Schrödinger（薛定谔）是一个特别的案例：它先做了三十多年的计算化学软件，然后用自己的软件做药。这条「从工具到管线」的路径，与从算法创业直接做药的公司很不一样。
双轮商业模式
| 业务 | 特点 |
|---|---|
| 软件许可 | 收入稳定可预测、毛利高、客户覆盖多数大药企 |
| 自有与合作管线 | 价值上限高但周期长、风险大、需要持续投入 |
这个组合的逻辑是：软件业务提供稳定现金流与技术验证场景，管线业务提供价值上限。同时，自己做药也反过来改进软件——只有真正用自己的工具推进项目，才知道哪里不好用。
但它也有内在张力：客户是药企，而自有管线可能与客户竞争。这个矛盾在类似模式的公司中普遍存在，通常通过聚焦不同治疗领域或明确合作边界来缓解。
技术路线：物理优先
与多数 AI 制药公司押注机器学习不同，Schrödinger 的核心是基于物理的计算：
- 自由能微扰（FEP+，见 276《Schrödinger FEP+》）是其技术核心，精度可达 1～1.5 kcal/mol；
- 力场（OPLS 系列）经过长期参数拟合与验证；
- 近年也大量引入机器学习，但定位是加速物理计算或补充物理方法难以覆盖的性质（如 ADMET）。
| 维度 | 物理方法 | 机器学习方法 |
|---|---|---|
| 数据需求 | 不需要训练数据 | 需要大量标注数据 |
| 外推能力 | 对新化学型相对可靠 | 分布外表现下降明显 |
| 速度 | 慢（GPU-小时级） | 快（毫秒级） |
| 可解释性 | 有物理意义 | 通常是黑箱 |
| 适用范围 | 需要结构、需要正确姿势 | 只需结构式 |
「物理方法对新化学型的外推能力更可靠」是它最实质的技术优势：先导优化中经常要评估从未做过的新骨架，此时机器学习模型落在训练分布之外，而物理计算不依赖历史数据。
大规模计算的应用方式
公司公开描述过的做法是用大规模并行算力做「计算优先」的筛选：在合成任何分子之前，先用物理方法评估数十亿个虚拟分子，只合成计算认为最有希望的少数。这个思路的前提是：
- 有可靠的靶点结构（最好是共晶）；
- 结合模式明确，对接姿势可信；
- 有足够算力支撑大规模 FEP；
- 项目的瓶颈确实在「该合成什么」而非「靶点对不对」。
最后一条最关键：如果靶点生物学假设是错的，算得再准也没用。计算优先的策略只在生物学风险较低、化学优化是主要挑战的项目上才成立。
能学到什么
- 技术积累需要时间：力场参数、算法优化这类基础工作是几十年的积累，不是短期能追上的。
- 物理与 ML 应该互补而非对立：物理方法可靠但慢，ML 快但依赖数据分布。务实的做法是分级使用——ML 做粗筛，物理做精算。
- 用自己的工具做真实项目：这是检验工具价值最诚实的方式，也是改进的最好来源。
- 软件业务能支撑长期投入：新药研发周期极长，有稳定现金流的公司能承受更多次失败。
提示
公司业务、管线与合作变动较快，本文为方向性观察，具体信息请以官方披露为准。物理方法与机器学习各有适用边界，选型应基于项目实际情况而非技术路线偏好。