Numerate, Inc.

创新药是全球医药产业的核心竞争力，更是破解疑难病症、守护人类健康的关键支撑。当前，人工智能（AI）技术的规模化落地正在重构创新药研发与审批的全链条，而中国与美国作为全球两大核心创新药市场，在创新模式、AI融合深度、审批效率上呈现出鲜明的差异化特征。美国凭借成熟的产业生态、领先的技术积累，长期占据全球创新药高地；中国则依托政策红利、庞大的临床资源和快速的技术追赶，实现从“仿创结合”向“源头创新”的跨越式发展。本文从创新内核、AI赋能场景、审批速度三个核心维度，系统对比中美创新药市场的发展现状，剖析差距与优势，展望未来竞争与协同的发展趋势。 一、创新内核对比：从“源头引领”到“快速追赶”的路径分野 创新药的核心竞争力源于基础研究的厚度、产业生态的成熟度以及创新主体的协同效率，中美两国因发展阶段、资源禀赋不同，形成了截然不同的创新路径，具体差异体现在研发投入、创新质量、产业生态三个层面。（一）研发投入：总量悬殊与结构差异并存 美国是全球创新药研发投入的绝对引领者，其研发投入的总量与强度均处于世界前列。数据显示，美国TOP10药企年均研发投入超千亿美元，2024年礼来一家企业的研发投入就达90亿美元；从产业整体来看，美国医药行业研发投入占销售额的比例常年维持在15%-20%，且有国立卫生研究院（NIH）每年480亿美元的基础研究资金支持，形成了“企业主导、政府支撑”的多元化投入体系，重点聚焦于源头创新和前沿技术探索。 中国创新药研发投入近年来实现快速增长，但与美国仍有显著差距。2024年，中国头部药企研发投入占比约10%-20%，其中恒瑞医药2022年研发费用为60亿元，仅为礼来同期研发投入的1/12左右。从投入结构来看，中国研发资金更多集中于临床试验、工艺优化等后期环节，基础研究投入占比不足10%，而美国基础研究投入占比高达30%以上，这种结构差异直接导致两国在源头创新能力上的差距。此外，在资本市场支持方面，全球关注AI新药研发的投资机构中，美国占比超50%，2023年美国AI制药领域融资额占全球80%，而中国AI制药融资规模相对较小，且多集中于后期项目。（二）创新质量：首创新药与跟随创新的差距明显 美国创新药以“源头创新”为核心，首创新药（FIC）产出能力全球领先。2023年，美国FDA批准72个新药，其中包含20个FIC，涵盖AI设计抗癌药、基因疗法（如CRISPR-Cas9应用）等前沿领域，这些药物多针对未被满足的临床需求，具有极高的技术壁垒和临床价值。美国企业在全新靶点发现、新型药物分子设计等方面占据绝对优势，主导着全球创新药的技术方向，例如默沙东、辉瑞等巨头通过持续的基础研究，不断突破肿瘤、自身免疫性疾病等领域的治疗瓶颈。 中国创新药目前仍处于“快速追赶”阶段，创新模式以“me-too/me-better”（跟随创新/优化创新）为主，FIC产出相对有限。2023年，中国NMPA批准40个创新药，其中仅5个为FIC，且多以快速跟进为主，如泽贝妥单抗等，原创靶点不足的问题较为突出，PD-1等热门靶点出现扎堆研发的现象。但值得关注的是，中国在部分细分领域已实现局部突破，如ADC（抗体偶联药物）、CAR-T细胞治疗等领域，复星凯特、荣昌生物等企业的产品已达到国际先进水平，且通过License-out模式实现海外商业化突破，2024年中国药企License-out交易总额达519亿美元，展现出强劲的工程化优化能力。（三）产业生态：成熟协同与快速集聚的对比 美国拥有全球最成熟、最完善的创新药产业生态，形成了“基础研究-技术转化-临床试验-商业化”的闭环体系。从创新主体来看，美国拥有大量顶尖的科研机构（如哈佛大学、斯坦福大学）、生物科技公司（Biotech）和大型制药企业（Big Pharma），三者之间协同高效，科研机构的基础研究成果能够快速通过Biotech公司实现技术转化，再借助Big Pharma的资金和渠道实现商业化。此外，美国拥有全球最成熟的多中心临床试验网络，数据认可度高，且PBM（药品福利管理）体系完善，为创新药的商业化提供了有力支撑。 中国创新药产业生态近年来加速完善，形成了以北京、长三角、粤港澳大湾区为核心的三大产业集聚区，全国94%的AI制药企业分布于这三大区域，其中北京、上海、深圳三城各集聚超20家AI制药企业。中国产业生态的核心优势在于“速度快、成本低、临床资源丰富”，庞大的患者基数使得临床试验受试者招募速度远快于美国，且试验成本仅为美国的1/3-1/2。但同时，中国产业生态也存在明显短板，产学研转化效率不高，科研机构与企业之间的协同性不足，Biotech公司融资难度较大，且国际多中心临床试验经验欠缺，数据国际认可度有待提升。二、AI赋能对比：从“全链条渗透”到“重点突破”的应用差异 AI技术正从根本上改变传统药物研发的范式，覆盖从靶点识别、分子生成与优化、ADMET预测，到临床试验设计、患者分层以及审批申报等全链条，有效破解了创新药研发“高投入、高风险、长周期”的困境。中美两国作为全球AI制药的核心玩家，在AI技术应用的深度、广度、成效上呈现出明显差异，美国凭借在数据、算法、算力上的优势，实现了AI在创新药全链条的深度渗透；中国则依托算法优势和临床资源优势，在重点环节实现突破，加速追赶全球领先水平。（一）AI应用广度：美国全链条覆盖，中国聚焦重点环节 美国AI制药产业已从概念验证阶段逐步迈入实质性应用阶段，AI技术渗透到创新药研发、临床、审批、商业化的全链条。在研发环节，美国企业利用AI技术实现靶点发现、化合物筛选、分子优化的高效推进，例如默沙东早在2012年就与Numerate公司合作，利用机器学习软件开展心血管疾病研究；2025年，阿斯利康宣布与美国一家生物技术公司签署价值5.55亿美元的合作协议，借助其AI平台推动免疫学领域新靶点发现。在临床试验环节，AI技术被广泛用于优化试验设计、缩短招募周期，FDA已批准37项AI辅助临床试验方案，其中2024年某抗癌药项目因AI优化设计，将II期试验周期从18个月缩短至9个月。在审批环节，FDA于2024年发布《人工智能在药物开发中的应用指南》，AI生成的结构数据被正式采纳为医药申报资料的一部分，AI系统可自动生成合规报告、预判审批风险，使审批周期缩短42%。 中国AI制药产业起步相对较晚，但发展迅速，目前AI应用主要聚焦于研发环节的化合物筛选、临床前研究等重点领域，在审批、商业化环节的应用仍处于起步阶段。中国在AI算法层面与欧美差距不大，甚至在某些领域具有优势，尤其是在化合物筛选和临床前研究等环节，专利布局较为活跃。例如，英矽智能仅用46天就设计出针对纤维化的先导化合物，而传统方法通常需要数年时间；浙江大学智能创新药物研究院孵化的禹泓医药，仅用三年时间就推动一款针对白癜风疾病的药物进入Ⅱ期临床试验，展现出AI赋能药物研发的效率优势。此外，中国互联网巨头如腾讯、百度、字节跳动也纷纷将其AI算力转向药物开发领域，传统药企如华森制药等也开始布局智能化转型，构建自有AI药物研发平台。（二）AI核心优势：美国掌握核心资源，中国凸显场景优势 美国在AI制药领域的核心优势在于掌握了数据、算法、算力三大核心资源。在数据方面，美国控制了大多数高质量生物医学数据库，且医疗数据标准化程度高，能够为AI模型训练提供高质量的数据支撑，数据隐私法规（HIPAA）虽限制数据共享，但也保障了数据质量；在算法方面，美国拥有全球最顶尖的AI算法团队，主导着深度学习、生成式AI、自然语言处理等先进技术的发展，谷歌最新发布的AlphaFold4能够更准确地预测蛋白质与小分子的结合强度，速度比传统物理学方法快很多，准确率比AlphaFold3高出2.3倍；在算力方面，美国拥有全球最先进的超算基础设施，英伟达与礼来合作成立AI联合创新实验室，为AI制药提供了强大的算力支撑。 中国AI制药的核心优势在于“算法灵活、临床资源丰富、成本可控”。在算法方面，中国在AI算法的工程化应用上具有优势，能够根据具体研发需求快速优化算法模型，适配不同的研发场景；在临床资源方面，中国庞大的患者基数和丰富的临床数据，为AI模型的训练和验证提供了独特的场景优势，美国制药企业甚至高度依赖中国的临床数据来支撑其AI模型训练和药物研发；在成本方面，中国在机器人供应链方面的完整体系为AI制药提供了硬件支持，使自动化实验成本大幅降低，AI辅助研发的成本优势进一步凸显。但同时，中国也面临明显短板，尚未有AI研发药物成功上市，进入临床阶段的AI药物数量相对有限，且既懂生物医药又精通AI技术的复合型人才极度缺乏。（三）AI应用成效：美国成果显著，中国增速迅猛 美国AI制药的应用成效已得到充分验证，AI技术显著缩短了研发周期、降低了研发成本，且推动了大量创新药的快速产出。数据显示，AI技术可使美国药物早期发现所需时间缩短至传统方法的1/3，成本节省至1/200；在临床试验阶段，AI驱动的药物Ⅰ期临床试验成功率高达87.5%，远高于传统制药行业平均水平。截至2024年1月，全球共有43家AI药企的102种药物进入临床阶段，其中美国分别占20家和47种，占比均接近半数，且已有多款AI辅助研发的药物成功上市。此外，2026年2月FDA发布新规，不再强调新药审批必须提供两项关键性临床试验数据，依托AI高精度的预测能力，只需一项充分且受控的临床试验配合确定性证据即可获批，进一步释放了AI赋能审批的潜力。 中国AI制药的应用成效主要体现在研发效率的提升上，虽然尚未有AI研发药物成功上市，但进入临床阶段的AI药物数量快速增长，目前已有34种AI辅助研发的药物进入临床阶段，占全球33%。中国AI制药的市场规模增长迅猛，预计2025至2030年，中国智能制药行业将迎来高速发展期，市场规模有望突破5000亿元人民币，年复合增长率维持在15%以上。此外，中国在AI与临床数据的结合上具有独特优势，例如利用AI技术分析海量临床数据，快速挖掘疾病与药物的关联，为创新药研发提供精准方向，这种场景化优势正在逐步转化为核心竞争力。同时，中国NMPA与FDA于2024年达成AI数据互认协议，为中国AI辅助研发药物的海外审批奠定了基础。（四）双向依赖：中美AI制药的协同共生 值得关注的是，中美两国在AI制药领域呈现出明显的双向依赖特征。美国制药企业非常依赖中国的临床数据，来支撑其AI模型训练和药物研发，中国庞大的患者基数、极快的受试者招募速度，以及不断提升的数据标准化水平，使其成为全球AI制药的重要“数据来源地”。而中国生物科技企业则相当依赖美国市场进行商业化，近年来中国药企密集开展对外授权交易，2025年共完成157项早期药物对外授权协议，总金额高达1357亿美元，合作对象多为欧美大型制药企业，借助其渠道进入国际市场。但这种依赖关系也存在潜在风险，美国近年来通过《生物安全法案》等政策，收紧对生物数据的控制，限制美国机构与中国生物科技企业的合作，给中美AI制药的协同发展带来挑战。三、审批速度对比：从“高效便捷”到“加速追赶”的效率差异 创新药审批速度直接决定了药物上市的周期，影响着患者的用药可及性和企业的创新积极性。中美两国药品监管机构（美国FDA、中国NMPA）均在不断优化审批流程、提升审批效率，但由于审批体系、政策导向、技术应用的差异，两国审批速度仍有明显差距，美国凭借成熟的审批体系和AI技术的深度应用，审批效率全球领先；中国则通过药审改革，实现审批速度的快速提升，逐步缩小与美国的差距。（一）审批体系：美国市场化导向，中国政策驱动导向 美国FDA采用“市场化导向”的审批体系，审批流程透明、高效，且具有完善的加速审批通道，能够根据药物的临床价值灵活调整审批标准。FDA的加速审批通道主要包括突破性疗法认定、快速通道、优先审评、加速批准四种，覆盖了从临床试验到上市审批的全流程，其中突破性疗法通道最快60天即可完成审批，2024年美国56%的新药用加速通道获批。此外，FDA的审批标准注重“临床价值”，只要药物能够证明其在治疗未被满足的临床需求上具有显著优势，即使数据不够完善，也可通过加速批准通道上市，后续再补充验证性试验数据。2026年2月，FDA发布里程碑式法规调整，不再强调新药审批必须提供两项关键性临床试验数据，新标准只需一项充分且受控的临床试验配合确定性证据即可获批，进一步提升了审批效率。 中国NMPA采用“政策驱动导向”的审批体系，近年来通过一系列药审改革（如加入ICH、优化审批流程、设立优先审评和附条件批准通道），审批效率实现跨越式提升。中国的加速审批通道主要包括优先审评、附条件批准、突破性治疗药物认定三种，重点支持具有明显临床价值、针对罕见病、恶性肿瘤等疾病的创新药。中国审批体系的核心导向是“提高药物可及性、鼓励源头创新”，通过简化审批流程、缩短审批周期，让创新药更快惠及中国患者。但与FDA相比，中国审批体系仍有完善空间，审批流程的透明度有待提升，加速审批通道的应用率相对较低，2024年中国优先审批通道占比为35%，低于美国的48%，且孤儿药制度缺失，制约了罕见病药的研发与审批。（二）审批速度：美国优势明显，中国差距逐步缩小 从整体审批周期来看，美国FDA审批速度全球领先，标准审批周期仅为207天，而中国NMPA审批周期虽大幅缩短，但仍高于美国。数据显示，2024年中国抗肿瘤药中位审批时间为345天，较2015年缩短40%，但仍比FDA标准审批周期长138天；在加速审批通道方面，FDA突破性疗法通道最快60天完成审批，而中国突破性治疗药物认定的审批周期约为90天，略长于美国。 从AI技术对审批速度的赋能来看，美国FDA的应用深度远高于中国。2024年，FDA统计显示，使用AI工具的申请者，审批周期比传统方式快42%，AI系统可自动生成IND（新药临床试验申请）文档、预判审批风险，使提交至审批的平均时间缩短35%；此外，AI技术还被用于审批过程中的数据审核、疗效评估，多模态数据融合使疗效评估准确率提升28%。2025年上半年，FDA仅批准16款新药，而下半年获批数量翻倍至30款，AI技术的应用是审批效率提升的重要原因。 中国NMPA近年来也在积极推动AI技术在审批中的应用，2024年发布《AI药物研发指导原则》，明确AI生成的数据可作为申报资料的一部分，目前已有25%的大型药企在审批申报中部署AI工具，主要用于申报资料的整理、数据审核等基础环节，对审批速度的提升作用逐步显现。但与FDA相比，中国AI在审批中的应用仍处于起步阶段，尚未实现全流程渗透，AI模型的准确性和可靠性仍需进一步验证，且审批人员的AI应用能力有待提升。 （三）审批结果：美国注重创新价值，中国兼顾可及性 FDA的审批结果更注重“创新价值”，对FIC药物、具有突破性临床价值的药物给予重点支持，审批通过率相对较高。2023年，FDA批准的72个新药中，超过半数是FIC首创新药，展现了监管部门对新技术的极大容忍度和信心，尤其是ADC双抗、细胞与基因治疗、核酸药物等前沿领域，审批红利明显。此外，FDA对进口创新药的审批一视同仁，全球创新药多选择首先在美国上市，进一步巩固了美国全球创新药市场的核心地位。 中国NMPA的审批结果更注重“临床价值与可及性兼顾”，在鼓励创新的同时，注重控制药物价格，让创新药能够惠及更多患者。中国通过医保谈判“以价换量”，大幅降低创新药价格，例如PD-1抑制剂经过医保谈判后，年费用从原来的几十万元降至5万元左右，显著提高了药物的可及性。但同时，中国对创新药的审批标准相对严格，尤其是对FIC药物的审批，需要更多的临床数据支撑，审批通过率相对较低，且进口创新药的审批周期相对较长，部分全球创新药在中国上市时间比美国晚1-2年。四、差距与优势总结：正视差距，把握机遇 通过对中美创新药市场在创新内核、AI赋能、审批速度三个维度的对比可以发现，两国之间既有明显的差距，也各有独特优势，这种差距源于发展阶段、资源禀赋、政策导向的不同，而优势则为两国未来的发展提供了重要支撑。（一）中国与美国的核心差距 1.  基础研究差距：美国基础研究投入充足，原创靶点、FIC药物产出能力强；中国基础研究投入不足，创新多以跟随创新为主，原创能力有待提升。 2.  AI应用差距：美国AI技术渗透到创新药全链条，在数据、算法、算力上具有绝对优势，AI应用成效显著；中国AI应用集中于重点环节，在审批、商业化环节应用不足，数据质量和复合型人才短缺。 3.  审批效率差距：美国FDA审批流程透明、高效，加速审批通道应用广泛，AI技术深度赋能审批；中国NMPA审批速度虽大幅提升，但仍慢于美国，AI在审批中的应用深度不足，审批体系有待进一步完善。 4.  产业生态差距：美国产学研协同高效，Biotech公司融资环境好，国际多中心临床试验经验丰富；中国产学研转化效率不高，Biotech公司融资难度大，数据国际认可度有待提升。（二）中国的独特优势与发展机遇 1.  临床资源优势：中国拥有庞大的患者基数和丰富的临床数据，临床试验招募速度快、成本低，为AI模型训练和创新药研发提供了独特支撑，这也是美国制药企业依赖中国数据的核心原因。 2.  政策支持优势：中国政府高度重视创新药产业发展，出台了《医药工业数字化转型实施方案（2025-2030年）》等一系列政策，通过药审改革、医保支持、产业扶持等方式，鼓励创新药研发和AI制药发展，为产业发展提供了有力保障。 3.  成本与速度优势：中国创新药研发和临床试验成本远低于美国，且企业决策灵活，能够快速响应市场需求，在跟随创新和工程化优化方面具有明显优势，能够快速将技术转化为产品。 4.  AI算法优势：中国在AI算法的工程化应用上具有优势，能够根据具体研发场景快速优化算法模型，且AI制药企业数量快速增长，产业集聚效应明显，加速推动AI技术与创新药研发的深度融合。五、未来趋势：竞争加剧，协同共生 随着AI技术的不断成熟和全球创新药市场的竞争加剧，中美创新药市场的发展将呈现“竞争与协同并存”的趋势。美国将继续巩固其在源头创新、AI技术、审批体系上的优势，聚焦于FIC药物和前沿技术探索，同时应对研发成本过高、供应链依赖等隐忧；中国将继续发挥自身优势，加大基础研究投入，推动AI技术在创新药全链条的应用，完善审批体系，提升数据国际认可度，从“跟随创新”向“源头创新”加速转型，同时深化与全球市场的协同合作，通过License-out、国际多中心临床试验等方式，提升中国创新药的全球竞争力。 AI技术将成为中美创新药竞争的核心战场，未来两国将在AI算法优化、数据共享、人才培养等方面展开激烈竞争，同时也将在AI技术标准制定、跨国药物审批等方面加强协同，共同推动全球创新药产业的发展。此外，随着中国医疗支出占比的提升和美国仿制药替代率的提高，两国创新药市场的发展模式将逐步优化，中国创新药市场空间将进一步扩容，美国创新药市场将更加注重成本控制和临床价值，两国市场的互补性将逐步凸显。 结语：中美创新药市场的差异，本质上是发展阶段和发展路径的差异，而非绝对的优劣之分。美国的成熟经验为中国创新药产业的发展提供了重要借鉴，而中国的快速发展也为全球创新药市场注入了新的活力。在AI技术的赋能下，中国创新药产业正迎来前所未有的发展机遇，只要正视差距、发挥优势，加大基础研究投入、完善产业生态、提升AI应用深度、优化审批体系，中国必将逐步缩小与美国的差距，成为全球创新药市场的重要引领者，为全球人类健康事业的发展贡献中国力量。

引言：人工智能（AI）毫无疑问正在深刻改变制药行业，覆盖从靶点识别、分子生成与优化、ADMET预测，到临床试验设计、患者分层以及生产质量管理等环节。目前，AI应用已从“概念验证”走向“规模化落地”，尤其是生成式AI在研发、临床和商业环节释放巨大价值，显著缩短研发周期并降低成本。 图片来自网络 AI 赋能药物研发现状 人工智能（AI）正在从根本上改变传统药物研发的范式与格局。当前，全球AI制药产业已经从概念验证阶段逐步迈入实质性应用阶段，呈现出技术多元化、参与主体广泛、应用场景深入的特点。从技术层面看，AI已渗透到药物研发的全链条，包括靶点发现、化合物筛选、分子优化、临床前研究、临床试验设计等环节。深度学习、生成式AI、自然语言处理等先进技术正被广泛应用于分析海量生物医学数据，从而加速候选药物的发现与优化进程。例如，生成式AI能够通过算法生成具有特定性质的新型分子结构，大大提升了药物设计的效率与多样性。       从产业布局来看，全球领先的制药企业均已积极布局AI技术领域。大型药企如罗氏、赛诺菲、辉瑞、默沙东等纷纷通过合作、投资或自建团队的方式拥抱AI技术。例如，默沙东早在2012年就与Numerate公司合作，利用机器学习软件开展心血管疾病研究。2025年，阿斯利康宣布与美国一家生物技术公司签署价值5.55亿美元的合作协议，借助其AI平台推动免疫学领域新靶点发现。这些合作表明，传统制药巨头已经将AI技术视为保持未来竞争力的关键要素。 从区域发展角度分析，美国在全球AI制药领域处于领先地位。数据显示，美国是全球最主要的AI制药技术来源国，相关专利申请量约占全球的62%。截至2024年1月，全球共有43家AI药企的102种药物进入临床阶段，其中美国分别占20家和47种，占比均接近半数。在基础层方面，美国在数据、算法和算力等AI"三要素"上优势明显，控制了大多数高质量生物医学数据库和主流AI算法框架。 与美国相比，欧洲和亚洲的AI制药产业也呈现出快速发展态势。欧洲以DeepMind为代表的AI公司在蛋白质结构预测等领域取得突破性进展，其AlphaFold系列模型已成为结构生物学研究的重要工具。而中国虽然起步相对较晚，但发展迅速，正在成为全球AI制药领域的重要参与者。中国在AI算法和应用层面具备一定竞争优势，尤其是在化合物筛选、临床前研究等环节的专利布局较为活跃。 从技术应用成效看，AI已经显著提升了药物研发的效率。数据显示，AI技术可使药物早期发现所需时间缩短至传统方法的1/3，成本节省至1/200。例如，英矽智能仅用46天就设计出针对纤维化的先导化合物，而传统方法通常需要数年时间。在临床试验阶段，AI驱动的药物也展现出较高成功率，尤其是Ⅰ期临床试验成功率高达87.5%，远高于传统制药行业平均水平。这些成果充分证明了AI技术在破解药物研发"高投入、高风险、长周期"困境方面的巨大潜力。中国AI制药产业发展特点 中国AI制药产业虽然起步相对较晚，但近年来呈现出迅猛发展的态势，逐渐形成具有中国特色的发展路径。中国在AI算法、数据资源和供应链体系方面展现出比较优势，成为全球AI制药领域不可忽视的力量。当前，中国AI制药产业正从技术验证阶段向产业化深度推进，在创新药研发中扮演越来越重要的角色。 从产业生态来看，中国AI制药企业数量快速增长，已形成多元化主体参与的市场格局。据不完全统计，截至2025年7月，中国国内AI制药企业数量超过100家，主要集聚于北京、长三角地区及粤港澳大湾区。这些企业包括原生AI药企如英矽智能、晶泰科技、星药科技等，也包括互联网巨头如腾讯、百度、字节跳动将其AI算力转向药物开发领域。此外，传统药企如华森制药等也开始布局智能化转型，构建自有AI药物研发平台。这种多元主体参与的格局为中国AI制药产业注入了丰富活力。 从区域分布看，中国AI制药产业已形成三大集聚区。数据显示，全国94%的AI制药企业分布于北京、长三角及大湾区，其中北京、上海、深圳三城各集聚超20家企业。以上海浦东为例，该地区已吸引晶泰科技、英矽智能等头部企业设立研发中心或总部，形成产业集聚效应。长三角地区凭借其雄厚的生物医药产业基础、丰富的高校资源和优越的政策环境，正成为我国AI制药产业的重要策源地。 从技术能力看，中国在AI制药的某些环节已具备国际竞争力。中国在AI算法层面与欧美差距不大，甚至在某些领域具有优势。例如，在化合物筛选和临床前研究等环节，中国的专利申请人具有一定的优势。浙江大学智能创新药物研究院孵化的禹泓医药，仅用三年时间就推动一款针对白癜风疾病的药物进入Ⅱ期临床试验，展现出AI赋能药物研发的效率优势。此外，中国在机器人供应链方面的完整体系也为AI制药提供了硬件支持，使自动化实验成本大幅降低。 然而，与国际先进水平相比，中国AI制药产业仍面临诸多挑战。在创新药物产出方面，中国尚未有AI研发药物成功上市，进入临床阶段的AI药物数量也相对有限。导致这一差距的原因有多方面：一是传统药企创新意识相对保守，更倾向于跟随式、模仿式创新，对AI新药研发持谨慎态度；二是资本市场支持不足，全球关注AI新药研发的投资机构中，美国占比超50%，而中国仅占少数；三是人才储备不足，尤其是既懂生物医药又精通AI技术的复合型人才极度缺乏。 表：中美AI制药产业关键指标对比 对比维度 美国 中国 AI药企数量 343家（占全球一半以上） 近80家 进入临床阶段药物数量 47种（占全球46%） 34种 典型企业 Recursion、Relay Therapeutics 英矽智能、晶泰科技、冰洲石 政策支持 通过国立卫生研究院等机构支持基础研究 《医药工业数字化转型实施方案（2025-2030年）》等政策引导 资本市场活跃度 高度活跃，2023年融资额占全球80% 逐步升温，但规模相对较小 展望未来，中国AI制药产业蕴含巨大发展潜力。在政策支持方面，中国政府已推出《医药工业数智化转型实施方案（2025-2030年）》等系列政策，为行业发展提供明确指引。在市场空间方面，中国庞大的患者群体和医疗需求为AI制药提供了丰富应用场景。预计2025至2030年，中国智能制药行业将迎来高速发展期，市场规模有望突破5000亿元人民币。随着技术不断成熟和生态日益完善，中国有望在全球AI制药领域扮演越来越重要的角色。市场规模与增长预测 AI制药市场正迎来快速增长期，全球和中国的市场规模不断扩大，投资活力持续增强。随着AI技术在药物研发中应用的深入和效果的验证，市场预期日趋乐观，资本投入更加活跃，推动整个产业向成熟化发展。全球市场规模与增长趋势 全球AI制药市场规模正在以惊人速度扩张。根据行业数据，2023年全球AI制药市场规模已达到13.8亿美元，预计到2026年将增长至29.94亿美元，2021-2026年复合年增长率将达到30.47%。长期来看，市场前景更为广阔，麦肯锡预测，AI制药长期市场规模有望达到280亿至530亿美元。这表明AI制药不仅是技术创新的热点，更是具有巨大商业价值的赛道。 增长驱动力来自多方面。首先，AI技术在提高药物研发效率方面的效果逐步得到验证，增强了制药企业的投入信心。例如，AI技术可将传统药物研发周期缩短40%至50%，研发成本降低50%以上。其次，大型药企为提升研发效率和成功率，纷纷加大AI技术应用力度。全球前20大制药公司均已与AI公司展开合作，如辉瑞、强生、赛诺菲和诺华等。此外，资本市场对AI制药的高度关注也为市场增长提供了充足资金支持。中国市场规模与增长预测 中国AI制药市场虽然起步较晚，但增长势头强劲，潜力巨大。数据显示，2022年中国AI制药市场规模为27.2亿元（包括对外合作管线市场规模15.5亿元和自研管线市场规模11.6亿元），预计到2025年将分别增长至33亿元和34.7亿元。中长期增长前景更加可观，预计到2035年，中国AI制药市场规模将分别达到1353亿元和686.3亿元。 政策支持是中国市场增长的重要推动力。2025年4月，中国工业和信息化部等七部门印发《医药工业数智化转型实施方案(2025—2030年)》，明确提出2030年规上药企实现数智化全覆盖。各地方政府也纷纷出台支持政策，如浙江省发布了加快推动"人工智能+医疗健康"高质量发展行动计划（2025-2027年），计划建设省级医学生物信息数据库，共建共享行业高质量数据集。这些政策为AI制药产业提供了良好发展环境。 表：全球与中国AI制药市场规模与预测 地区 2022/2023年市场规模 2025/2026年预测规模 2035年预测规模 年复合增长率 全球 13.8亿美元(2023年) 29.94亿美元(2026年) - 30.47%(2021-2026) 中国(对外合作管线) 15.5亿元(2022年) 33亿元(2025年) 1353亿元(2035年) - 中国(自研管线) 11.6亿元(2022年) 34.7亿元(2025年) 686.3亿元(2035年) - 中国智能制药行业(整体) - - 5000亿元(2030年) >15%(2025-2030) 从市场结构看，中国AI制药市场主要包括对外合作管线和自研管线两大板块。目前，对外合作管线市场规模略大于自研管线，但预计到2025年，自研管线将实现反超。这表明中国AI制药企业正从技术服务向自主创新转变，整体竞争力不断提升。与此同时，中国市场在全球的影响力也在逐步扩大。2025年前10月，中国创新药海外授权超过100笔，金额突破1000亿美元。这表明中国创新药研发能力得到国际认可，为AI制药企业参与全球竞争奠定了基础。 综合来看，AI制药市场正处于高速增长期，全球和中国的市场空间巨大。随着技术不断成熟和应用场景拓展，AI制药将成为医药产业的重要组成部分，为传统药物研发带来革命性变化。 近期重大交易与资本动态 近年来，AI制药领域吸引了大量资本投入，并购活动日趋活跃，预示着行业正逐步走向成熟与整合。2024年至2025年间，全球AI制药领域发生了多起具有里程碑意义的交易事件，包括企业上市、大额并购和战略合作等，资本流向呈现出对技术验证成功企业更加青睐的趋势。重要上市与并购交易 2024年，AI制药领域出现了几起引人注目的大额交易，凸显了资本市场对这一行业的高度关注。其中最具代表性的是晶泰科技在香港上市，以及Recursion对Exscientia的收购。2024年6月，AI制药企业晶泰科技在香港成功上市，融资11.38亿港元，标志着AI制药正式进入二级市场，为行业注入新活力。此次上市不仅为晶泰科技提供了研发资金，也为整个AI制药行业提供了资本退出渠道，有助于吸引更多长期资本投入该领域。 2024年8月，Recursion以6.88亿美元收购Exscientia，成为AI制药领域迄今为止金额最大的一笔并购，标志着行业整合加速。这笔交易反映了AI制药企业通过整合实现优势互补、扩大规模效应的趋势。强强联合有助于企业打通技术壁垒，拓展研发管线，提高市场竞争力。与此同时，科技巨头也积极布局AI制药领域。2024年7月，英伟达投资Recursion，旨在加速AI药物发现领域的突破性基础模型开发。仅2023年，英伟达就投资了9家AI药企，投资总金额近10亿美元。这些投资表明，科技巨头将AI制药视为AI技术应用的重要场景，力图构建产业生态。融资环境与资本格局 从融资环境看，全球AI制药领域的资本分布极不均衡，美国企业吸引了绝大部分投资。2023年全球AI新药研发融资总额为36亿美元，其中美国AI初创药企吸纳了占总融资额的80%，中国仅为10%。这种差距不仅体现在融资额上，也体现在投资机构数量上。截至2022年第三季度，全球关注AI新药研发的机构约1120家，其中美国593家，占比超50%，中国仅62家。这表明美国AI制药领域的资本生态更加成熟，创新创业环境更为有利。 从企业估值变化看，AI制药经历了从狂热到理性的波动。2020年至2022年间，全球AI制药相关的投融资超过100亿美元，部分独角兽公司估值一路飙升，但又快速跌落。例如，美国的Recursion曾是典型的"AI+医药"明星企业，2021年在纳斯达克上市后，股价最高点一度超过40美元，此后却跌到不到十分之一。这种波动反映了市场对AI制药企业商业变现能力从过高期望到理性评估的调整过程。中国企业融资进展 尽管面临全球资本竞争的挑战，中国AI制药企业仍在一级市场取得了显著进展。2021年起，国内开始有大量资金进入AI新药研发公司，当年一个月内有3家中国AI制药公司获种子轮融资。近两年来，行业内颇受关注的融资项目包括：英矽智能2023年成功融资2.55亿美元，用于推进AI研发候选药物进入临床试验；北京望石智慧科技有限公司在同年4月成功融资1亿美元；而2020年9月，晶泰科技也顺利融资3.19亿美元。这些大额融资表明，中国AI制药企业的技术实力和商业前景正逐渐得到资本认可。 从融资阶段看，中国AI制药企业正从早期融资向中后期融资过渡。部分企业已开始筹备上市进程，如英矽智能已向港交所提交上市申请，在今年初完成E轮融资后，其估值已达到13.305亿美元。德睿智药也预计最快2026年完成新一轮融资，并启动港股IPO进程。这些进展表明，中国AI制药企业正在逐步成熟，具备了更强的可持续发展能力。 表：2024-2025年AI制药领域重大交易事件 时间 交易事件 涉及企业 交易金额 意义/影响 2024年6月 IPO上市 晶泰科技 11.38亿港元 AI制药企业首次进入二级市场 2024年8月 并购 Recursion收购Exscientia 6.88亿美元 AI制药领域迄今为止最大并购，行业整合加速 2024年7月 战略投资 英伟达投资Recursion 未公开 加速AI药物发现领域基础模型开发 2025年10月 合作协议 阿斯利康与美国生物技术公司 5.55亿美元 借助AI平台推动免疫学领域新靶点发现 2025年 已上市 英矽智能 估值13.305亿美元 - 英矽智能上市首日AI制药第一股引爆港股：https://finance.sina.com.cn/roll/2025-12-30/doc-inhepxiv5892343.shtml 总体而言，AI制药领域的资本活动日趋活跃，市场整合逐步展开。大型药企与AI技术公司的合作深化，科技巨头加快布局，资本市场为AI制药企业提供更多元化的退出路径。这些趋势预示着AI制药行业正从初创期向成长期过渡，企业间的分化与整合将加速。对于中国AI制药企业而言，如何在资本竞争中缩小与国际领先企业的差距，是未来发展的重要挑战。挑战与未来机遇行业发展面临的瓶颈 AI制药在快速发展的同时，仍面临多方面的挑战与瓶颈。数据问题是制约AI制药发展的核心因素之一。高质量、大规模的数据是训练可靠AI模型的基础，但医药领域面临数据量不足、标准化程度低、流通共享难等问题。目前大多数数据来自科研基金、出版物等公开渠道，数据清洗整合比AI建模更加费时费力。此外，医药数据的隐私性和AI对数据的依赖性之间存在矛盾，需要新的加密技术、行业合作机制和创新的数据资产商业管理机制来解决。 技术验证与监管适应是另一大挑战。截至目前，全球尚没有一款AI研发药物成功上市，甚至成功跨越临床II期的都极为少见。AI生成的候选药物需要接受监管机构更严格的有效性、质量及生产流程审查。监管科学如何适应AI制药的特点，建立合理的审评标准，是亟待解决的问题。一些专家期待监管部门在特定领域认可虚拟动物模型等新型研究手段的科学性。 人才短缺是制约AI制药发展的关键因素，尤其在中国更为突出。AI制药需要既懂传统药物研发，又相信AI或愿意用AI技术做创新药研发的复合型人才。目前这类人才极度缺乏，且培养体系不完善。生物医药与计算机专业的人才培养路径差异较大，跨界融合存在障碍。此外，我国关于顶层设计的AI人才也相对匮乏，这类人才需具备算法工程背景和生物化学等交叉学科训练，才能实现技术落地。 算力限制也是AI制药企业面临的现实挑战。模拟蛋白或分子空间构象对精度要求极高，即使使用超级计算机也无法实现穷尽所有组合。同时，AI模型训练需要大量计算资源，初创企业需要投资数千万元搭建算力中心。对于许多企业而言，算力成本是沉重负担。此外，全球芯片竞争也给中国AI制药企业带来"一卡难求"的困境。 行业融合障碍也不容忽视。AI制药是一个高度封闭和保密的行业与一个开放性最强行业的碰撞。制药行业已发展数百载，知识经验和数据积淀丰厚却壁垒森严，以专家经验为基础，对拥抱数字化有天然抵触。这种文化差异导致传统药企与AI技术公司合作时面临"水土不服"。未来发展方向与机遇 尽管面临挑战，AI制药领域仍充满巨大发展机遇。政策支持是推动AI制药发展的重要力量。中国政府已推出《医药工业数智化转型实施方案（2025-2030年）》等政策，明确2030年规上药企实现数智化全覆盖。浙江、上海等地也发布了专项行动计划，建设省级医学生物信息数据库，共建共享行业高质量数据集。这些政策为AI制药提供了良好发展环境。 技术融合创新将开辟新的发展路径。未来，AI制药可能向多元化、个性化和精准化方向发展。基于多尺度、多模态的大型神经网络模型，研究者可以构建"虚拟细胞"或"数字孪生"，模拟药物在体内的作用过程，大幅提升药物筛选效率。例如，斯坦福大学研究团队利用1635个"虚拟病人"测试乳腺癌药物，找到了优化治疗路径。这种方法可以实现高通量和高保真，极大降低临床试验成本。 区域协同与国际合作将释放新的发展机遇。长三角、粤港澳和大湾区等地区在生物医药和AI融合方面具备优势，通过建设高质量数据平台和智能化科研基础设施，有望进一步释放医药创新潜力。同时，中国医药创新不能仅立足国内市场，应通过AI等技术赋能，在全球健康治理和国际医疗合作中发挥更大作用。2025年前10月，中国创新药海外授权金额已突破1000亿美元，表明中国创新药正逐步获得国际认可。 罕见病药物研发是AI技术可以发挥重要作用的方向。罕见病诊断和治疗通常面临患者少、数据稀缺的困境，而AI技术可以通过分析有限数据，加速罕见病药物研发。数据显示，我国2017-2022年期间的在研罕见病药物数量大幅增加，年均增长率达34%。AI大模型的应用有望将罕见病确诊时间从数年缩短到4周以内，使罕见病药物研发迎来新机遇。 综上所述，AI制药前景广阔但挑战并存。随着技术不断进步、政策持续支持和资本日益成熟，AI有望重塑药物研发范式，为人类健康事业带来革命性变化。对中国而言，抓住AI制药发展机遇，是实现医药产业弯道超车，从仿制药大国向创新药策源地转变的重要契机。通过加强技术创新、优化资本环境、培养复合人才和完善基础设施，中国有望在全球AI制药领域占据重要地位。

引言 在药物研发实验室的深夜，一位科学家正为一种抗癌化合物的分子结构绞尽脑汁。同一时刻，在另一间办公室，一台机器通过分析数百万条化学键数据，仅用十分钟就提出了三种潜在结构——其中一种后来证明对特定癌症有着惊人的抑制效果。这不是科幻小说，而是AI正在改变药物研发的真实写照。然而，当这位科学家试图用ChatGPT撰写研究成果时，却发现了AI助手令人担忧的局限性。一、药物发现：从"试错法"到智能革命 传统药物研发常被形容为"大海捞针"——科学家在茫茫化合物海洋中，依靠高通量筛选和"试错法"寻找有潜力的候选药物。这一过程通常需耗时10-15年，耗费26亿美元，成功率却不足10%。更令人沮丧的是，这些传统方法往往缓慢、昂贵且预测准确性有限，因为它们难以准确模拟药物在人体内的复杂行为。 AI技术，特别是机器学习(ML)和自然语言处理(NLP)，正为这一困境提供全新解决方案。通过高效分析海量数据，这些算法能以前所未有的速度和精度预测化合物功效和毒性，大大压缩研发周期。就像一位不知疲倦的数据分析员，AI能在几小时内完成人类团队数月的数据挖掘工作。二、从实验室到病床：AI的多维度突破 在药物研发的各个阶段，AI正展示惊人的变革潜力： 分子设计革命：深度学习算法能从已知化合物数据中学习，生成具有特定理想特性(如溶解度、靶点亲和力)的全新分子结构。这超越了传统依赖修饰现有化合物的缓慢过程。 蛋白质折叠之谜：DeepMind的AlphaFold利用AI从氨基酸序列高精度预测蛋白质三维结构，解决了生物学50年的重大难题，为靶向药物设计铺平道路。 毒性预测专家：ML算法通过分析历史数据中的模式，能比传统实验方法更早、更准确地预测候选药物的潜在毒性，大幅减少后期临床试验失败率。 药物重定位大师：AI系统能发现已有药物的新适应症。例如，在新冠疫情期间，ML算法通过分析病毒蛋白与人体蛋白的相互作用，快速识别出多种潜在治疗药物，显著加速了药物重定位进程。三、从理论到临床：真实世界的成功案例 AI不仅在理论上有潜力，已证明能在实际药物研发中创造价值：抗癌利器： 深度学习算法从数百万化合物中筛选出新型抗癌分子，其中一种已进入临床试验阶段。阿尔茨海默病新希望： 机器学习发现了一种能有效抑制β-分泌酶(BACE1)的新型化合物，为治疗这一顽疾带来新思路。抗生素复兴： ML方法从超过1亿个分子中筛选出强效抗生素halicin，对多种耐药菌株展现活性，包括引起结核病的分枝杆菌。四、人机协作：超越替代的伙伴关系 值得注意的是，最成功的AI药物研发案例并非"机器替代人"，而是"人机协作"。人类科学家提供领域知识、实验验证和临床判断，而AI则处理海量数据分析、模式识别和预测建模。正如一位制药公司研发总监所言："AI不会取代药物化学家，但懂得使用AI的药物化学家将取代那些不懂的人。" 大型制药公司早已意识到这一趋势。默克与AI公司Numerate的合作是典型案例——通过结合人类专业知识与AI计算能力，他们成功加速了多个药物研发项目，特别是在靶点识别和先导化合物优化阶段。五、阴影与挑战：AI并非万能灵药 尽管前景光明，AI在药物研发中的应用仍面临重大挑战： 数据困境：AI算法如同饥渴的海绵，需要大量高质量数据才能有效学习。然而，药物研发数据往往稀缺、不完整或质量参差不齐，尤其对于罕见疾病。 "黑箱"难题：许多高级AI模型缺乏可解释性，科学家难以理解其预测背后的生物学机制，这在需要严格验证的药物研发领域构成障碍。 伦理隐忧：算法偏见可能导致某些人群(如女性或少数族裔)的药物反应被忽视，引发公平性问题；而AI加速的药物研发也可能加剧医疗资源分配不均。六、当AI撰写科研论文：一个警示故事 或许最令人深思的是本文自身的诞生过程。作为一项实验，人类研究者让ChatGPT(基于GPT-3.5)协助撰写这篇综述。结果如何？AI生成的初稿中，参考文献正确率仅为6%，且包含大量陈旧或虚构的信息。人类作者不得不几乎重写全文，替换几乎所有参考文献。 这一经历揭示了AI在科研写作中的深刻局限： 无法区分事实与虚构，可能生成看似合理实则错误的内容 知识截止于训练数据(2021年)，无法获取最新研究进展 缺乏科学判断力，无法评估信息的可靠性和重要性 存在传播科学错误信息的风险，可能损害科学公信力总结 AI在药物研发中的未来充满希望，但道路需要谨慎铺设。研究者建议： 开发专门针对科学领域的AI工具，基于高质量同行评审文献训练 建立严格的使用规范，要求披露AI参与程度并验证其输出 将AI定位为人类专家的辅助工具，而非替代品 投资"可解释AI"研究，使预测更加透明可信 正如药物研发需要严谨的临床验证，AI工具也需要严格的科学审查。在科学探索的道路上，人类智慧与机器能力的最佳结合，或许才是治愈疾病的终极良方。 参考：The Role of AI in Drug Discovery: Challenges, Opportunities, and Strategies 初冬天气暖，小似立春时。万树无多叶，千花试一枝。天红霜有信，星晕雨先期。怕见梅花发，愁怀未辨诗。 𝓔𝓝𝓓