Guangxi LiuYao Group Co., Ltd.

> 当传统小分子新药早期发现周期从行业平均的1-2年被压缩至3-6个月，成本直降70%时，AI在制药领域的降本增效能力已得到实证。然而，众多药企发现，局限于某一环节的“工具化”应用，难以撼动“十年十亿美元、成功率不足10%”的行业困境。 2026年，十五五开局之年，中国传统制药业的AI升级，正从单点试错步入必须打通研发、生产、供应链乃至中医药全链条的“深水区”。 ## 政策驱动：国家蓝图下的转型加速 顶层设计为行业转型明确了路径与时间表。国家先后出台《医药工业数智化转型实施方案（2025—2030年）》等政策，目标到**2027年，医药工业数智化转型取得重要进展；到2030年，基本实现数智化转型全覆盖**。 具体扶持细则正在落地，企业可享受**研发费用加计扣除、税收优惠**等政策红利。地方层面，例如广东已安排**17亿元专项资金**支持中小企业数智化改造，其中不少于80%的资金直接用于支持企业应用AI及数字化软硬件产品。 ## 实践突破：从研发到供应链的全链赋能 领先药企的实践勾勒出全链条数智化的轮廓，成果可量化。 - **研发端提效**：广药集团联合望石智慧，利用3D分子生成模型等技术，将小分子早期药物发现周期从1-2年缩短至**3-6个月，成本降低70%**。百济神州将AI投入临床试验阶段，实现部分项目数据实时更新，**临床研究报告（CSR）生成时间从一个月缩短至2-5天**。 - **生产端升级**：翰宇药业将盘古药物分子大模型与超10万条历史工艺数据结合，构建私域数据库，使**生产参数决策效率提升90%，批次合格率大幅提升22%**。 华润三九观澜基地通过数字孪生、AI视觉等技术，基本实现业务数字化全覆盖，打造了中药行业首套无人化自动检验场景。 - **供应链优化**：柳药集团引入华为天筹求解器后，物流配送实现智能排线，**人工排车从小时级压缩至分钟级，仓间调拨及物料成本降低约20%**。 - **中医药创新**：天士力基于盘古大模型构建“数智本草”中医药大模型，学习**4000多万篇文献、1000多本古籍**，实现从药材筛选到方剂优化的全流程智能化。云南白药则构建了覆盖“**农业端—工业端—市场端**”的数字化闭环，实现从种植到消费终端的全程可追溯。 ## 核心挑战：数据、人才与可解释性鸿沟 尽管前景广阔，但迈向全链条数智化的道路仍布满荆棘。**百济神州高级副总裁郭翔指出，数据问题首当其冲**。药企内部系统孤立、数据碎片化，非结构化数据难以转化，需要大量前期投入进行标准化。 - **复合型人才短缺**：行业缺乏既懂AI技术又懂生物医药底层逻辑的人才，成为制约应用深度的关键瓶颈。 - **可解释性与监管合规**：生物医药是高度监管行业，责任必须可追溯，不能完全依赖“黑盒模型”。工业和信息化部等十部门联合印发的《人工智能科技伦理审查与服务办法（试行）》明确提出，需关注算法的**透明可解释、责任可追溯**。 对此，中国科学院深圳先进技术研究院提出了“**类关联流形学习**”方法，旨在高效地将黑盒AI模型决策规律转化为可视化知识，弥合可解释鸿沟。 ## 破局之道：构建数智融合新生态 跨越深水区需要系统性的解决方案与生态协同。 > 英湃科技首席AI科学家郭继军认为，医疗行业的AI转型不能停留在“工具使用”层面，更要向“智能体执行”升级，核心是构建企业专属的知识体系。 - **共建可信数据基础设施**：推动数据标准化、合规化与共享化，探索联邦学习等隐私计算技术，实现“数据可用不可见”。 - **创新合作与人才模式**：鼓励药企与AI公司建立深度合作，共同持有研发管线权益。华润江中探索的“**双栖优聘**”模式，让高校老师全职在企业科研中心工作，有效打通了成果转化通道并培养人才。 - **回归临床价值本质**：行业共识愈发清晰，AI的价值不在于技术炫技，而在于解决药物研发全流程的实际问题，最终围绕“**临床获益**”展开。 和铂医药通过其Hu-mAtrIx™ AI平台开发的抗体药物LET003，在临床前研究中已展现出成为**同类最佳（Best-in-Class）药物**的潜力，正是价值落地的一例。 十五五开局，传统制药业的数智化转型已告别概念验证的“讲故事”阶段。从依赖人工试错的“经验驱动”转向数据与AI驱动的“科学驱动”，其终极考验在于能否以临床价值为核心，打通全链条，构建一个风险共担、利益共享的协同新生态。 这场转型不仅关乎效率与成本，更决定着中国制药产业在未来全球创新格局中的位置。

文 观察者网 吕栋 如果说传统制药像一场碰运气的“炼金术”，那AI正将其变成精准的“工程学”。它能将药物发现周期缩短一半，成本降低70%。从靶点发现到临床实验，AI可以全流程优化每个环节。 2026年开年以来，全球制药巨头开始集中加码AI。阿斯利康收购Modella AI，将其纳入其生成式多模态生物大模型中；罗氏宣布扩展其全球人工智能基础设施；礼来的AI制药工厂LillyPod投入运行，并与英伟达达成未来五年超10亿美元的合作。 大洋彼岸，广药数科利用AI将小分子早期药物发现周期从行业平均1-2年缩短至3-6月；翰宇药业利用大模型助力多肽工艺优化；天士力构建中医药大模型，实现从中药药材筛选到方剂优化的全流程智能化；柳药集团则借助AI求解器让物流可视可观。 当生命科学与AI的深度融合从“选择题”变成“必答题”，制药行业开始用实际成果证明，AI赋能制造并不是技术的简单堆砌，而是商业价值实实在在的提升。 告别“暴力试错”，AI+制药是大势所趋 一款新药的诞生究竟要付出多大代价？ 首先研发时间长，当前药物研发从靶点发现到临床试验平均耗时超10年；其次投入成本高，单个新药研发成本平均超26亿美元，且临床试验阶段失败率高。最后，在长时间高成本的研发基础上，新药研发成功率低，新药发现的平均成功率只有10%，企业投资风险大。 长期以来，制药产业更像是一场耗资巨大的“暴力试错”。科学家们不得不在实验室里枯燥地合成、测试，试图在数以亿计的分子排列组合中，撞上那个亿万分之一的“正确答案”。 推动生命科学与AI深度融合，成为压缩研发周期、降低试错成本、提升研发成功率的关键突破口。去年有院士公布的数据显示，在药物发现和临床前研究阶段，传统研发模式需要3至6年。而AI可使药物总研发周期平均缩短三分之一至一半，总研发经费降低10%，总成功率由10%提升至14%。随着技术不断发展，AI给药物研发带来的变化将更为巨大。 这也解释了为何制药巨头们近乎焦虑地押注AI。与传统的信息化改造不同，AI对制药的重塑是全流程、系统性的。在这种极限博弈中，AI哪怕只将成功率提高几个百分点，也能释放出惊人的商业价值。 今年4月，OpenAI推出一款用于药物发现和转化医学的推理模型，首批客户名单包括安进、莫德纳、艾伦研究所等。葛兰素史克等巨头已开始引入AI智能体，用算法对抗人类的认知偏差。数字孪生技术也在临床试验中崭露头角，Unlearn.AI公司2025年的研究显示，通过AI分析海量历史数据模拟病人自然病程，能将帕金森病试验的对照组规模缩小38%。 从靶点发现到上市后研究，AI正在对药物研发全流程的每一个环节进行优化。对制药行业来说，核心的问题已不再是“要不要用AI”，而是“谁能更快、更深地将AI融入核心研发流程”。 迈向科学驱动，中国药企的AI实战 在全球制药巨头积极拥抱AI的同时，中国也主动在政策层面引领医药行业的数智化转型。 作为十五五“人工智能+”科研战略深化的领域之一，国家先后出台《医药工业数智化转型实施方案（2025—2030 年）》、《制造业数字化转型行动方案》等指导政策，目标到2027年，医药工业数智化转型取得重要进展；到2030年，医药工业企业基本实现数智化转型全覆盖，数智技术融合创新能力大幅提升。 国内已有多家药企打造AI底座，交出可量化的数智成果。 广州医药数智科技有限公司董事长 邹彬彬 广药集团的实践直观回答了“AI能省多少时间、降多少成本”。传统小分子新药早期发现需要1-2年，成本高昂。广药联合望石智慧，依托3D分子生成模型与电子云密度约束技术，将这一周期压缩至3-6个月，成本降低70%。MolVortex智能体作为“智能助手”，与专家配合设计分子，显著减轻重复劳动。在临床翻译和报告撰写环节，AI翻译成本较传统外包降低30%-50%，文档周期从数周压缩至小时级，撰写耗时可减少60%。 这些AI工具的正常运转离不开强劲的算力底座支撑。昇腾智算超节点、鲲鹏超算集群，搭配华为AI制药研发加速包，为小分子药物高效研发提供了坚实的算力后盾，并且通过数据存储底座，加上“算存网云”的协同，模型推理性能达到业界水平的2倍。 在深圳，翰宇药业与华为的合作走出了另一条路径。作为国内多肽药物领域的领军企业，翰宇药业将盘古药物分子大模型与其二十余年积累的超10万条历史工艺数据相结合，构建了专属的智能化私域数据库。这个解决方案能够深度融合多肽的分子结构式与历史工艺数据，进行智能分析和推理，主动生成精准的工艺优化建议。 成果是显而易见的，此举彻底改变依赖人工试错的传统研发模式，将专家20余年的内部经验和5万+文献专利全量沉淀为可检索、可调用的数字资产，彻底打破了知识壁垒，助力工艺决策从“经验驱动”迈向“科学驱动”，生产参数决策效率提升90%，批次合格率大幅提升22%。 天士力则将AI边界从化学药拓展到中医药。华为与天士力基于盘古大模型构建“数智本草”中医药大模型，通过学习4000多万篇文献、1000多本古籍和350万天然产物分子数据，形成精准的中医药知识图谱，实现从药材筛选到方剂优化的全流程智能化。天士力还将成果向业界共享，联合20多家上下游企业、学会和政府机构构建生态圈，加速形成数智中医联盟。 在供应链端，柳药集团展示了AI的另一种可能。引入华为天筹求解器后，物流配送智能排线系统实现从“人脑调度”到“智能优化”的跨越，智能建模效率较人工提升30倍，求解效率再增30%，人工排车从小时级压缩至分钟级，仓间调拨及物料成本降低约20%，配送与拣选效率提升15%-18%。这不是实验室演示，而是已在生产系统中运行的价值创造。 四个案例，展现了中国制药产业应用AI的四个维度。研发效率、工艺质量、产业协同、供应链优化，共同构成了一幅中国制药行业数智化转型的实景图。 应用AI，能强大一个国家 AI制药的赛道从不缺少火热的声音，但清醒的判断同样不可或缺。 2026年正被视为AI制药的关键转折年。有市场分析预测，全球AI药物发现市场规模将从2025年的约50-70亿美元增长至2026年的80-100亿美元，部分估算表明，生成式AI有望为制药行业整体带来每年600-1100亿美元的价值。 然而，技术光环之下，多重挑战也正在考验这个行业的真实韧性。数据稀缺性是核心难题，AI制药领域仍然存在高质量训练数据不足、数据不完整、数据质量参差不齐等问题；药物设计难以在多重目标间取得平衡，模型可解释性与分子合成可及性待提升；不可成药靶点（如MYC、IRF4等转录因子及蛋白质-蛋白质相互作用）及计算资源限制也制约发展。 但最让行业警觉的挑战来自另一个方向。2025年，谷歌DeepMind推出的AlphaFold 3成为一条分水岭，开源版可用，但闭源的商用版不向中国企业开放。而被业内誉为“AlphaFold 4”的IsoDDe已经登场，根据《自然》杂志报道，其抗体-抗原结合预测准确度是AlphaFold 3的2.3倍，更关键的是这款模型将不再开源。 有国内AI制药领域人士指出，国内大多数企业都是在AlphaFold 2和3的基础上做优化，真正做引擎开发或者使用付费产品的，不足十分之一。这触及了一个更深的焦虑：当国外先进模型不再开源，是否可能像半导体一样，成为制约中国AI制药发展的关键瓶颈？ 面对挑战，破局之道正在形成共识。建立行业级的数据共享机制、开发多模态融合算法、将物理定律纳入AI模型、构建“数据+模型+实验”的闭环系统，已成为行业努力的方向。更重要的是，必须坚持自力更生、自主创新与开放合作并重。这正是华为联合国内TOP模型厂商打造高质量国产模型的逻辑所在，也是中国AI制药避免被“卡脖子”的关键路径。 在全球范围内，AI制药的竞赛正在从“概念验证”进入“临床价值验证”的深水区。初步数据证明，AI设计的药物在安全性试验中的通过率远高于传统方式。越来越多的制药巨头正在将AI智能体整合到核心研发流程中，探索从靶点发现到临床评价的全链条智能化。 “发明AI只能成就一家IT公司，应用AI却能强大一个国家和一个行业。”华为监事会副主席陶景文在AI+制造峰会2026上表示，制造业的AI升级从每一次工业革命来看都不是简单的技术问题，必须把技术进步和行业流程、组织知识做深度结合，才是发展的必经之路。 从广药集团的小分子药物智能设计到柳药集团的智能物流调度，从翰宇药业的多肽工艺优化到天士力的中药大模型。2026年的中国制药行业，正以切实的数字证明：用数智化技术重塑研发范式，已成为中国制药走向高质量发展的必然选择。 当万亿级的AI制药市场加速兑现，当自主可控的技术底座日渐筑牢，不仅中国制药产业将告别碰运气的“暴力试错”，整个中国也将向制造强国迈出坚实步伐。

文 观察者网 吕栋 如果说传统制药像一场碰运气的“炼金术”，那AI正将其变成精准的“工程学”。它能将药物发现周期缩短一半，成本降低70%。从靶点发现到临床实验，AI可以全流程优化每个环节。 2026年开年以来，全球制药巨头开始集中加码AI。阿斯利康收购Modella AI，将其纳入其生成式多模态生物大模型中；罗氏宣布扩展其全球人工智能基础设施；礼来的AI制药工厂LillyPod投入运行，并与英伟达达成未来五年超10亿美元的合作。 大洋彼岸，广药数科利用AI将小分子早期药物发现周期从行业平均1-2年缩短至3-6月；翰宇药业利用大模型助力多肽工艺优化；天士力构建中医药大模型，实现从中药药材筛选到方剂优化的全流程智能化；柳药集团则借助AI求解器让物流可视可观。 当生命科学与AI的深度融合从“选择题”变成“必答题”，制药行业开始用实际成果证明，AI赋能制造并不是技术的简单堆砌，而是商业价值实实在在的提升。 告别“暴力试错”，AI+制药是大势所趋 一款新药的诞生究竟要付出多大代价？ 首先研发时间长，当前药物研发从靶点发现到临床试验平均耗时超10年；其次投入成本高，单个新药研发成本平均超26亿美元，且临床试验阶段失败率高。最后，在长时间高成本的研发基础上，新药研发成功率低，新药发现的平均成功率只有10%，企业投资风险大。 长期以来，制药产业更像是一场耗资巨大的“暴力试错”。科学家们不得不在实验室里枯燥地合成、测试，试图在数以亿计的分子排列组合中，撞上那个亿万分之一的“正确答案”。 推动生命科学与AI深度融合，成为压缩研发周期、降低试错成本、提升研发成功率的关键突破口。去年有院士公布的数据显示，在药物发现和临床前研究阶段，传统研发模式需要3至6年。而AI可使药物总研发周期平均缩短三分之一至一半，总研发经费降低10%，总成功率由10%提升至14%。随着技术不断发展，AI给药物研发带来的变化将更为巨大。 这也解释了为何制药巨头们近乎焦虑地押注AI。与传统的信息化改造不同，AI对制药的重塑是全流程、系统性的。在这种极限博弈中，AI哪怕只将成功率提高几个百分点，也能释放出惊人的商业价值。 今年4月，OpenAI推出一款用于药物发现和转化医学的推理模型，首批客户名单包括安进、莫德纳、艾伦研究所等。葛兰素史克等巨头已开始引入AI智能体，用算法对抗人类的认知偏差。数字孪生技术也在临床试验中崭露头角，Unlearn.AI公司2025年的研究显示，通过AI分析海量历史数据模拟病人自然病程，能将帕金森病试验的对照组规模缩小38%。 从靶点发现到上市后研究，AI正在对药物研发全流程的每一个环节进行优化。对制药行业来说，核心的问题已不再是“要不要用AI”，而是“谁能更快、更深地将AI融入核心研发流程”。 迈向科学驱动，中国药企的AI实战 在全球制药巨头积极拥抱AI的同时，中国也主动在政策层面引领医药行业的数智化转型。 作为十五五“人工智能+”科研战略深化的领域之一，国家先后出台《医药工业数智化转型实施方案（2025—2030 年）》、《制造业数字化转型行动方案》等指导政策，目标到2027年，医药工业数智化转型取得重要进展；到2030年，医药工业企业基本实现数智化转型全覆盖，数智技术融合创新能力大幅提升。 国内已有多家药企打造AI底座，交出可量化的数智成果。 广州医药数智科技有限公司董事长 邹彬彬 广药集团的实践直观回答了“AI能省多少时间、降多少成本”。传统小分子新药早期发现需要1-2年，成本高昂。广药联合望石智慧，依托3D分子生成模型与电子云密度约束技术，将这一周期压缩至3-6个月，成本降低70%。MolVortex智能体作为“智能助手”，与专家配合设计分子，显著减轻重复劳动。在临床翻译和报告撰写环节，AI翻译成本较传统外包降低30%-50%，文档周期从数周压缩至小时级，撰写耗时可减少60%。 这些AI工具的正常运转离不开强劲的算力底座支撑。昇腾智算超节点、鲲鹏超算集群，搭配华为AI制药研发加速包，为小分子药物高效研发提供了坚实的算力后盾，并且通过数据存储底座，加上“算存网云”的协同，模型推理性能达到业界水平的2倍。 在深圳，翰宇药业与华为的合作走出了另一条路径。作为国内多肽药物领域的领军企业，翰宇药业将盘古药物分子大模型与其二十余年积累的超10万条历史工艺数据相结合，构建了专属的智能化私域数据库。这个解决方案能够深度融合多肽的分子结构式与历史工艺数据，进行智能分析和推理，主动生成精准的工艺优化建议。 成果是显而易见的，此举彻底改变依赖人工试错的传统研发模式，将专家20余年的内部经验和5万+文献专利全量沉淀为可检索、可调用的数字资产，彻底打破了知识壁垒，助力工艺决策从“经验驱动”迈向“科学驱动”，生产参数决策效率提升90%，批次合格率大幅提升22%。 天士力则将AI边界从化学药拓展到中医药。华为与天士力基于盘古大模型构建“数智本草”中医药大模型，通过学习4000多万篇文献、1000多本古籍和350万天然产物分子数据，形成精准的中医药知识图谱，实现从药材筛选到方剂优化的全流程智能化。天士力还将成果向业界共享，联合20多家上下游企业、学会和政府机构构建生态圈，加速形成数智中医联盟。 在供应链端，柳药集团展示了AI的另一种可能。引入华为天筹求解器后，物流配送智能排线系统实现从“人脑调度”到“智能优化”的跨越，智能建模效率较人工提升30倍，求解效率再增30%，人工排车从小时级压缩至分钟级，仓间调拨及物料成本降低约20%，配送与拣选效率提升15%-18%。这不是实验室演示，而是已在生产系统中运行的价值创造。 四个案例，展现了中国制药产业应用AI的四个维度。研发效率、工艺质量、产业协同、供应链优化，共同构成了一幅中国制药行业数智化转型的实景图。 应用AI，能强大一个国家 AI制药的赛道从不缺少火热的声音，但清醒的判断同样不可或缺。 2026年正被视为AI制药的关键转折年。有市场分析预测，全球AI药物发现市场规模将从2025年的约50-70亿美元增长至2026年的80-100亿美元，部分估算表明，生成式AI有望为制药行业整体带来每年600-1100亿美元的价值。 然而，技术光环之下，多重挑战也正在考验这个行业的真实韧性。数据稀缺性是核心难题，AI制药领域仍然存在高质量训练数据不足、数据不完整、数据质量参差不齐等问题；药物设计难以在多重目标间取得平衡，模型可解释性与分子合成可及性待提升；不可成药靶点（如MYC、IRF4等转录因子及蛋白质-蛋白质相互作用）及计算资源限制也制约发展。 但最让行业警觉的挑战来自另一个方向。2025年，谷歌DeepMind推出的AlphaFold 3成为一条分水岭，开源版可用，但闭源的商用版不向中国企业开放。而被业内誉为“AlphaFold 4”的IsoDDe已经登场，根据《自然》杂志报道，其抗体-抗原结合预测准确度是AlphaFold 3的2.3倍，更关键的是这款模型将不再开源。 有国内AI制药领域人士指出，国内大多数企业都是在AlphaFold 2和3的基础上做优化，真正做引擎开发或者使用付费产品的，不足十分之一。这触及了一个更深的焦虑：当国外先进模型不再开源，是否可能像半导体一样，成为制约中国AI制药发展的关键瓶颈？ 面对挑战，破局之道正在形成共识。建立行业级的数据共享机制、开发多模态融合算法、将物理定律纳入AI模型、构建“数据+模型+实验”的闭环系统，已成为行业努力的方向。更重要的是，必须坚持自力更生、自主创新与开放合作并重。这正是华为联合国内TOP模型厂商打造高质量国产模型的逻辑所在，也是中国AI制药避免被“卡脖子”的关键路径。 在全球范围内，AI制药的竞赛正在从“概念验证”进入“临床价值验证”的深水区。初步数据证明，AI设计的药物在安全性试验中的通过率远高于传统方式。越来越多的制药巨头正在将AI智能体整合到核心研发流程中，探索从靶点发现到临床评价的全链条智能化。 “发明AI只能成就一家IT公司，应用AI却能强大一个国家和一个行业。”华为监事会副主席陶景文在AI+制造峰会2026上表示，制造业的AI升级从每一次工业革命来看都不是简单的技术问题，必须把技术进步和行业流程、组织知识做深度结合，才是发展的必经之路。 从广药集团的小分子药物智能设计到柳药集团的智能物流调度，从翰宇药业的多肽工艺优化到天士力的中药大模型。2026年的中国制药行业，正以切实的数字证明：用数智化技术重塑研发范式，已成为中国制药走向高质量发展的必然选择。 当万亿级的AI制药市场加速兑现，当自主可控的技术底座日渐筑牢，不仅中国制药产业将告别碰运气的“暴力试错”，整个中国也将向制造强国迈出坚实步伐。