核心内容摘要
《竹马继兄HE了阮圆圆》从青梅竹马到重组家庭，这种感情线到底甜在哪？长条目拆成上下篇，通勤读完一篇刚好，到站不憋屈。收藏、稍后读和笔记同步比较稳，复习旧内容不用重新翻半天。天文地理健康科技都有覆盖，单篇不长，信息密度却够用。方法比结论更让人长进，带出应用后在生活里也继续生效。连续高强度翻看也不容易心累。作为主力科普入口长期留下很合适。
《竹马继兄HE了阮圆圆》从青梅竹马到重组家庭，这种感情线到底甜在哪？
你有没有刷到过那种小说推荐，标题写着“竹马继兄HE了阮圆圆”，然后底下评论区一片“磕到了磕到了”？我一开始看到这个标题的时候，脑子里冒出一堆问号。竹马就竹马，继兄就继兄，这两个身份叠在一起，还能HE？这不是妥妥的伦理修罗场吗？
结果点进去看了几章，好家伙，真香。今天咱们就来聊聊，这种“竹马变继兄”的设定，到底为什么能让这么多人上头。
一、先搞明白：竹马继兄是个什么组合？🤔
自问自答一个核心问题：竹马和继兄，怎么就能是同一个人？
简单说就是——女主阮圆圆从小跟男主一起长大，两家住得近，男主是她青梅竹马的玩伴。后来因为某些原因，男主的妈妈和女主的爸爸结婚了，两个人从“发小”变成了“兄妹”。但没有血缘关系，只是法律意义上的继兄妹。
这个设定妙就妙在，它同时踩中了两个经典情感模式的爽点：
第一层：竹马滤镜。 从小一起长大，知根知底，你穿开裆裤的样子我都见过。这种熟悉感带来的安全感，是任何天降系都替代不了的。
第二层：禁忌张力。 名义上是兄妹，实际上没有血缘。这种“明明可以靠近，但中间隔着一层窗户纸”的拉扯感，比直接谈恋爱刺激多了。
有数据显示，在网文平台的情感类作品中，“青梅竹马+伪兄妹”这个标签的组合点击率，比单纯的青梅竹马高出将近三成。读者就吃这一套。
二、这种感情线的核心吸引力在哪？🎯
我琢磨了一下，大概有三个点：
1. 从“习惯”到“心动”的转变过程
普通青梅竹马的故事，往往是“我一直把你当朋友，突然有一天心动了”。但加了继兄这个身份之后，转变变得更复杂。因为男主不仅要面对“我喜欢她”这个事实，还要面对“我现在是她哥”这个尴尬处境。这种内心挣扎，比单纯的暗恋有看头。
2. 家庭关系的微妙平衡
两个人如果在一起了，家庭聚餐怎么坐？爸妈怎么喊？过年红包还给不给？这些现实问题，反而成了故事里制造甜点和冲突的素材。写好了，特别有烟火气。
3. 保护欲的合理化
男主对女主的保护，在“哥哥”这个身份下变得理所当然。但读者知道，他护着她的时候，心里想的可不是“我是她哥”那么简单。这种表里不一的反差，就是糖分来源。
| 阶段 | 男主心理 | 女主心理 | 读者感受 |
|---|---|---|---|
| 青梅竹马期 | 习惯性护着她 | 依赖这个玩伴 | 温馨 |
| 重组家庭初期 | 尴尬、想躲 | 不知所措 | 揪心 |
| 暧昧拉扯期 | 想靠近又怕越界 | 隐约察觉但不敢确认 | 上头 |
| HE阶段 | 终于不用装了 | 原来你一直都在 | 满足 |
上面这个表，基本就是这类故事的经典节奏。你看一眼就明白，为什么读者会一章一章追下去。
三、阮圆圆这个角色，为什么让人代入感强？👧
说实话，这类小说里的女主，如果写不好就容易变成“傻白甜”。但阮圆圆这个角色，我看了一些读者的反馈，大家普遍觉得她“不讨厌”。
原因大概有几个：
她不是被动等待的。 虽然男主一直在护着她，但她自己也有成长线。该学习学习，该工作工作，不是那种离了男主就活不了的设定。
她对感情有觉察。 不是那种“全世界都知道他喜欢我，就我不知道”的类型。她能感觉到男主的态度变化，只是不确定该怎么回应。
她有分寸感。 知道两个人变成继兄妹之后，主动调整相处方式。这种成熟，反而让男主更着急。
我个人觉得，一个让读者喜欢的女主，不一定要多厉害多完美。重要的是她的反应符合正常人的逻辑。你遇到这种事，你也会犹豫，也会纠结，也会想东想西。读者能在她身上看到自己的影子，才会跟着她一起心跳加速。
四、这种故事为什么容易HE？💞
有人可能会问：又是竹马又是继兄，关系这么复杂，怎么就一定能HE？
我观察下来，有几个原因：
感情基础太厚了。 从小到大的陪伴，不是随便什么矛盾就能拆散的。两个人之间有大量的共同回忆，这些回忆就是感情的压舱石。
没有真正的血缘障碍。 这是最关键的。如果是亲兄妹，那再怎么拉扯都是死局。但继兄妹不一样，法律上允许，伦理上虽然有点争议，但在小说世界里，读者接受度很高。
家庭内部反而可能助攻。 很多这类故事里，爸妈再婚之后，反而希望两个孩子关系好。这种“家长默许”的设定，给男女主减少了外部阻力。
读者期待就是HE。 大家看这类小说，就是奔着甜去的。作者如果写BE，评论区能炸锅。所以从创作角度来说，HE是顺应市场需求的。
——
说到这儿，我想起一个读者的评论。她说：“看这种文，就是图个安心。知道他们最后会在一起，中间不管怎么虐，我都能扛住。”这话挺实在的。生活已经够累了，看小说不就图个圆满嘛。
五、个人观点：这类故事的走红，说明大家渴望什么样的感情？💡
最后说点我自己的想法。
“竹马继兄HE了阮圆圆”这种设定能火，我觉得不只是因为甜。它其实反映了一种很深的心理需求——大家渴望一种“兜兜转转还是你”的确定性。
现在这个社会，认识一个人太容易了，换一个人也太容易了。但正因为选择太多，反而让人不安。你不知道眼前这个人，会不会明天就走了。
而竹马继兄这个设定，恰恰提供了一种稀缺的安全感：他从一开始就在，而且他一直都在。 不管身份怎么变，关系怎么绕，他始终是那个最了解你、最不会离开你的人。
这种感情，甜是其次的，稳才是核心。
当然，现实里不一定非要找竹马，也不一定非要搞什么继兄设定。但这种“长期陪伴、深度了解、彼此兜底”的感情模式，确实是很多人心里真正想要的。
所以，与其说大家在磕阮圆圆和继兄的CP，不如说大家在磕一种理想中的亲密关系——你不用完美，你只要一直在。
📕作者： 史芸撰 · 更新于 2026-10-07 10:17:18
复刻“半导体时刻”？AI制药版的“瓶颈交易”正在成形，谁是下一个“卖铲人”
10月4日，顶级美元基金Altimeter Capital合伙人Freda Duan近日发文指出，AI制药赛道（AIDD）的"瓶颈交易"正在成形，其结构与此前半导体领域从GPU延伸至HBM、网络、电力的链式行情高度相似。 前沿AI实验室的集体入场是最显著的信号。Anthropic组建了专属生命科学研究团队并建立湿实验室，OpenAI 建立了专为生物学和药物发现设计的 GPT-Rosalind 模型族，字节跳动旗下独立运营的 Anew Labs 已拥有内部药物研发库，同构实验室（Isomorphic Labs）则明确表示将把 AI 设计的药物推进人体临床试验。 与此同时，供应链端的信号同样清晰。DNA 合成商拓斯达生物（Twist Bioscience，TWST）预计2026财年和2027财年的AI药物发现订单将连续实现三位数百分比增长。金斯瑞（GenScript）的 AI 药物发现业务在 2026 财年上半年同比翻倍，渠道调研显示其实际验证产能已达每日约8,000个设计，并有望在 2026 年底前提升至 16,000 个。 在AI制药领域，瓶颈同样在沿产业链向下传递：AI模型产生设计→DNA合成→蛋白生产→实验验证→临床前测试，每个环节都可能成为下一个受益节点。 Anthropic已将生命科学研究提升至战略层级，其湿实验室完成的首个重大项目是利用Claude智能体识别了一种与CRISPR类DNA重复序列相关的、此前未被表征的酶系统。 字节跳动的前AI药物发现部门现已独立运营，更名为Anew Labs，整合了基础模型、湿实验室验证与自有药物管线，字节跳动仍持有多数股权。 这意味着AI药物发现的商业化路径正在分叉：授权给大型药企、合作里程碑+专利费、或直接孵化独立公司。对于下游供应链而言，无论哪条路径，实验需求的增量都将真实发生。 第一，假设生成趋近于零成本，实验验证成为新瓶颈。传统药物发现中，专家筛选候选分子的成本极高，能够进入昂贵验证流程的只有最高置信度的候选项。 第二，失败的实验同样有价值，负样本成为训练数据。Anthropic提供了一个典型案例：Claude设计了1,320个蛋白结合子，Adaptyv将这些数字序列转化为DNA、表达蛋白并测试结合性，最终只有354个成功结合。 但另外966个失败案例并未被浪费——什么不表达、什么不结合、什么亲和力差，这些都是有价值的负向标签，用于训练下一轮模型迭代。传统药物发现只问"候选X有效吗"，AI药物发现还额外追问"这个实验能教给模型什么"。 第三，湿实验室正在从制造药物转型为制造训练数据。TWST明确表示，其业务正在转向从AI设计序列中生成可直接输入模型的结构化实验结果数据。GenScript的序列到结合数据工作流可在4至7天内返回结果。 在部分工作流中，客户关心的可能已不是获得物理蛋白本身，而是将结构化实验结果反馈回模型。TWST和GenScript因此愈发接近"生物数据铸造厂"的角色。 TWST预计FY26的AI药物发现订单增速将达三位数百分比，且FY27的订单增长将延续同等幅度。GenScript的AI药物发现业务在2026财年上半年实现同比翻倍，其平台对外宣传的工业级验证产能为每日4,000个以上设计，配备完整的序列到数据工作流。 在市场规模方面，若AI只是更高效的研发工具，相关支出池为每年3,000至4,000亿美元的全球制药研发总支出。若AI真正扩大了可行药物项目数量，机会将更大，因为它还将带动DNA合成、蛋白生产、实验验证和临床前工作的增量需求。 此外，从AI公司自身的支出角度也可做出近似估算。若Anthropic在2026年实现800亿美元年化收入，仅将其中1%投入AI药物发现，便已意味着约8亿美元的年度投资体量。 Exscientia的DSP-1181分子在不到一年内从发现推进至I期临床，但随后因未达到目标机制的I期评估标准而终止。彼时的失败有两个明确原因：宏观环境急剧收紧，叠加"更快的发现不等于更好的临床生物学"被残酷证实。 2020/21年的核心逻辑是：用计算减少低价值的湿实验室筛选，AI是搜索效率工具，目标是减少物理实验量，以更少的合成和更少的测试更快锁定候选药物。 2026年的核心逻辑截然不同：用AI大幅扩展假设空间，再用湿实验室生成真实验证数据。其内在循环为：AI→实验→数据→更好的AI→更多实验。AI创造的可用实验数量之多，使物理生物学本身成为瓶颈。 从已有数据来看，2024年一项研究显示，AI发现药物的I期成功率约为80%至90%，高于行业历史平均水平；II期成功率约为40%，与历史平均水平大致相当，但样本量仍有限。 随着更多候选药物被推入临床前阶段，动物实验或将成为下一个受限环节。灵长类动物价格已接近此前高点，CRO产能持续偏紧，AI药物发现进一步压入临床前的候选项只会加剧这一压力。 2026至2027年底，Isomorphic首批AI设计药物进入人体临床试验，更多AI原生项目推进至IND-enabling阶段；2028至2030年，临床试验结果开始揭示AI设计药物是否真正优于传统药物。 长期看，若AI药物在发现阶段和I期表现亮眼，却在II/III期以正常失败率落败，整个投资逻辑将面临根本挑战，这也是为何II期临床结果如此关键。 生物学可能成为AI下一个递归自我改进的前沿——在计算机中设计，在实验室中测试，将实验反馈转化为半合成训练数据，改进模型，周而复始。
📸 记者 达永健 摄 · 更新于 2026-10-07 10:17:18
