Biomap (Beijing) Intelligent Technology Co., Ltd.

点击顶部「蓝色字」关注 · 设为星标优先获取更新 PART 1：一份 Nature 联名"检讨书"，把 AI 制药的泡沫钉在了墙上 2026年8月，全球 16位 药物发现学者在《Nature Reviews Drug Discovery》（第25卷，855–876页，DOI: 10.1038/s41573-026-01496-2）联名发了一篇观点文章，结论只有一句被反复引用：AI 对药物研发"临床相关影响的证据，至今令人失望地有限"。这句话的份量，在于它出自 Nature 旗下顶级综述期刊，而非某个看空者——过去十年，AI 制药从学术探索一路冲到产业前台，深度学习与结构预测工具让分子生成、虚拟筛选、靶点排序悉数纳入算法流程，大模型公司、算力厂商、头部药企接连下注，AI 原生管线不断挤进临床。 可到了人体这道关卡前，故事换了剧本。本文的判断主线是：AI 制药不是在"颠覆制药"，而是在"临床这道坎"前集体撞墙；真正决定新药生死的 II 期"死亡谷"，算法算得清分子与靶点的结合，却算不清疾病与人之间的因果。 这份联名检讨书给出的核心标尺很冷峻：在决定一款药上市总成本的所有变量里，权重最大的是 II 期临床成功率；而采用生物标志物完成患者分层的项目，单次成功上市的资本化成本，仅为未分层项目的一半。当这张"问题清单"被摆上台面，全行业忽然有了一个共同的思考坐标——AI 究竟该在药物研发的哪个环节证明自身价值？ PART 2：失败案例解剖室——四家"老炮儿"的同一道墙 复盘这一轮出清，最刺眼的是"先行者不灵"。几家最早把 AI 与自动化实验结合的公司，如今几乎都放慢了脚步，甚至退场。把它们逐一拆开，能看到一条高度一致的失败曲线：临床前亮眼，临床后熄火。 H3 BenevolentAI：知识图谱的"老药新用"死在了皮炎上 BenevolentAI曾是欧洲最受追捧的 AI 制药明星，新冠期间靠 AI 找出老药新用线索而名声大噪。但它的自研皮炎药物在 2023年 II 期失败，此后连续重组，最终在 2025年3月 从阿姆斯特丹交易所退市、转为私有公司，股价较巅峰跌去 超过99%。问题不在于算法本身，而在于它押注的"知识图谱+老药新用"路线，始终没能产出任何一款获批药物——临床转化这一环，图谱补不上。 H3 Exscientia：第一个吃螃蟹，最后被吃掉 Exscientia是典型的"老炮儿"：2012年创立于牛津，2020年宣布全球首个 AI 设计的分子进入临床，一时风头无两。但此后多个项目进展不顺，巅峰时期被机构给出的逾 30亿美元 量级身价，到2024年已大幅缩水。当年它被 Recursion 以全股票交易作价仅 6.88亿美元 收购（路透社2026年8月8日披露），约合其一折——这笔交易创下当时 AI 制药领域最大并购，却也成了"融资泡沫"最直白的注脚。合并后 Exscientia 股东每持一股仅换得 0.7729股 Recursion 股票，折算下来 Exscientia 方持有合并实体约 26%、Recursion 方约 74%，账面现金约 8.5亿美元 撑到2027年。 难点一：被并购不等于胜利，而是"平台产出管线未能兑现临床价值"的折价出清。它手里多个临床前项目被终止，首发项目 DSP-1181（与住友合作，全球首个进入临床的 AI 设计分子）最终停止研发；为住友设计的 Ulotaront 精神分裂症药物也在 II 期折戟。 H3 Recursion：从"行业旗帜"到"砍管线自救" Recursion成立于2013年，是最早把 AI 与大规模自动化实验绑定的公司，一度被视为美国 AI 制药旗帜，2021年 IPO 募资 5.02亿美元，背后还有英伟达投资、BioHive-2 超算加持。但它同样撞墙：2025年5月一口气停掉多款进展最快的候选药物，原因是中期临床疗效不理想；随后宣布裁员约 20%，目标把2026年现金消耗压到 3.9亿美元 以下。到2026年二季度，其收入仅 770万美元、同比下滑约 60%。2026年10月，它又降价募资 2亿美元（每股 3.25美元、发行 6154万股），账上现金约 5.61亿美元，才把跑道续到2029年。 转折也并非全无：2026年10月，赛诺菲从其继承的 Exscientia 合作中挑出首个开发候选物，触发 1000万美元 里程碑付款，合作累计预付款与里程碑达 1.44亿美元。但"先发"没有换来"先成"——它每周跑 200万次 实验、沉淀 50+PB 自有数据集，数据和平台仍有价值，临床转化却依然卡在"表型陷阱"：细胞模型识别出的变化，没有转化为人体获益。 H3 Verge 与 Schrödinger：靶点对、分子对，患者不买账 Verge Genomics的核心管线 VRG50635（渐冻症 ALS）II 期未达疗效终点，直接终止开发，公司转向为大型药企提供 AI 工具服务的"卖水人"模式。Schrödinger 的 SGR-2921（急性髓性白血病）则因毒性问题止步——AI 预测覆盖了结合与活性，却没覆盖安全性风险。 把这些案例摞在一起，结论很残酷：核心管线临床失败，会直接掐断 AI 制药企业的融资生命线。投资人的底线已经变了——一级市场现在要求企业两三年内必须产生现金流，纯算法概念的 AI 制药企业融资难度已大幅上升。 PART 3：为什么算法算得出结合，算不出疗效 失败不是偶然，而是结构性的。联名综述把错配归结为三层，每一层都戳在 AI 制药的软肋上。 H3 第一层·环节错配：都挤在"路灯下找钥匙" AI 技术高度集中于临床前的早期分子发现——这里数据储备充足、建模难度低、成果产出快，是多数企业规避难点、快速出成果的舒适区。但新药研发的终极胜负，从来不在分子筛选效率，而在 II 期临床成功率。真正的"死亡谷"是：靶点与疾病的因果关系、信号通路代偿、患者异质性，这些 II 期才首次接受人体真实检验的变量，恰恰是当前模型从分子结构里根本无法预测的。 H3 第二层·数据错配：在 10^60 的宇宙里局部外推 化学空间约有 10的60次方 种可能分子，而人类实测过的只是其中极小一角。用局部、偏倚的数据训练出的模型，外推充满风险。更棘手的是"生物幻觉"——AI 可以画出最完美的分子-靶点结合构象，但分子-靶点-疾病关联中存在相当比例"统计学上成立、生物学上无意义"的关联，要到 II 期才暴露。2026年行业数据显示，人体试验候选药失败率仍约 90%，AI 把早期发现周期压缩了 30%–40%、临床前候选物最快 13–18个月 就能产出，却始终没能改善临床成功这个根本关卡。 H3 第三层·验证错配：刷榜 ≠ 真实决策改善 insitro 创始人 Daphne Koller 在 a16z 长文《Drug Discovery Has No Magic Wands》里点破核心：药物研发的瓶颈不是分子设计，而是疾病理解、是选对机制。她给出一组刺眼数字——行业每年推进的新颖靶点，从 2015年约100个 降到 2024年约30个；90% 的临床试验失败，主因是"靶点对、机制错"，而不是分子优化差。RFdiffusion 能在周末生成皮摩尔级结合剂，可如果靶点根本不是驱动疾病的因果，再好的分子也无用。Koller 的归纳很干脆：更快的失败，不等于更少的失败。 这也解释了为什么"技术push"压倒了"科学pull"——太多团队是"先有了模型，再去找问题"，而不是"先定义未被满足的疾病机制，再用 AI 求解"。 PART 4：泡沫出清后的终局——数据飞轮 + 临床闭环 把失败案例和错配三层叠在一起，行业正在发生一场集体转向：从"拼算力参数"回到"干湿实验闭环"。谁能用 AI 快速推进管线、并在临床读出真实数据，谁才握有下一阶段的话语权。 H3 国内进展：四条路线，谁在真刀真枪跑临床 【核心卡位】英矽智能(Insilico)是这条路上走得最前的中国玩家。其核心管线 Rentosertib（ISM001-055，靶向特发性肺纤维化的 TNIK 抑制剂）于 2026年7月 启动全球 III 期临床，是首款"靶点由 AI 发现、分子由 AI 设计"并进入上市前验证阶段的候选药物；中国 III 期于 2026年9月 完成首例患者给药，由北京协和医院牵头、钟南山院士等任联合牵头研究者。它的效率来自 Pharma.AI 平台：从靶点提名到临床前候选物用时不足 18个月、测试分子不足 80个，而传统模式平均需 4.5年、筛选数百至上千个分子。IIa 期数据显示，60mg 剂量组患者用力肺活量(FVC)平均改善 +98.4毫升，安慰剂组为 -20.3毫升。2026年它与礼来（潜在总价值至高 27.5亿美元）、SK 生物制药（至高 25亿美元）等达成合作，潜在总价值约 100亿美元，并已登陆港交所。 【国内突破】晶泰科技(XtalPi)走的是"AI+CRO 卖服务"路线，主打"量子物理+AI+机器人"的干湿闭环，2025年已实现全年盈利，服务全球 17家 TOP20 跨国药企，2026年6月再签超 4亿美元 战略合作。百图生科(BioMap)背靠百度，xTrimoV4 大模型已落地 60余个 概念验证项目，与赛诺菲达成潜在总额超 10亿美元 的合作，并已秘密递交港交所上市申请。剂泰科技聚焦 AI 纳米药物递送，核心管线 MTS-004 已完成 III 期临床主要终点。传统药企侧，恒瑞医药自研 HRS-AI 医药大模型、2025年研发投入高达 65亿元，首款 AI 驱动 JAK1 抑制剂已提交上市申请。 【边缘玩家】真正边缘的是纯算法概念、没有自有实验体系与临床管线的 AI 制药企业——一级市场融资难度已大幅上升，这轮洗牌里最先出清的正是它们。互联网巨头里，字节跳动布局最重：不走轻量授权，而是从底层模型到管线全栈自研（Anew Labs / AnewOmni），2026年6月启动 AI 制药业务拆分独立融资，其 IL-17 小分子项目实现技术突破；腾讯则依托"云深智药"平台、公开 AI 设计的 GLP-1 多肽专利，并通过产业基金深度绑定头部企业。 H3 读数时刻：未来 3–5 年定生死 据丁香园 Insight 数据，2026年全球 AI 驱动新药临床管线增至 179条、其中 9条 进入 III 期，行业集体迈入结果验证阶段。模型能力也在从"辅助工具"走向"统一底座"：Anthropic 披露 Claude 自主完成蛋白结合剂从头设计，15个 可评估靶点中 14个 成功、独立验证有效率 26.8%；谷歌 DeepMind 旗下 Isomorphic Labs 发布药物设计引擎 IsoDDE，直接建模"药物-蛋白结合"。 但所有这些，都要回到同一个考场——人体。英矽智能联席 CEO 任峰把 Rentosertib III 期成功比作行业的"DeepSeek 时刻"：若2029年前后数据验证有效性与安全性，就意味着 AI 不仅能找新靶点、也能设计新分子并在大规模患者上验证；若不及预期，则"AI 辅助制药"仍将是更诚实的定语。本文立场明确：泡沫出清不是终局，而是行业从叙事定价切向关键临床数据定价的起点。 结语：墙还在，但有人开始翻墙 AI 制药这十年，像极了一场上半场掌声雷动、下半场鸦雀无声的演出。联名综述的"令人失望地有限"，不是否定，而是校准——它把行业从"AI 将颠覆一切"的过热预期，拉回"在哪一环证明价值"的务实坐标。 真正的胜负手已经清晰：拼参数终有上限，拼"干湿闭环+临床读出"才有下限。未来 3–5 年，谁先拿出过硬的人体数据，谁就定义下一阶段；而那道 II 期"死亡谷"，既是泡沫的坟场，也是真技术的试金石。 🌟 持续关注 YouthTRY，深度解读 OLED显示 Ⅰ 机器人 Ⅰ 存储 Ⅰ 封装 Ⅰ CPO产业链 Ⅰ 生物交叉科技 YouthTRY · 产业链深度技术解读

PART 1：一份 Nature 联名"检讨书"，把 AI 制药的泡沫钉在了墙上 2026年8月，全球 16位 药物发现学者在《Nature Reviews Drug Discovery》（第25卷，855–876页，DOI: 10.1038/s41573-026-01496-2）联名发了一篇观点文章，结论只有一句被反复引用：AI 对药物研发"临床相关影响的证据，至今令人失望地有限"。这句话的份量，在于它出自 Nature 旗下顶级综述期刊，而非某个看空者——过去十年，AI 制药从学术探索一路冲到产业前台，深度学习与结构预测工具让分子生成、虚拟筛选、靶点排序悉数纳入算法流程，大模型公司、算力厂商、头部药企接连下注，AI 原生管线不断挤进临床。 可到了人体这道关卡前，故事换了剧本。本文的判断主线是：AI 制药不是在"颠覆制药"，而是在"临床这道坎"前集体撞墙；真正决定新药生死的 II 期"死亡谷"，算法算得清分子与靶点的结合，却算不清疾病与人之间的因果。 这份联名检讨书给出的核心标尺很冷峻：在决定一款药上市总成本的所有变量里，权重最大的是 II 期临床成功率；而采用生物标志物完成患者分层的项目，单次成功上市的资本化成本，仅为未分层项目的一半。当这张"问题清单"被摆上台面，全行业忽然有了一个共同的思考坐标——AI 究竟该在药物研发的哪个环节证明自身价值？ PART 2：失败案例解剖室——四家"老炮儿"的同一道墙 复盘这一轮出清，最刺眼的是"先行者不灵"。几家最早把 AI 与自动化实验结合的公司，如今几乎都放慢了脚步，甚至退场。把它们逐一拆开，能看到一条高度一致的失败曲线：临床前亮眼，临床后熄火。 BenevolentAI曾是欧洲最受追捧的 AI 制药明星，新冠期间靠 AI 找出老药新用线索而名声大噪。但它的自研皮炎药物在 2023年 II 期失败，此后连续重组，最终在 2025年3月 从阿姆斯特丹交易所退市、转为私有公司，股价较巅峰跌去 超过99%。问题不在于算法本身，而在于它押注的"知识图谱+老药新用"路线，始终没能产出任何一款获批药物——临床转化这一环，图谱补不上。 Exscientia是典型的"老炮儿"：2012年创立于牛津，2020年宣布全球首个 AI 设计的分子进入临床，一时风头无两。但此后多个项目进展不顺，巅峰时期被机构给出的逾 30亿美元 量级身价，到2024年已大幅缩水。当年它被 Recursion 以全股票交易作价仅 6.88亿美元 收购（路透社2026年8月8日披露），约合其一折——这笔交易创下当时 AI 制药领域最大并购，却也成了"融资泡沫"最直白的注脚。合并后 Exscientia 股东每持一股仅换得 0.7729股 Recursion 股票，折算下来 Exscientia 方持有合并实体约 26%、Recursion 方约 74%，账面现金约 8.5亿美元 撑到2027年。 难点一：被并购不等于胜利，而是"平台产出管线未能兑现临床价值"的折价出清。它手里多个临床前项目被终止，首发项目 DSP-1181（与住友合作，全球首个进入临床的 AI 设计分子）最终停止研发；为住友设计的 Ulotaront 精神分裂症药物也在 II 期折戟。 Recursion成立于2013年，是最早把 AI 与大规模自动化实验绑定的公司，一度被视为美国 AI 制药旗帜，2021年 IPO 募资 5.02亿美元，背后还有英伟达投资、BioHive-2 超算加持。但它同样撞墙：2025年5月一口气停掉多款进展最快的候选药物，原因是中期临床疗效不理想；随后宣布裁员约 20%，目标把2026年现金消耗压到 3.9亿美元 以下。到2026年二季度，其收入仅 770万美元、同比下滑约 60%。2026年10月，它又降价募资 2亿美元（每股 3.25美元、发行 6154万股），账上现金约 5.61亿美元，才把跑道续到2029年。 转折也并非全无：2026年10月，赛诺菲从其继承的 Exscientia 合作中挑出首个开发候选物，触发 1000万美元 里程碑付款，合作累计预付款与里程碑达 1.44亿美元。但"先发"没有换来"先成"——它每周跑 200万次 实验、沉淀 50+PB 自有数据集，数据和平台仍有价值，临床转化却依然卡在"表型陷阱"：细胞模型识别出的变化，没有转化为人体获益。 Verge Genomics的核心管线 VRG50635（渐冻症 ALS）II 期未达疗效终点，直接终止开发，公司转向为大型药企提供 AI 工具服务的"卖水人"模式。Schrödinger 的 SGR-2921（急性髓性白血病）则因毒性问题止步——AI 预测覆盖了结合与活性，却没覆盖安全性风险。 把这些案例摞在一起，结论很残酷：核心管线临床失败，会直接掐断 AI 制药企业的融资生命线。投资人的底线已经变了——一级市场现在要求企业两三年内必须产生现金流，纯算法概念的 AI 制药企业融资难度已大幅上升。 PART 3：为什么算法算得出结合，算不出疗效 失败不是偶然，而是结构性的。联名综述把错配归结为三层，每一层都戳在 AI 制药的软肋上。 AI 技术高度集中于临床前的早期分子发现——这里数据储备充足、建模难度低、成果产出快，是多数企业规避难点、快速出成果的舒适区。但新药研发的终极胜负，从来不在分子筛选效率，而在 II 期临床成功率。真正的"死亡谷"是：靶点与疾病的因果关系、信号通路代偿、患者异质性，这些 II 期才首次接受人体真实检验的变量，恰恰是当前模型从分子结构里根本无法预测的。 化学空间约有 10的60次方 种可能分子，而人类实测过的只是其中极小一角。用局部、偏倚的数据训练出的模型，外推充满风险。更棘手的是"生物幻觉"——AI 可以画出最完美的分子-靶点结合构象，但分子-靶点-疾病关联中存在相当比例"统计学上成立、生物学上无意义"的关联，要到 II 期才暴露。2026年行业数据显示，人体试验候选药失败率仍约 90%，AI 把早期发现周期压缩了 30%–40%、临床前候选物最快 13–18个月 就能产出，却始终没能改善临床成功这个根本关卡。 insitro 创始人 Daphne Koller 在 a16z 长文《Drug Discovery Has No Magic Wands》里点破核心：药物研发的瓶颈不是分子设计，而是疾病理解、是选对机制。她给出一组刺眼数字——行业每年推进的新颖靶点，从 2015年约100个 降到 2024年约30个；90% 的临床试验失败，主因是"靶点对、机制错"，而不是分子优化差。RFdiffusion 能在周末生成皮摩尔级结合剂，可如果靶点根本不是驱动疾病的因果，再好的分子也无用。Koller 的归纳很干脆：更快的失败，不等于更少的失败。 这也解释了为什么"技术push"压倒了"科学pull"——太多团队是"先有了模型，再去找问题"，而不是"先定义未被满足的疾病机制，再用 AI 求解"。 PART 4：泡沫出清后的终局——数据飞轮 + 临床闭环 把失败案例和错配三层叠在一起，行业正在发生一场集体转向：从"拼算力参数"回到"干湿实验闭环"。谁能用 AI 快速推进管线、并在临床读出真实数据，谁才握有下一阶段的话语权。 【核心卡位】英矽智能(Insilico)是这条路上走得最前的中国玩家。其核心管线 Rentosertib（ISM001-055，靶向特发性肺纤维化的 TNIK 抑制剂）于 2026年7月 启动全球 III 期临床，是首款"靶点由 AI 发现、分子由 AI 设计"并进入上市前验证阶段的候选药物；中国 III 期于 2026年9月 完成首例患者给药，由北京协和医院牵头、钟南山院士等任联合牵头研究者。它的效率来自 Pharma.AI 平台：从靶点提名到临床前候选物用时不足 18个月、测试分子不足 80个，而传统模式平均需 4.5年、筛选数百至上千个分子。IIa 期数据显示，60mg 剂量组患者用力肺活量(FVC)平均改善 +98.4毫升，安慰剂组为 -20.3毫升。2026年它与礼来（潜在总价值至高 27.5亿美元）、SK 生物制药（至高 25亿美元）等达成合作，潜在总价值约 100亿美元，并已登陆港交所。 【国内突破】晶泰科技(XtalPi)走的是"AI+CRO 卖服务"路线，主打"量子物理+AI+机器人"的干湿闭环，2025年已实现全年盈利，服务全球 17家 TOP20 跨国药企，2026年6月再签超 4亿美元 战略合作。百图生科(BioMap)背靠百度，xTrimoV4 大模型已落地 60余个 概念验证项目，与赛诺菲达成潜在总额超 10亿美元 的合作，并已秘密递交港交所上市申请。剂泰科技聚焦 AI 纳米药物递送，核心管线 MTS-004 已完成 III 期临床主要终点。传统药企侧，恒瑞医药自研 HRS-AI 医药大模型、2025年研发投入高达 65亿元，首款 AI 驱动 JAK1 抑制剂已提交上市申请。 【边缘玩家】真正边缘的是纯算法概念、没有自有实验体系与临床管线的 AI 制药企业——一级市场融资难度已大幅上升，这轮洗牌里最先出清的正是它们。互联网巨头里，字节跳动布局最重：不走轻量授权，而是从底层模型到管线全栈自研（Anew Labs / AnewOmni），2026年6月启动 AI 制药业务拆分独立融资，其 IL-17 小分子项目实现技术突破；腾讯则依托"云深智药"平台、公开 AI 设计的 GLP-1 多肽专利，并通过产业基金深度绑定头部企业。 据丁香园 Insight 数据，2026年全球 AI 驱动新药临床管线增至 179条、其中 9条 进入 III 期，行业集体迈入结果验证阶段。模型能力也在从"辅助工具"走向"统一底座"：Anthropic 披露 Claude 自主完成蛋白结合剂从头设计，15个 可评估靶点中 14个 成功、独立验证有效率 26.8%；谷歌 DeepMind 旗下 Isomorphic Labs 发布药物设计引擎 IsoDDE，直接建模"药物-蛋白结合"。 但所有这些，都要回到同一个考场——人体。英矽智能联席 CEO 任峰把 Rentosertib III 期成功比作行业的"DeepSeek 时刻"：若2029年前后数据验证有效性与安全性，就意味着 AI 不仅能找新靶点、也能设计新分子并在大规模患者上验证；若不及预期，则"AI 辅助制药"仍将是更诚实的定语。本文立场明确：泡沫出清不是终局，而是行业从叙事定价切向关键临床数据定价的起点。 结语：墙还在，但有人开始翻墙 AI 制药这十年，像极了一场上半场掌声雷动、下半场鸦雀无声的演出。联名综述的"令人失望地有限"，不是否定，而是校准——它把行业从"AI 将颠覆一切"的过热预期，拉回"在哪一环证明价值"的务实坐标。 真正的胜负手已经清晰：拼参数终有上限，拼"干湿闭环+临床读出"才有下限。未来 3–5 年，谁先拿出过硬的人体数据，谁就定义下一阶段；而那道 II 期"死亡谷"，既是泡沫的坟场，也是真技术的试金石。 持续关注 YouthTRY，深度解读 OLED显示 Ⅰ 机器人 Ⅰ 存储 Ⅰ 封装 Ⅰ CPO产业链 Ⅰ 生物交叉科技 YouthTRY · 产业链深度技术解读 持续关注 YouthTRY，深度解读 OLED显示 Ⅰ 机器人 Ⅰ 存储 Ⅰ 封装 Ⅰ CPO产业链 YouthTRY · 产业链深度技术解读

“华为不造药。”2026年10月24日，第十一届医药创新与投资大会在南京开幕，华为制药军团总裁樊杰面对外界对“华为制药”的猜测，把边界划得很利落，“制药军团的核心是把华为成熟的企业级产品适配到制药行业，为药企搭建智能底座、智能工厂以及临床智能化平台”。 参会嘉宾在医药创新与投资大会现场接受专访 他随后又补了一条更硬的红线：“上不碰应用，下不碰数据，不主动获取客户数据”。 这两句话放在国内AI制药最火热的年份里，分量不轻。2026年前九个月，国内AI制药赛道完成57笔投资，披露融资总额达157.65亿元，超过2023-2025年三年总和。当大多数入局者都在抢管线、押靶点时，华为选了一条相反的路——不碰药、不碰数据，只做底座的底座。 问题在于，这条退后的路，到底能给创新药省下多少钱？ 底座上最贵的一道关，从三四个月缩到一两天 要算清这笔账，先得知道创新药的试错成本压在哪儿。业内流传的“双十定律”给出了框架：一款创新药从启动研发到获批上市，平均耗时约10年、累计投入超10亿美元，临床成功率不足10%。 在这条长链里，早期研发的干实验环节——靶点筛选、化合物优化、分子生成——是最早烧钱、也最容易白烧的一段。新华网2026年8月的行业报道显示，AI可将临床前靶点筛选、化合物优化环节的研发效率提升2至4倍，降低30%以上的无效试错成本。 研发人员在生物医药实验室开展相关实验操作 华为切入的正是这个环节的底层痛点。樊杰在采访中反复提到一个容易被忽略的技术细节：模型和算力卡之间隔着一层算子，算子适配好不好，性能可以差十倍。过去完成一次适配要三四个月，随着工具链完善和AI编程工具的应用，如今已缩短到一两天。 他给经济观察报的解释很直白：“去年业内还认为这是很大的挑战，今年已经基本解决了。” 这件事的意义不在于“快了”，而在于把模型迁移的门槛降到了药企能接受的程度。没有一个可用的算力底座，药企的AI模型要么跑不起来，要么被海外算力卡锁死供应。 樊杰介绍，国内头部药企的算力部署目前整体仅处于百卡级别，普遍面临采购供应不稳定、部分原本开源的模型逐渐闭源的困境。 华为目前已有1024卡的超节点算力集群方案，是全球规模最大的同类方案，并且已与两家药企合作建成百卡规模的AI制药算力集群，这类近亿元级的投资规模在国内医药行业的公开案例中尚属少见。 数据不进华为的库，反而省下了最贵的那笔钱 算力是入场券，数据才是AI制药真正的护城河。 樊杰把数据孤岛拆成两层：第一层在企业内部——早研部门拿不到湿试验数据，湿试验部门拿不到临床数据，“早研在黑盒里跑，分子到了临床被淘汰，也不知道错在哪儿”；第二层在医院侧——临床数据躺在医院里，涉及合规、可信空间、数据交易和利益分配问题。 华为的解法是“不碰”加“打通”并行。一方面坚持客户数据全部本地部署，保障数据安全和数据主权；另一方面正联合药企、医院探索可信空间建设——一个数据可用不可见的安全环境，覆盖药企内部部门间和与外部医院的数据合规流通，目前仍处于早期探索阶段。 这条红线短期看限制了华为自己的想象力，长期看却是降低行业试错成本的关键。药企愿意把核心数据放到一个声称“不主动获取客户数据”的底座上，信任成本比商业条款低得多。 而数据一旦能在合规框架内流动起来，AI模型就能从失败实验里学习——类器官在临床前把有问题的分子提前淘汰，把“错误分子长什么样”反馈给AI，让模型知道毒性高、成药性差、代谢不了的分子是什么特征。这比多买一万张算力卡都值钱。 广药的实测：周期从一两年压到一季度，成本降七成 具体能省多少？2026年5月，广药集团、华为与望石智慧三方签约，在广药AI制药项目中完成POC概念验证，这是业界首次实现自主创新的AI药研模型和昇腾、鲲鹏技术适配及生产业务验证。 广药AI制药生态合作签约仪式现场合影 实测数据显示，依托昇腾智算超节点、鲲鹏超算集群搭配华为AI制药研发加速包，小分子新药早期发现周期从行业平均的1-2年压缩至3-6个月，该环节试错成本降低70%，分子生成模型推理性能达到业界现有主流算力底座水平的2倍。 这个数字放在更大的坐标里看更清晰。英矽智能披露的数据显示，传统药物研发从靶点发现到确定临床前候选化合物的平均周期为4.5年，其AI平台可将该环节压缩至12-18个月，对应成本降至300万-500万美元，仅为传统方式的五分之一。 而在华为底座的加持下，广药的早期发现环节被进一步压缩到3-6个月——相当于把英矽智能已经缩短的周期再砍了一半。 华为的计算逻辑是“算力替代试错”。樊杰说，药企会将华为算力卡与原有算力卡逐张、逐场景对比测试，“性能相当，价格更低，供应也有保障”。 当算力供给稳定了、模型迁移门槛降低了、数据能在可信空间里流动了，药企在早期研发环节的无效试错——那些本不该做的实验、本不该合成的分子——就有了被AI提前筛掉的可能。 但底座的边界也很清楚。2025年行业综述显示，AI能把早期化学研发成本降低30%-40%，但II期临床环节的研发损耗比例尚未被明显改写。 百图生科CEO刘维算过一笔账：全球每年湿实验花费约7000亿美元，AI生成分子越多，湿实验验证的压力反而越大；也有一些业内人士认为，AI目前优化的只是前面那20%左右的钱。 所以回到最初的问题：华为的底座能省多少试错成本？答案是——它省的是从靶点到临床前候选化合物这一段最烧钱、也最容易白烧的钱。樊杰的判断是，当前AI制药正处于技术热度曲线的上升阶段，多数单点技术已成熟，但全产业链尚未串联贯通。 展示创新药物相关的生物医药科技概念画面 华为计划2026年全年在全国打造5-10个AI制药灯塔项目，打磨可复制的标准化解决方案。 当这些灯塔项目把数据、算力和模型真正串成一条链，创新药研发的试错成本才有望从“双十定律”的阴影里走出来——而华为要赚的，是这条链上每一家药企省下来的钱里，属于底座的那一份。