A.Menarini Industrie Farmaceutiche Riunite Srl

2026 年 4 月，斯坦福大学人类中心人工智能研究院（Stanford HAI）发布了最新一期人工智能指数报告（AI Index）。这份长达 400 页的年度报告，由跨学科专家团队历时一年编撰，覆盖了 AI 在技术能力、经济投资、社会影响、公众态度和政策监管等多个维度的最新数据。作为全球最权威的 AI 年度追踪报告之一，AI Index 的每一版发布都会引发行业内外的广泛讨论。今年的报告尤其值得关注，因为它揭示了一个正在加速分化的全球 AI 格局——能力在飞速提升，资本在疯狂涌入，应用在加速渗透，而围绕它的教育体系、政策框架和社会规范却远未做好准备。 报告联合主席 Ray Perrault 在接受 IEEE Spectrum 采访时表示："数据并没有指向一个单一的方向，它揭示的是一个发展速度远超周边系统适应能力的领域。"这句话或许是对整份报告最精准的概括。以下是报告中 12 项核心发现的逐章完整解读。美国在 AI 模型数量上领先，但中国正在追赶 根据 Epoch AI 的数据，2025 年美国发布了 50 个"有影响力的"（notable）AI 模型，继续占据全球首位。中国紧随其后，发布了约 30 个 notable 模型，虽然在绝对数量上仍有差距，但增长势头不容忽视。欧洲则仅贡献了 2 个 notable 模型，与中美两国的差距进一步拉大。一个更深层的趋势是，几乎所有 notable 模型都来自工业界——2025 年工业界贡献了 87 个模型，而学术界和其他来源仅贡献了 7 个。工业界的占比已从 2015 年的不到 50% 飙升至 2025 年的 90% 以上，这意味着 AI 前沿研究的主导权已经彻底从大学实验室转移到了科技巨头的研发中心。这一趋势对学术研究的生态、人才流向和技术民主化都有深远的影响。 2005-2025 各国/地区 notable AI 模型数量变化趋势 从模型性能的角度来看，中美之间的差距已经实质性消失。AI Index 数据显示，两国顶级模型的 Elo 评分差距仅为 2.7%，且在过去一年中多次交替登顶。2025 年 2 月，中国的 DeepSeek-R1 一度追平美国最佳模型的表现，引发了全球科技媒体的广泛报道。这不再是一场一边倒的竞赛，而是一场势均力敌的拉锯战。不过，如果从论文发表量、被引用次数和专利产出三个维度来看，中国实际上已经超越了美国。这意味着中国在 AI 的科研产出方面已经建立了量的优势，而美国的领先更多体现在基础设施、资本投入和模型创新的质量上。中国在机器人部署上明确领先 如果说在 AI 模型领域中美还在交替领先，那么在工业机器人部署方面，中国已经建立了压倒性的优势。根据国际机器人联合会（IFR）的数据，2024 年中国安装了 295,000 台工业机器人，占全球总装机量的 54%。排名第二的日本仅安装了约 44,500 台，韩国和德国紧随其后，美国更是只有 34,200 台。中国的年安装量接近美国的 9 倍，这一悬殊的差距反映的不仅是制造业规模的差异，更是中国在"AI 进入物理世界"这条赛道上长期且系统性的战略押注。从"世界工厂"到"智能制造"的转型过程中，工业机器人的大规模部署是最直观的注脚。 各国工业机器人年安装量趋势（中国遥遥领先） 不过，报告也指出了一个耐人寻味的反差：AI 在物理世界的能力仍然严重落后于数字世界。在模拟环境中，机器人的任务成功率可以达到 89.4%，但在真实的家庭场景中执行日常家务任务时，这个数字骤降至 12.4%。换句话说，中国正在大规模部署的工业机器人主要完成的是高度结构化、高度重复的产线任务，而让机器人像人一样在开放、非结构化的环境中灵活操作——比如叠衣服、整理房间——仍然是一个远未解决的技术难题。这也提示我们，"机器人数量领先"和"机器人能力领先"之间还有很长的路要走。全球 AI 算力每年增长 3.3 倍 AI 的算力基础设施正在以令人震惊的速度扩张。报告以 Nvidia H100 等效算力（H100e）为统一衡量标准，发现自 2022 年以来，全球 AI 算力每年增长 3.3 倍；自 2021 年算起，累计增长了 30 倍。这种指数级的扩张速度远超摩尔定律的历史节奏。在这场算力竞赛中，Nvidia 占据了绝对主导地位，其 GPU 贡献了全球 AI 算力的 60% 以上。Amazon 和 Google 分列二三位，它们各自设计了自研 AI 芯片——Amazon 的 Trainium 和 Google 的 TPU——来补充甚至在特定场景下替代 Nvidia 的产品。AMD 和华为也出现在了全球 AI 芯片算力的版图上，尽管份额还相对较小。 全球 AI 芯片算力份额分布（Nvidia、Google、Amazon、AMD、华为） 与算力增长相伴的是数据中心的疯狂扩建。目前，全球 AI 数据中心的电力容量已达到 29.6 吉瓦，接近整个纽约州的峰值用电量。美国以 5,427 个 AI 数据中心遥遥领先，数量是排名第二的国家的 10 倍以上。与此同时，44 个国家已经拥有"国家支持的超级计算集群"，主权 AI（Sovereign AI）正在成为各国的核心政策议题。算力已经不再只是一个技术参数，它正在成为与能源、芯片制造并列的国家竞争力核心要素。AI 训练的碳排放急剧增长 算力的爆发式增长带来了一个无法回避的环境代价：碳排放。报告中最触目惊心的数据之一来自 xAI 的 Grok 4——这个模型的训练过程估计产生了超过 72,000 吨二氧化碳当量。作为对比，OpenAI 在上一代的 GPT-4 训练中排放约 5,184 吨，Meta 的 Llama 3.1 405B 约 8,930 吨。从 GPT-4 到 Grok 4，仅隔一代产品，碳排放就增长了十几倍。更令人担忧的是，Epoch AI 的独立估算认为 Grok 4 的实际排放可能高达约 140,000 吨——接近官方数字的两倍。 2012-2025 AI 模型训练碳排放估算（Grok 4 出现断崖式跃升） 不过，推理阶段的能效差异给了行业一些乐观的理由。DeepSeek V3 处理一个中等长度提示的功耗约为 23 瓦，而 Anthropic 的 Claude 4 Opus 仅需约 5 瓦。这意味着模型架构和推理优化确实有可能在一定程度上缓解算力扩张带来的环境压力。但从整体趋势来看，如果行业继续追求更大参数量、更长训练时间的"暴力美学"，碳排放的增长曲线只会变得更加陡峭。AI 行业需要在追求性能的同时，认真对待可持续发展的问题。LLM 正在以前所未有的速度攻克基准测试 大语言模型（LLM）攻克基准测试的速度，几乎已经赶上了学术界发明新测试的速度。这种"猫鼠游戏"的加速令 AI 研究者既兴奋又焦虑。报告中最引人注目的进展来自智能体 AI（Agentic AI）领域：在 OSWorld（测试 AI 自主操作电脑的能力）中，成功率从 12% 攀升至约 66%；在 SWE-Bench Verified（测试 AI 自主编写代码修复真实软件 bug 的能力）中，成功率从 60% 飙升至接近 100%。这意味着 AI 代理已经接近具备独立完成复杂软件工程任务的能力，这对整个软件行业的工作方式将产生深远影响。 2012-2025 AI 基准测试表现 vs 人类水平 在学术能力方面的突破同样令人瞩目。Google 的 Gemini Deep Think 在国际数学奥林匹克竞赛中取得了 35 分（满分 42 分），达到了金牌水平。被誉为"人类最后的考试"（Humanity's Last Exam）的超高难度综合测试——由 3,000 多名各领域专家贡献的最难题目——2025 年最佳模型 o1 只能拿到 8.8% 的分数，而现在最佳成绩已达 38.3%，Claude Opus 4.6 和 Gemini 3.1 Pro 更是突破了 50% 的正确率。在网络安全领域，AI 完成渗透测试等任务的成功率从 15% 飙升至 93%。Ray Perrault 对此评价道："AI 模型打败基准测试的速度比我们发明新测试的速度还快，这让衡量 AI 进步本身成了一个不断升级的挑战。"AI 在医学研究中的应用显著加速 AI 正在深刻改变医学研究的面貌，而且这种改变的速度正在提速。报告显示，与 AI 药物发现（Drug Discovery）相关的学术论文在过去两年内翻了一倍，显示出研究界对 AI 辅助新药研发的浓厚兴趣和信心。多模态生物医学 AI 论文的数量更是增长了 2.7 倍，这类论文通常涉及将文本、影像、基因组等不同模态的数据整合在一起进行分析，代表了 AI 医学应用中最具前景的方向之一。 2018-2025 AI 药物研发相关论文数量 从传统药物研发的漫长周期来看（通常需要 10-15 年、耗资数十亿美元），AI 的介入有望大幅压缩从靶点发现到临床验证的时间。AI 在蛋白质结构预测（如 AlphaFold 系列）、药物分子设计、临床试验患者筛选和优化等环节已经展现出实际价值。当然，论文数量的爆发式增长并不直接等同于获批药物数量的增长，AI 驱动的新药从实验室走向药房还需要经历漫长的临床试验过程。但毫无疑问，生物医学已经成为 AI 应用增长最快、最受资本关注的前沿领域之一。LLM 仍然不会看模拟时钟 在上述一系列令人振奋的进展之后，报告抛出了一个令人哭笑不得的发现：当前最先进的大语言模型仍然无法准确读取模拟时钟的时间。在专门设计的 ClockBench 测试中，表现最好的 GPT-5.4 准确率仅为 50%——相当于两次猜对一次的水平。而在其他几乎所有基准测试中都表现优异的 Claude Opus 4.6，在这项任务上的准确率竟然只有 8.9%，几乎可以说是在随机猜测。相比之下，人类完成这项任务的准确率为 90.1%。 各 LLM 读模拟时钟准确率对比（人类 90.1%） 报告将这一现象称为"锯齿状智能"（jagged intelligence）——AI 的能力分布极不均匀，在数学推理、代码生成等维度上已经超越顶尖人类水平，但在看时钟、理解空间关系等看似简单的任务上却一塌糊涂。这背后反映的是当前多模态系统的一个根本性局限：它们本质上仍然是"语言主导"的架构，擅长处理可以用语言描述和推理的问题，但对于需要真正视觉理解和空间推理的非语言信息，处理能力远远不够。Ray Perrault 在谈到这一发现时说："一个能赢得数学奥赛金牌的系统，却连时钟上几点几分都看不出来。这恰恰说明了 AI 的进步本质上是不均衡的，我们不能因为某些领域的突破就认为通用智能已经到来。"AI 投资在 2025 年创下历史新高 资本对 AI 的热情在 2025 年达到了前所未有的顶峰。根据 Quid 的数据，全球 AI 相关企业投资总额达到 5,810 亿美元，同比增长 129.9%。此前的纪录是 2021 年的 3,600 亿美元，当时正值上一轮 AI 投资热潮的高点。2024 年曾回落至 2,530 亿美元，市场一度担忧 AI 投资正在降温，但 2025 年的数字不仅打破了旧纪录，更几乎将 2024 年的数字翻了一番，宣告了新一轮更猛烈的资本浪潮的到来。 2013-2025 全球 AI 企业投资总额（2025 年 5810 亿美元创纪录） 这轮投资的结构特征值得关注：以私人投资为主导，而非并购驱动。2025 年私人 AI 投资达到 3,447 亿美元，同比增长 127.5%。其中生成式 AI（Generative AI）占了近一半份额，增长超过 200%。从地域分布来看，美国以 2,859 亿美元遥遥领先，占全球总投资的近一半；中国 124 亿美元，英国 59 亿美元。年度标志性融资事件接连不断：OpenAI 以 3,000 亿美元估值完成 400 亿美元融资，Nvidia 成为首家市值突破 4 万亿美元的公司，Anthropic 以 1,830 亿美元估值完成 130 亿美元融资，而美国政府支持的 Stargate 项目计划投入 1,000 至 5,000 亿美元用于 AI 基础设施建设。Ray Perrault 对这些数字的评价耐人寻味："这些投资规模已经超出了多数人对'泡沫'的定义范围，但与此同时，AI 创造的实际经济价值也在同步增长——报告估计美国生成式 AI 工具的年化消费者剩余已达 1,720 亿美元。"软件工程师全面拥抱 AI AI 已经不只是软件工程师的研究对象，它正在成为他们日常工作中不可或缺的核心工具。GitHub 上的 AI 相关项目数量达到了 558 万个，自 2020 年以来增长了 5 倍，仅过去一年就增长了 23.7%。即使只统计获得 10 颗星以上的项目——这通常代表着一定程度的社区认可和实际使用价值——增长趋势也基本一致。在学术层面，AI 相关的计算机科学论文从 10 年前的 102,000 篇增至 258,000 篇，翻了一倍有余，其中 68% 以上来自学术界。在企业端，88% 的受调查企业表示已经在某种程度上采用了 AI 技术。 2011-2025 GitHub AI 项目数量变化（增至 558 万） 开源社区的活力尤其值得关注。一些头部项目已经积累了惊人的社区影响力——例如开源智能体 AI 软件 OpenClaw 在 GitHub 上获得了超过 352,000 颗星标。一个名为"Agents in the Wild"的追踪网站（尽管它并未被斯坦福报告收录）显示，开发者正在构建越来越多能够自主完成复杂任务的 AI 代理（Agent），从自动化代码审查到自主运维，应用场景日益丰富。报告联合主席 Perrault 也承认，"GitHub 的使用强度很可能与 AI 的使用强度高度相关"，但他同时指出，大部分 GitHub 活动目前看来仍由人类完成。从用户端来看，生成式 AI 在短短 3 年内达到了 53% 的全球人口使用率，这个渗透速度比个人电脑和互联网都要快得多。然而一个耐人寻味的数据是，美国的定期使用率仅为 28.3%，在全球排名第 24 位，而中国、马来西亚、泰国、印度尼西亚、新加坡等东南亚和东亚国家的使用率普遍在 80% 以上。技术的发源地并不总是技术的最大使用市场，这一规律在 AI 时代再次得到验证。AI 对就业的整体影响仍不明朗 AI 对劳动力市场的影响是这份报告中最令人关注、也最令人不安的部分之一。最直观的数据来自年轻程序员群体：22-25 岁软件开发者的就业率自 2024 年以来下降了近 20%，这意味着每五个原本能找到工作的初级程序员中，就有一个因为某种原因没有被雇用。与之形成鲜明对比的是，中高级岗位的就业情况保持稳定甚至有所增长。这一分化趋势强烈暗示，AI 编码工具可能正在替代入门级的、重复性较高的编码工作，而对需要系统架构思维、跨团队协调和经验判断的高级岗位影响有限。类似的模式也出现在客服领域——年轻客服人员的岗位在减少，而资深人员的位置相对稳固。 2021-2025 软件开发者和客服人员各年龄段就业趋势（初级岗位明显下降） 但报告也提醒我们不要急于下结论。就业率的变化可能受到更广泛经济周期的影响——利率上升、科技行业裁员潮等因素都在发挥作用——很难将变化完全归因于 AI 的替代效应。一个反直觉的发现是：AI 暴露度最低的职业（即理论上最不容易被 AI 替代的工作），其失业率反而上升得更快。这提示我们，当前劳动力市场的动荡可能更多是宏观经济因素的结果，而非 AI 替代效应的直接体现。尽管如此，三分之一的受调查企业预计 AI 将在未来减少员工数量。而在认知层面，73% 的 AI 领域专家认为 AI 对工作有积极影响，但持同样看法的普通公众只有 23%——这 50 个百分点的认知鸿沟本身就值得所有人深思。公众对 AI 的看法略有改善 在经历了数年的技术焦虑期之后，全球公众对 AI 的态度正在缓慢回暖。2025 年 Ipsos 的全球调查显示，59% 的受访者认为 AI "好处大于坏处"，较 2024 年的 55% 有所上升。68% 的人表示自己对 AI 有良好的了解（2024 年为 67%），但仍有 52% 的人承认 AI 产品和服务让他们感到"紧张"。好感度在上升，但焦虑并未消退——这种矛盾心态或许是公众对一项快速演进中的技术最真实的反应。 2022-2025 全球公众对 AI 态度调查 地域差异非常显著。东南亚国家以及中国的民众对 AI 的态度普遍更加积极和开放，这可能与这些地区 AI 应用渗透率更高、日常体验更丰富有关。年度最大的正面态度转变出现在欧洲——德国民众对 AI 的好感度上升了 12 个百分点，法国和荷兰各上升 10 个百分点，显示出欧洲公众正在从早期的警惕态度中走出来。而最大的负面转变来自哥伦比亚，下降了 6 个百分点，成为少数对 AI 态度明显转向消极的国家之一。总体来看，随着 ChatGPT、Copilot 等 AI 工具的广泛普及和日常化使用，公众正在从笼统的"AI 会不会取代我"的恐惧，转向更具体的、基于个人体验的评估和判断。对 AI 监管的信任因国而异 报告的最后一项核心发现揭示了一个关乎 AI 治理未来的关键变量：各国民众对政府监管 AI 能力的信任度存在巨大差异。新加坡以 81% 的信任度高居榜首，印度、泰国等亚洲国家紧随其后。多数欧洲国家和日本的信任度偏低。而美国，这个全球 AI 发展的最大引擎，其民众对政府监管 AI 的信任度仅为 31%，在所有被调查国家中垫底。 各国民众对政府 AI 监管信任度（新加坡 81% 最高，美国 31% 最低） 这组数据的政策含义深远。在信任度较低的国家，政府推动 AI 立法和监管面临更大的公众质疑和政治阻力；而在新加坡这样信任度高的国家，政府有更大的政策空间推行积极、前瞻性的 AI 治理框架。值得注意的是，报告同时指出基础模型的透明度正在大幅下降——透明度指数从 58 分降至 40 分，95 个知名模型中有 80 个未公开训练数据来源或训练代码。当公众对政府监管缺乏信任、而 AI 企业又在系统性地降低透明度时，一个不可回避的问题浮现出来：在 AI 高速发展的今天，谁来确保这项技术的发展方向符合公共利益？这可能是这份 400 页报告留给全人类最重要的问题。 Ray Perrault 在报告结语中总结道："AI 的进步是真实的，也是不均匀的。我们面对的不是一个简单的'好或坏'的故事，而是一个在技术能力、经济投资、社会影响等多个维度上同时加速演进的复杂变革。政策框架、教育体系和社会规范都需要跟上这个速度，而目前来看，它们还远远没有做到。" 对于中国读者和从业者而言，这份报告传递了几个值得关注的信号。首先，中美 AI 竞争已经从"追赶"进入"并跑"阶段，中国在科研产出、机器人部署和用户渗透率方面甚至处于领先地位。其次，AI 的"锯齿状智能"提醒我们，在为技术突破欢呼的同时，要对其局限性保持清醒。最后，当全球都在讨论 AI 监管和透明度时，中国如何在鼓励创新和确保安全之间找到平衡点，将在很大程度上决定未来全球 AI 治理的格局。 今日互动：斯坦福报告揭示了 AI 的"锯齿状智能"——能赢数学奥赛金牌却不会看模拟时钟。你在日常使用 AI 工具时，有没有遇到过类似的"聪明却犯蠢"的时刻？欢迎在评论区分享你的经历和感受。

AI浪潮下，CRO前端何去何从？ ——药明康德的战略抉择 2026年4月 | 行业研究 AI不会杀死CRO，但会重塑CRO前端的游戏规则 一、风暴来袭：OpenAI的一纸声明，让CRO板块蒸发百亿 4月17日，药明康德股价暴跌近6%。 导火索是OpenAI发布的GPT-Rosalind——一款专门针对药物发现的AI模型。资本市场瞬间炸锅：CRO前端研发外包要被AI取代了？ 事实上，这已经不是AI第一次冲击CRO行业。 早在2018年，当药明康德投资英矽智能时，市场就在问：AI会不会颠覆CRO？ 七年过去了，答案逐渐清晰—— AI不会杀死CRO，但会重塑CRO前端的游戏规则。 AI正在重塑药物发现流程 | 图源：MIT News 二、解构CRO前端：那些容易被AI替代的环节 要理解AI对CRO的影响，首先需要搞清楚CRO前端到底是做什么的。 CRO（合同研究组织）本质上是一个"药物研发外包服务"，覆盖从靶点发现到临床试验的全流程。其中，前端研发是整个药物发现链条的最上游。 这个前端主要包括：靶点发现与验证 ——研究某个基因或蛋白与疾病的关联，判断它是否适合作为药物靶点化合物筛选 ——从数百万甚至数十亿的化合物库中，找到有活性的苗头化合物先导化合物优化 ——改善分子的活性、选择性、溶解度、毒性等特性，让它更有可能成为药物ADMET预测 ——预测药物的吸收、分布、代谢、排泄和毒性，这是临床失败的主要原因之一文献与专利调研 ——梳理全球相关领域的最新进展，避免重复研发，寻找差异化方向 三、AI替代图谱：谁在裸泳，谁有护身符？ 根据对行业的研究，我把CRO前端各环节的AI替代程度做了一个分类：🔴  高危区替代率 60%+ 文献分析、ADMET、虚拟筛选🟡  中危区替代率 30-50% 先导优化、初步毒理🟢  低危区替代率 <30% 体内药效、监管申报 CRO前端各环节AI替代程度高危区（替代率60%以上） 环节 说明 文献/专利分析 AI可以秒读全球文献，提取关键信息 ADMET预测 数据丰富，AI预测准确率已超实验 虚拟筛选 用算法预测活性，大幅减少实验量 逆向合成规划 AI可以设计最优合成路线中危区（替代率30-50%） 环节 说明 先导化合物优化 AI可以加速分子设计，但仍需实验验证 初步毒理预测 减少部分动物实验，但无法完全替代低危区（替代率30%以下） 环节 说明 体内药效实验 动物模型是法规强制要求 临床方案设计 需要人类判断和监管沟通 注册申报 各国法规差异大，专业壁垒高 四、客户视角：谁在被AI替代中挣扎？ CRO前端受AI冲击的程度，不仅取决于技术本身，更取决于客户的替代意愿。 🏃 虚拟药企 最容易被替代，轻资产无研发团队 高危 🚀 小型biotech 主动拥抱AI，资金有限但嗅觉灵敏 中危 🏢 中型biotech 有部分内部能力，需外部补充 中危 🏛️ 大型药企 有内部团队，选择性使用AI 低危 结论：AI正在把CRO前端从"全外包"变成"选择性外包"。 五、数据说话：AI对CRO前端的真实冲击 从全球数据来看，AI对CRO前端的影响已经真实发生： 环节 AI带来的变化 分子优化周期 从6-12个月缩短至3-6个月 提升50% 虚拟筛选成本 降低60-80% 大幅下降 高通量筛选实验量 减少30-50% 显著减少 临床前毒理实验 减少20-30% 有所减少 但这里有一个反直觉的结论： AI缩短了研发周期，反而可能增加CRO需求 研发周期变短 → 更多项目并行 → 需要更多外包服务 关键在于，CRO前端中那些重复性强、数据丰富的环节正在被AI蚕食，而需要实体实验和监管合规的环节依然稳固。 六、药明康德的战略布局：投资、整合与转型 面对AI浪潮，药明康德并非坐以待毙。第一招：投资AI公司，构建生态联盟 2018年 领投英矽智能A轮融资，成为早期股东 2019-2021年 陆续投资Engine Biosciences、Schrödinger、Insitro等7家AI公司 这不是简单的财务投资。药明的逻辑是： 用资本换取AI能力的快速获取 通过合作项目学习AI药物发现的流程 锁定AI发现的分子后续CDMO订单第二招：自建AI团队，积累数据壁垒 药明积累的化学反应数据、工艺参数数据，是训练AI模型的宝贵资产。这些数据来自每年数百万个实验项目，是外部AI公司无法复制的。 据公开信息，药明已建立了自己的CADD（计算机辅助药物设计）和AIDD（AI辅助药物发现）平台。第三招：HI+AI双轮驱动 药明官方定位："HI（人类智能）+ AI"双轮驱动 翻译成人话：AI是提效工具，不是颠覆力量。药明把AI定位为辅助工具，用于优化现有CRO流程，而非试图让AI完全替代科学家的判断和经验。第四招：聚焦高端制造，用技术壁垒对抗AI 这是最值得关注的一个动向。 药明的逻辑不是聚焦某个特定业务，而是——AI时代，药物分子越来越复杂，制造壁垒越来越高。 想想看： 传统小分子：合成路线简单，大多数CDMO都能做 多肽/寡核苷酸：合成难度倍增，需要特殊设备和工艺 ADC（抗体偶联药）：制造涉及生物药+化学药，壁垒极高 高活/细胞毒药物：需要专用设施，防止交叉污染 而AI发现的分子，往往结构更复杂、合成难度更高。这反而给高端制造带来了更多需求，而不是更少。 换句话说： AI让前端研发变简单了，但让后端制造变难了。 分子设计变容易 → 更多复杂分子进入开发 → 需要更高级别的制造能力 → 制造壁垒不降反升 药明在高端制造上的投入，正是对冲AI冲击的最佳武器。 药明康德寡核苷酸大规模生产设施 | 图源：WuXi STA 七、冷思考：CRO前端的护城河还剩多少？ 客观来说，CRO前端的护城河正在被侵蚀，但远未崩塌。仍然稳固的护城河转换成本 ——客户切换CRO需要6-18个月的过渡期监管合规 ——20年的FDA审查记录是AI无法替代的信任资产人才壁垒 ——培养一名合格的CMC科学家需要3-5年物理产能 ——放大生产涉及的工程经验，AI无法替代正在被侵蚀的护城河分子设计能力 ——AI正在追赶数据积累优势 ——开源模型可能削弱客户关系 ——客户可能直接用AI工具绕过CRO 八、未来展望：CRO前端的三个可能走向 😰 情景一：沦为"实验执行者" 如果AI公司掌握了前端研发的核心能力，药明等CRO可能退化为单纯的"实验外包商"，利润被大幅压缩。 概率：中等 🚀 情景二：转型"AI+CRO整合服务商" CRO不只是提供实验服务，而是提供"AI预测+实验验证"的一体化方案，用AI能力重新建立差异化。 概率：较高 🎯 情景三：战略性放弃前端，聚焦高壁垒制造 药明主动收缩CRO前端，把资源投入到CDMO制造环节，用制造壁垒而非研发服务赚钱。 概率：正在发生 八、结语：拥抱变化，但守住根本 OpenAI的GPT-Rosalind不会杀死CRO，就像AI没有杀死会计行业一样——它只是让会计从记账变成了财务分析。 CRO前端同样如此。AI会替代那些重复性强、数据丰富的环节，但无法替代需要人类判断、实体实验和监管合规的工作。 说到这里，我想起了芯片行业的故事。 20年前，芯片行业也曾面临"设计与制造谁更重要"的争论。最终，行业走向了"设计与制造分离"的道路——AMD放弃自建工厂，专注于芯片设计；台积电则聚焦制造代工，成为全球最大的芯片制造工厂。 结果呢？AMD市值从不到10亿美元涨到超过2000亿美元；台积电市值从不到1000亿美元涨到超过8000亿美元。两者都成功了，只是走了不同的路。 CRO行业正在经历类似的分化： 有的企业选择成为"芯片设计"——聚焦前端研发，用AI能力建立差异化 有的企业选择成为"台积电"——聚焦后端制造，用产能和合规建立壁垒 药明康德的战略选择，很明显是后者。 对药明来说，真正的考验不是AI技术本身，而是： 能否守住制造端的护城河，不被其他CDMO侵蚀？ 能否在TIDES等高壁垒领域持续扩大领先优势？ 能否把前端CRO的"失"，转化为后端CDMO的"得"？ 这些问题的答案，将决定药明是成为医药行业的"台积电"，还是被时代的洪流所淘汰。

A trio of scientists behind the first gene therapy approved in the United States have been awarded a Breakthrough Prize in Life Sciences. It’s arguably one of the most prominent recognitions yet for the field of gene therapy, which has suffered several ups and downs during the decades-long dream of curing diseases by replacing broken genes. Jean Bennett, Albert Maguire and Katherine High shared the award, which is backed by Silicon Valley billionaires and comes with a $3 million prize, for their creation of Luxturna. The gene therapy, now owned by Roche, uses an engineered virus to provide a healthy copy of a gene called RPE65 that partially restores sight in people born with a rare form of vision loss. Endpoints News spent nearly three hours interviewing the scientists – all emeritus professors at the University of Pennsylvania – about the long road that led to Luxturna and the ongoing struggles in parlaying the still singular success into more therapies for hundreds of other forms of retinal disease. The conversations have been combined, condensed and edited for clarity. Bennett: In the 1980s, there was a publication showing that if you made a transgenic mouse with a growth hormone, you’d get a super mouse. And that just really intrigued me, and made me start thinking, why can’t you use a gene to treat a disease at its root? It hadn’t been done yet. But I wanted to be there when it was. Maguire: Our first attempts, we were getting uptake for 48 to 72 hours. But I realized this ain’t going to work for these diseases, which are lifelong. Bennett: As different recombinant viruses were identified, we tried them all. Adenovirus worked well, but expression waned and cells got cleared by immune responses. Some had really scary names — Mokola, Ebola, Lenti. Around 1996, people started describing a virus called AAV as able to target neuronal cells. The retina is made of neurons. We tried it, and it worked beautifully. Maguire: I want to sound smart, but Jean actually just kind of tricked me into all this. [ Editor’s note: Bennett and Maguire are married and both were professors of ophthalmology. ] There were no genes identified for any of the retinal diseases. But gene identification was coming so fast and furious, we figured it was just a matter of time. Bennett: We started working with transgenic mice and when I put a bioluminescent marker gene in photoreceptors, I could see it just by looking through an ophthalmoscope. And that really hooked me. Maguire: Then one day, Michael Redman identified a gene called RPE65, and then people identified it in humans and dogs. We had an animal model right here on campus. I knew how to do the surgery, we knew how to make the vector. It chose us; we didn’t choose it. High: For that disease, even though the biochemistry is broken from the beginning, the cells are still there, so we can go in and fix the cells. In a lot of other retinal diseases, you actually lose the cells, so we can’t fix it with gene therapy. Maguire: You look at one of these affected puppies (with RPE65 mutations) and it has bizarre nystagmus eye movements. It cowers and looks so different. Then you treat it, and all of a sudden it’s acting like a dog — wagging its tail, chasing squirrels. You see that and think, we’ve got to do this with people. Bennett: We were reversing blindness in puppies born blind from a spontaneous mutation. We treated them in July 2000 — right around the Jesse Gelsinger episode. [ Editor’s note: Gelsinger was an 18-year-old with a rare metabolic disease who died in 1999 after receiving an adenovirus-based gene therapy at the University of Pennsylvania. ] That basically shut down clinical trials, led to congressional inquiries and all the hype around gene therapy became ratcheted down. Our collaborators didn’t want to be tainted by the gene therapy death at Penn. We were left with no funding, no way forward. High: My group was doing clinical trials for hemophilia B. The first patient got a therapeutic level of clotting factor, but it only lasted for 10 weeks. So we had to figure out why that happened, and we did, but none of that was happening fast enough for the investors. The biotech making our clinical-grade vector couldn’t raise money for gene therapy anymore, so they reoriented as a small molecule company. So I went to the CEO of the Children’s Hospital of Philadelphia and asked if he’d let us set up clinical-grade vector production in the hospital. All the news about gene therapy was bad. I was pretty sure he’d say no. A week later, he said the most surprising thing in my career: “You keep telling me there are no problems here that cannot be solved. If that’s true, then gene therapy is going to be very important for children’s hospitals, because that’s where most genetic disease gets seen. I’m going to find the resources. But I have one condition. You can’t spend all the money on hemophilia.” Bennett: In July 2005, Kathy walked into my office and said, “Jean, how would you like to run a clinical trial for RPE65?” It came out of the blue. It took no time at all to say yes. High: We’d started a Phase 3 trial for Luxturna in the hospital. The CEO called me in: “What are you planning to do if it works? We’re a hospital. We don’t market products.” I was also getting cold calls — “Can we invest?” — which shocked me, after years of nobody investing in gene therapy. I didn’t want to out-license to any company not exclusively focused on gene therapy, because I was afraid they’d hit an obstacle and kill the program. We decided to start Spark Therapeutics in March 2013. At first, I tried to be an advisor, because I didn’t want to give up my Howard Hughes (Medical Institute Investigator) position. I’d lie awake asking myself, am I more a businesswoman or an academic? The answer was always, an academic. Then I’d think, “You’ve spent your entire adult career on gene therapy. Now, when it really matters, are you going to hang back because you want what’s comfortable?” I didn’t want my kids to say that about me. Bennett: I was convinced from the beginning that it would work. But there were continual worries, continual obstacles. And a number of them were presented by the FDA. They didn’t like the outcome measure that we had proposed using for the clinical trial. Maguire: The eye-chart improvement the FDA would accept as clinically meaningful wasn’t where this medicine worked. It worked for side vision and night vision. During the day it’s almost pitch black for these people. Kids would have to go to a friend’s house and their parents would bring stage lighting so they could play — which doesn’t get you a lot of invitations back. High: One question that the regulators really try to get sponsors to answer is what is the clinical meaningfulness to the patient? We were perplexed and challenged by that question for Luxturna. Bennett: Everybody’s mired in visual acuity — the eye chart. That’s not all vision is. People appreciate dim light, contrast, side vision. But there are few approved outcome measures for those. High: I’m glad the regulators were tough about it, because it forces you to do some real thinking about what can they do that they couldn’t do before? With our multi-luminance mobility test, if you could only maneuver when the light was at 100 lux, and now you can at 10 lux, what does that mean? It means you can see your way around a train platform at dusk, and that may change your ability to commute to a job. Bennett: When Luxturna was approved in 2017, I was overjoyed. It was a huge celebration for the team, for sticking through it, for believing in something, not taking no for an answer. High: If you’d asked me in 2017: In five years, how many other approved retinal gene therapies will there be? I wouldn’t have said zero. Part of the issue is many of these diseases are ultra-rare, and the commercial aspects are challenging. The great thing about both Luxturna and gene therapy for hemophilia is that it results in gain of function. You don’t need long to figure that out. But in some genetic diseases, all you’re going to do is stop further deterioration. That makes for long readouts, and that doesn’t work for a startup. Bennett: There are more than 340 genes identified that can cause blindness. Certainly some of them are going to be amenable. Some won’t, because they’re developmental in nature, and we’re not going to be able to treat an embryo or fetus in the first trimester with a gene therapy any time soon. Maguire: I get nervous when you’re going into children and infants and babies, but you need to for a lot of these childhood-onset diseases, because otherwise the brain’s visual system is not developing. And that, to a large extent, is your limitation. Bennett: The science has never been better. There’s so many exciting applications, and some of them are just science fictiony. But it’s taking a long time for the next set of approvals to appear. Maguire: Gene therapy has gone through a lot of rough patches. Every two or three years there’s another crisis. What I’d like to see is a more viable business model. When we started, people were willing to pay whatever, because it’s a first of its kind. [ Editor’s note: Luxturna costs $425,000 per eye. ] But the price has come down on making vector. People may not be making their multi-billion-dollar profits, but there’ll still be a reasonable return. High: Gene therapy emerged into a reimbursement system based on chronic medications — a system unfamiliar with it, for which valuing it was difficult. I don’t think we’ve fully traversed those challenges yet. Bennett: Groups joining the gene therapy bandwagon have tended to pick the same genes, which is kind of puzzling to me. And people have veered away from ultra rare diseases. Investors want to go for a huge possible payout. A lot of groups are interested in anti-neovascular gene therapy because of diseases like AMD (age-related macular degeneration) that affect millions of people. Maguire: I got into this because of the moral imperative. It’s heart-wrenching hearing people say I’m going blind and having nothing to offer. It’s been frustrating. We’ve started other companies, including Limelight Bio, and people walked away and collected their dividends and started new ones. Why don’t you stick with the mission? High : The challenge about gene therapy is you really do need a team to do it, because nobody can be an expert in everything that you need. The most common mistake people make when they try to do clinical trials is they overestimate what the vector can do, and they underestimate what the disease needs. Bennett: I think if the prices and the timelines could come down so that we can target these rare diseases, it would be a really great thing. High: I believe that genetic medicines are going to be very important over the next century. They’re going to be like monoclonal antibodies and recombinant proteins are now, but it’s going to take a while. I don’t think that they’re going to fade away. I think that they’re going to keep moving forward. High: I was advising Google Ventures’ life sciences practice when I saw a gene-agnostic technology from the Institute for Molecular and Clinical Ophthalmology in Basel. Amazing science. We’re developing it at RhyGaze, where I am CEO. Bennett: I retired from Penn. Now I’m working with companies, academics and nonprofit foundations to help fuel gene therapy development. There were a number of trials that failed over the past few years because they used visual acuity as their endpoints and not some other measure. I am pushing to get the FDA to approve other outcome measures that don’t require fancy equipment that reflect great improvements in vision but haven’t been adopted yet. Maguire: I recently retired. Now it’s painting and beekeeping — I’d advise against. It’s extraordinarily frustrating. Everybody says how cool it is. You do not want to get into this.