Metis Pharmaceuticals Co., Ltd.

吴函霏 数字经济研究中心研究员 研究领域：数字化转型、数字经济、数据要素 字数：3k+ 预计时长：12min 2017年，国务院发布《新一代人工智能发展规划》，面向2030年明确了从技术创新、到智能经济、智能社会的“三步走”战略。今年8月，国务院印发《关于深入实施“人工智能+”行动的意见》，标志着人工智能战略导向正式步入“智能经济”阶段。当前，Agentic AI、Physical AI、科学智能、空间智能、脑机智能等前沿领域加速迭代演进，拉开了“由AI创造”的原生化新模式新业态蓬勃发展帷幕，为进一步探究其发展趋势变革，上海中创产业创新研究院推出“智能前沿观察”研究系列，为智能经济发展提供决策参考。本篇为第四篇，聚焦科学智能的变革。 从牛顿用数学公式描述万有引力，到大型强子对撞机捕捉希格斯玻色子踪迹，人类的科学探索始终伴随着范式的迭代。如今，一场由科学智能引领的变革正席卷而来——人工智能与科学研究的深度融合，不仅让科学发现的效率实现指数级提升，更在重新定义人类探索未知的路径与边界，为破解各学科领域核心难题注入全新动能。 领域渗透：绘就科学智能革新图景 科学智能已超越概念探索阶段，如同毛细血管般深度渗透到生命科学、物质科学、地球与环境科学及工程科学等领域。它打破了传统科研的时空限制与思维定式，在各学科的关键研究环节实现全新突破。 （一）生命科学 生命科学承载着人类探索自身奥秘、攻克疾病难题的重要使命，然而传统研究受限于技术手段，进展一度缓慢。科学智能以强大的数据处理能力与模拟预测能力，为生命科学搭建起高效研究框架，从微观分子层面到宏观医疗应用，全方位推动该领域实现跨越式发展。 蛋白质结构预测曾是困扰学界半个世纪的难题，传统观测方法面临难度大、成本高、进展有限等问题，但随着人工智能的应用，这一领域实现了革命性突破。DeepMind开发的蛋白质折叠AI模型AlphaFold 3可精准预测蛋白质、DNA、RNA、小分子等的几乎所有生物分子结构和相互作用，相较现有预测方法改进幅度超50%。随着AlphaFold3的突破，同类蛋白质结构预测工具也相继推出，如OpenFold 3可实现从氨基酸序列到三维结构的精准预测，其全开源、可商用的特性为科研人员提供了更多选择。 药物研发领域同样迎来效率革命。传统新药研发平均周期超10年、研发成本超10亿美元，最终仅有约10%的候选药物能成功上市。而AI技术通过靶点发现、分子生成、虚拟筛选等环节的全流程赋能，大幅缩短了研发周期。近日临港实验室发布的国际首个通用分子设计世界模型ODesign，允许科学家在任意类型靶标上指定目标位点，实现多类型生物配体的一键式设计，标志着生成式AI药物研发从“单点突破”迈向“通用智能”。剂泰科技的人工智能驱动小分子制剂优化平台AiTEM，将临床前制剂优化周期从行业平均的1-2年缩短至3个月内，其候选药物MTS-004从立项至完成III临床试验仅耗时38个月，成为目前国内首款完成III期临床的AI赋能制剂新药。 图1 基于ODesign的多形态分子设计案例 图片来源：临港实验室官网 （二）物质科学 物质科学的核心挑战在于如何从近乎无限的“材料空间”中筛选出符合需求的物质，传统研究依赖“试错法”，不仅消耗大量人力物力，还面临研发周期长、效率低等困境。科学智能依托机器学习、深度学习等技术，构建起物质微观结构与宏观性能的关联模型，实现对材料研发的全流程赋能，推动物质科学向高效化、精准化方向发展。 在化学领域，陶氏化学应用微软AzureAI等定制机器学习技术，将传统聚氨酯材料研发4-6个月的工作量缩短至30秒，效率提升20万倍。万华化学依托AI将化学反应方案从14000种优化至4种可行方案，实验周期缩短90%以上。英国利物浦大学、中科大等高校院所相继推出机器人AI化学家，通过移动机器人、分析仪器与AI智能体等的结合，高效完成实验设计、自动操作、数据分析、结果筛选等工作，大幅解放化学家的双手。 在材料领域，科学智能同样重塑研发模式。如华东理工大学构建了包含260万条高分子结构性能数据、140 万条化学反应数据的专业数据库，打造出国内首个高分子专业AI大模型AI plus Polymers研发平台，已服务上海华谊树脂、库贝化学等68家企业与科研单位。微软研究院提出的基于生成性AI的MatterGen模型，不仅能够生成覆盖全元素周期表的稳定无机材料，还可通过微调精确控制生成材料的化学成分、对称性以及物理性质。上海交通大学团队用图神经网络（GNN）预测二维材料吸附能，筛选出MoS2/石墨烯异质结作为高效析氢催化剂，实验验证效率达92%。 （三）地球与环境科学 随着全球气候变化加剧、生态环境问题凸显，地球与环境科学亟需更高效的研究手段，以实现对气候趋势的精准预测、生态变化的实时监测及灾害风险的有效防控。科学智能凭借强大的多源数据整合能力与复杂模型构建能力，为该领域提供了全新解决方案，成为守护地球生态家园的关键技术支撑。 全球主要国家与研究机构纷纷加速AI气象大模型研发，推动该领域实现突破性进展。微软研究院开发的首个大规模大气基础模型Aurora，不仅能够精准预测温度、风速、空气污染水平、温室气体浓度等大气变量，而且计算速度相较于最先进的数值预报系统（IFS）提升约5000倍。中国气象局发布了人工智能气象预报“风”系列模型（风雷、风清、风顺），在短、中、长期预报预警方面取得重大突破，当前智能网格天气预报系统空间分辨率精确至全国5公里，暴雨预警准确率达93%。 图2  Aurora架构 图片来源：微软研究院官网 在灾害预警与生态治理领域，科学智能同样发挥重要作用。马克斯·普朗克学会研发的AI灾害早期预警系统，结合卫星数据与AI模型，生成分辨率达20米的超本地化预测，能够预测极端天气的发生时间及其对特定社区影响，为社区基础设施建设、农作物种植规划及选址决策提供科学依据。 （四）工程科学 工程科学作为连接基础研究与产业应用的桥梁，直接关系到微电子、通信、航空航天等关键领域的技术突破与产业升级。传统工程研究受限于参数优化难度大、生产流程复杂等问题，难以满足高精度、高效率的发展需求。科学智能通过对工程设计、生产流程、质量控制等全环节的智能化改造，成为驱动工程领域创新升级的关键引擎。 在微电子领域，随着芯片工艺节点不断推进，制造复杂性与数据规模呈指数增长，在此背景下，集成电路大厂纷纷加快AI应用步伐。如台积电采用多晶粒（Chiplet）封装架构，通过AI算法优化电路布局等方法，大幅降低AI芯片单位功耗。三星电子与英伟达联手建设新型人工智能工厂，部署超过5万块NVIDIA GPU，推动AI深度融入从芯片设计、制程模拟到品控检测的生产全流程。 在通信领域，面对生成式AI、智能体AI等应用普及带来的移动网络性能压力，AI-RAN（人工智能驱动的无线接入网）技术成为新解决方案。据市场研究机构Omdia预测，到2030年，AI-RAN相关市场规模将突破2000亿美元。英伟达作为AI-RAN联盟的重要倡导者，积极推进与电信领域的合作，如与软银合作推出的AI-RAN平台，实现全球首个同步处理AI推理与5G传输的电信网络架构，将自动驾驶指令延迟降至10毫秒以内；同时与诺基亚达成战略合作，将商用级AI-RAN产品融入诺基亚RAN产品组合，为通信服务提供商提供基于英伟达平台的5G-Advanced和6G网络解决方案。 机遇与挑战并存：科学智能的下一程 当科学智能的浪潮席卷各研究领域，我们需冷静审视其前进道路上的挑战，并洞察其将如何重塑科学发现范式。这场变革既是机遇，也是需要理性应对的革命。 （一）三重挑战：科学智能发展的现实瓶颈 1、数据壁垒与质量“黑洞”。高质量、标准化数据是科学智能的核心支撑，但现实中两大问题凸显。一方面“数据孤岛” 普遍存在。不同实验室、机构的数据格式不统一，且受知识产权、学术竞争限制难以共享，导致AI模型缺乏全面训练“养料”。另一方面数据质量堪忧。实验数据常伴随噪声、误差甚至系统性偏差，若直接用于训练，不仅会产出无效模型，更可能生成误导性结论，将研究引入歧途。 2、模型“黑箱”与可解释性困境。当前主流AI模型多呈“黑箱”特性：能基于海量数据输出精准预测或生成新颖结构，却无法像人类科学家那样，阐明背后的物理机制、化学原理或逻辑推理过程。科学探索不仅需“知其然”，更需“知其所以然”。一个无法解释决策过程的AI，即便结果正确，也难以让科研人员信赖并构建理论体系。 3、算力需求的高门槛与创新的普惠性难题。前沿科学AI模型的训练需消耗巨量计算资源，无形中筑起高门槛。这可能导致科研资源向少数拥有智算、超算中心的大型机构或企业集中，形成“算力鸿沟”。广大中小型实验室、青年科学家因负担不起高昂算力成本，被排除在新研究范式之外，进而抑制创新生态的多样性与活力。 （二）三大趋势：科学智能的未来发展方向 1、从“纯数据驱动”到“物理机理与数据融合驱动”。为解决“黑箱”与数据质量难题，下一代科学智能或将已知科学知识作为约束嵌入机器学习模型，形成“物理信息机器学习”模型。这类模型既向数据学习，又自带遵守科学规律的“常识”，能以更少数据实现更可靠预测，且结果天然契合物理规律，大幅提升可解释性与外推能力。 2、科学模型将成为下一代科研基础设施。一方面各基础学科将探索打造领域专属科学大模型，例如生命科学领域构建通晓蛋白质、基因等知识的“生命科学大模型”等。科研人员通过这些大模型进行自然语言提问、生成假设、设计实验，激发长尾创新活力。另一方面轻量化、专用化模型将成为重要发展方向，适用于中小型实验室的材料筛选模型、基层医疗机构的医疗诊断模型等相继涌现。这类模型不仅降低算力与资金门槛，还能提升特定场景的应用效率。 3、人机协同的“增强智能”成为科研新常态。科学智能的终极目标是增强人类智慧而非替代科学家，未来将形成“AI猜想、人类验证”的协同循环：AI处理海量文献数据，生成大量研究假设、材料分子式与实验路径；科学家凭借洞察力与逻辑思维，对AI产出进行甄别、验证与理论升华。这种分工将科学家从繁琐筛选中解放，专注战略思考与理论创新，极大拓展人类探索未知的边界与效率。 科学智能时代的序幕才刚刚拉开。它既是强大的望远镜与显微镜，带我们窥见往昔难以触及的宇宙宏阔与微观精妙；也是不知疲倦的研究伙伴，正与我们并肩奔赴那片广袤无垠的“未知之境”。面对这场范式革命，唯有主动拥抱变化、以理性驾驭变局，才能在变革中把握先机，重塑人类探索的边界。 参考资料： 1、AlphaFold3可预测几乎所有分子结构和相互作用， https://ecas.cas.cn/xxkw/kbcd/201115_145987/ml/xxhcxyyyal/202407/t20240718_5026382. 2、全开源、可商用，蛋白质、核酸与药物结构预测基础模型OpenFold3，https://www.163.com/dy/article/KD4EB22N0552A8U8.html. 3、临港实验室首发通用式分子设计世界模型ODesign，实现核酸、蛋白质、小分子等多形态分子的统一设计，  https://www.lglab.ac.cn/yjcg/kyjz/202510/t20251027_790812.html 4、中国首款AI制剂新药完成三期临床：AI赋能新药研发曙光初现？https://www.sohu.com/a/946528752_122362510. 5、“AI+机器人”成合成化学研究新范式， https://chem.jgvogel.cn/c1542889.shtml. 6、中国科大提出多智能体驱动的机器人AI化学家，https://ecas.cas.cn/xxkw/kbcd/201115_147064/ml/xxhcxyyyal/202503/t20250324_5059680.html. 7、AI赋能新材料产业变革：从智能设计到产线应用，上海跑出创新加速度，https://www.thepaper.cn/newsDetail_forward_31822669. 8、《自然》重磅：微软推出MatterGen，AI颠覆材料设计， https://news.qq.com/rain/a/20250117A01MHB00. 9、一文读懂AI4Materials：人工智能如何变革材料科学与工程， https://www.mbd.org.cn/article/134.html. 10、AI赋能天气：微软研究院发布首个大规模大气基础模型，Aurora https://www.microsoft.com/en-us/research/articles/aurora/. 11、向世界展示“中国方案”——人工智能赋能全民早期预警综述，https://www.cma.gov.cn/ztbd/2025zt/20250724/2025072407/xw/202507/t20250725_7234799.html. 12、科学家致力于研究具有变革意义的 人工智能自然灾害早期预警系统，http://www.cco.cma.cn/kjnl/kjdt/202508/t20250822_7289657.html. 13、英伟达携手三星：5万GPU加持，AI工厂加速半导体制造业转型，https://www.sohu.com/a/949597480_122362510. 14、10亿美元投资诺基亚，英伟达剑指AI通信市场，6G要来了?https://www.36kr.com/p/3531818958329990. 15、英伟达与诺基亚联手：AI-RAN平台加速6G网络转型，https://www.sohu.com/a/948685931_122362510. - E N D - 作者：吴函霏 编辑：龙彦霖 原创推荐 RECOMMEND “产业研究”系列 “数字经济”研究系列 “科技战略”研究系列 “改革开放”研究系列 “新消费新城市”研究系列 关注我们 战略规划 | 区域合作 | 零碳经济 | 数字转型 新兴产业 | 科技创新 | 改革开放 | 城市发展 转载、投稿、合作扫码添加小编微信 欢迎致电、来信开展商务合作 电话 | 15021550229 邮箱 | zhongchuangyanjiu@163.com ▌本文内容系原创，如需转载，请联系公众号小编 ▌图片来源于互联网，若有侵权，请联系本公众号进行删除  转发，点赞，在看，安排一下？

l 简单务实 l 专注精进 l 行稳致远 l 值得托付 l  免责声明 本内容仅供交流分享，不构成任何投资推荐或建议，订阅者应当充分了解各类投资风险，根据自身情况自主做出投资决策并自行承担投资风险，本微信公众号及相关主体不对任何因使用本公众号所载内容所引致或可能引致的损失承担任何责任。 本资料为常旸基金所有，未经常旸基金许可，任何机构和个人不得以任何形式转发、复制、翻版、发布或引用本资料的全部或部分内容。 太长不看版 （要点总结） · 本篇主要介绍了AI医药行业的竞争格局和部分AI医药公司。 ·AI+药物研发市场有三大类公司：IT巨头、AI制药企业和大型药企。“药企+AI制药企业”是最常见的合作模式。 ·目前全球已经拥有数百家AI医药公司，其中中国AI医药公司已超过百家，主要分布于北京、长三角和粤港澳大湾区三地。 ·除了传统的AI药物研发业务外，全球公司正不断向多元化业务方向探索，包括更多AI医疗场景应用和其他产业的AI解决方案等。 1 AI医药行业的竞争格局 目前，AI+药物研发市场有三大类公司：IT巨头、AI制药企业和大型药企。由于AI制药企业普遍缺少药物研发的相关数据、成熟的研发管线以及资深的药物专家，而这恰好是传统制药巨头所具备的优势。因此，大型药企和AI+药物研究的技术公司联合成为了主流。如：2016年强生与英国AI技术开发和应用公司BenevolentAI达成新药研发合作；2020年2月，制药巨头罗氏以19亿美元收购肿瘤大数据公司Flatiron Health的全部股份，还与GNS Healthcare达成合作协议等。 布局AI+药物研发的公司类型 类型 发展方向 公司示例 IT巨头 利用自身的互联网基础与平台优势进行技术布局，自主研发相关服务平台 腾讯，华为，百度，阿里巴巴，IBM,微软，谷歌等 大型药企 通过组建自有技术团队或与AI技术公司合作的方式，布局AI药物研发 华大基因，药明康德，Amgen，GSK，豪森药业，罗氏、拜耳、辉瑞等 AI制药企业 通过技术优势自主建立AI药物研发平台，甚至基于AI研发自主管线药物 英矽智能，Atomwise，晶泰控股，BenevolentAI，GNS Healthcare等 全球知名药企的AI合作伙伴一览 （不完全统计） 公司 AI合作伙伴 默沙东 晶泰控股、Atomwise、Numerate、Path AI、火石数智 艾伯维 AiCure 辉瑞 晶泰控股、Atomwise、Concerto Health AI、IBM watson、英矽智能 强生 晶泰控股、BenevolentAI、Celsius Therapeutics、Iktos 赛诺菲 Exscientia、Berg Health、英矽智能、Atomwise 罗氏 GNS Healthcare、Owkin GSK Exscientia、英矽智能、Cloud Pharmaceuticals 阿斯利康 Berg Health 诺华 IBM Watson 安进 Owkin 勃林格殷格翰 Bactevo 拜耳 MIT、晶泰控股、Huma AI、Exscientia、Blackford Analysis 礼来 Transcriptic、晶泰控股、Atomwise、Verge Genomics、Nimbus 吉利德 Insitro BMS Concerto HealthAI 诺和诺德 英矽智能 *资料来源：相关公司官网、公告，其他公开资料整理 2 部分海外AI医药企业简介 当前，全球已经拥有数百家AI医药公司，AI药物研发的范围已经从小分子、大分子生物药，扩展到基因编辑疗法、RNA药物等创新领域。 除了传统的AI药物研发业务外，还有一些公司提供基于AI的医疗大数据服务（包括医学诊断和个性化诊疗）、利用AI加速开发医疗应用软件、AI临床实验管理服务、AI病理图像数字化和分析服务、生物实验室机器人等。 （1）IBM watson 2015年IBM宣布投入10亿美元成立Watson健康部门，并设立10亿美元风险投资基金，用于吸引开发者和初创企业加入Watson生态系统。因此，专注于认知计算和AI解决方案的开发与应用、用于推进IBM的AI技术商业化的子公司IBM watson成立。 （2）Schrodinger 和 Nimbus Therapeutics Schrodinger是一家成立于1990年的美国老牌计算机与软件公司，提供AI药物及材料发现服务。Schrodinger的早期业务以AI药物设计软件的授权使用费为主，截至目前已建立覆盖7款药物的自研管线（2款1期，5款临床前），期望通过自研管线解决软件销售毛利率较低、营收增速受限的问题。2020年2月公司在纳斯达克上市（股票代码：SDGR）。 2009年，Schrodinger参与创立了新公司Nimbus Therapeutics提供AI小分子发现服务，该公司已有7款管线药物，其中2款在2期临床阶段，2款在1/2期临床阶段，聚焦肿瘤、免疫、代谢、肝病等领域。Nimbus Therapeutics目前累计完成10轮融资，融资额超10亿美元，发展进度在全球AI制药企业中处于前列。 （3）Recursion 和 Exscientia Recursion是一家成立于2013年的美国公司，公司旗下Recursion OS平台通过融合自动化实验、人工智能和超级计算能力，可实现药物发现的工业化规模运作。2021年4月，公司通过SPAC在纳斯达克上市（股票代码：RXRX）。 2024年8月，Recursion以6.88亿美元并购Exscientia（AI制药领域最大并购）。Exscientia是一家成立于2012年的英国AI药物发现公司，2021年10月在纳斯达克上市。由于公司的多款药物因临床疗效未达预期而终止开发（包括全球首个进入临床的AI设计药物DSP-1181），导致Exscientia股价大跌和大裁员。 两家公司合并后，目前Recursion自研管线共有6款药物，其中4款在1/2期阶段（研发最快的REC-4881为从武田处引进的药物），2款在临床前。 （4）BenevolentAI BenevolentAI是一家成立于2013年的英国AI药物发现公司。2022年，公司通过与空白支票公司Odyssey Acquisition合并，在泛欧交易所上市，估值约17亿美元（欧洲医药健康领域金额最高的一项SPAC交易）。 截止2024年06月30日，公司管线中包含3款核心产品：BEN-8744（中度至重度溃疡性结肠炎，1期）、BEN-34712（渐冻症，IND）、BEN-28010(胶质母细胞瘤和转移性脑肿瘤，临床前)，此外还有十多款药物准备加入管线。值得注意的是，此前公司的核心产品皮炎药物BEN-2293在IIa期试验中未能优于安慰剂，导致公司股价大跌并大幅裁员。 （5）Xaira Therapeutics Xaira Therapeutics是一家成立于2023年美国的AI药物发现领域的明星企业。该公司团队阵容十分豪华：由斯坦福大学第十一任校长担任CEO，华盛顿大学蛋白质设计研究所所长担任联合创始人，曾经领导基因泰克大分子药物发现的Arvind Rajpal博士以及诺贝尔化学奖得主Carolyn Bertozzi博士等一众知名科学家也加盟公司。在明星效应的影响下，该公司2024年4月完成10亿美元的A轮融资，融资金额超过绝大多数同类企业。 3 部分国内AI医药企业简介 根据智药局的不完全统计数据，截至2025年10月，中国AI制药公司已经达到了111家，主要分布于北京、长三角和粤港澳大湾区三地，其中北京、上海和深圳均有约20家公司落地，我国AI制药企业的成立潮主要集中于2018年和2021年（行业最为火热的时期）。 （1）医渡科技 医渡科技成立于2014年，是我国AI医疗大数据解决方案领域的龙头企业，主要向医疗行业的参与者提供基于大数据和人工智能(AI)技术的医疗解决方案，包括：医院管理系统、临床效率优化及商业化预测系统、智能诊疗系统、健康管理系统等。公司已于2021年1月成功在港交所上市。 （2）晶泰控股 晶泰控股成立于2015年，初始业务为晶型预测服务，后续逐渐拓展到AI药物发现、其他产业新分子发现服务（例如新材料分子、能源新型催化剂、电池电解液等），未来有望发展成多产业AI解决方案平台。目前公司已与全国多家知名药企、研究机构达成合作。2024年公司在港交所上市。 （3）英矽智能 英矽智能（Insilico Medicine）是一家2014年成立于美国特拉华州的AI制药公司，主营业务为AI药物发现、自研管线及软件服务，2024年起开始逐渐将AI发现业务拓展至能源、新材料、兽医等多产业领域。目前公司正在港交所IPO中。 公司目前已有一条包括14款药物的自研管线（1款2期阶段、6款1期阶段、2款IND阶段），其中特发性肺纤维化药物Rentosertib已完成2a期研究，即将开展3期临床研究，在全球AI设计药物的临床进展中处于领先地位。 （4）零氪科技 零氪科技成立于2014年，主要以“数据+技术+平台+服务”的模式为医疗行业参与者提供大数据整体解决方案。服务包括：危重疾病患者数字护理平台，AI纵向医疗数据管理系统，精准生命科学解决方案平台、科研课题管理系统等。 2020年9月公司完成D+融资，2021年3月获得阿里健康战略投资，2021年6月在纳斯达克交易所提交招股书，但随后一个月便暂停IPO，可能与数据相关监管规定有关。 （5）剂泰医药 剂泰医药成立于2020年，主要业务为AI纳米递送系统、脂质库和各项药物发现解决方案，“AI纳米递送”为公司的核心技术，旨在致力于打通药物研发的“最后一公里”。2025年8月公司完成4亿元D轮融资。 公司自研管线中包含7款药物（1款NDA（2.2类改良型新药）+1款1期），重点领域为中枢神经疾病、代谢疾病、肿瘤和自免领域。 （6）深势科技 深势科技成立于2018年，是一家以“AI for Science（科学智能，将AI用于科学发现）”为核心理念的多产业解决方案平台公司。公司致力于构建“产学研”一体化，通过大模型体系赋能多产业研究服务，实现底层逻辑创新（科研、新材料、新能源、制药、信息科学、工程研究等）。2024年10月完成数亿元C+轮融资。 4 总结 由于第一批AI设计药物几乎均在临床阶段“折戟”，当前全球鲜少有AI药物进入2期及以后临床阶段。此外，失败案例带来了行业热度的“降温”，使得全球AI医药行业的融资更趋于理性。 从发展方向来看，一部分AI医药企业正在尝试着将AI技术用于更前沿的医药研发领域，例如：AI驱动的CRISPR基因编辑；一部分企业正在尝试着解决AI设计药物的临床“死亡之谷”问题，例如建立更多高质量大规模数据库、建立“All-in-Human”（全人类数据驱动）的AI药物发现流程等；一部分企业正在尝试探索AI在临床实验、医疗大数据管理、精准诊疗、患者管理等更广泛的医药场景应用；而另一部分企业正在将AI从医药领域，拓展到更多产业领域，例如农学、新材料、能源化工、食品保健品、化妆品等。 总体而言，虽然经历了失败，但全球AI医药企业不仅正在多个高端细分领域中“生根发芽”，还在持续探索更多元化的AI业务布局、打造更宽广的AI产业体系。 To be continued…… 注：本资料所载来源被认为是可靠的，但常旸基金不保障其准确性和完整性，相关分析推测可能会根据后续研究做出更改。 更多详细资料和最新投研观点，欢迎合格投资者与我司进行深入沟通！

引言：传统医药研发的“双十困境”与AI革命的曙光 医药研发，历来被称为“地球上最复杂的系统性工程之一”。传统模式下，一款创新药从靶点发现到最终上市，需跨越“双十定律”的鸿沟——平均耗时10-15年，耗资超20亿美元，成功率不足10%。这一“高投入、高风险、长周期”的困境，不仅让阿尔茨海默病、特发性肺纤维化等领域的患者在漫长等待中错失希望，更将中小药企挡在创新门外。 然而，随着人工智能（AI）技术的深度渗透，这一格局正在被改写。从AlphaFold预测蛋白质结构引发的生物学革命，到英矽智能用AI发现的特发性肺纤维化药物进入Ⅱ期临床，从FDA开发AI审查工具“Elsa”提升监管效率，到华为云盘古大模型将先导化合物研发周期从数年缩短至1个月——AI已从实验室的辅助工具，成长为驱动医药创新的核心引擎。 本文将围绕“从‘赋能’到‘驱动’”这一主线，从技术演进、研发重构、监管适配、产业影响四个维度，与各位探讨AI如何重塑医药研发的“新双十定律”，以及这一变革对全球医药生态的深远意义。一、从“辅助工具”到“核心引擎”：AI在医药研发中的角色跃迁 1.1 传统研发范式的底层矛盾：数据爆炸与认知瓶颈的冲突 传统医药研发的本质是“基于经验的试错迭代”。在靶点发现阶段，研发人员需遍历数十万篇文献、基因组数据，耗时数月乃至数年，仍可能因信息遗漏错失关键靶点；在化合物筛选阶段，实验室需对成千上万种化合物逐一测试，一轮筛选耗时数月，进入下一阶段的分子不足万分之一；临床试验阶段，90%的候选药物因疗效不足或安全性问题失败。 矛盾的核心在于：生物医药数据呈指数级增长（如基因组学数据年增40%），而人类认知能力的线性提升难以匹配。据Global Market Insights报告，2023年全球医药研发数据量已突破100ZB，传统分析手段根本无法实现有效挖掘。1.2 AI的角色演进：从“效率工具”到“决策主体” AI在医药研发中的应用可分为三个阶段： 辅助赋能阶段（2012-2018年）：以机器学习辅助单一环节，如用自然语言处理提取文献信息、用计算机辅助药物设计（CADD）优化分子结构。典型案例为Exscientia 2012年用AI设计强迫症药物DSP-1181，将先导化合物发现周期从6年缩短至12个月。 协同驱动阶段（2019-2023年）：AI渗透研发全链条，形成“数据-算法-实验”闭环。例如英矽智能整合PandaOmics（靶点发现）、Chemistry42（分子设计）、inClinico（临床预测）三大平台，实现从靶点到临床Ⅱ期的全流程AI驱动；晶泰科技将AI与自动化实验室结合，化合物合成效率提升300%。 自主创新阶段（2024年至今）：生成式AI实现“从0到1”的原创发现。如DeepMind用AlphaFold3预测2亿种蛋白质结构，推动新型抗生素进入临床；华为云盘古大模型“从头设计”HER2单克隆抗体，亲和力较传统方法提升2倍。 这一演进的本质是：AI从“替代人力重复劳动”转向“重构研发底层逻辑”——通过多组学数据整合、强化学习生成新分子、因果推断优化临床试验，实现研发范式从“经验驱动”到“数据驱动”的根本转变。二、AI驱动研发全链条：“新双十定律”的技术重构路径 传统“双十定律”的核心痛点是“周期长、成本高、成功率低”。AI通过重塑靶点发现、化合物设计、临床试验、监管审批四大关键环节，正在形成以“10倍效率提升、10倍成功率跃升”为核心的“新双十定律”。2.1 靶点发现：从“大海捞针”到“精准定位” 靶点是药物研发的“起点”，传统模式依赖对疾病机制的经验性解析，成功率不足10%。AI通过多组学数据整合+知识图谱推理，实现靶点发现的“精准化”与“高效化”。技术突破： 多组学数据融合：AI整合基因组学、蛋白质组学、代谢组学数据，构建疾病-靶点关联网络。例如英矽智能PandaOmics平台通过分析2000万份临床样本和文献，将特发性肺纤维化靶点发现周期从3年缩短至3周； 知识图谱与因果推断：利用自然语言处理（NLP）将非结构化文献转化为结构化知识，通过图神经网络（GNN）挖掘隐藏关联。罗氏制药引入AI靶点发现系统后，在肿瘤领域识别出12个新型靶点，成药性验证成功率提升至45%（传统约15%）； 单细胞测序与空间组学：结合AI解析单细胞异质性，发现细分人群的特异性靶点。如斯坦福大学用AI分析单细胞RNA测序数据，发现阿尔茨海默病的小胶质细胞亚群靶点，推动血液诊断试剂获批。数据佐证： 据波士顿咨询（BCG）2025年报告，AI驱动的靶点发现阶段成本降低60%，进入临床前研究的靶点存活率提升至35%（传统约10%）。2.2 化合物筛选与设计：从“经验试错”到“智能创制” 化合物筛选是研发成本最高的环节之一，传统流程需合成、测试数万种分子，耗时2-3年，成本占研发总投入的40%。AI通过生成式模型+虚拟筛选，实现分子设计的“按需定制”。技术突破： 生成式AI从头设计分子：基于强化学习（RL）和扩散模型，AI可生成具有特定活性、毒性、代谢性质的分子。默沙东与Schrödinger合作，用AI设计KRAS G12C抑制剂，临床前活性较传统分子高3倍，合成周期缩短至6个月； 多属性优化（MAO）算法：同步优化分子的活性、选择性、ADMET（吸收、分布、代谢、排泄、毒性）性质。英矽智能Chemistry42平台生成的USP1抑制剂，在保持纳摩尔级活性的同时，口服生物利用度提升至85%（传统设计约50%）； 虚拟筛选加速候选化合物验证：AI预测分子-靶点结合能，缩小实验范围。晶泰科技XupremAb平台通过冷冻电镜数据与AI结合，抗体筛选效率提升10倍，已赋能礼来、辉瑞等企业的抗体药物开发。数据佐证： Global Market Insights数据显示，AI驱动的化合物设计阶段周期缩短70%，临床前候选化合物（PCC）确定成本降低55%；FDA 2025年指南指出，AI设计的分子在临床前安全性评估中的通过率达78%，传统方法仅为42%。2.3 临床试验：从“高耗低效”到“精准高效” 临床试验是研发失败的“重灾区”，传统模式中Ⅱ期到Ⅲ期的成功率不足30%，主要原因包括受试者招募缓慢、终点设计不合理、数据质量低。AI通过精准入组+动态监测+智能预测，重构临床试验范式。技术突破： 受试者精准匹配：AI整合电子健康记录（EHR）、基因数据、生活方式信息，构建入组预测模型。FDA试点AI辅助招募工具后，肿瘤临床试验入组周期从18个月缩短至8个月，脱落率降低40%； 临床试验动态优化：实时分析试验数据，调整样本量、终点指标。如英矽智能inClinico平台预测Ⅱ期到Ⅲ期的成功率，将特发性肺纤维化药物ISM001-055的临床推进决策时间从3个月缩短至2周； 真实世界数据（RWD）加速证据生成：AI整合医保数据、可穿戴设备数据，替代部分传统临床试验。FDA 2025年批准的阿尔茨海默病血液诊断试剂，其验证数据部分来自AI分析的10万例真实世界样本。数据佐证： BCG对100家AI制药企业的分析显示，AI生成药物在Ⅰ期临床试验中的成功率达80%-90%，传统方法约50%；Ⅱ期到Ⅲ期的转化率提升至58%，传统约28%。2.4 监管审批：AI赋能监管现代化的“双向加速” 监管审批是研发的“最后一公里”，传统流程依赖人工审查，耗时6-12个月。AI通过辅助科学审查+风险分层监管，实现“监管效率提升”与“公众安全保障”的平衡。技术突破： AI辅助科学审查：FDA开发内部生成式AI工具“Elsa”，自动分析临床试验数据、文献和生产流程，将新药申请（NDA）审查周期从10个月缩短至2个月； 风险分层监管框架：FDA 2025年《人工智能在药品和生物制品监管决策中的应用指南》提出，根据AI模型的“风险等级”（高/中/低）制定差异化审查路径。例如，低风险的AI辅助化合物筛选工具可采用“备案制”，高风险的AI诊断模型需提交完整算法验证数据； 全生命周期管理：要求AI模型开发者建立“性能监控-迭代更新-风险预警”机制。如FDA对基因治疗REMS限制的取消，正是基于AI对长期安全性数据的实时监测，为细胞与基因治疗建立了“动态监管”路径。数据佐证： FDA Commissioner Marty Makary的百日成果显示，AI试点使特定药品审批周期从10-12个月缩短至1-2个月，同时非法电子烟查处效率提升300%；ISPE GAMP®指南指出，AI驱动的监管协同可使全球药品上市时间差缩小至3个月内（传统约12个月）。三、“新双十定律”的产业影响：从“少数巨头垄断”到“多元创新生态” 传统“双十定律”下，医药研发是“资本密集型”游戏，仅跨国药企能承担巨额成本。AI驱动的“新双十定律”通过降本增效+技术民主化，正在重塑产业格局。3.1 研发成本与周期的“指数级下降” 成本端：英矽智能用AI发现特发性肺纤维化药物，早期研发成本仅260万美元（传统需2-3亿美元）；华为云盘古大模型将超级抗菌药Drug X的先导化合物研发成本降低70%。 周期端：传统药物从靶点到临床需4-6年，AI驱动下可压缩至12-18个月（如英矽智能Pharma.AI平台）；FDA数据显示，AI辅助审批使孤儿药上市周期缩短40%。3.2 创新主体的“民主化”与“多元化” 初创企业崛起：中国“AI制药四小龙”（英矽智能、晶泰科技、深度智耀、剂泰科技）通过技术差异化，获得赛诺菲、复星医药等巨头的千万美元级订单； 跨界融合加速：科技企业（华为、亚马逊云科技）提供算力与算法平台，药企专注生物学洞察，形成“AI+医药”协同生态。例如亚马逊云科技支撑英矽智能Pharma.AI平台，处理千万级化合物数据； 科研机构与中小企业参与：AI降低创新门槛，西安交大一附院团队用AI在1个月内完成传统数年的先导化合物研发，推动“超级抗菌药”进入临床。3.3 全球医药创新的“竞速赛”与“新规则” 技术标准主导权争夺：FDA 2025年AI监管指南、EMA《AI在 medicines生命周期中的应用反思文件》，正在定义全球AI制药的“游戏规则”； 数据主权与伦理博弈：多组学数据是AI制药的“燃料”，各国加速建立数据共享机制（如中国“国家健康医疗大数据北方中心”），同时强化数据安全审查； 治疗领域的“精准化”突破：AI在阿尔茨海默病（FDA批准首个血液诊断试剂）、耐药菌感染（华为云Drug X）、罕见病等“传统研发洼地”取得突破，填补未被满足的医疗需求。四、挑战与伦理：AI驱动下的医药研发需警惕的“暗礁” 尽管AI重塑了“新双十定律”，但技术赋能的背后仍存在数据质量、算法黑箱、伦理风险三大核心挑战，需产业界与监管层协同应对。4.1 数据质量：“垃圾进，垃圾出”的底层风险 AI模型的性能依赖高质量数据，但生物医药数据存在“碎片化、标准化不足、隐私保护严格”等问题： 数据碎片化：医院、药企、科研机构的数据格式不统一，美国FDA估计，全球医药研发数据的互通率不足30%； 标签偏差：临床试验数据中，“疗效评价”依赖医生主观判断，可能导致AI模型学习“伪关联”。例如某AI预测模型因训练数据中“男性患者占比过高”，对女性患者的疗效预测准确率下降25%； 隐私保护与数据共享的矛盾：欧盟GDPR、中国《个人信息保护法》限制数据跨境流动，而AI需要多中心数据训练。FDA 2025年指南提出“联邦学习”框架，允许模型在本地训练、仅共享参数，平衡隐私与创新。4.2 算法黑箱：“可解释性”与“监管信任”的鸿沟 AI模型（尤其是深度学习）的“黑箱特性”，可能导致研发决策难以追溯，增加监管风险： 监管挑战：FDA要求AI模型需提供“决策依据”，但深度神经网络的中间层逻辑难以解释。例如某AI设计的抗肿瘤药物，因无法说明“分子结构-毒性”关联，被FDA要求补充6个月的实验数据； 行业应对：ISPE GAMP®指南推荐“白盒化设计”，如用可解释AI（XAI）技术可视化模型决策路径；FDA试点“算法备案制”，要求高风险AI模型提交源代码与训练数据。4.3 伦理风险：“技术中立性”的边界争议 数据偏见放大：若训练数据中包含种族、性别偏见，AI可能加剧医疗不平等。例如某AI诊断模型对亚裔患者的误诊率是白人患者的2倍； 过度依赖AI的“去人性化”风险：复星医药全球研发中心CEO王兴利指出，“AI无法完全取代人的判断，临床决策仍需医生与研发人员的综合分析”； 全球公平性：AI技术集中在欧美和中国，发展中国家可能面临“技术鸿沟”。WHO呼吁建立“AI医药研发全球共享平台”，确保创新成果惠及所有国家。五、结语：迈向AI主导的医药创新新纪元 从“赋能”到“驱动”，AI正在改写医药研发的底层逻辑。传统“双十定律”的“10年、10亿美元、10%成功率”将被“新双十定律”的“10倍效率、10倍成功率”取代——这不仅是技术的胜利，更是人类对抗疾病方式的革命性突破。 未来，我们需要构建“技术创新-监管适配-伦理规范”三位一体的生态体系：以多组学数据与算力为基础，以可解释AI和风险分层监管为保障，以“患者为中心”的价值导向为核心。唯有如此，AI才能真正成为“让每个生命都有药可医”的终极力量。 最后，用中国科学院院士陈凯先的话与各位共勉：“AI为制药行业带来的价值可达1.2万亿美元，但比资本更重要的，是它为阿尔茨海默病、耐药菌感染等患者带来的‘生命希望’。”参考文献清单 FDA. Considerations for the Use of Artificial Intelligence to Support Regulatory Decision-Making for Drug and Biological Products [Draft Guidance]. January 2025. FDA Commissioner Marty Makary. 百日工作成果：拥抱黄金标准科学、透明度与常识. July 2025. ISPE. GAMP® Guide: Artificial Intelligence. August 2025. Boston Consulting Group (BCG). AI-Generated Drug Molecules in Clinical Trials: Success Rate Analysis. 2025. 宝利投资. AI制药,破解新药研发“双十定律”. May 2025. 复星医药全球研发中心CEO王兴利. 生成式AI的出现有望破解新药研发的“双十”魔咒. September 2024. 华为云. 打破“双十定律”,华为云AI推动超级抗菌药Drug X研发加速. October 2022. 英矽智能. Pharma.AI平台技术白皮书. 2025.免责声明 本演讲稿内容基于公开信息与行业研究，引用数据与案例均来自合法渠道，但不构成任何投资建议或医疗决策依据。医药研发存在固有风险，AI技术的实际效果需结合具体场景验证。如需转载，请联系作者并注明出处。 （全文完）