10 月下旬,Anthropic 披露了一笔不寻常的收购:Mithril Medicine,一家只有一名全职员工的药企。创始人用 Claude 处理合同、物流和 11 家外部实验室的实验协调,不到 18 个月,就把一种罕见肌营养不良的候选疗法从想法推进到小鼠身上的积极结果,他将这种模式称为 “Pipeline-in-a-Person”。


但这个故事停在了小鼠。按 Anthropic 的说法,即便数据持续成立,最快也要到 2028 年底才可能进入人体试验。这不只是个例:过去几年,AI 让靶点发现、分子生成不断提速,大量候选药物被做到临床试验门口,然后在同一道闸门前排队。从 “小鼠有效” 到 “人体给出答案”,才是新药研发里最贵、最慢、也最难靠单一更聪明模型加速的一段。


此前处于隐身状态的 CataX AI,把筹码押在了这里。创始人兼 CEO 王子龙早年便展现出极强的跨学科天赋:高一即凭全国生物联赛一等奖获得保送资格,高中累计包揽生物、物理、信息学三科四项竞赛一等奖,随后保送进入复旦大学攻读临床医学八年制博士学位;毕业后,他曾带队推进覆盖全国 155 家中心、超 4.7 万名受试者的前瞻性多中心研究,拿下国内最早一批国家药监局(NMPA)三类医疗 AI 器械注册证,后任微软亚洲研究院(MSRA)高级研究员。懂医学、懂模型,也亲历过严苛的监管注册,这种罕见的复合背景正是临床开发最稀缺的组合。


Anthropic刚买下「一人药企」,MSRA医学博士创业,让一个人带着Agent做临床

王子龙。图片来源:CataX AI 官网。


这家由创始团队与启明创投联合孵化的 Agent-Native Biotech 判断:AI 制药在分子端已经拥挤,真正的瓶颈在临床开发。它的答案有三层:用 Clinical-of-One 的新组织范式,让一名全栈临床负责人带着专业 Agent 挂帅人体临床项目;用 递归组织改进,让每个项目沉淀的经验变成下一个项目的能力;最终走向由 Agent 主导临床开发的 Virtual Pharma。


一、分子在排队,闸门没有变宽


过去几年,AI 制药的叙事集中在分子生成速度上,成果也实打实:生成式 AI 发现的 TNIK 抑制剂已在 2025 年发表 2a 期随机对照结果,RFdiffusion 从头设计的抗体也完成了结构确认。


但下游的闸门没有同步变宽。据 Citeline 统计,2025 年 1 月全球处于临床前阶段的在研药物存量高达 12,704 个;而丁香园与 BCG 的分析显示,2025 全年全球新进入临床开发的新分子实体仅有 1,868 个。启明创投合伙人陈侃博士表示,过去几年中国临床前新药分子(PCC)的产出量已占到全球的 44%,急需一条高性价比通道跨过人体概念验证(PoC)的生死线:“如果人类今天停下所有新药分子的发现,光是实验室里攒下的存量,可能就足够全球临床体系消化整整十年。”


AI 分子进入人体后的表现更说明问题。BCG 研究者发表在 Drug Discovery Today 的分析显示,AI 分子在早期安全性试验中成功率达 80%–90%,但一进入 PoC 阶段,成功率便跌回约 40% 的历史均值。算法擅长优化分子的理化性质,而从新药临床试验申请准备到早期 PoC,核心是转化医学与临床策略:在合适的病人身上,用对的剂量与终点读出人体有效信号。一款新药平均研发成本约 26 亿美元,其中临床阶段约占直接研发支出的七成。当更多分子涌向临床,下一轮效率跃迁必须发生在这里。


Anthropic刚买下「一人药企」,MSRA医学博士创业,让一个人带着Agent做临床


二、临床慢,不少是慢在组织


“医学决定我们为什么出发,而 AI 决定应该怎样去做。” 熟悉临床研发的王子龙深知,临床开发中除了观察期等客观约束,还有一笔由组织自己制造的延迟 ——“交接税”。


医学、注册、生物统计、临床运营、数据管理各自持有项目事实的一部分。一项变更每穿过一道职能边界,就要重新解释、重新排队。最危险的损耗发生在 “理由” 的传递上:下游拿到了结论,却不知道它依赖哪些假设。例如设计一款炎症药物的 PoC 研究,为加快入组放宽入排标准可能稀释机制信号,为减轻访视负担调整采样可能干扰暴露量解读,每个局部决定都合理,叠加起来却可能让试验回答不了最初的科学问题。


执行阶段的决策延迟同样致命。CataX 联合创始人兼首席开发官蒋哲敏拥有 15 年以上临床开发与运营管理经验,曾参与并支持 50 余项临床研究,他以肿瘤 Ⅰ 期试验的剂量递增决策举例:当一个剂量组完成方案规定的观察后,研究团队需依照方案和相应审查机制,结合安全性、药代动力学及其他已有证据,判断是否进入下一剂量水平。“真正影响效率的,有时不是数据还没出来,而是不同职能无法及时基于同一份信息完成判断。等到决策形成、传递到研究中心,可能已经产生了不必要的等待。”


正如经济史学家 Paul David 对工厂电气化的研究:电动机刚取代蒸汽机时,车间仍围绕中央传动轴布置,生产率并无起色;直到拆掉传动轴、重排产线,新动力才真正释放。陈侃同样认为,在传统药企里靠 AI 穿透重重部门壁垒无异于推翻旧体系,不如从零建一家原生公司。“如果从第一天起,就让智能体深度在场,一家生物医药公司应该什么样?” 带着这个问题,王子龙离开微软亚研,开启创业。


Anthropic刚买下「一人药企」,MSRA医学博士创业,让一个人带着Agent做临床


三、Clinical-of-One:一人挂帅,不是一人包办


CataX 的解法叫 Clinical-of-One。“One” 指统一的研发领导权:一名具备扎实临床功底、跨职能判断力的全栈临床负责人,像乐团指挥一样,从机制到证据持续掌握项目全貌。


在 CataX 的设计中,医学、注册、临床运营、统计等专业 Agent 负责起草文件、整合意见与一致性校验,所有工作共享同一份上下文,包括证据来源、版本历史与审计轨迹。平台还通过 API 和 MCP 逐步打通试验主档案(eTMF)、电子数据采集(EDC)等临床系统。负责人调整一条入排标准时,机制富集、入组速度与样本量假设会被一并摆上桌面,所有人基于同一份证据决策。


Anthropic刚买下「一人药企」,MSRA医学博士创业,让一个人带着Agent做临床

Clinical-of-One:一名全栈临床负责人带领专业 Agent,连接外部专家。


“一个人” 说的是谁负总责,活儿仍由专业人士完成:统计审核、医学监查、盲态管理、伦理审查与质量保证必须保持独立,这也符合 ICH E6 (R3) 规范 对申办方最终责任的明确要求。


Mithril 的经历印证了独立复核的必要 —— 其技术报告披露 Claude 起草邮件时曾出现事实错误。小鼠实验里的一封错邮件可以补救,人体试验的一处偏差却关乎受试者安全。在王子龙看来,“一人挂帅” 反而要求更强的基础设施:证据可溯源,权限与盲态边界清晰,异议能被听见,错误能被发现,另一个合格的人随时能接手。蒋哲敏则关注项目交接中的经验传递:“一项肿瘤临床试验可能持续数年,期间团队成员也会发生变化。即便关键决策都有记录,背后的判断依据和讨论过程也未必能够完整传递。我们希望不仅留下做了什么,还留下为什么这样做,让后来接手的人和 Agent 能够理解并复用这些经验。”


四、不卖工具,押资产


组织形态决定了商业模式。CataX 不向药企出售软件,而是自己下场做资产开发:通过引进或联合开发持有资产权益,依托中国丰富的患者资源和高效的临床入组,叠加 Clinical-of-One 的协同速度,高效推进至早期临床 PoC,再通过全球授权或合作实现价值跃升 —— 自己做出的临床证据,就是最值钱的产品。


自持资产的核心原因在于开发自主权与实战磨炼。蒋哲敏曾在 CRO 和创新药企业工作,对此有着切身体会:“临床开发不是把一份方案按时执行完就够了,更重要的是始终知道为什么开展这项研究,希望获得什么证据,以及这些证据能否支持下一步开发决策。” 在他看来,持有资产不仅意味着承担研发风险,也意味着拥有重新设计开发流程的主动权。CataX 希望从真实药物资产出发,围绕资产价值和关键临床证据持续作出跨职能判断,让人与 Agent 共同完成工作,并在项目中检验和改进整套工作体系。


持有资产,第一关是选对资产。对于上游大量涌现的 AI 分子设计公司和转化项目而言,CataX 不是竞争者,而是接棒人。CataX 要找的是基本就绪、亟待人体证据验证的临床前及早期管线:分子本身、已有数据和推进条件大体到位,最关键的问题却只能在人身上回答。这类资产最适合 Clinical-of-One 发挥,一项设计得当的早期研究,就可能让它的价值发生跃升。筛选同样由人和 Agent 分工完成:研究 Agent 持续扫描整个领域,为每个候选资产建立来源清楚的档案;Agent 集群基于同一份档案,从科学、临床、专利和商业等角度互相挑刺;中立审阅者核对来源、保留分歧,最后由人拍板和谈判。目前,CataX 已搭建起覆盖核心职能的 Agent 协同工作台,并完成数十个早期管线的系统性扫描,首个临床资产的引进也已进入实质推进阶段。


五、递归组织改进:让每个项目训练下一个项目


如果 Clinical-of-One 只能依赖少数全栈天才,它就无法规模化。CataX 押注的第二个核心机制是 “递归组织改进”(Recursive Organization Improvement)—— 让组织本身成为被持续训练和迭代的模型。


临床研发天然面临 “奖励极度稀疏” 的难题:疗效终点往往要等上数年,组织不可能等到揭盲读出才开始学习。为此,CataX 从开始就围绕 “高频过程反馈” 构建了 Agent 原生基础设施与协同工作台:把日常的核查、返工与执行偏差转化为密集的演进信号,由临床负责人主导 “逻辑提炼”(Rationale Distillation),将验证有效的方法编码为可复用的 Skill 和工具,同时将决策依据、失败归因与版本演进沉淀进结构化的组织记忆,并在实战任务中持续运行评测闭环。


不过,从复杂系统的演化视角来看,单纯的经验堆积并不天然等同于组织进化。CataX 团队在针对人机协作组织的建模研究 Recursive Organization Improvement 中探讨了一个更本质的问题:当人类与智能体共同构成学习系统时,组织在什么条件下才会真正变聪明,又在什么情况下会陷入退化?研究揭示了人机协同演化中的两重内生阻力:其一是非稳态环境下的 “记忆滞后”—— 组织记忆具有显著的时效边界,一旦外部临床标准或竞争格局发生迁移,缺乏前提约束的历史经验反而会形成路径依赖,产生 “负迁移” 效应;其二是串联审阅中的 “共识幻觉”—— 在多节点决策链路里,若下游审核智能体倾向于迎合上游结论,系统表面的 “一致通过率” 会显著攀升,但代价却是集体纠错机制失灵与真实决策错误率的飙升。这意味着,一个能够持续自我改进的组织,不仅需要沉淀经验,更需要建立关于 “经验何时失效” 的元认知,并在验证环节保持认知的独立性与必要的分歧张力。


Anthropic刚买下「一人药企」,MSRA医学博士创业,让一个人带着Agent做临床

人和 Agent 共同改进方法,将项目经验沉淀为可复用的组织能力。


王子龙常借刘慈欣《乡村教师》中的设定来思考这场变革的终极意义。如果把生命与文明的演进拉长看,第一条增长曲线是生物进化,靠基因筛选适应环境,尺度以万年计;第二条曲线是人类的知识传承,但正如《乡村教师》所叹,人类的记忆无法直接遗传,每一个新手仍需经历十余年的漫长学习,才能重新抵达前人的认知高度;而以 Agent 为载体的 “外脑进化”,正在开启第三条文明增长曲线 —— 个体的实战教训与专业直觉,第一次可以被直接编译进组织的系统架构与工具链中,跨项目 “遗传”,并随着底层基座模型的每一次升级,指数级放大下一个项目的战斗力。


六、北极星:通向 Agent 化的 Virtual Pharma


沿着这个飞轮,CataX 为通向 Agent 化的 Virtual Pharma 规划了三步演进:起步时,与外部资深专家深度协同,在实战中共创高标准的专业框架与质量基线;随着大量前置准备与常规校验被沉淀为可靠的 Agent 能力,专家得以从繁琐的重复性审阅中解放出来,将宝贵的精力聚焦于最关键的复杂权衡;最终,由 “临床开发负责人 Agent” 统筹各专业 Agent 的日常运转,让人类专家真正回归科学意图把关、注册申报与受试者安全等不可替代的核心决策。


把这条路走通,需要 AI 与临床两种深度同时在场,CataX 的创始团队正是这样的组合。王子龙是复旦大学医学博士、前微软亚洲研究院资深研究员,曾任医疗 AI 公司 CTO,带领两款 AI 软件医疗器械产品从算法设计、研发走到注册落地取得 NMPA III 类证;联合创始人兼首席开发官蒋哲敏拥有丰富的临床开发经验,参与推动多款药物的临床开发及上市进程,从零搭建 PPD 中国的去中心化临床试验团队,后在百济神州推动临床运营数字化与技术赋能转型。在这一过程中,他逐渐认识到,真正的效率提升不应止于工具升级,而需要重新设计人与技术的分工及临床研发的组织方式。一位将医学与 AI 做成过产品,另一位则从临床研发实践出发,经历数字化转型,如今共同探索 AI 原生的临床研发组织。


正如公司名称 CataX 的寓意 ——“Cata” 取自催化剂(Catalyst),“X” 代表探索未知疾病与十倍(10x)效能。一个人带着 AI 把药做到小鼠,证明了 Agent 能大幅压缩临床前的组织成本;下一步,CataX 要在 AI 渗透尚浅、价值量最大的临床开发环节接过关键一棒,让有效的药物更快抵达患者 ——More Hope. Sooner.


文章来自于"机器之心",作者 "机器之心"。