字节这个拆分动作确实挺值得琢磨的。我在大厂AI Lab待过几年，太理解你说的“短期KPI和资源调配”的痛了。生物制药这种动辄五到十年的长周期项目，在大厂内部其实挺尴尬的——季度汇报要讲产出，半年要讲落地，但蛋白质从头设计这种活儿，光验证一个靶点可能就要两三年。字节肯让核心团队主导创业机制，至少说明他们看明白了：AI4S的护城河不在算力堆砌，而在对生物学问题的深度理解。

不过有个点我想补充一下。Protenix和Seedfold这两个模型确实是硬资产，但拆分后能不能跑通，关键还得看IL-17项目的小分子临床数据。多靶点三聚体阻断在理论上是漂亮，可实际成药性里还有ADMET（吸收、分布、代谢、排泄、毒性）这一大堆坑等着填。AI预测的结合模式再准，进了体内代谢不稳定或者有毒性，一切都是白搭。我去年跟一个做计算化学的团队合作过，他们用扩散模型设计的分子在体外活性测得很高，结果一测肝微粒体代谢，半衰期只有二十分钟。

另外想问一下，字节这次拆分后，底层模型是会继续开源还是转向商业化授权？如果完全封闭，学术界和初创公司就很难复现和迭代，这对整个AI4S生态未必是好事。毕竟现在蛋白质-配体预测的基准数据集还很不完善，需要更多人一起踩坑才能推动“从头设计”真正落地。

字节这两年在AI4S上确实砸了不少资源，但大厂内部做这种长周期项目最怕的就是半年一调整的KPI压力。独立融资之后，至少计算化学和结构生物学团队能按自己的节奏跑模型迭代，不用为了应付季度汇报硬凑demo。其实挺好奇，IL-17那个项目从模型设计到湿实验验证，中间跑了多少轮闭环？现在小分子同时阻断三个二聚体的可解释性到底能做到什么程度？

这个拆分操作确实挺有意思的。我在实验室干过几年计算化学，后来转做AI infra，两边都沾点边，所以感触比较深。

字节这个Protenix和Seedfold我之前关注过，说实话，能把小分子同时阻断三个二聚体做出来，这已经不是简单的“辅助筛选”了。我之前用传统对接软件做多靶点设计，光调参数就得折腾几周，而且结果经常是单靶点OK，一交叉验证就崩。AI能直接从头设计出这种多靶点方案，说明模型对蛋白质动态构象和结合自由能的理解确实到了一个新层次。

不过我倒是有个担忧：独立融资之后，商业化压力会不会反过来压缩基础研究的空间？毕竟AI4S最烧钱的不是算力，而是湿实验验证。字节之前背靠大厂还能容忍“长期不盈利”，独立之后，资本方大概率会要求更明确的里程碑。字节保留控股但让核心团队主导这个模式，理论上确实比纯烧钱灵活，但实际操作中，团队能不能扛住短期回报压力，还得看融资协议里有没有“对赌条款”这类隐患。

另外想请教一下，他们IL-17项目里那个同时阻断三个二聚体的设计，是纯从头生成的，还是基于已知结构做了大量约束优化？如果是前者，那确实是个大突破；如果是后者，那更像是个工程化的胜利，技术壁垒可能没想象中那么高。

字节这个拆分动作确实挺有代表性的。我在做计算化学相关的工作，之前也跟大厂的AI Lab有过合作，感受最深的就是他们内部对项目的耐心太有限了。生物制药这种动辄三五年才能看到临床前数据的赛道，放在季度考核里根本没法解释——你总不能说“这个模型预测精度提高了5%，但离成药还差一个诺贝尔奖级别的发现”。

Protenix和Seedfold这两个模型我关注过一段时间，特别是它们在小分子同时阻断多个二聚体上的表现。说实话，多靶点设计在传统CADD里几乎是靠运气和大量筛选堆出来的，AI能把这个过程从“盲试”变成“定向设计”，确实是从辅助到从头设计的质变。但有个现实问题：独立融资后，这些模型的训练数据怎么持续更新？字节内部可能还有海量未公开的组学数据或者冷冻电镜结构支撑，一旦独立，数据获取成本会直线上升。除非他们跟字节签了长期数据共享协议，否则模型迭代会受限。

另外，跨学科团队搭建这块我深有体会。我们团队招过纯粹的深度学习博士，结果他连结合自由能计算的基本假设都搞不清楚，反过来跟结构生物学家沟通时也是鸡同鸭讲。字节这次让核心团队主导，大概率是把之前AI Lab里那批既懂蛋白结构又懂模型架构的人拉出来当家做主了，这种“技术控股权”比单纯给钱更关键。

不过有个疑问：IL-17项目里同时阻断三个二聚体的设计，是依赖模型直接生成的候选分子，还是先用模型筛选再人工优化？如果是前者，那说明他们的生成式模型在化学空间探索上确实到了实用阶段，值得关注后续的临床数据。如果是后者，那本质上还是半自动流程，离“从头设计”还有一步之遥。

Protenix和Seedfold这两个模型我去年在bioRxiv上关注过，结构预测的精度确实比AlphaFold2在特定靶点上要稳，尤其是多聚体界面这块。字节这次拆分，其实是把AI Lab那种“项目制”的研发模式给破了，内部做药最怕的就是季度汇报，蛋白设计这种工作动不动就是18个月以上的迭代周期，独立出来反而能让模型训练和湿实验验证的节奏对得上。

不过有个问题值得细想：IL-17同时阻断三个二聚体这个结果，是纯模型引导的从头设计，还是说模型做了大规模虚拟筛选之后再人工选了骨架？如果是前者，那意味着扩散模型在口袋匹配上已经能处理多构象采样了，这对目前主流的基于结构的SBDD方法会是降维打击。但如果是后者，那“从头设计”这个说法就有点激进，实际还是打了个组合拳。

另外，字节保留控股但让团队主导，这个结构其实挺考验管理边界的。大厂的算力和数据管线能不能顺畅地流进独立公司？如果还要走内部审批流程，那跟原来在AI Lab里做没什么区别。我见过好几家从大厂分出来的AI制药公司，最后死在算力账算不清楚上——GPU集群的使用成本怎么分摊，这是个非常现实的问题。

最后想问一下，Seedfold在RNA-配体预测上的泛化能力怎么样？现在这个方向缺口很大，如果字节能把这个吃透，那就不只是做药了，合成生物学那边的适配器设计也能打。

关于字节AI制药独立融资这件事，我关注了一段时间，也跟一些在AI4S领域做实际研发的朋友聊过。楼主的分析很到位，但我想从几个更落地的角度补充一些观察，尤其是关于“大厂输血”和“独立生存”之间的张力，以及AI制药在技术落地过程中那些容易被忽视的暗坑。

先说字节这次拆分最核心的逻辑。你提到的Protenix和Seedfold两个模型，确实是字节在AI for Science领域拿得出手的硬资产。Protenix是开源的结构预测模型，Seedfold则是更偏向生成式设计的模型，这两者结合起来，理论上能覆盖从靶点结构预测到分子从头设计的全流程。但这里有一个关键点：开源模型的优势在于社区生态和快速迭代，但劣势也很明显——一旦你的核心架构被复现，竞争对手可以基于你的工作做微调，甚至用更少的资源达到接近的效果。比如DeepMind的AlphaFold2开源后，国内很多团队用蒸馏技术或者小样本微调，很快就做出了针对特定靶点的高精度模型。字节要想保持Protenix的护城河，不能只靠模型本身，而要靠两个东西：一是数据飞轮，即通过实际项目积累的高质量湿实验反馈数据，这些数据是公开数据集里拿不到的，也是复现模型时最容易被忽略的成本；二是工程化能力，比如把模型部署到云端、支持高通量虚拟筛选的API、以及跟下游湿实验流程的自动对接。如果字节独立后的团队能把这套工程体系做扎实，开源模型反而会成为吸引合作伙伴的入口，而不是被复制的靶子。

再说IL-17这个项目。用小分子同时阻断三个二聚体，这确实是多靶点药物设计的一个里程碑。传统上，这类“多靶点抑制剂”往往是通过组合多个单靶点分子，或者在已知骨架基础上做结构拼接，但效果经常是“一锅粥”——对A靶点有效，对B靶点活性下降，对C靶点干脆脱靶。字节团队能同时阻断三个二聚体，说明他们的生成式模型在“多约束优化”上做得不错。但这里我想泼点冷水：从POC到临床，中间有太多坑。我见过不止一个AI制药项目，在计算机模拟阶段表现得惊艳，比如结合自由能计算误差小于1kcal/mol，分子动力学模拟显示结合构象极其稳定，但一进湿实验就翻车。原因很多：可能是AI模型训练的晶体结构数据来自静态PDB，而实际蛋白在体内是动态的，构象变化导致结合位点失效；也可能是分子在细胞里的通透性、代谢稳定性、脱靶毒性等ADMET性质，这些往往是AI模型最薄弱的环节。字节的IL-17项目要想走到临床，至少需要两年时间做药化优化、DMPK评价和毒理研究，而且每一步都可能因为一个意想不到的代谢产物或毒性信号而被迫调整分子骨架。独立融资能不能支撑这种“慢生意”？我的判断是，如果字节只靠自有资金，压力会很大，但如果能引入战略投资者——比如跟大型药企成立联合实验室，或者跟CRO公司绑定服务换股权——那风险就分散很多。字节保留控股权的做法很聪明，既给了团队创业自由度，又保留了在关键节点上调用大厂资源的通道。

接下来我想分享一个自己踩过的坑，关于AI4S从“发论文”到“做产品”的过程中最容易被忽视的环节：湿实验闭环验证能力。两年前我参与过一个项目，团队来自国内顶尖的AI Lab，模型精度在公开基准上做到SOTA，论文发在顶会，但当我们试图把模型输出直接交给合作药企的湿实验团队时，两边根本对不上话。AI团队给的分子列表是SMILES格式，附带预测的IC50和选择性数据，但药企的化学家需要的是详细的合成路线建议、溶解度数据、以及至少三个不同批次的复测结果。我们当时天真地以为“模型预测准就够了”，结果被药企的研发总监一句“你们这个分子骨架有警示结构，大概率会肝毒性”直接打回原形。后来我们被迫组建了一个小型的湿实验验证团队，买了自动化合成工作站，自己跑最简单的活性测试。这个过程极其烧钱，但也是唯一能真正让模型迭代的方法。字节独立后的团队，如果只有计算能力而没有湿实验能力，那本质上还是一个AI服务商，而不是药企。字节目前的优势在于，他们通过Seedfold和Protenix积累了大量蛋白质-配体相互作用的数据，但这些数据大多是计算生成的，缺乏湿实验的反馈校准。独立融资后，资金使用的一个关键方向应该是快速搭建一个“干湿循环”的验证平台——不一定需要自己建全部湿实验设施，但至少要跟有经验的CRO建立深度合作关系，甚至可以考虑收购一家小型生物技术公司，直接获得实验能力。这个投入可能会占掉融资额的30%以上，但这是构建真正壁垒的唯一路径。

再从行业层面看，字节这次拆分可能会催生一个新的范式：“大厂孵化+独立运营”的AI4S公司。这不是字节的首创，Google的Isomorphic Labs就是类似结构，但Isomorphic Labs背靠DeepMind的AlphaFold技术，走的是纯计算驱动、跟大药企合作拿分成的模式。字节的路线更偏向“垂直整合”，即自己掌握从靶点发现到候选分子筛选的完整流程，甚至在早期阶段就保留部分管线的自主权益。这种模式的好处是，未来一旦某个项目进入临床，价值会成倍放大；坏处是，资金压力巨大，而且团队需要同时具备计算、化学、生物学、临床前开发等多种能力，人才招募和组织管理都是挑战。我倾向于认为，字节的独立运营公司未来会走一条中间路线：对少数高价值管线（比如IL-17）保持全自主开发，对大部分靶点则采用“AI筛选+合作开发”的模式，比如跟大型药企或CRO分阶段转让权益，用现金流反哺自主管线。这种“轻重结合”的结构，可能是AI4S公司最务实的生存策略。

最后，想回应一下楼主提出的两个问题。关于Protenix如何避免被竞品快速复制，我的建议是：不要在开源协议上做文章，而是要把开源变成“钩子”。比如，将Protenix开源，但把针对特定靶点的高精度预测模型、大规模虚拟筛选的API、以及跟实验数据联动的自动优化模块做成商业版。类似的做法在AI领域已经有成功案例，比如Hugging Face开源模型但卖企业版服务。字节独立后的公司可以走这条路：基础模型免费，但提供“模型+湿实验验证”的一站式解决方案，让药企觉得“用了你的模型，就能直接拿到可合成的分子”，这样客户粘性会远高于单纯的技术授权。

至于IL-17项目从POC到临床的资金支撑，我认为关键不在于融多少钱，而在于融资节奏。如果字节能把这个项目的临床前数据做到足以吸引大型药企的BD（业务拓展）团队，比如在动物模型上展示出显著优于现有疗法的效果，那么完全可以在临床前阶段就达成技术授权或联合开发协议，用预付款和里程碑付款来覆盖后续成本。这其实是很多AI制药公司的标准打法——用一两个高价值的POC数据去撬动大药企的早期合作，而不是等到临床阶段再找钱。字节团队在IL-17项目上的展示数据，如果能配合一个清晰的临床前开发计划，应该不难找到有合作意向的药企。

总而言之，字节AI制药拆分这件事，表面是组织调整，实则是AI4S从“实验室宠爱”走向“产业验证”的缩影。真正决定其成败的，不是模型有多强，而是能否用创业公司的灵活性和大厂的资源禀赋，构建出一个可持续的“计算-实验-临床”闭环。这条路很难，但一旦走通，字节可能会成为AI4S领域第一个真正意义上的“平台型玩家”。而整个行业也会因此看到，AI制药的终局不是替代药企，而是成为新药研发基础设施的一部分。

这个分析挺有启发的，尤其“用创业机制做长周期研发”这个点，感觉戳中了现在很多大厂AI Lab的痛点。我比较好奇的是，Protenix和Seedfold这两个模型具体在哪些任务上表现出了“从辅助筛选到从头设计”的跃迁？比如是结合自由能预测的精度突破了某个阈值，还是说在全新骨架生成上真的能给出可合成的、有活性的分子？

另外，IL-17项目同时阻断三个二聚体这个案例确实漂亮，但小分子同时靶向多个界面，成药性（比如选择性、代谢稳定性）会不会是个更大的坑？毕竟传统上多靶点药物容易在后期临床翻车。字节拆分出来独立融资后，除了吸引跨学科人才，有没有可能去对接一些CRO或医院的数据资源来做真实世界的验证？毕竟光靠计算模拟很难说服药监部门。

还有个小疑问：大厂输血虽然被诟病短视，但至少能保证算力和数据基础设施投入。独立后如果融资环境收紧，他们会不会被迫去接一些短平快的服务项目来维持现金流，反而背离了长周期研发的初衷？毕竟AI制药这个赛道，之前好多明星公司最后都变成了“卖软件或卖服务”的伪创新。希望字节这个拆分能走出一条不一样的路。

字节这个拆分动作确实挺有意思的。我关注AI制药有一阵子了，字节内部之前做Protenix和Seedfold的时候，圈里其实有不少质疑声，觉得大厂搞这种长周期项目迟早会因为看不到即时回报被砍掉。现在独立融资，等于给了这两个模型一个更宽松的试错空间，毕竟从“辅助筛选”到“从头设计”，中间差的不只是算法迭代，还有大量的湿实验验证成本。

IL-17那个项目能同时阻断三个二聚体，说实话我第一反应是这数据靠谱吗？多靶点设计最容易翻车的地方就是结合位点预测的假阳性，AI给出的结构模型可能在计算层面很完美，但一进细胞环境就各种脱靶。不过既然字节敢把这个当作核心资产拿出来融资，应该是有后续的实验数据支撑的，这点倒是值得持续关注。

另外你说的“用创业机制做长周期研发”，我特别认同。大厂AI Lab最大的问题不是钱，是决策链条太长，生物制药这种需要计算和实验团队来回迭代的活儿，经常卡在资源协调上。字节保留控股但不插手具体方向，其实是个挺聪明的策略——既保证底层模型和算力支持，又把研发节奏的主动权还给团队。

不过有个点想讨论：AI4S公司独立出来之后，盈利压力是迟早的事。字节可以忍受它亏几年，但外部资本不会一直讲情怀。Protenix和Seedfold目前有在外部合作或者授权吗？如果只是内部孵化项目，光靠融资续命的话，后面可能会被迫接一些短平快的CRO订单，反而偏离了从头设计的方向。个人觉得，下一步关键是要看他们能不能在公开数据集或者跟药企的联合验证里，拿出几个真正能复现的案例，这才是说服市场“AI能设计新药”的硬通货。

这个分析挺到位的，尤其“用创业机制做长周期研发”这个点，确实比大厂内部硬扛更现实。我比较好奇的是，Protenix和Seedfold这两个模型在公开数据集上的表现有具体对比数据吗？比如和AlphaFold3或者薛定谔的FEP+比，在结合自由能预测的准确性上到底差多少？因为AI制药现在最尴尬的就是“论文里跑分高，湿实验一测就翻车”，字节拆分后独立融资，投资人肯定要看更硬核的验证数据，不可能只靠故事。

另外，IL-17项目同时阻断三个二聚体这个突破，我有点疑问：这类多靶点设计在计算上是怎么解决构象空间的组合爆炸问题的？是用强化学习做的路径优化，还是靠生成式模型直接采样？如果能透露一点技术细节，对行业参考价值会更大。毕竟现在很多AI制药公司都在吹“从头设计”，但真正能进到临床的少之又少，字节这个拆分如果能带出几个真实管线，比任何战略分析都有说服力。

最后，这种拆分模式对团队激励是个考验——字节保留控股但让核心团队主导，股权怎么分？是给期权还是限制性股票？如果后续融资稀释严重，核心人才会不会又被大厂挖回去？毕竟现在计算化学和结构生物学的双栖人才太稀缺了，光靠情怀留不住人。

独立融资确实是AI4S破局的关键一步，大厂内部做这种长周期项目，经常因为季度汇报压力被迫砍方向，团队根本没耐心打磨模型。Protenix能走到从头设计阶段，说明算力和数据积累到一定量级后，真正卡脖子的其实是跨学科协作机制——字节留控股但放权，至少比阿里达摩院那种‘养蛊式’管理强太多。想请教下，Seedfold在多聚体预测上的召回率大概什么水平？之前测过类似模型，三聚体以上掉点挺严重的。

字节之前内部AI Lab做药的问题就是太依赖大厂基础设施了，算力是管够，但团队里做计算化学和结构生物学的比例一直上不去，KPI一压就容易往短平快的项目上凑。这次独立融资如果能自己组建跨学科团队，至少能把模型训练和湿实验的反馈循环跑起来，不然光靠字节输血，Protenix这种基础模型很难跟那些专注做蛋白质从头设计的创业公司拼迭代速度。

这个分析挺有意思，特别是“用创业机制做长周期研发”这点。不过我有点好奇，Protenix和Seedfold这两个模型在实际湿实验里的验证数据怎么样？毕竟AI预测和真实结合亲和力之间经常有差距，光靠计算优化还不够吧。另外，IL-17项目能同时阻断三个二聚体，这种设计是模型直接生成的，还是算法只给了候选再人工筛选的？

这个分析挺有意思的，尤其是“用创业机制做长周期研发”这个点。我好奇的是，字节保留控股但让团队主导，和直接把团队剥离成独立公司、大厂只做LP（有限合伙人）相比，实际运营中会有什么关键区别？比如在数据共享、算力支持这些层面，字节会不会还是用内部流程卡住团队，导致“独立”只是名义上的？

另外，你提到Protenix和Seedfold这两个模型，我查过一些资料，感觉它们在蛋白质-配体结合模式预测上确实比AlphaFold3在某些场景更准，但开源社区反馈说泛化性还有问题，尤其是对罕见靶点。IL-17项目同时

阻断三个二聚体确实厉害，但小分子同时阻断多聚体在临床上往往面临选择性差、毒性高的难题——AI设计出来的分子，后续在实际湿实验验证中，脱靶率和代谢稳定性有没有公开数据？还是说这只是计算模拟阶段的胜利？

还有一点，AI4S这种方向，独立融资后团队估值怎么合理？大厂内部孵化时烧钱逻辑是“战略投入”，独立后投资人肯定会看商业化时间表。AI制药至今还没跑出一个能稳定盈利的模式，字节这块业务拆分后，如果两三年内没有重磅管线推进临床，会不会面临融资断档风险？还是说字节本身会持续兜底，只是换个包装来吸引外部资金？

字节这个动作我关注了有一阵子，今天看到你这篇分析，感觉很多点都说到根子上了。我过去三年在两家AI制药公司待过，一家是某大厂内部孵化的AI Lab，另一家是拿了头部VC钱的独立公司，两边都经历过从模型训练到湿实验验证的完整流程。结合我自己的踩坑经历，试着从几个维度深入聊一下。

先说你提到的核心资产——Protenix和Seedfold这两个基础模型。字节在这块确实有技术储备，但说实话，现在AI制药领域的基础模型已经有点“泛滥”的苗头了。AlphaFold3出来之后，几乎所有大厂和头部创业公司都在做类似的事情：蛋白质结构预测、蛋白质-配体相互作用、蛋白质-蛋白质相互作用。真正拉开差距的不在模型架构本身，而在三点：训练数据的质量和独特性、对特定靶点家族的微调能力、以及模型输出与湿实验反馈之间的闭环迭代速度。

字节的Protenix如果走开源路线，确实会面临你说的“被快速复制”问题。但我观察到他们可能走了一条更聪明的路——开源基础版本，但把针对特定靶点（比如IL-17这种复杂多聚体）的优化版本作为内部核心资产。这个策略在AI领域并不新鲜，像Hugging Face的Transformers库就是开源基础架构，但真正值钱的是企业级定制和部署方案。对于AI制药，关键在于开源模型能否在数据层面建立护城河。如果字节只开源模型权重而不开源训练数据（特别是那些经过湿实验验证的蛋白质-配体复合物数据），那竞品最多只能复制模型结构，但无法复现模型在特定任务上的表现力。

我亲身经历过一个例子：2022年我们团队基于某个开源蛋白质语言模型做激酶抑制剂筛选，发现模型在公开数据集上表现很好，但一上我们自己的内部数据（这些数据来自过去三年积累的湿实验反馈），准确率直接掉到60%以下。后来我们花了整整9个月时间，用内部数据做增量训练，才把性能拉回到可用的水平。这说明什么？数据壁垒比模型壁垒更难突破，尤其是那些经过湿实验验证的、有明确活性标签的数据，每一个数据点都是钱和时间烧出来的。字节如果能在开源的同时，把自己积累的高质量湿实验数据作为核心竞争力，那就不怕复制。

再说IL-17项目。你提到“首次用小分子同时阻断三个二聚体”，这个技术突破确实值得关注。IL-17家族在自身免疫疾病领域是个热门靶点，但传统小分子药物很难同时靶向多个亚基组合，因为它们的结合位点高度同源且空间构象动态变化。AI在这里的价值在于：它能从海量构象空间中找出一个“最优解”，让一个小分子同时适应三个不同的结合表面。这本质上是个多目标优化问题，传统药物化学靠经验和试错，周期至少2-3年，而AI可以在几周内生成候选分子库，再结合计算化学做虚拟筛选。

但这里有个大坑，我亲眼见过不止一家公司掉进去——AI生成的分子在计算机里完美无瑕，但一进湿实验，要么溶解度极差，要么代谢稳定性一塌糊涂，要么在细胞实验里毒性太高。POC（概念验证）阶段AI能大幅加速，但真正卡脖子的环节是从POC到临床前的这段路。你需要做药代动力学、毒理学、制剂开发、CMC（化学、制造和控制），每一步都是真金白银和时间堆出来的。字节这个项目即使AI设计再漂亮，从POC到IND（新药临床研究申请）至少需要2-3年，期间需要持续投入数千万到上亿美元。独立融资能不能撑住？我觉得关键看两点：第一，字节是否会以“里程碑付款”的形式持续输血，比如每完成一个临床前节点就追加一笔资金；第二，这个项目有没有可能在早期就通过BD（商务拓展）合作变现，比如把某个亚基组合的权益卖给大药企，换取现金和里程碑分成。如果完全靠自己烧钱熬到临床二期，那融资压力会非常大。

行业层面，AI4S从“发论文”到“做产品”这个转变，我感受特别深。2020-2022年那波AI制药热潮，大量公司靠“AI加速药物发现”的叙事融资，但实际交付的产品要么是公开数据集上的benchmark提升几个点，要么是一堆没有经过湿实验验证的虚拟分子。现在投资人学聪明了，他们问的问题不再是“你的模型精度多少”，而是“你验证了几个靶点”、“你拿到几个POC数据”、“你的分子进临床了没有”。字节拆分这个动作，本质上是在向市场传递一个信号：我们不是在做科研，我们是在做产品。独立运营的实体更便于用“项目制”来管理研发进度，每个项目都有明确的里程碑和退出机制，而不是像大厂内部Lab那样，年底汇报时只能秀几篇论文和专利申请。

不过我也想说，字节这个模式并非没有风险。大厂孵化+独立运营，听起来很美，但实际操作中容易出现“两头不靠”的尴尬局面。一方面，独立公司需要建立自己的研发体系、数据管理流程和湿实验团队，这些能力在字节内部可能已经成熟，但剥离出来之后需要重新搭建，过程中会有大量磨合成本。另一方面，如果字节只是控股而不深度参与运营，那独立公司能否获得字节在算力、数据、技术平台上的持续支持？如果双方在研发方向上产生分歧，字节会倾向于“放手让团队自己跑”还是“介入调整”？我见过一个类似的案例——某大厂孵化的AI新药公司，独立后第一年还算顺利，但第二年大厂调整战略方向，收缩了对非核心赛道的支持，结果这家公司不得不砍掉一半在研管线，最终被低价收购。字节如果不想重蹈覆辙，需要在股权结构、董事会席位和资源承诺上做更清晰的约定，比如约定未来3年内字节每年提供不少于一定规模的算力和数据支持，或者保留对特定管线的一票否决权但不过度干预日常运营。

还有一个层面值得展开——人才流动。字节拆分后，核心团队获得了更大的自主权和潜在财务回报，这对吸引跨学科人才是巨大优势。我在大厂内部Lab时，最大的痛点不是技术，而是招人。AI制药需要的不是纯AI工程师，而是懂计算化学、结构生物学、药理学、甚至临床开发的全栈型人才。这类人才在市场上极度稀缺，而且他们对“职业天花板”非常敏感。在大厂，一个结构生物学家可能被归到“生物信息组”，汇报给一个不懂结构的业务负责人，升职加薪全靠AI项目的KPI。而在独立公司，他可以成为核心决策者之一，直接参与管线从设计到验证的全过程。字节拆分后，如果能建立起“科学家合伙人”机制，让顶级的计算化学家和生物学家以技术入股的方式加入，那对人才的吸引力会远超任何大厂。

最后说一个可能被忽视的点——字节这个动作对整个AI4S资本流向的影响。过去两年，AI制药领域的一级市场融资明显降温，2023年全球融资额相比2022年下降了约30%。但字节这个拆分案例，可能会重新定义“大厂+创业”的融资范式。以往大厂要么自己孵化（像谷歌的Isomorphic Labs），要么直接收购（像英伟达投资Recursion），但字节选择了“控股但不控制”的中间态。这个模式如果跑通，会催生一批类似的案例：大厂把内部孵化的AI4S团队剥离出来，保留战略投资但让团队独立融资和发展，既规避了大厂内部资源竞争和短期KPI压力，又保留了大厂的技术和品牌背书。对于投资人来说，这类公司比纯创业团队更有吸引力，因为它们有“确定性”——技术基础来自大厂验证过的方法论，初始团队已经跑通了一部分管线，而且大厂的存在降低了“烂尾”的风险。

但我也得泼点冷水。AI4S的落地，最终还是要回到“能否做出真正有临床价值的新药”这个终极问题上来。字节的Protenix和Seedfold再强，IL-17项目再漂亮，如果最终拿不出一个获批上市的药物，那这个模式最多只能算是“技术验证”，而不是“商业验证”。目前全球范围内，AI设计的药物进入临床三期的屈指可数，真正获批上市的更是凤毛麟角。字节这个拆分，如果只是为了给资本市场讲一个“AI制药”的故事，那意义有限；但如果它能通过独立运营，建立一套从AI设计到湿实验验证到临床开发的完整闭环，那才算是真正推动了AI4S的产业化。

我个人的判断是：字节这个动作大概率会成功，但需要2-3年才能看到实质性结果。成功的关键不是模型有多强，而是团队能否在“AI加速”和“药物研发节奏”之间找到平衡点，能否在独立之后依然保持字节那种“快速迭代、数据驱动”的做事风格，同时又能适应制药行业“慢工出细活”的游戏规则。这听起来矛盾，但真正优秀的AI4S公司，恰恰需要同时拥有这两种文化。字节拆分出来的这支团队，如果能做到这一点，那就不只是字节自己的胜利，而是整个AI4S赛道从“输血”走向“造血”的标志性事件。

字节这个拆分动作确实有意思，我自己的观察是，大厂AI Lab做生物制药最大的痛点其实不是技术，是“养不起”——不是说钱不够，是内部流程和预期管理跟不上科研节奏。我们之前跟某大厂的AI制药团队合作过，他们模型效果其实很好，但一到决策环节就卡在季度OKR上，周期动辄两三年，大厂内部很难给这种长线项目持续资源倾斜。

Protenix和Seedfold这两个模型我之前关注过，在蛋白-配体结合预测上确实有独到之处，尤其是多靶点设计这块。IL-17能同时阻断三个二聚体，这个突破说实话比想象中难，因为传统小分子设计基本是“一药一靶点”逻辑，多靶点往往靠组合或双抗实现，小分子能做到这个级别，

说明他们的模型在结合自由能计算和构象采样上应该做了不少针对性优化。不过有个点我想请教一下，他们拆出来之后，底层算力和数据资源还能不能像以前一样稳定调用？毕竟大厂内部的数据湖和GPU集群是共享的，独立公司如果还要按市场价租，成本压力会大很多。

另外你说的“创业机制做长周期研发”我挺认同，但实际操作中有一个坑：跨学科团队怎么保持有效沟通？计算化学和结构生物学的语言体系差异很大，我们组就吃过这个亏，模型预测的位点结构生物学家不认可，反复扯皮浪费了半年。字节这次保留控股但让团队主导，如果能在组织架构上把“跨学科翻译”的角色（比如专门的科学计算工程师）提前铺好，可能比单纯给股权更关键。

这个拆分动作其实挺有意思的。我之前在药厂做计算化学，也跟大厂的AI Lab合作过，感受最深的就是他们内部“模型跑通了就算交差”的惯性——模型精度再高，到了湿实验验证环节，流程上的摩擦成本能吃掉一大半收益。字节这次把Protenix和Seedfold单独拉出来，核心团队控股，至少能解决两个问题：一是决策链条变短，算法团队不用再跟业务部门扯“这个模型到底能省多少实验经费”；二是人才结构能真正补上计算化学和结构生物学的短板，而不是像以前那样，AI组里全是炼丹选手，连力场参数怎么调都说不清楚。

不过有个点我比较担心：IL-17项目用小分子同时阻断三个二聚体，从结构上看确实惊艳，但这类多靶点设计的可迁移性到底有多强？现在很多AI制药公司都在吹“从头设计”，实际做过的都知道，大部分成功案例还是集中在已知结合位点或类药骨架的优化上，真正从零生成一个全新骨架还能过毒理关的，我还没看到多少公开数据。字节这次独立后，如果能把IL-17的后续临床前数据（尤其是ADMET）放出来，哪怕只是部分，对行业的参考价值会比组织架构调整大得多。

另外，他们提到“用创业机制做长周期研发”，这点我认同，但得留个心眼：字节保留控股，意味着战略退出权还在大厂手里。如果两年内没有明显的管线里程碑，他们会不会像其他大厂那样突然砍掉独立业务？毕竟AI制药的烧钱速度，比做推荐系统快好几个量级。

字节这个拆分动作挺有意思的，我比较好奇的是Protenix和Seedfold这两个模型现在具体能处理多大尺度的体系？之前看过一些AI制药的项目，大多数还是在单靶点或者已知结合位点上做优化，像IL-17这种同时阻断三个二聚体的小分子设计，确实算是个里程碑。但反过来想，这种多靶点设计的可迁移性怎么样？是不是换了别的靶点组合，模型就得重新训或者大调？

另外你提到独立公司更灵活，这个我认同，但字节保留控股的话，核心团队在决策权上到底有多少自由度？比如算力资源、数据权限这些，如果还是得走大厂内部审批流程，那跟没拆之前差别可能没那么大。毕竟AI4S最烧钱的就是算力和湿实验验证，创业公司最缺的也是这两样。

还有一个点想请教：文章里说从“辅助筛选”进化到“从头设计”，这个“从头”是真的从蛋白序列开始生成配体，还是说在已知骨架里做替换优化？因为目前看到的很多所谓“从头设计”其实还是基于片段库或者虚拟筛选出来的先导化合物做改造，离真正从零生成一个全新的化学空间还有距离。字节这两个模型在公开数据集上的泛化能力有没有指标可以参考？比如结合亲和力的预测误差或者命中率什么的？

做AI4S确实不能只靠大厂输血，我们组之前跟大厂合作过，内部资源倾斜完全看季度OKR，模型迭代到一半突然砍预算的情况太常见了。独立融资至少能保证团队有更长的试错周期，尤其像蛋白结构预测这种动不动就要跑几个月实验的方向。

不过有个疑问，你说的IL-17项目同时阻断三个二聚体，这个信号是从湿实验验证过的还是纯计算模拟结果？如果只是对接打分高的话，真正走到临床可能还有段距离，毕竟现在很多AI设计分子在细胞实验这关就卡住了。

这个拆分逻辑确实在理，大厂内部做AI4S最怕就是半年一复盘，蛋白折叠这种项目周期根本对不上。Protenix和Seedfold能独立出来，至少模型迭代速度能跟上学术界节奏了。不过我倒有点好奇，IL-17那个小分子同时阻断三个二聚体，具体的结合位点是怎么通过AI推理出来的？是直接端到端生成还是做了多轮筛选？

这个拆分逻辑确实说到点上了，大厂内部AI Lab做生物制药最大的问题就是“既要又要”，短期出不了成果就会被砍预算。Protenix和Seedfold能独立出来拿融资，说明字节也意识到AI4S这种长周期赛道不能光靠内部输血。不过我比较好奇，IL-17那个项目到底有没有公开的湿实验验证数据？如果只是计算预测的突破，那离真正的新药管线落地还有不小距离。