这件事听起来像是给AI制药泼冷水，但实际上恰恰相反——它揭示了一个被严重低估的行业痛点。

过去十年，AI在药物发现领域的表现堪称"激进"。从AlphaFold预测蛋白质结构，到各种生成式模型批量产出新分子，AI让新药研发的效率提升了不止一个量级。但问题来了：AI可以一夜之间生成几百万种潜在药物分子，而人类科学家手动分析一种候选药物的成本可能高达数百万美元和数年时间。这种严重的能力错配，导致了一个荒谬的现象——AI造药越快，科学家筛药越慢，整个流程反而卡在了"选择"这一环。

10x Science正是瞄准了这个瓶颈。他们的技术不是另做一个生成AI，而是扮演"过滤器"的角色——用机器学习模型分析海量分子结构，预测成药性、毒副作用、合成难度等关键指标，帮研究人员快速剔除明显不靠谱的候选者，把真正有潜力的分子筛出来。这本质上是一种"AI帮助AI"的思路：上游用生成模型"造"，下游用筛选模型"选"，形成完整的闭环。

对整个行业来说，这笔融资背后反映的趋势值得警惕：当AI制药从"能否发现新药"转向"能否高效筛选"，行业的竞争重心正在迁移。过去比拼的是模型生成能力，未来几年比的将是筛选效率和判断准确度。那些还埋头狂造分子、忽略筛选环节的公司，很可能会发现自己造了一堆无人问津的"数字垃圾"。

对于从业者和投资者，我的建议很直接：别再只盯着"又发现了多少个新分子"这种新闻了，真正值得关注的是筛选技术的突破。如果你是药企现在是时候评估自己的筛选能力是否跟得上生成能力了；如果你在做AI制药创业，与其扎堆做生成模型，不如想想有什么办法帮行业解决"选不出来"的问题——这可能才是真正的价值洼地。