人形机器人系列更多讨论的是“机器如何进入物理世界”，而 AI 制药讨论的是另一个同样复杂的问题：机器能不能帮助人类更快、更系统地理解生命系统，并把这种理解转化成真正有效的新药。

这个领域很容易被讲成一句话：用 AI 缩短新药研发周期、降低研发成本。但如果只这样理解，反而会低估它的难度。制药不是普通的软件问题，模型生成一个分子并不等于这个分子能合成，能结合靶点也不等于有效，动物实验有效也不等于临床有效。AI 制药真正要解决的，是在高度不确定的生物系统里，把靶点、分子、实验、临床和监管之间的试错过程变得更可计算、更可记录、更可迭代。

所以，我更愿意把 AI 制药理解成一种新的研发基础设施：它不是替代药物化学家、结构生物学家和临床医生，而是把他们过去分散在经验、文献、实验和项目管理里的判断，逐步沉淀为数据、模型和闭环系统。短期看，它是效率工具；中期看，它是药物发现平台；长期看，它可能改变创新药公司的组织方式。

一、产业定位：AI 制药是生物科技里的“研发操作系统”

传统药物研发可以粗略拆成几个环节：疾病理解、靶点发现、苗头化合物筛选、先导化合物优化、临床前研究、临床试验、注册审批和商业化。AI 目前渗透最深的是前端，也就是靶点发现、虚拟筛选、分子生成、ADMET 预测和结构建模。越往后走，实验、临床和监管约束越强，AI 的角色越偏辅助决策。

这意味着 AI 制药不是一条单点产业链，而是一组嵌入药物研发流程的工具、平台和服务。

层级	核心内容	主要价值	研究重点
上游基础设施	GPU/TPU 算力、云平台、数据库、算法框架、结构数据库	提供模型训练、推理、模拟和数据管理能力	算力成本、模型生态、数据可获得性
中游技术平台	CADD、AIDD、AlphaFold 类结构预测、DEL、自动化实验室、知识图谱	把生物和化学问题转化成可计算工作流	数据质量、模型可靠性、实验闭环
下游应用方	大药企、Biotech、CRO/CDMO、临床 CRO、创新药公司	用 AI 提升研发效率、发现新靶点或推进自研管线	管线进展、授权交易、临床成功率

从产业位置看，AI 制药最像“研发操作系统”。上游提供算力和模型，中游把算法和实验变成平台，下游药企把平台结果接入真实研发项目。真正有价值的公司，不只是会写模型，而是能够把模型预测结果变成可合成、可验证、可推进、可监管的候选药物。

二、技术路线：不是单一 AI，而是多种范式并行

AI 制药不是一个技术名词，而是一组方法的集合。不同路线解决的问题不同，也对应不同公司能力。

第一类是 CADD，也就是计算机辅助药物设计。它更偏物理驱动，强调分子对接、分子动力学、自由能计算和结构建模。它的优势是可解释性较强，尤其适合已有靶点结构、已有活性数据和明确结合口袋的项目。Schrodinger 这类公司长期积累的价值，正是在于把物理模拟、化学经验和软件工具做成了药企可用的工程系统。它的限制也很清楚：计算成本高，对全新靶点、复杂构象和超大化学空间的探索能力有限。

第二类是 AIDD，也就是 AI 驱动药物设计。它更偏数据驱动，使用图神经网络、Transformer、扩散模型、生成模型和强化学习来做分子生成、属性预测和多目标优化。它的优势是可以在非常大的化学空间里提出人类不容易想到的候选分子；局限是对训练数据质量高度敏感，生成出来的分子还要经受合成可行性、药代、毒性和真实实验验证。

第三类是 AlphaFold 类结构预测。AlphaFold 2 已经改变了结构生物学的底层工具箱，AlphaFold 3 进一步把预测对象扩展到蛋白、核酸、小分子、离子和修饰残基之间的复合物结构。它的重要性不在于“自动找到药”，而在于降低结构信息门槛，让更多项目可以从结构出发做靶点理解和分子设计。这里需要保持清醒：结构预测不是药物发现的终点，静态结构也不能完全替代动态构象、细胞环境和临床验证。

第四类是 DEL，也就是 DNA 编码化合物库。它的核心是用 DNA 条形码标记海量化合物，在一个体系中筛选数十亿级化合物与靶点的结合，再通过测序回收阳性结果。DEL 的价值不只是筛选通量，更重要的是它能产生规模化实验数据，和 AI 活性预测、虚拟筛选、自动化合成形成闭环。成都先导是国内这个方向的代表样本。

第五类是自动化实验室和数据飞轮。Recursion 这类公司强调的不是单个模型，而是高通量细胞实验、机器人自动化、表型图像、组学数据、自动化分析和模型反馈。它的本质是从“使用公共数据训练模型”转向“自己生产标准化私有数据”。这类路线资本开支很高，但如果跑通，数据壁垒会比单纯算法更深。

第六类是 NLP、知识图谱和临床数据挖掘。药物研发大量信息沉淀在论文、专利、病历、试验记录和真实世界数据中。大模型和知识图谱可以帮助研究人员更快地梳理疾病-靶点-药物关系，做药物重定位、患者匹配和临床试验设计。但这里最大的挑战不是文本生成，而是因果关系、数据质量、隐私合规和临床可验证性。

技术路线	主要解决的问题	成熟度判断	典型公司/平台
CADD	结构建模、分子对接、自由能计算	相对成熟，是药企常用工具	Schrodinger、药明康德、康龙化成等计算化学团队
AIDD	分子生成、属性预测、多目标优化	快速发展，但依赖数据和实验验证	Insilico、Recursion/Exscientia、晶泰科技
AlphaFold 类模型	蛋白结构与复合物结构预测	基础设施化，但仍需实验确认	Google DeepMind、Isomorphic Labs、开源/国产衍生生态
DEL + AI	超大规模筛选和实验数据生成	在苗头发现端价值明确	成都先导、GSK、Pfizer 等平台
自动化实验室	设计-执行-分析-学习闭环	资本密集，壁垒高	Recursion、部分大型药企自动化平台
NLP/知识图谱	文献、病历、试验和真实世界数据挖掘	应用广，但噪音和合规要求高	大模型平台、临床 CRO、药企内部数据团队

这些路线不是互相替代，而是会组合使用。一个成熟的 AI 制药项目，往往需要结构预测提供靶点理解，CADD 做物理约束，AIDD 做分子生成，DEL 或实验平台做验证，自动化系统提供数据回流，临床和监管团队再把结果推向真实患者。

三、商业模式：工具、服务、管线和平台的混合

AI 制药公司的商业模式大致有四类。

第一类是 AI SaaS。公司向药企、Biotech 或 CRO 提供软件授权、云端工具和 API，比如分子建模、虚拟筛选、蛋白设计、生成模型、实验数据管理。优点是收入相对稳定、毛利率较高、客户粘性强；缺点是如果只是工具，很难直接分享药物上市后的巨大收益。

第二类是 AI+CRO。也就是把 AI 能力嵌入药物发现服务中，按项目、阶段成果或里程碑收费。中国在这条路线上有天然土壤，因为国内已经形成完整的 CXO 产业链。药明康德、康龙化成、美迪西、泓博医药等公司原本就有药物发现、临床前评价、合成和工艺能力，AI 的作用是提高服务效率和项目成功概率，而不是单独成为业务本身。

第三类是 AI+Biotech。公司自己持有研发管线，把 AI 用于靶点发现、分子设计和临床前推进，随后通过自研、合作开发或 license-out 实现价值。这个模式天花板最高，但风险也最大，因为最终仍然要面对传统创新药的生物学、临床和监管不确定性。Insilico 的 TNIK 抑制剂、Recursion 的临床阶段管线，以及 Isomorphic Labs 与大药企合作的模式，都更接近这个方向。

第四类是科技巨头平台。NVIDIA 提供 BioNeMo、算力、模型和 NIM 微服务；Google DeepMind/Isomorphic 提供结构预测和药物发现能力；大型云厂商提供算力、大模型和数据基础设施。这类公司未必直接承担完整药物研发风险，但会成为 AI 制药的基础设施供应商。

长期看，单一模式可能都会不够。纯 SaaS 天花板有限，纯 CRO 难以分享药物后端收益，纯 Biotech 现金消耗太大。更现实的路径可能是混合模式：软件平台提供入口，CRO 服务带来现金流，自研管线提升估值弹性，合作授权验证平台能力。

四、公司格局：海外强在底层平台，中国强在工程和场景

全球 AI 制药公司目前并没有出现一个绝对赢家。不同公司领先的维度不同。

Schrodinger 更像长期软件工具标杆，优势在计算化学、FEP、分子建模和药企工作流。Google DeepMind/Isomorphic 更像基础模型和结构预测平台。NVIDIA 更像算力和生命科学 AI 基础设施提供者。Recursion 代表高通量实验和数据飞轮路线。Insilico 代表生成式 AI 加自研管线路线。Exscientia 则是较早把 AI 分子设计推向药企合作和临床阶段的代表之一。

中国公司的结构不太一样。纯 AI 制药平台型公司更多集中在港股、未上市公司或药企内部平台；A 股更容易看到的是 AI+CRO、DEL、分子砌块、临床 CRO 和创新药使用方。也就是说，A 股里很多公司不是“纯 AI 制药公司”，而是“AI 制药产业链参与者”。

产业链位置	海外代表	中国代表/可跟踪样本	关键观察点
基础模型与算力平台	NVIDIA、Google DeepMind、Isomorphic Labs	华为昇腾生态、百度飞桨/PaddleHelix、腾讯云、阿里云等	模型能力、算力可得性、生命科学工具链
计算化学软件	Schrodinger、Certara 等	药明康德、康龙化成等内部计算化学平台	软件产品化程度、客户粘性、替代进口能力
AI+Biotech	Insilico、Recursion、Relay、Isomorphic Labs	英矽智能、晶泰科技、百图生科等	自研管线、临床数据、license-out 能力
AI+CRO / CRDMO	大型药企内部平台、专业 CRO	药明康德、康龙化成、美迪西、泓博医药	AI 是否提升交付效率和项目质量
DEL / 高通量筛选	GSK、Pfizer 等内部平台	成都先导	化合物库规模、命中质量、后续优化能力
分子砌块和工具化合物	Enamine 等	皓元医药、药石科技	化学空间覆盖、交付速度、AI 设计协同
临床与真实世界数据	IQVIA、Medidata 等	泰格医药、药企临床数据团队	患者匹配、试验设计、RWD 合规使用
创新药使用方	Pfizer、Roche、Novartis、Takeda、Lilly	恒瑞医药、百济神州、信达生物、石药集团等	AI 是否进入真实管线和临床决策

从这个角度看，国内并不是在每个环节都落后。原创算法、底层软件和全球药企生态确实有差距；但在 CRO 产业链、临床资源、工程落地、成本控制和试验组织上，中国有自己的结构性优势。AI 制药的竞争不是只比谁模型论文多，而是要比谁能把模型、实验、临床和商业合作串起来。

五、国内外差距：算法差距之外，更要看数据和验证

国内外差距可以分成四层。

第一层是底层算法和软件工具。AlphaFold、BioNeMo、Schrodinger 等工具和平台仍由海外定义，国内更多是应用、复现、工程化和局部创新。这个差距短期很难完全抹平。

第二层是高质量专有数据。制药领域不是互联网文本，公开数据通常噪音大、标准不一、负样本缺失，真正有价值的是长期积累的实验数据、失败数据、药代毒理数据和临床数据。Recursion 的自动化实验平台说明，未来壁垒可能不在于单个模型，而在于谁能持续生产标准化、可回流、可训练的数据。

第三层是临床验证。AI 发现候选分子只是开始，真正决定成败的是临床安全性和有效性。很多 AI 制药公司的商业叙事，都要在 2026-2028 年进入更关键的验证阶段。只要还没有批量出现 AI 发现药物获批，行业就不能把“提高临床前效率”直接等同于“提高最终成功率”。

第四层是监管和合规。FDA 已经在 2025 年发布关于使用 AI 支持药品和生物制品监管决策的草案指南，并在 2026 年与 EMA 共同提出良好 AI 实践原则。监管方向很清楚：AI 可以用，但必须说明使用场景、数据治理、模型可信度、风险评估、生命周期管理和人类监督。未来 AI 制药公司的能力，不只是模型效果，还包括能不能被审评机构理解和接受。

六、为什么 AI 制药仍然很难

AI 制药最容易被低估的，是生物学本身的复杂性。

第一，靶点不是孤立变量。一个基因或蛋白在不同细胞类型、疾病阶段、患者人群和微环境下可能有完全不同的作用。模型可以提出关联，但关联不等于因果。

第二，分子不是只有活性。一个药物候选物要同时满足活性、选择性、溶解度、代谢稳定性、安全性、可合成性、剂型、专利空间和商业价值。AI 可以做多目标优化，但多目标之间往往互相冲突。

第三，实验数据不是天然干净。不同实验室、不同批次、不同细胞系、不同测定方法都会引入偏差。模型训练最怕的是把实验噪音当成规律。

第四，临床结果高度不确定。临床试验失败可能不是分子设计错了，而是适应症选择、人群分层、终点设计、剂量、联合用药和试验执行出了问题。AI 可以辅助，但很难完全替代临床判断。

第五，商业化验证周期长。软件公司可以快速迭代产品，药物研发则要以年为单位验证。AI 制药公司的估值弹性很大，但真正兑现需要管线、交易和临床数据共同证明。

七、跟踪框架：不要只看“用了 AI”，要看能不能形成闭环

后续跟踪 AI 制药行业，我会重点看八类指标。

指标	观察意义
真实管线进展	是否从发现阶段进入 IND、临床 I/II/III 期，而不是停留在平台展示
临床验证质量	是否有安全性、有效性、剂量反应、人群分层等可解释数据
实验闭环能力	是否具备自动化实验、失败样本回收和模型迭代机制
数据资产质量	数据是否标准化、私有化、可复用，是否覆盖负样本和多模态信息
合作药企质量	合作对象是否为大药企或强研发药企，合作是否有首付款和里程碑
license-out 能力	平台发现的项目是否能获得外部药企认可
单项目效率	从靶点到 PCC、从 PCC 到 IND 的周期是否真实缩短
监管可接受性	模型输出是否能够被审评文件解释、追溯和验证

这套框架里，最重要的不是公司说自己用了多少 AI，而是 AI 有没有改变研发结果。一个项目如果只是把 AI 写进 PPT，但没有更快的候选物、更好的实验命中率、更清晰的临床设计或更高质量的对外授权，就很难形成真正壁垒。

八、阶段性判断

AI 制药目前处在从“工具叙事”走向“临床验证”的过渡期。

短期看，最确定的价值仍然在前端研发工具和服务环节。CADD、虚拟筛选、分子生成、结构预测、DEL、文献挖掘和临床试验辅助，都会成为药企和 CRO 的标配。A 股中更容易看到的机会，也主要是 AI+CRO、DEL、分子砌块、临床 CRO 和创新药公司内部研发效率提升。

中期看，行业会进入分化。能够拿出临床数据、授权交易和真实项目效率的公司，会逐步与只做概念平台的公司拉开距离。纯 AI 叙事会降温，数据飞轮、实验闭环、管线质量和监管能力会变得更重要。

长期看，如果 AI 能持续提高靶点发现质量、分子优化效率和临床试验设计水平，那么创新药产业的竞争要素会发生变化。过去拼的是药物化学经验、临床资源和销售能力；未来可能更强调数据资产、模型系统、自动化实验和跨学科组织能力。

但在这个阶段，我不愿意把 AI 制药简单写成“颠覆传统药企”。更准确的说法是：AI 会先成为强药企和强 CRO 的效率放大器，再逐步孕育出新的平台型 Biotech。真正的拐点，不是某个模型发布，而是 AI 发现或 AI 深度参与的药物，在临床和商业上连续证明自己。

上述内容仅为个人学习和研究目的，不构成任何投资建议，也不保证信息完整、准确或及时。 涉及公司、行业、市场和策略的内容，都应被视为阶段性观察，而不是确定性结论。

Newsletter

订阅后续文章

如果这篇笔记对你有帮助，可以留下邮箱。新文章发布时，我会把研究笔记直接发给你。