文 | 松果财经
扭转市场对一个概念的认知，或许只需要七天。
比如过去这一个星期，医药领域与 AI 相关的事件包括但不限于：
前字节蛋白大模型负责人创立 AI4S 企业，字节跳动拆分的 AI 制药企业新生探途 Anew Labs 获得 2.9 亿美元天使轮融资，诺和诺德官宣与 Anthropic 合作，金斯瑞生物接入礼来 AI 平台为其提供湿实验服务，多部门印发医药 " 十五五 " 规划并单独提到 AI 制药。
一句话概括，AI 制药正在从模型的能力，走向模型和研发体系的成果产出阶段。
一、AI 制药的产业验证终于来了
AI 制药领域的参与者众多，不过总体来看，头部公司正在形成两条路线。
一类公司直接持有药物管线。它们利用 AI 寻找靶点、生成分子、推进临床，最终通过授权或自主销售获得更高收益，但也必须承担临床失败和商业化失败的风险。另一类公司提供平台，为药企提供模型、算力、软件工具或实验服务，不直接持有药物资产，收入来源更接近技术服务和研发外包。
两种模式看起来不同，却共享一个前提：传统药物研发体系的成本、周期和失败率已经难以持续，AI 不再只是研发人员的可选工具，而逐渐成为药企需要掌握的基础能力。
作为 AI 制药核心标的之一，英矽智能的成长，较完整地呈现了 AI 制药从平台走向资产的路径。
2022 年 11 月，赛诺菲与英矽智能在生物科技寒冬中签署潜在总价值 12 亿美元的合作，将六个靶点交给 Pharma.AI 平台攻关。两年后，合作产生了针对转录因子靶点的同类首创先导化合物。
过去，转录因子被不少研发团队视为难以成药，并非因为缺乏生物学意义，而是传统筛选方式难以找到适合小分子结合的有效口袋。AI 平台能够在更大的化学空间中寻找结构，便有机会处理过去长期搁置的靶点。
英矽智能后来与施维雅、礼来、SK 生物制药和武田制药等企业展开合作。公开资料显示，2026 年以来，公司公开披露的对外合作总额已接近 100 亿美元，而上一个财年营业收入才 5624 万美元。以礼来为例，潜在总价值达到 27.5 亿美元；与 SK 生物制药的中枢神经合作潜在总价值为 25 亿美元；与武田的研发联盟金额为 6 亿美元；与施维雅的抗肿瘤药物研发合作金额为 8.88 亿美元。
另一个与之有关的例子是，本月，西湖大学、西湖实验室与西湖制药联合研发的盐酸伊司特韦片，商品名为艾普司韦，获得国家药监局附条件批准上市。它是国内首款依托 AI 辅助研发实现上市的新药。
当然，AI 辅助研发与完全由 AI 主导研发并不完全相同，前者说明 AI 已经进入药物研发流程，后者则需要证明 AI 在靶点发现、分子设计等关键环节发挥主导作用。
但目前，全球完全由生成式 AI 赋能研发并推进至三期的候选药物也是有的，那就是英矽智能的 Rentosertib，用于治疗特发性肺纤维化。该药物已经完成三期临床试验首例患者入组，预计 2029 年读出顶线数据。二期研究中，71 名特发性肺纤维化患者参加随机双盲试验，最高剂量组用力肺活量平均提升 98.4 毫升，安慰剂组下降 20.3 毫升。
市场判断，未来 3 至 5 年，可能出现 AI 主导药物获批或三期成功的案例。
二、稀缺的不只是模型
在垂直领域，AI 制药目前最容易产生误判的地方，是把分子生成速度等同于药物研发速度。
模型可以在数小时内生成数千个候选分子，但实验室仍然需要逐个完成合成、表达、筛选、检测和毒理评估。计算端产生的候选分子越多，实验端承担的工作量反而越大。
正如程序员使用 AI 后，软件开发需求没有消失，反而因为开发成本下降而扩大；同样，AI 能够降低分子设计成本，却可能让药企产生更多实验需求。
这带来了另一个变化。传统实验室主要为研发人员服务，任务往往通过邮件传递，结果以报告形式交付；面向 AI 研发的实验室，则需要直接接收模型任务，用标准接口调度实验，并把结果快速反馈给模型。两者不是简单的效率差异，而是研发流程的底层组织方式发生了变化。
瑞士初创公司 Adaptyv Bio 是 Anthropic 的合作伙伴，此前它为 Claude 完成 1320 条蛋白序列湿实验验证，过去一年收入增长近 10 倍，并完成 4000 万美元 A 轮融资。公司把实验室改造成面向 AI 智能体的物理后端：结合检测每条 79 美元起，API 可以直接连接，结果以机器可读取的结构化形式返回，同时运营含有阴性结果的 Proteinbase 开放数据库，已经收录 3000 多条验证蛋白。
另外，金斯瑞生物科技近期发布的融资计划，也说明 AI 制药的竞争开始向实验基础设施延伸。
9 月 11 日，金斯瑞公告计划配售 7712.6 万股新股，每股配售价 30.50 港元，预计募资净额约 23.27 亿港元。其中 70%，约 16.29 亿港元，将用于扩大 AIDD 平台产能和基础设施，包括自动化高通量湿实验室、相关设备及实验室升级；20% 用于 AIDD 研发、数字化工作流程整合和全球业务拓展。
2026 年上半年，金斯瑞 AIDD 相关业务同比翻倍，并连续三个半年度保持快速增长。基因到蛋白平台约占生命科学事业群收入的 66%，已经成为业务增长的重要支柱。公司约 60% 的全球实验室已经配置了 AI 驱动的自动化工作站，Gene-to-Protein 平台能够把从数字序列到模型可用数据的交付周期压缩至最快 4 天。
对于 AI 研发而言，反馈速度本身就是竞争力。模型完成一次设计后，实验结果越快返回，下一轮模型优化就越早开始；实验结果越标准，模型越容易识别哪些设计值得保留，哪些结构需要淘汰。因此，AI 制药需要建立 " 干—湿—数据 " 闭环。
干端负责提出假设、发现靶点、生成结构和优化候选分子；湿端负责合成、表达、筛选和验证；数字化系统负责把实验结果整理为模型可以继续使用的训练资料。缺少任何一个环节，AI 制药都很难形成稳定生产力。
只有模型，没有快速实验，候选分子会堆积在虚拟空间中；只有实验，没有标准化回流，实验室只是传统 CRO 的自动化升级；只有数据，没有持续迭代的模型，实验结果也无法转化为更高研发效率。
由此可见，行业未来会围绕四种能力展开竞争：实验规模、交付速度、结果可靠性和数据质量。
三、信任与产业闭环成为胜负手
尽管行业在资本市场获得高度关注，但这并不意味着所有 AI 制药公司都具有相同价值。
就像医药产业本身的赛道分层一样，进入 AI 推进的时代，有些企业擅长模型，有些企业拥有药物管线，有些企业具备实验平台，还有些企业掌握临床资源或药企客户。未来单点能力的突出固然重要，但能够把靶点发现、分子设计、实验验证、临床推进和商业合作衔接起来，也会影响公司的生存状态。
目前，英矽智能就正在尝试从 " 平台服务商 " 走向 " 平台加自有管线 " 模式。公司利用 BD 收入培育 First-in-class 管线，未来可能推进自主临床或销售。这样的转向能够提高单个项目的潜在回报，不过也会增加研发支出和临床风险。
比如，谷歌旗下由 DeepMind 拆分成立的 Isomorphic Labs 就既与大型药企合作，也自己持有并推进药物管线。Anew Labs 则定位为端到端 AI 新药发现公司，核心管线是全球首个能够同时抑制 IL-17 家族三类二聚体的小分子抑制剂。
好消息是，这些在不同阶段加入 AI 制药赛道的企业整体都在迎来好时光。礼来等大型药企增加 AI 合作，说明传统药企的态度已经变化。大型药企开始把 AI 纳入靶点选择、分子设计、自动化实验和临床评估等核心流程，既会扩大赛道的需求，也有助于提升辨识度，让初创企业更容易得到市场认可——如果它们确实有可信的技术或成果的话。
不过，AI 进入药企仍然面临三层信任问题。
第一层是研发人员的信任。部分人员担心岗位被替代，企业若只强调效率和降本，容易引发内部抵触。AI 转型需要重新划分权责，让研发人员从重复劳动转向假设提出、结果判断和关键决策。
第二层是科学家的信任。面对缺少历史经验的新靶点，科学家会追问模型为什么认为某个方向值得研究。若模型无法提供可靠依据，或无法解释输出结果，研发团队很难把重大资源交给它。
第三层是行业对模型结果的信任。AI 存在幻觉问题，药企内部资料又分散在不同系统中，名称、格式、实验条件和结果标准可能并不统一。底层资料没有打通时，模型即便生成逻辑完整的结论，也可能建立在错误或缺失的信息上。
从产业链角度看，上述问题不需要一次性得到全部解决，某个环节的突破，都会帮助 AI 制药的机会从模型企业向多个环节扩散。
模型迭代加速，会带来高通量合成需求；实验量增加，会带动自动化设备、试剂耗材和检测服务；数据标准化，会促进生物信息处理和研发软件发展；临床项目增加，会提升临床试验服务、患者招募和医学统计的需求。
金斯瑞的 AIDD 平台扩张，便是上游实验服务承接 AI 需求的例子。Adaptyv Bio 为模型公司提供蛋白验证，也证明实验室可以成为 AI 制药的 " 物理后端 "。未来，实验服务商的价值不只是完成客户交给的任务，而是能否提供标准化、自动化和可持续回流的研发资料。
从投资和公司研究角度看，判断 AI 制药企业不能停留在合作金额、模型参数或融资估值上，更应关注五个问题：
第一，企业是否拥有可验证的自研管线，而不是只有概念展示。
第二，模型产生的候选分子是否能够进入实验，并持续取得可复现结果。
第三，干实验和湿实验之间是否形成稳定闭环。
第四，企业是否拥有药企客户、临床资源和合规能力。
第五，收入来源是一次性服务费，还是能够形成长期授权、里程碑和产品销售回报。
这也是为什么说，真正决定行业走向的，可能不是谁最早生成一个漂亮的分子，而是谁能够把模型、实验、数据、临床与商业化连接起来。假如 AI 真是 " 科学家 "，如何管理好这一个智能时代的 " 团队 "，就是摆在 AI 制药企业面前最有价值的问题。
