礼来最近做了一件有点反直觉的事：把TuneLab2.0的推理基础设施整个外包给了Tamarind Bio——一家成立不到三年、全职团队只有20人、从来没有发过一篇模型论文的公司。

Tamarind Bio的起点很朴素。创始人Deniz Kavi当时在斯坦福医学院做软件工程，每天目睹湿实验室生物学家和计算科学家之间"不可持续"的交接循环：前者不会写代码，每次要跑AlphaFold都得发邮件求人，等结果，下次再重复一遍。他拉上同样斯坦福出身、有AWS云计算背景的联创Sherry Liu，解法直接：把顶级模型包一层好用的界面。

产品上线第一个月，600个用户涌进来。此后仅靠两位创始人，一年内把年收入做到七位数，与全球前20大药企中的多家建立了合作。2024年进入YC W24批次，2026年初完成Dimension Capital领投的1360万美元A轮。现在平台上有300多个分子设计和预测工具，用户覆盖全球数万名科学家。 

在AI4Bio这个赛道，外界的目光几乎全部集中在模型上。谁的蛋白质结构预测更准，谁的分子生成更快，谁又在Nature上发了新架构。Tamarind一篇都没有。他们做的事情更接近云服务商：把AlphaFold、RFdiffusion、MPNN这些别人造的模型接上稳定的API，配上安全的多租户架构，让不会写代码的生物学家也能直接跑。听起来像是在给别人的成果做嫁衣。

但这恰恰是礼来需要的东西。大药企造模型不是问题，礼来本身就有几十年积累的专有数据和内部AI团队。真正的问题是：这些模型怎么交到合作Biotech手里？每家公司的数据要隔离，权限要管理，推理要稳定，界面要让不是计算科学家的人也能用。这一层听起来是"工程实现"，但做不好就是整个平台的瓶颈。礼来不想自己来做这件事，也没有理由这么做。

Tamarind的价值就在这里。他们用两年时间把300多个分子设计和预测工具交到了全球数万名科学家手中，客户覆盖全球前20大药企中的多家，年收入七位数，全程只有两个创始人在推。礼来在选合作方时，看的正是这份记录。

AI4Bio走到今天，最前沿的模型已经不缺了——AlphaFold3、RFdiffusion、ESM系列，学术界的供给速度远超产业界的消化速度。真正的卡点从"有没有好模型"变成了"好模型怎么落地"。湿实验室的生物学家不是软件工程师，他们不想学命令行，不想配云凭证，不想处理GPU报错。这中间的鸿沟没有人天然有义务去填，但谁填好了，谁就在整个产业链里卡住了一个关键位置。

Tamarind占的就是这个位置。他们从不声称自己在做最难的科学，也不参与模型论文的军备竞赛。他们做的事情更接近一个翻译层——把计算生物学的前沿成果翻译成普通科学家能用的工具。这件事在AI4Bio的叙事里不够性感，但在礼来的采购决策里，它是决定性的。

大药企凭什么看上一家不造模型的公司？因为他们最终需要的不是模型，是一个能让模型真正工作的系统。这两件事不一样，而且越来越不是同一批人在做。