MDR-001

制药AI到底是替代还是成就？一个问题，两个答案。 一线研发人员担心：数据对不对？够不够专业？能不能替代我？ 制药高管们看到的却是——更低的成本、更快的周期、更大的市场回报。 但实践才是检验真理的唯一标准，从2025年DeepSeek爆火，到近期英矽智能达成25亿美元合作案，行业用真金白银站了队。 而这场制药AI的变革，并非爆火的2025年，它真正的起点，要追溯到1956年的那个春天——AI概念首次被提出。 本篇，我们梳理了"制药AI发展大事记"的时间轴，带你回看这门技术如何用了近70年，从实验室走进药企决策层，从“被质疑”走向“被验证”。  01 早期探索（1956—2011年） 从概念到计算机辅助药物设计 1956—1980年 AI制药的雏形期 这一阶段，AI制药的理论和技术尚在积累与探索之中，整个领域处于早期萌芽阶段。 1981年 CADD正式面世 1981年10月5日，《财富》杂志发表封面文章“下一次工业革命：默克公司通过计算机设计药物”，宣告计算机辅助药物设计（CADD）正式登上历史舞台。 同年，AI在制药领域的应用首次被《Discovery》杂志报道。 1996年 CADD成果获临床验证 第一款基于受体结构设计（SBDD）的药物——碳酸酐酶抑制剂成功上市，用于治疗青光眼，CADD在药物研发中的价值得到正式验证。 2011年 IBM沃森高调入局 AI机器人沃森在一档智力竞猜节目中击败人类冠军，IBM随即高调成立沃森健康（Watson Health），宣称要“解决80%的癌症难题”。但这一尝试最终失败，烧掉数十亿美元后未达预期。 02 深度学习革命开启 （2012—2014年） 2012年 深度学习元年 Alex Krizhevsky等人提出的深度学习模型AlexNet在ImageNet竞赛中获胜，彻底击败其他机器学习方法，被视为深度学习革命的开端。 同年，谷歌X实验室的神经网络在数百万个YouTube视频中自行学会了识别猫。 2012年 首批AI制药公司诞生 超过80%的AI制药公司成立于2012年前后，包括Atomwise（基于结构的小分子筛选）、Exscientia（靶点发现和小分子设计）、AbCellera（抗体设计）等。 2013年 更多玩家入场 BenevolentAI、Cyclica、Recursion Pharmaceuticals等AI制药公司相继成立。 2014年 晶泰科技创立 晶泰科技（XtalPi）在美国麻省理工学院校园创立，此时市场上甚至还没有“AI制药”的概念。 同年，英矽智能（Insilico Medicine）创始人Alex Zhavoronkov也开始将AI与生物学、化学联系起来。 03 概念验证与初步突破 （2015—2019年） 2015年 Atomwise将深度学习引入制药 Atomwise推出首个深度学习神经网络AtomNet，用于预测分子与蛋白质靶点的相互作用，将AI从理论带入实践。 同年，AI在药物发现领域仍停留在理论探索阶段。 2016年 晶泰科技一战成名 辉瑞组织全球盲测比赛，晶泰科技对三个未发布药物分子的晶型预测达到100%准确率，将传统数月流程压缩至数天。 2017年初，晶泰正式成为辉瑞供应商，拉开中国AI制药登上世界舞台的序幕。马化腾打破腾讯不投生物医药的惯例，晶泰获得2400万元投资。 2017年 大型药企首次入局 葛兰素史克（GSK）与Exscientia签署3300万英镑合作，成为首批公开的AI-制药大型合作之一，标志着大型药企正式入场。 2018年 生成式AI应用于分子设计 英矽智能利用生成对抗网络（GANs）创建针对特定生物学特性优化的新型分子结构，证明AI不仅能加速流程，还能创造全新流程。 同年，药明康德领投英矽智能。 2019年 诺华与微软战略合作 诺华与微软达成多年战略联盟，将AI嵌入从早期发现到临床开发的整个价值链。 同年，英矽智能在21天内预测出DDR1靶点的分子并完成验证，实现重要概念验证里程碑。 04 里程碑之年（2020年） AI药物进入临床 2020年1月 全球首个AI设计药物进入临床试验 英国Exscientia宣布，其AI平台设计的强迫症药物DSP-1181获准进入I期临床试验，成为全球第一个由AI设计的分子进入临床。 2020年 AlphaFold2攻克50年难题 DeepMind的AlphaFold2在CASP14蛋白质结构预测竞赛中斩获92.4分，预测分辨率达到近原子级别，攻克了“从氨基酸序列预测蛋白质三维结构”这一50年难题，被《科学》评为2020年十大科学突破之一。 2020年 资本热潮启动 Exscientia的里程碑事件让国内AI制药领域投融资猛增7倍至31亿元人民币。晶泰科技获得3.188亿美元C轮融资，创下当时全球AI药物研发领域融资额最高纪录。 05 巨头入局与资本狂潮 （2021—2022年） 2021年 国内融资超80亿元 国内AI制药领域完成投融资事件113起，融资总额超80亿元。 2021年11月 英矽智能AI药物进入临床 英矽智能宣布其AI平台发现的ISM001-055（后命名为Rentosertib）完成首次人体微剂量试验给药，这是全球首个由端到端AI平台发现并进入临床的候选药物。 2022年 英矽智能与赛诺菲达成12亿美元合作 双方签署战略合作协议，推进基于不超过6个创新靶点的候选药物研发，总潜在价值最高可达12亿美元。 2022年 Recursion与罗氏达成超120亿美元合作 06 行业调整与理性回归 （2023—2024年） 2023年 ChatGPT带火AI制药 ChatGPT的爆发再次将AI制药推向风口。中国科技部启动“人工智能驱动的科学研究”专项部署。 同年，强生组建6000人数据科学团队，赛诺菲宣布要成为“首家AI驱动药企”，罗氏27亿美元收购Telavant。 2024年4月 赛诺菲宣布“All in AI”战略 赛诺菲进一步明确成为首家大规模AI驱动制药公司的目标。 2024年6月 晶泰科技港交所上市 双晶泰科技在港交所挂牌上市，成为首家通过18C特专科技规则上市的公司，被称为“中国AI制药第一股”。 2024年8月 Recursion与Exscientia合并 两家AI制药头部公司宣布合并，交易金额6.88亿美元，成为AI制药领域迄今最大的一笔并购。 2024年9月 Rentosertib公布IIa期阳性数据 英矽智能的Rentosertib公布IIa期临床试验阳性数据，从靶点发现到IIa期临床仅耗时18个月，研发成本降至传统模式的万分之五。 同年，药融云品牌升级为摩熵数科，成为业界唯一涵盖生物(B)、化学(C)、药学(P)、医学(M)的全产业链数据平台，深度融合生命科学(BT)、数据科学(DT)与人工智能(AI)三大核心技术，深耕生命科学领域。 2024年10月 诺贝尔化学奖授予AI科学家 David Baker、Demis Hassabis和John Jumper因在AI蛋白质预测和设计领域的贡献获得诺贝尔化学奖。 同年，摩熵医药与全国药品交易大会达成深度合作，长期主办“DATA+AI医药营销大会论坛，为大众带来新的启迪与认知。 07 临床验证与监管突破 （2025—2026年） 2025年4月 FDA里程碑新政 FDA宣布逐步取消单抗类药物动物实验要求，转向AI计算模型与人体类器官实验室。 同年，摩熵数科获评宁波重点招商引智项目，打造AI+分子科学新标杆。 2025年 Rentosertib获正式命名 英矽智能的AI设计纤维化候选药被正式命名为Rentosertib，成为首个人工智能发现并获正式命名的候选药物。 同年，摩熵数科与柯基数据战略合作，打造医药AI知识平台。 2025年10月 国内首款AI赋能制剂新药完成III期 MTS-004完成III期临床试验，成为国内首个完成III期临床试验的AI赋能制剂新药。 2025年12月 中国首个AI设计药物启动III期 国内AI制药公司的口服减重药MDR-001启动III期临床试验，靶点和分子由AI辅助设计，研发周期仅4.5年。 2026年6月 英矽智能与SK生物制药达成25亿美元合作 双方聚焦神经免疫性疾病领域，潜在交易总金额超过25亿美元。 同年，字节跳动AI制药业务线启动拆分与独立融资。 同年，浪潮云与摩熵医药签约推出国内首个医药AI数字人智能陪练，DATA+AI让合规与专业成为本能。 2026年7月 AI生物医药今年最值得看的两天 7月2-3日，上海，2026人工智能与生物医药生态大会几乎覆盖了AI制药下一阶段最值得关注的技术走向、产业焦点和合作机会。 7月3日，工学博士，摩熵创始人兼CEO，王中健将在AI+前沿技术论坛分享“BCPM数据基座赋能医药行业AI落地应用”。 就在这个从“验证”走向“落地”的关键节点—— 2026年7月2-3日，2026人工智能与生物医药生态大会（AIBC 2026） 将在上海举办。这场1500人规模的行业盛会，汇聚了恒瑞医药、赛诺菲、复星医药、华为制药军团等产业巨头，以及来自清华、北大、复旦、浙大、上海交大等顶尖学术机构的一线研究者。 大会将集中呈现新的八大趋势方向：研发起点前移、数据底座升级、模型可信度提升、药物形态泛化、设计目标扩容、组织模式革新、迭代逻辑闭环、覆盖全周期——几乎覆盖了AI制药从技术到产业的所有核心议题。 而在“AI能否真正落地”这个制药人最关心的问题上，摩熵创始人兼CEO王中健博士将在本次会议的“AI+前沿技术论坛”中，分享一个关键答案：BCPM数据基座如何赋能医药AI从概念走向实用。 医药AI落地长期受制于数据孤岛、标准缺失、专业语料不足等痛点——AI再强，没有高质量数据支撑，也只是“空中楼阁”。王博士将围绕BCPM（生物、化学、药学、医学） 全域数据基座的建设实践，展示如何打通研发、临床、注册、市场等环节的数据壁垒，为行业垂类模型训练提供底层支撑。 目前，基于BCPM数据基座，已落地新药智能筛选、临床试验设计、文献智能解析、注册申报辅助、真实世界研究、产业产品分析等多项AI应用，形成“数据赋能→场景落地→迭代优化”的产业闭环，有效压缩研发周期、降低试错成本。 换句话说：当一部分人还在争论AI会不会替代制药人时，另一部分人已经在用数据基座把AI变成日常工具。 这场分享，或许就是判断“替代还是成就”最务实的一个注脚。 趋势方向 核心变化 研发起点前移 从“已知靶点做分子优化”延伸到“疾病系统建模”，通过多组学、临床数据、空间转录组等整合，实现原创靶点发现，成为源头创新新入口。 AIBC 2026中，相关议题把这种“研发起点前移”的脉络呈现得更加清楚。例如： ●Towards building a Virtual Cell World Model by AlphaCell（刘琦，同济大学） ●Linking spatial transcriptomics to clinical phenotypes through interpretable AI（段斌，上海交通大学） ●多组学+AI，创新药研发“经验试错”到“数据驱动”的范式变革（季序我，普瑞基准） ●从解读到编程：AI虚拟细胞构建及其在细胞命运调控中的应用（李鑫，中国科学院动物研究所） ●人工智能驱动的靶标发现与新配体设计（朱峰，浙江大学） ●构建人工智能药物设计平台加速新型靶标的确证与苗头分子发现（卞月珉，上海大学） ●AI科学家赋能原创靶标发现与验证（郑双佳，上海交通大学/临港实验室） ●AI+量子计算：找到下一个千亿级 GLP 靶点的瑞士军刀（李翛然，医图生科） 数据底座升级 从单模态数据处理转向多模态、多尺度生物数据统一表示，竞争焦点从模型参数大小转向数据连接、跨尺度推理能力。 从AIBC 2026的相关议题看，这一趋势正在进一步走向系统化和深入化。代表性议题包括： ●Language models of biomedical sciences or language models for biomedical sciences（徐峻，中国科学院医学技术研究所） ●基于人工智能构建全自动冷冻电镜结构解析（申怀宗，深圳医学科学院） ●细胞转录反应重塑分子表征空间用于高效和多尺度的药物发现（裴剑锋，北京大学/英飞智药） ●基于蛋白词表的虚拟筛选方法（田博学，清华大学） ●Advancing AI for Biomedical Discovery: Foundation Models, Agents, and Safeguards（张载熙，上海交通大学） ●冷冻电镜与AI在制药研发中的应用（孔佑心，赛诺菲） ●通晓化学语言，助力药物分子的设计和优化（焦阳，达索系统） ●SpectraAI: AI-Driven Molecular Identification and Discovery（夏俊，香港科技大学（广州）） 模型可信度提升 从黑箱模型转向融合结构生物学、物理规律、分子动力学的机制约束，解决复杂靶点、动态构象等问题，兼顾“生成能力”和“可解释性”。 代表性议题包括： ●结构生物学中的计算问题：从算法到应用（马剑鹏，复旦大学） ●AI和物理深度融合的新药发现软件平台DrugFlow的开发（侯廷军，浙江大学/碳硅智慧） ●ViSNet-PIMA：基于长程作用精确建模的生物分子性质计算与动力学模拟（王童，清华大学） ●物理驱动的AI生物分子动力学的时序建模（刘子敬，粤港澳大湾区数字经济研究院） ●攻克难成药靶点-AI重塑变构药物研发（沈倩诚，宇道生物） ●基于量子生成特征求解的大模型药物分子精准设计（廖俊，中国药科大学） 药物形态泛化 从仅服务小分子研发，扩展至抗体、蛋白药、RNA药物、环肽等多类型分子设计，针对不同形态建立专属的AI优化体系。 代表性议题包括： ●人工智能蛋白质药物设计平台及镇痛药物研发（陈海峰，上海交通大学/智药元创） ●抗体从头生成与可开发性一键评估（葛虎，唯信计算） ●A Data-Driven AI Approach for Multi-Parameter Antibody Therapeutic Design（赵伟安，寻明生科） ●功能核酸从头设计（韩达，中科院杭州医学研究所） ●人工智能驱动的RNA精准治疗（褚晏伊，中国科学院分子细胞科学卓越创新中心） ●人工智能驱动的新生抗原个体化肿瘤治疗性疫苗的开发（张弛，上海生物制品研究所） ●AI驱动的个性化 mRNA 肿瘤疫苗：从新抗原到递送（李晓林，中国科学院杭州医学研究所） ●干湿一体化环肽药物研发智能体（邹一可，上海交通大学） 设计目标扩容 从仅关注“分子活性”前置纳入可开发性、CMC适配性、生产工艺风险等产业端要求，避免“活性好但无法落地”的问题 从AIBC 2026的相关议题看，这一方向正在得到更具体、更系统的展开。代表性议题包括： ●抗体从头生成与可开发性一键评估（葛虎，唯信计算） ●A Data-Driven AI Approach for Multi-Parameter Antibody Therapeutic Design（赵伟安，寻明生科） ●Membrane Protein Solubility Design as Novel Therapeutics（庆睿，上海交通大学） ●Hybrid Modelling Approach for Prediction and Control of Monoclonal Antibody’s Glycosylation（彭军滇，A*STAR Bioprocessing Technology Institute） ●CMC全链条研发的人工智能垂直大模型（金传飞，东阳光药） 组织模式革新 从零散工具堆叠转向AI Agent（智能体）统筹研发流程，实现任务拆解、多工具调度、结果整合与持续迭代，成为新的流程组织载体。 AIBC 2026中，多个议题集中呈现了这一方向： ●从“工具堆叠”到“自主决策”，智能体赋能药物研发的实践与展望（周杰龙，望石智慧） ●FROGENT：端到端全流程药物设计智能体（吉君恺，深圳大学） ●SciMiner：面向药物研发DMTA闭环的记忆增强、持续学习且可解释的智能体（熊昭平，质子展开） ●AI智能体平台驱动的抗体药物研发新范式（王天元，科迈生物） ●多智能体加速AI for science科研范式转型（金若凡，北京中关村学院） 迭代逻辑闭环 从“模型出结果+实验验证”转向“干湿实验DMTA闭环”，实验数据反哺模型优化，系统化迭代能力取代单次预测精度成为核心竞争力。 AIBC 2026中，与干湿闭环、自动化和DMTA相关的议题包括： ●How AI and Automation are Rewriting the Rules of Drug Discovery（韩涟漪，恒瑞医药） ●AI驱动的分子设计–制造–测试–分析闭环：加速智能药物发现（申万祥，浙江大学） ●基于液相色谱技术的化合物自动自主分离制备系统（陈晨，罗氏中国） ●干湿一体化环肽药物研发智能体（邹一可，上海交通大学） ●AI Agent 驱动的生物医药全生命周期：从实验室智能体到工业级闭环控制（邓司伟，深圳津渡生物） 覆盖全周期 从早期药物发现延伸至临床开发、真实世界研究、CMC、生产智造、药企数智化等全链条，成为医药产业级的系统工程 代表性议题包括： ●AI医药数智化战略发展与应用价值创造（邱婧君，复星医药） ●人工智能驱动下的药物研发转型（张晓华，华东医药） ●AI在临床试验和真实世界研究中的应用（李栋，清华大学长庚医院） ●数字健康智驱未来华为医药智能化方案介绍（樊杰，华为制药军团） ●CMC全链条研发的人工智能垂直大模型（金传飞，东阳光药） ●AI在药物研发中的深度融合与知识产权保护策略（韩威威，苏州大学） ●让知识“再发现”：Springer Nature构建AI时代的生物医药“知识群”（巨蓉，Springer Nature） 回到最初的问题：制药AI，究竟是替代还是成就？ 从历史来看，CADD没有替代药物化学家，AlphaFold没有替代结构生物学家，AI也没有替代制药人——它只是重新定义了工作的方式。那些最早拥抱CADD的药企跑赢了对手，那些最早布局AI的研发团队抢占了先机。 真正被替代的，从来不是人，而是不愿意使用新工具的人。 AI不会让制药行业变冷，它会让这个行业变得更聪明、更高效、更有想象力。而选择权，始终在你手中。 END 本文为原创文章，转载请留言获取授权 点击阅读原文，免费咨询！

一、首款AI新药上市时间线：2027年是关键节点多方信息指向2027年将成为AI制药从概念走向现实的爆发之年。1. 核心预测依据华为制药军团总裁樊杰接受专访时明确表示，全球已有173个AI设计新药进入临床试验，其中15个进入III期，最快2026年底或2027年初首款完全AI设计药物将正式上市。海银资本创始合伙人王煜全也判断，2027年全球首个AI辅助研发新药获批上市将是板块全面爆发的核心标志，随后2028年将迎来批量上市。2. 国内最接近上市的在研管线目前国内进展最快的AI新药是由英矽智能研发的INS018-055，用于治疗特发性肺纤维化，已进入三期临床。该药物从靶点发现到临床I期仅用21个月，较传统研发缩短约70%时间，成本降低75%。另一条值得关注的管线是杭州企业研发的MDR-001口服减肥药，这是国内首个利用AI设计进入III期临床试验的药物分子，如果顺利将于2028年底或2029年初上市。二、AI如何将研发效率提升40倍？AI制药的核心突破在于将传统药物研发的“经验试错”模式转变为“数据驱动+算法预测”的新范式。1. 研发效率的量化对比央视财经报道显示，AI+自动化机器人实验室可7×24小时运转，研发效率较传统模式提升40倍。团队仅用21天完成传统需要两到三年的分子筛选，AI将靶点调研周期从两个月压缩至数小时。强生公司也表示，利用AI技术已将新药研发早期的分子靶点筛选时间缩短50%，并将临床试验报告流程时长从700小时以上缩减至15分钟。2. AI覆盖的核心环节靶点发现：AI可在数天内从海量基因、蛋白质数据中锁定疾病靶点，传统方式需要数月甚至数年。分子设计与筛选：生成式AI可在万亿级化学空间中系统搜索候选分子，生成数百万级化合物库并进行虚拟筛选。ADMET预测：AI预测药物的吸收、分布、代谢、排泄和毒性，提前规避安全性风险。自动化合成：AI化学实验室通过机器人自动化完成合成与测试。三、当前行业进展：从概念验证到临床兑现1. 全球AI制药临床试验数据截至2026年初，全球已有超过170个AI发现的药物候选物进入临床开发。2025年全球AI制药市场规模达24.9亿美元，预计2035年将突破460亿美元，十年复合增速超33%。2. 国内AI制药企业的商业化进展以下是国内主要AI制药企业的管线与商业化布局：企业AI平台/技术最新进展英矽智能端到端AI药物发现平台INS018-055进入III期临床恒瑞医药灵枢AI研发平台+DeeoSeek大模型首款AI设计JAK1抑制剂已递交上市申请成都先导AI+DEL库智能筛选KRAS靶点抑制剂进入I期临床药明康德全产业链AI CRDMOAI能力成为全球客户核心选择理由四、商业化路径分化与挑战1. 两条主要商业化路径行业正分化为两种主流模式：一是MaaS平台（卖铲人），为药企提供AI模型和工具，轻资产、高可复制性，但天花板较低；二是深入管线、全链条拉通（淘金者），自建新药管线，高风险但回报惊人。2. 真实挑战：从AI预测到临床成功的鸿沟AI制药的落地仍面临三大核心瓶颈：数据瓶颈：实验数据获取成本极高，标准不统一，企业核心数据形成数据孤岛，高质量数据“喂不饱”AI模型。验证成本：建设功能齐全的AI化学实验室，初期投入至少2000万元人民币，“湿实验验证”的最后一公里成本高昂。临床转化断层：AlphaFold解决了蛋白质结构预测，但药物开发的核心瓶颈仍在ADMET、CMC工艺、GLP毒理及IND申报体系，这些环节高度依赖经验驱动与工业化能力。目前尚无公开证据表明AI设计的药物在跨项目层面显著提高了临床成功率。五、结论：2027-2028年是AI新药上市的关键窗口期五、结论：2027-2028年是AI新药上市的关键窗口期综合多方信息，国内首款完全由AI研发的新药最快将于2027年初获批上市，届时将形成“首款上市→2028年批量上市→行业全面引爆”的节奏。目前进展最快的INS018-055已进入三期临床，MDR-001等管线也紧随其后。但行业仍需警惕AI在临床转化层面的不确定性——算法预测无法替代临床验证，AI制药更多是效率“加速器”而非奇迹“制造机”。 内容由AI生成