 的公开商业故事仍然很窄。在检索到的材料中，Eli Lilly 是唯一具名药企合作伙伴；Chai 不披露收入、客户数或留存指标，外部无法判断平台是否正在从单一锚点合作故事变成多元化业务。这种集中度很重要，因为市场不会等待。AlphaFold 3 仍是生物分子相互作用预测的基准参照点，Absci、Generate Biomedicines 和 EvolutionaryScale 也都在销售重叠的 AI 生物制剂或前沿蛋白模型能力。竞争会压缩定价、拉长采购周期，并抬高买方证明要求——尤其当药企客户可以追问，为什么 Chai 优于 AlphaFold 类工具、既有生物学团队和竞争 AI 生物技术供应商的组合。战略上的转折点在许可：竞争者的访问条款本身也可能变成护城河或摩擦。简言之，Chai 同时在科学可信度、平台可用性和商业条款上竞争，而公开证据中合作伙伴多元化仍然稀疏。[CR006, CR007, CR008, CR009, CR026, CR027]

7.4 运营、资本与治理风险

从运营上看，Chai 卡在软件创业公司和治疗公司之间那个昂贵的中间地带。公司已融资不少，并被报道拥有十亿美元以上估值，但公开材料仍未披露现金消耗、现金跑道或单位经济。外部无法判断最近一轮融资是否足以抵达下一个真正降风险的里程碑——独立湿实验室复现、第二个具名药企伙伴，或可见的 IND 支持性进展。通过 GitHub、Hugging Face、PyPI 和托管实验室产品公开分发，确实扩大了触达，但不会自动产生持久企业收入。治理也较集中。公开材料反复把公司聚焦在小规模创始和研究团队上，Mikael Dolsten 加入董事会提高了可信度，却不能解决继任风险。如果一两位核心创始人离开，Chai 可能同时遭遇科学、招聘、融资和合作伙伴信心冲击。因此，投资人不仅要跟踪科学结果，也要跟踪资本效率、组织纵深，以及业务能否超越创始人能量实现扩张的证据。[CR010, CR011, CR028, CR029, CR030, CR035]

7.5 IP、法律与生物安全风险

本章最明确的负面证据集中在 IP 边界设定和生物安全。Chai 对 Chai-1 选择了相对开放的软件姿态，按 Apache 2.0 发布代码和权重，并通过多个开发者渠道分发制品。这个选择加速生态采用，但也削弱了单靠软件封装形成的产品护城河。与此同时，周边市场显示政策环境可能多么不稳定：AlphaFold 3 发布后引发了关于代码访问的公开争议，DeepMind 发布的条款也把权重限定为非商业使用。独立生物安全文献更进一步，认为先进生物 AI 模型可能具备令人担忧的双重用途能力，并可能需要保护措施或限制。对 Chai 而言，这形成双重束缚。访问太开放，误用和泄漏风险上升；访问太严格，商业转化和社区采用放慢。公司需要明确的治理、日志记录和部署控制，才能让这组权衡仍具可投资性。[CR032, CR033, CR037, CR038, CR039, CR040]

7.6 重点观察

8.1 投资建议与入场纪律

Chai Discovery 不是一个容易做空的投资论点：公司融资金额可观，招到的创始团队具备真实的前沿模型信誉，并说服 Eli Lilly 用专有生物制剂数据开展定制模型合作。公司 2024 年才成立，这些证明点并不常见。但这些证明点不会自动让最近披露的价格变得有吸引力。在 $1.3 billion 的 Series B 估值上，Chai 已经按严肃 AI 生物技术平台定价，尽管公开材料仍未披露收入、ARR、利润率或任何临床阶段资产。因此，合适的建议是跟踪，而不是买入，也不是回避。跟踪意味着技术故事真实，并已有一个高质量战略客户；同时也意味着当前估值给执行失误留下的余地很小。投资人应把 Chai 当作一份押注未来证明的期权，而不是一个已降风险的软件或生物技术运营模型。公司能够证明重复客户需求、更清晰的商业经济性，或 Lilly 之外的转化证据之前，入场纪律应保持严格，并对价格敏感。[CV001, CV004, CV007, CV010, CV011, CV012]

8.2 投资论点与反论点

Chai 的投资论点建立在技术野心和机构验证的罕见组合上。Chai-2 报告的命中率、底层零样本抗体设计框架，以及创始团队来自 OpenAI、Meta 和 Absci 的履历，共同构成一个可信案例：Chai 正在生成式生物制剂设计前沿工作。Lilly 愿意评估 Chai 输出并资助定制模型合作，是最强的外部证明，说明公司模型不只是学术新奇物。反论点同样重要。今天支撑估值的几乎每一个头条事实，都仍位于临床和商业证明的上游：性能主张由公司自报，Lilly 交易经济性未披露，公司在保留来源中只有一个具名大客户，也没有任何 Chai 设计资产进入临床试验的公开证据。换句话说，当前估值承销了大量未来转化：从基准成功转为持久收入，并最终转为治疗证明。这种转化可能发生，但公开来源尚未证明。[CV005, CV006, CV007, CV008, CV009, CV010]

8.3 估值方法与可比公司

对今天的 Chai 做传统 DCF 是虚假精确，因为公司没有披露收入、利润率、合同期限或产品层面的商业化模型。更干净的方法，是把最近一轮估值与公开和私营参照点交叉核对；这些参照点至少披露收入、现金、情绪或临床阶段中的若干项。在这个基础上，Chai 的 $1.3 billion 估值要求很高。Recursion 市值约 $1.65 billion，且披露收入、现金并具备公开市场透明度。Generate 市值约 $1.79 billion，同时已经拥有一个 Phase 3 先导项目，并披露现金和季度收入。Schrödinger 拥有数亿美元收入和公开财务报表，市值约 $0.99 billion，低于 Chai；Absci 更低，接近 $0.79 billion。私募资本形成也有两面性：Isomorphic 和 Xaira 表明投资人仍会积极资助前沿 AI 生物技术平台，但它们更大的资本基础并不能改变一个事实：Chai 的估值已接近或高于证据深度明显更强的上市公司。[CV013, CV014, CV015, CV016, CV021, CV022]

8.4 乐观、基准与悲观情景分析

Chai 的悲观情景不是技术崩盘，而是在商业转化跑通前先遭遇估值压缩。如果 Lilly 仍是唯一有分量的验证点，后续可开发性数据无法走出公司自述材料， 或者 AI 药物发现板块继续带着验证折价交易，Chai 的估值可能更接近 $0.4 billion 至 $0.8 billion。基准情景约 $0.9 billion 至 $1.4 billion，前提是 Lilly 需求可复制而非一次性交易，Chai 守住技术可信度，并在短期内不进临床的情况下， 把基准测试热度转成更持久的客户价值。乐观情景约 $1.8 billion 至 $2.6 billion，不能只靠又一轮亮眼融资。它需要反复出现的大药企需求、 证明 Chai-2 或后续模型能稳定交出达到湿实验室标准输出的证据，以及从设计成功案例走向临床收益或软件式经常性收入的更清晰路径。这些里程碑出现之前， Chai 当前估值更像落在基准情景上半区，而不是明显便宜。[CV043, CV044, CV045, CV052, CV053, CV054]

8.5 投资逻辑失效触发点与最后尽调问题

下一轮尽调应盯住四个公开信息仍答不清的问题。第一，Lilly 合作的真实经济条款是什么：首付款、里程碑、排他边界和续约逻辑。第二， 种子轮、Series A 和 Series B 之后，Chai 的股权结构表到底怎样，包括任何会影响普通股结果的优先股堆叠或投资人保护条款。第三， 除 Lilly 之外的客户集中风险多高，是否已有另一家具名设计伙伴接近转化。第四，Chai 的技术基准优势有什么证据能延伸到更广的可开发性、 可制造性并最终进入临床。如果估值继续上行，而这些答案让人失望，投资逻辑就会失效。具体说，缺少第二个标杆客户、无法独立验证 Chai-2 的下游实用性， 或在缺少增量证据时又以高得多价格融资，都应成为投资人后退的理由。现阶段，上行空间真实存在，但为今天的证据支付明天的价格，风险同样真实。[CV012, CV046, CV057, CV058, CV059, CV060]