EXS-21546

AI改写的是制药的“前半场”，而决定命运的“后半场”仍由临床与监管裁决。 --- 【摘要】 AI已渗透靶点识别至自动化合成等临床前核心环节，将靶点到PCC周期从4—6年压缩至约18个月。核心矛盾在于：AI加速的是“发现”，而制药的价值兑现仍取决于“验证”。临床板块AI渗透率不足1%，首批AI设计药物的临床挫折（DSP-1181、EXS-21546终止）表明，临床前效率提升无法线性外推至临床成功率。AI制药的估值锚，最终落在III期读出与监管对数据溯源的要求上。 --- 【第一部分：事件与背景】 2026年10月17日，中信建投研报指出，AI已全面渗透至靶点识别、虚拟筛选、全新设计、ADMET预测及自动化合成等核心环节，有效破解传统高通量物理盲筛的通量极限。 三条关键背景： Eroom定律的痛点被AI在临床前环节实质性缓解。传统制药每投入10亿美元，获批新药数量每9年减半；单个获批疗法的平均研发成本已达26亿美元。AI将“靶点到临床前候选化合物（PCC）”的时间从4—6年压缩至约18个月，ADMET预测等环节的物理盲筛通量限制被算法筛选替代。 但临床端的验证瓶颈尚未被AI触及。全球AI驱动的新药临床管线从2017年的4个增至2026年6月的179个，其中9个进入III期。然而，AI在临床开发环节的渗透率不足1%，绝大多数AI制药企业的布局集中在分子筛选和靶点预测等临床前阶段。从“找到分子”到“证明分子有效且安全”，AI的杠杆尚未延伸至这一决定成败的阶段。 商业化兑现已出现分化，BD交易而非产品销售是当前的主要收入来源。英矽智能2026上半年营收1.063亿美元、同比增长287%，毛利率90.3%，净利润扭亏为盈，但97%的收入来自药物发现与管线业务，其中礼来一笔授权首付即达1.15亿美元。晶泰科技上半年AI4S智慧解决方案收入1.94亿元、同比增长136.4%，但整体仍录得2.25亿元净亏损。AI制药的“盈利”，目前高度依赖首付款的节奏，而非药物上市后的持续销售分成。 市场预期vs现实：市场将AI制药的叙事焦点放在“更快、更便宜地发现分子”，而产业的实际瓶颈已经从“发现”转移至“验证”。AI缩短了进入临床前的排队时间，但临床I/II/III期的成功率并未因分子来源于AI而获得系统性豁免。 【第二部分：核心矛盾——临床前“效率革命”与临床“验证悬崖”的错配】 AI在临床前环节的贡献是真实的，但这一贡献的价值转化路径存在结构性断裂。 断裂的一端：AI让“候选分子”的供给大幅增加。 英矽智能上半年提名9款临床前候选化合物、取得8项临床进展。当分子发现的速度从“年”压缩至“月”，进入临床管线的候选数量将系统性上升。这对于制药行业是效率增益，但对于单个分子而言，进入临床并不意味着成功概率的提升——它只是更早地进入了淘汰赛。 断裂的另一端：临床淘汰赛的规则并未因AI而改变。 首批由AI设计并进入临床的分子，提供了最直接的警示。Exscientia与住友制药合作的DSP-1181，被标榜为全球首个AI设计进入临床的药物，因I期疗效未达预期而终止。此后EXS-21546（A2A受体拮抗剂）在I/II期因疗效不足终止，BMS与Exscientia合作的PKCθ抑制剂同样开发中止。这些失败并非因为AI“算错了”，而是因为靶点选择、疾病生物学复杂性和临床转化风险，是独立于分子发现效率的变量。AI可以更快地找到结合靶点的分子，但无法保证该靶点在人体中干预疾病的有效性。 更深层的张力在于：AI在临床前积累的效率优势，可能被临床端更高的淘汰率部分抵消。 如果AI生成的分子在临床I/II期的失败率与人类设计的分子没有显著差异，那么“更快地发现更多分子”的经济学意义，将从“提高成功率”退化为“增加试错吞吐量”。对于药企而言，这仍然有价值——但它对应的是一个研发流程优化工具的估值，而非一个改变制药底层回报率的叙事。 【第三部分：跨市场联动——CRO的确定性受益与AI Biotech的现金流依赖】 AI制药的效率红利，在产业链不同环节的分配并不均匀。 CRO/CDMO环节的受益是确定性的、前置的。 药明康德2026上半年营收289亿元、同比增长38.9%，AI驱动订单占比升至35%，在手订单664.3亿元。无论AI设计的分子最终能否获批，药物发现阶段的实验验证、安全评估和工艺开发都需要CRO来完成。AI提升了发现效率，反而增加了进入验证环节的分子数量，CRO的订单量随之扩张。在这一环节，AI是需求放大器，而非替代者。 AI Biotech的现金流高度依赖BD首付款，而非产品销售。 英矽智能的盈利来自礼来等合作方的首付款，其核心管线Rentosertib（ISM001-055）虽已启动III期，但顶线数据预计2029年、最快2030年获批上市。在此之前，公司的现金流将继续由BD交易的节奏决定，而非药物销售。这意味着AI Biotech的估值波动，与“临床读出”的相关性弱于与“签约能力”的相关性——这是一种以管线期权为标的的现金流生意，而非传统药企的销售驱动模型。 监管端正在增加AI数据溯源的要求，这构成一项尚未被充分定价的合规成本。 FDA与EMA于2026年1月联合发布药物开发中良好AI实践的十项原则，要求AI生成数据的数据来源、处理步骤和分析决策必须可追溯、可验证，并符合GxP期望；模型的设计、训练数据和验证程序需要向监管机构完整记录。这意味着，AI在临床前“更快地生成数据”的能力，在进入监管审评时，需要匹配同等强度的可解释性与溯源基础设施。缺乏这一基础设施的AI平台，其数据在IND/NDA申报中的可用性将受到限制。 【第四部分：情景推演】 情景一：AI设计药物的III期读出成功，验证闭环成立（概率30%）。触发条件为英矽智能Rentosertib或同类AI发现的全新靶点药物在III期达到主要终点。演变路径为“AI发现→临床验证”的闭环首次被证实，AI制药的估值锚从“BD首付款”切换至“上市药物销售分成”，行业进入价值兑现的加速期。有效边界在于Rentosertib是全球首款AI发现全新靶点、AI设计全新分子的候选药物，其III期读出是检验这一闭环的最直接实验。 情景二：临床失败率与人类设计药物无显著差异，效率叙事向“吞吐量工具”回归（概率50%）。触发条件为更多AI设计分子在II/III期因疗效或安全性终止，且失败模式与Exscientia的管线挫折同构。演变路径为AI制药的估值逻辑从“改变制药回报率”下调为“缩短临床前周期、增加候选通量”，CRO的确定性受益强于AI Biotech的期权价值，行业分化加剧。有效边界在于AI在临床前环节的效率提升是真实的，这一部分价值不会消失，但不会自动转化为更高的临床成功率。 情景三：监管对AI数据的溯源要求实质性抬高准入门槛，平台层集中度提升（概率20%）。触发条件为FDA或EMA在审评中对缺乏完整数据溯源链的AI生成数据发出拒绝受理或补充要求的决定。演变路径为具备完整数据治理基础设施的大型平台（药明康德、具备GxP合规能力的AI Biotech）获得相对优势，依赖“黑箱”模型的小型AI制药公司面临审评摩擦和BD议价能力下降。 【第五部分：关键变量】 AI设计药物III期临床的顶线读出时间与结果：Rentosertib预计2029年顶线数据。这是判断“AI发现→临床验证”闭环能否成立的最硬指标，其权重高于任何临床前效率数据。 AI Biotech收入中首付款与里程碑付款的比例变化：英矽智能当前97%收入来自药物发现与管线业务、以首付款为主。若里程碑付款占比在2027—2028年上升，意味着管线推进正在产生阶段性验证信号；若首付款占比持续居高，则商业化仍停留在“卖期权”阶段。 FDA/EMA对AI数据溯源要求的执行力度：2026年1月的十项原则是指导性文件。若在具体IND/NDA审评中出现因AI数据不可追溯而被要求补充或延迟的公开案例，合规成本将从“理论”变为“现实”。 CRO的AI驱动订单占比与增速：药明康德AI驱动订单占比35%、营收增速38.9%。若这一占比在2027年继续上升，验证AI对CRO需求的放大效应仍在持续。 【第六部分：反向测试】 判断最可能错在将“临床前效率”与“临床成功率”混为一谈。 AI在靶点识别和分子生成上的加速是真实的，但药物失败的主要原因是疾病生物学本身的复杂性——靶点与疾病之间的因果关系、人体内的脱靶效应、患者群体的异质性——这些变量并不因分子来源于AI而改变。Exscientia的DSP-1181失败于I期疗效，EXS-21546失败于I/II期疗效，失败模式与AI无关，而与靶点选择有关。如果AI平台在“选择哪个靶点”上的判断力并未系统性优于人类，那么其在“设计分子”上的速度优势，将被临床淘汰赛的固定概率所稀释。修正信号为当多个AI设计分子在II期临床中展现出系统性高于行业基准的应答率时，需将“临床验证瓶颈未变”的判断从“结构性”下调为“正在松动”。 【第七部分：判断与不确定性】 核心结论：中信建投的研报准确描述了AI在临床前环节对Eroom定律的实质性缓解，但这一缓解的价值边界在于：AI解决的是“发现通量”问题，而非“临床转化”问题。 全球179个AI驱动临床管线、9个进入III期，标志着行业已从“概念验证”进入“临床验证”的早期，但临床板块不足1%的AI渗透率和首批AI设计药物的管线挫折表明，从“更快找到分子”到“更大概率做出药”，中间隔着一道AI尚未跨越的验证悬崖。CRO是当前确定性最高的受益环节，AI Biotech的估值则高度依赖BD节奏与III期读出的赛跑。 置信度：中高。 支持理由为AI临床前效率有靶点到PCC 18个月的量化数据，Eroom定律的痛点有明确的行业共识，Exscientia的临床失败提供了AI设计药物验证瓶颈的直接先例，FDA/EMA的十项原则为数据溯源要求提供了监管框架。减弱理由为英矽智能Rentosertib的III期正在进行中，其结果尚未揭晓，AI设计药物的临床成功率仍是一个开放的经验问题。 失效条件：2029年前无任何AI发现全新靶点、AI设计全新分子的药物在III期达到主要终点。有效期：至Rentosertib III期顶线数据读出（预计2029年）。 【第八部分：总结】 核心矛盾是AI在临床前环节将“发现通量”提升了一个数量级，但制药的价值兑现瓶颈已经从“发现”转移至“验证”——临床板块不足1%的AI渗透率与首批AI设计药物的管线挫折共同表明，更快的分子生成速度无法自动转化为更高的临床成功率。AI改变的是制药前半场的效率，而决定药物命运的，仍是后半场的临床与监管裁决。 三条前瞻判断：AI设计药物III期临床的顶线读出是判断“AI发现→临床验证”闭环能否成立的最硬指标，其权重高于任何临床前效率数据；AI Biotech收入中首付款与里程碑付款的比例变化决定其商业化是停留在“卖期权”还是进入“管线兑现”，首付款占比居高意味着估值锚仍是BD能力而非药物价值；FDA/EMA对AI数据溯源的执行力度决定合规成本从“原则”变为“门槛”的速度，缺乏完整数据治理链的AI平台将面临审评摩擦和BD议价能力下降。 只跟踪一个变量：英矽智能Rentosertib的III期临床顶线数据是否在2029年前达到主要终点——这是区分“AI加速了制药研发范式”和“AI只是加速了分子发现、未改变制药回报率”的唯一硬指标。

10月15日，阿斯利康宣布与AI靶点发现公司insitro签下15亿美元的合作，用于发现和验证肝脏、心脏疾病的新靶点，预付现金只有4000万美元，约占3%，其余价值全部押在里程碑上。这只是2026年一连串大药AI交易中的最新一笔。 麦肯锡今年9月发了一篇报告，专门讨论这个问题，AI加速了药物发现，但投资高度集中在分子设计，数据最好、工具最清楚的环节。而行业的真正约束，在识别和验证正确的疾病机制。资本追着最容易验证的地方去，风险藏在最难验证的地方。阿斯利康真金白银买靶点发现，说明钱开始往更难的那段移动，但3%的首付也说明，大药的定价逻辑没有变。 在漫长的药物研发链条上，靶点、分子、临床前、临床、注册，每环节的成熟度都不一样，钱该往哪儿花，是每家研发机构都需要关注的。这篇文章就来回答这个问题。 295亿美元的交易，为什么首付只有2% 先看交易本身。最近一个完整年度的数据是2025年，Top 20大药的AI交易总额达到295亿美元，同比翻倍，同年AI制药公司的融资规模是84亿美元，比2023年翻了一倍。这个数字在二级市场很容易被解读成，大药在All in AI制药。但拆开结构，首付现金只有6亿美元，占交易总额的2%，60%到90%的价值压在下游临床和商业里程碑上。 2026年的交易热度没有降。Insilico今年已经签下8笔大药合作，最新的是与Takeda高达6亿美元的协议，诺华也在7月与ADC载荷公司Myricx Bio签了最高15亿美元的交易。然而交易结构还是一样，阿斯利康这笔15亿美元的交易，首付4000万，占比3%。钱到了靶点发现这个环节，定价仍然压在后端。 麦肯锡给这个结构起了个名字，资本与科学的悖论。大药不是在怀疑AI有用，恰恰相反，是在给不确定性定价。早期发现速度快了15%到80%，但速度不等于存活率，资产还得自己走完二三期。首付只付2%，意思是我们为故事付一点钱，为结果付大部分钱。 2023到2024年签的38笔交易，到2026年年中，最高里程碑支付不到1%。这也不是坏消息，多期试验本来就要几年，它说明交易结构把买方的风险隔离掉了，价值要等资产过完后期临床才算解锁。 钱流向了数据最好的地方，而不是失败最多的地方 资本为什么都流向同一个地方？看两个维度，技术成熟度和数据成熟度。研究价值链可以切成三段，靶点识别、分子设计、临床前转化。三段的条件完全不同。分子设计的数据最结构化，实验反馈回路最快，所以模型在这里能可靠地工作。靶点识别居中，临床前转化最弱。 靶点识别处在中等成熟。工具在快速推进，Open Targets这类平台把全基因组关联研究和功能基因组数据整合起来排假设，Geneformer这样的单细胞基础模型也说明这个领域很活跃。如果AI能可靠地批量产出差异化、经过验证的靶点，那是一次真正的突破，直接打在行业中心的瓶颈上，也就是资产在老靶点上扎堆的问题。 但靶点发现卡在中等成熟，原因有三个。验证周期慢，得靠活细胞实验；疾病之间的生物学异质性高；反馈回路稀疏。把多年临床读出的结果翻译回靶点模型，比预测分子结合慢得多，噪声也大得多。更要紧的是，模型分不清哪些是统计相关，哪些是真正的因果关系。公共生物银行和观测数据里混杂变量很多，模型把相关当因果，就会排错靶点，资产进人体之后才失败。经过因果验证的新生物学，到今天仍是生物医药行业最稀缺的物料。 分子设计是价值链里最成熟的环节。AlphaFold系的蛋白质结构预测，加上Chai这类抗体从头设计平台，再配上深度小分子数据集，这一段的数据和物理反馈回路最结构化，大药的合作也主要集中在这里，小分子先导化合物（hit）识别与先导化合物（lead）优化。不过即便在这个环节内部，生成化学和成药性预测，比如溶解性、安全性，仍然落后于虚拟筛选和结合力预测，模型的能力还没有铺满。 这解释了交易分布。大药在模型最确定的地方付钱。但成熟度和重要性不是一回事。设计之所以成熟，是因为它的数据结构化，不是因为它就是试验失败的地方。靶点选错、生物标志物选错、人群选错，分子优化得再好，资产还是会死。 最贵的问题，出在数据最少的地方 临床前和转化研究是全价值链最不成熟的环节，但二期、三期失败里大约有四分之一，出在未预料的安全性问题上。种属差异、不稳定的疾病模型、人体相关数据稀疏，让临床前信号能不能在病人身上重现，很难回答。系统性毒性和脱靶效应，这两个最影响临床结局的因素，恰好是最难建模的。 监管端在松动。按FDA的数据，现在约85%的申报已经包含某种形式的新研究方法，即计算工具或体外替代试验。2025年4月，FDA公布了路线图，会更多地依赖AI毒性模型和人体类器官，逐步减少对传统动物实验的依赖。人体相关数据，已经变成了行业里最稀缺的输入，谁手里有数据，谁就有下一张谈判筹码。 到目前为止，AI原生分子进临床的，仍集中在早期安全性和剂量探索试验。Insilico的rentosertib（INS018_055）是唯一走到三期的，Recursion的EXS21546和Schrödinger的SGR-1505还停在早期临床。能回答AI是否提升临床成功率的那个事件，三期读出，还在几年以后。 临床开发层的情况更耐人寻味。AI临床试验市场，按Fortune Business Insights的预测，从2024年的27.6亿美元涨到2032年的540多亿美元，年复合增长约46%，是所有AI制药分支里长得最快的。但证据还略显单薄，合成对照臂、患者招募分层、真实世界数据，大多停在试点阶段。 Formation Bio的Ben Liu说得直接，最大的瓶颈不是发现，是试验本身。FDA每年的批药数量还在50个左右，AI的速度收益还没有传导到成功率上。 如果管理一个研发团队，AI的钱该花在哪 一条原则，让AI资源的分布跟着项目风险走，而不是跟着工具可得性走。如果一家机构的AI预算全压在先导化合物优化和分子设计上，要问一句，这是项目真正的瓶颈，还是工具恰好成熟。愿意为靶点验证这个更难、风险更高的问题掏钱的团队，才会和别的队伍拉开差距。 其次，把靶点识别当成数据生成策略来做。这个环节的瓶颈几乎从不是模型，模型还在快速进步。真正的约束是证据，能证明疾病因果而不是相关信号的多层生物学数据。把钱花在内部生成、结构化自己的生物学数据上，比外部买一个算法要紧得多。 再一个，别跳过临床前。如果AI路线从靶点直接跳到生成化学，中间不补临床前到临床的数据连接，等于加速资产冲向可预见的下游失败模式。四分之一二三期失败来自未预期安全问题，这个比例本身就该进任何AI预算的测算表。同时，评估的节奏要对齐临床证据。早期时间压缩是进展，但AI分子能不能带来更高的临床成功率，要等三期读出，这几年内还没有答案。内部考核里程碑要按这个滞后设计，别只拿研发周期时间给AI算回报。 最后一条，跨阶段集成。单点工具的收益有限，靶点验证、分子设计、转化读数打通了，上一段的进展直接喂给下一段，收益才成倍。说到底，速度是闭环的副产品，不是产品。 行业这条路会走得比想象中慢，收益要几年后才能验证。但把AI的提效真正变成下一轮药物发现的能力，绕不开这几件事，把资源花在生物学瓶颈上，把数据当成战略资产去生成，把闭环补完。 最后用一张表收个尾。 环节 成熟度 卡点在哪 代表平台和机构 关键数据 靶点识别 中 因果证据稀缺 Open Targets、Geneformer 验证靠活细胞实验，反馈回路稀疏 分子设计 高 成药性预测落后于筛选 AlphaFold、Chai、Schrödinger 大药合作最集中的环节 临床前转化 低 种属差异、安全性建模 类器官、礼来×Insitro TuneLab 约1/4的二期三期失败出在安全 临床开发 观察期 试验设计与执行 Formation Bio、Deep 6、Owkin 2024年27.6亿美元，2032年预计540多亿美元 我们写这篇文章，也是想给正在下注的同行提个醒，看一家AI制药公司，先问它卖的是生成，还是验证，这两者的估值差，通常远大于多数人的直觉。如果你有什么看法，欢迎留言一起讨论。