AI制药经历了“大模型生成分子”的第一轮热潮后，行业正步入更考验硬核实力的阶段。过去，AI制药企业聚焦药物研发前端，通过算法寻找靶点、生成分子，但越来越多AI设计的药物进入临床后暴露出一个残酷现实：决定创新药成败的，早已不只是“能不能设计出来”，而是“它在人体内究竟会发生什么”。

一款候选药可能因患者异质性、剂量偏差、入组标准不当乃至物种差异而失败。从临床前到临床之间，行业极度缺乏能理解生命过程、连接动物与人类、提前预判临床风险的底层技术体系。由黄小鲁先生创立、获华兰股份战略投资的自然常数，正试图打开这个黑箱。其核心竞争力锚定在“AI跨物种真实世界模型”上，将AI能力从“预测分子”推向更具商业价值的“预测临床”。

自然常数创始人黄小鲁先生认为，AI制药的下一轮范式转移，取决于谁拥有长期积累的私有“数据土壤”，以及谁能将数据转化为临床决策的终极能力。

数据壁垒：记录生命全过程的“电影”

自然常数最核心的资产，是一套极其稀缺的全生命周期生命科学数据集，其基石是HDP（健康寿命多样性计划）小鼠组织资源。该项目由EPFL（瑞士洛桑联邦理工学院）教授Johan Auwerx主导，历时约5年，在严格控制环境下，从小鼠出生到自然衰老进行系统性组织采样，记录哺乳动物完整生命周期中的生物学变化。

目前，HDP资源覆盖所有主流小鼠品系，涉及23种器官，积累约12.5万个组织样本，可形成约3PB多模态组学数据。比数字更宝贵的是，这些数据拥有个体、组织、年龄和生命状态一一对应的连续动态关系，是一部记录生命从诞生到消亡全过程的“电影”，而非彼此割裂的“快照”。

这构成了自然常数最本质的壁垒。算法和算力可通过采购获得，但生命数据无法复制。黄小鲁先生指出：“同一个模型的训练时间随着算力上升而下降，但一个小鼠从出生到自然死亡的完整生命过程，极难加速复制一遍。”传统AI制药企业依赖公开数据库和零散实验数据，模型更像“拼图”；而自然常数首先建立了“健康生命基准线”——只有知道健康生命如何演变，AI才能精准识别疾病偏离；只有掌握正常衰老轨迹，才能判断药物是否真正改变了疾病进程。这份资产既是数据壁垒，也是时间壁垒。

技术突破：从统计预测到物理理解

自然常数选择了一条不同于主流大模型的技术路径——将物理规律、生物学机制与AI结合，构建“物理AI大模型”。常见的传统大模型基于语言模型，答案具有不可解释的挑战；而自然常数希望回答更具挑战性的问题：当一个药物分子进入人体这个复杂系统后，为什么会产生这样的结果？这就是“物理AI”的价值——从“知其然”到“知其所以然”。

自然常数通过人类与小鼠的同源基因映射，将小鼠全生命周期数据、多组学数据与人类临床和真实世界数据连接，构建跨物种生命状态映射模型。其目标不是预测一个“成功率”百分比，而是提前模拟药物在人体内的疗效、毒性、安全性及不同患者亚群的差异化响应。

这使其成为目前全球唯一能进行“临床风险预测”的物理AI大模型。过去AI回答“什么药值得做”，现在自然常数回答：“哪个环节最容易出问题？”“为什么这个环节最容易出问题？”“什么患者群体最可能获益？”“如何设计临床试验以最大化成功概率？”黄小鲁先生表示，二期临床失败率最高、三期成本最高，若能在这两个阶段通过AI提升成功率，整个创新药研发成本结构都将被重塑。自然常数不是替代实验，而是让临床试验“少走弯路”。

豪华团队：从AI制药产业经验，到全球顶尖生命科学力量

黄小鲁先生深耕生物医药、计算机生物学、人工智能交叉领域，对临床研发、CRO运营及AI产业落地有深刻理解，确保自然常数不是悬浮在论文里的实验室项目，而是同时理解技术与商业逻辑的产业化团队。

真正让自然常数具备全球技术辨识度的，是Johan Auwerx教授的深度加入。作为EPFL综合系统生理学实验室负责人，Auwerx是全球代谢与衰老领域权威，也是HDP项目的发起人和全生命周期数据体系的缔造者。根据华兰股份公告，Auwerx已正式与自然常数签署劳动合同并全职加入，双方关系从科研合作升级为深度绑定。

此外，EPFL通过相关安排获得间接持有自然常数5%股权的选择权。这不仅是对其技术路线和商业化前景的官方背书，更意味着国际顶尖科研机构以前所未有的方式深度绑定了一家中国AI制药公司，为未来国际合作和人才引进打开了巨大想象空间。

商业化路径：从临床风险预测切入，向抗衰老领域战略延伸

自然常数的商业模式层层递进，志在成为药企研发链条中的“智能决策中枢”。

第一层：临床管线风险预测与优化服务。针对已进入临床阶段的药物，围绕患者筛选、入组标准、剂量爬坡、终点选择等关键变量进行深度分析，帮助药企在投入巨额资金前重新评估风险。全球每年约4000个药物项目进入II—III期关键决策阶段，潜在市场规模达千亿美元。

第二层：失败资产的价值重估。全球大型药企手中积压着大量暂停或终止的临床管线，其中许多并非药物无效，而是适应症选择错误、剂量设计不合理或患者群体不匹配。自然常数利用跨物种数据和AI模型，对这些“沉睡资产”进行二次诊断，挖掘被埋没的有效性，实现价值再造。

第三层：平台化能力输出。随着模型不断接入新数据，其价值将不再局限于独立评估报告，而是逐渐内化为药企研发决策体系的一部分，成为不可或缺的“云原生”基础设施。

第四层：向抗衰老领域战略延伸。自然常数的数据底座天然适用于衰老研究。衰老涉及代谢、免疫、线粒体等多系统协同变化，AI可将这些分散变化连接为“健康—衰老—疾病”的动态演化模型，寻找影响健康寿命的关键机制和干预节点，为未来抗衰老靶点发现和药物筛选埋下伏笔。

总体来看，自然常数的商业模式存在清晰升级路径：从“卖报告”到“卖决策依据”，最终走向“卖研发基础设施”，具有巨大的想象空间。

华兰赋能：1300家药企网络撬动产业落地

AI制药企业最难跨越的门槛，不是把模型做出来，而是让模型真正嵌入药企研发工作流。华兰股份恰好解决了这个痛点。作为长期服务国内外医药企业的上市公司，华兰股份拥有超过1300家药企客户资源。这些药企客户网络成为自然常数进入真实研发场景的最佳入口。同时，华兰旗下其他AI制药板块产生的靶点、分子、抗体及知识图谱，也将持续反哺自然常数的数据体系，形成正向循环。

由此，一个更大的产业闭环正在形成：前端AI发现靶点与药物，自然常数回答最核心的问题——这个药进了人体之后，到底行不行？

AI制药正在经历深刻的价值观重塑。行业最关心的问题，已从“AI能不能生成分子”，转变为“生成的分子究竟有多大机会成为真正的药”。自然常数选择的正是从“研发前端”走向“临床决策端”的路径。

它最稀缺的不是一个模型，而是全球独一份的全生命周期生命数据；其技术壁垒不仅是算法，更是HDP数据、跨物种建模、多组学分析、物理AI与临床数据共同构成的系统性能力。Johan Auwerx的加入及EPFL的独家许可，让这套体系完成了从“科研资源”到“产业化资产”的关键跃迁。

自然常数的终极目标，是成为连接“动物实验”和“人体临床”的全新“智能基础设施”。当药企在投入数亿美元之前就能清晰判断项目该推进、调整还是止损时，AI创造的真正价值不仅是提高效率，更是在重新定义创新药研发的“确定性”。（CIS）