Vibrant Therapeutics (Guangzhou) Co., Ltd.

2026年1月，全球生物医药领域延续火热态势，大额融资事件频发。据不完全统计，截至1月29日，全球共有29家公司完成5000万美元以上的融资，其中多家企业单笔融资突破1亿美元，展现出资本市场对医药创新领域的持续信心。 以下是2026年1月部分重点融资事件盘点（按时间倒序）： 1月融资亮点速览 最大单笔融资：箕星药业完成2.87亿美元D1轮融资（1月22日），成为本月公开披露金额最高的项目之一。 IPO表现抢眼：AktisOncology通过IPO融资约3.65亿美元（1月13日），瑞博生物IPO募资超18亿港元（1月9日），显示公开市场对创新药企的认可。 中国力量突显：除箕星药业外，士泽生物、赜灵生物、原启生物、信华生物、瑞博生物等多家国内企业也完成大额融资，覆盖C轮、IPO等多阶段。 早期项目仍受青睐：A轮融资项目达9家，其中AirNexisTherapeutics获2亿美元支持，AlveusTherapeutics获1.6亿美元，显示早期创新项目依然备受资本关注。 融资轮次分布一览 A轮：9家 B轮：6家 C轮/C1轮：4家 D1轮：1家 F轮：2家 IPO：2家 战略投资/未知轮：5家 从轮次分布看，早期至成长期项目仍是融资主力，同时多家企业已进入中后期乃至IPO阶段，反映出行业多层次、梯队化的发展态势。 地域与货币多元 2026年1月融资事件覆盖中美等多地企业，融资币种包括美元、欧元、人民币、港币等，体现全球资本在医药健康领域的跨境布局。 趋势观察 肿瘤、基因治疗、代谢性疾病等领域持续受到关注； 中美两地仍是融资主战场，中国企业在本月表现尤为活跃； 资本向具备临床进展或技术壁垒的企业集中，大额融资多集中于已有一定阶段成果的公司。 参考资料 1官方媒体/网络新闻 往期阅读推荐 点击标题跳转到对应原文 01-《生物医药领域融资动态及行业观察》（26年01月24日-01月30日） More exciting content is continuously being updated. 免责声明 “会会药咖”文章旨在传递信息，我们力求提供准确资讯，但对其完整性、准确性不做担保，所有内容仅供参考，不构成任何商业或医疗建议，使用者自行承担风险。如对内容有疑议，请及时联系我们。本声明与法律法规冲突时，以法律法规为准。 会会药咖建群啦！ 分 享 生 物 医 药 行 业 讯 息  、 专 业 知 识 扫 码 审 核 进 群 Cooperation 如有合作需求，欢迎随时与我们联系~ 会 务 合 作 微  信丨柏鳌创新 电  话丨18000558050 媒 体 合 作 微  信丨会会药咖 电  话丨15828041131 喜欢这篇文章，别忘了点一点文章末尾的“点赞”“分享”“喜欢”。 把我们设为星标，让我们之间的深度链接不会错过。

一家公司上市募资20亿港元，背后是什么趋势？ 导语 2025年12月31日，一家中国AI制药公司登陆港交所，募资超20亿港元，腾讯、礼来等15家行业巨头成为基石投资者。这家公司的核心药物将于2026年上半年启动关键临床试验。这不仅仅是一次融资，更是AI制药从概念走向价值兑现的标志性事件。英矽智能的成功上市，标志着AI制药正式进入"黄金时代"。第一部分：AI如何颠覆传统"双十魔咒"传统药物研发的"三高"困境 新药研发领域长期存在一个令人望而却步的"双十魔咒"：平均耗时超10年，耗资逾10亿美元，而成功率却不足10%。这三重门槛如同三座大山，阻碍着创新药的诞生。 更令人沮丧的是，90%的候选药物会在临床试验阶段折戟沉沙。科学家们像在大海中捞针，依靠经验、直觉和大量资源堆砌出极少数成功药物。这种"经验试错"模式在过去几十年里虽屡建奇功，却也越来越难以满足日益增长的医疗需求。AI带来的三大革命性突破时间维度：从10年缩短至4-6年 人工智能通过深度学习海量生物医学文献、基因组数据和蛋白质数据库，能够在虚拟的分子宇宙中快速筛选潜在药物靶点。罗氏制药整合2000万种化合物数据构建AI筛选平台，将KRAS G12C抑制剂的先导化合物发现周期从4.2年缩短至1.8年，研发时间缩短了57%。成本维度：从10亿美元降至4亿美元 德勤调查显示，78%的生物制药高管认为AI是驱动行业变革的核心力量。AI不仅能降低实验成本，还能避免大量无效试错。MIT与DeepMind合作发现的新型抗生素Halicin，被《Cell》杂志评价为"近30年抗生素领域重大突破"，而其发现成本远低于传统方法。成功率维度：从10%提升至30%以上 AI系统能够预测分子在体内的吸收、分布、代谢、排泄和毒性（ADMET）特性，在早期就筛选掉高风险分子。山东2025年规划显示，AI赋能新药研发项目占比将超30%，覆盖小分子药物、重组蛋白药物等重点领域。到2027年，AI参与的新药一期临床成功率有望突破50%，二期达30%。AI在药物研发全流程中的具体应用 靶点发现阶段 中国科学院团队开发的"脸谱识别"算法，成功发现了抗肿瘤老药甲氨蝶呤的新免疫靶点。AlphaFold已把人类98.5%的蛋白结构算出来，为"无结构"靶标提供了可药化的起点。分子设计与优化阶段 英矽智能的AI引擎"InClinico"准确预测多项临床试验II/III期转化结果，大幅提高研发成功率。生成式AI能够从零开始设计全新的分子结构，ED2Mol、ResGen等算法把结合口袋当作"模板"，逐原子"3D打印"出兼顾结合力与成药性的候选分子。临床试验阶段 AI系统如"Deep Patient"能够分析电子健康记录中的非结构化文本，自动识别患者的深层表征，精准匹配符合试验条件的个体。这种基于真实世界数据的智能分型，不仅提高了招募效率，还能发现隐藏的疾病亚型，支持个性化医疗的发展。第二部分：中国在AI制药领域的全球地位与代表企业中国AI制药的全球排名 截至2025年，全球共有102条AI辅助药物管线进入临床阶段，中国占34条，占比达到33.3%。英矽智能的ISM001-005成为国内首个进入临床的AI研发药物，已在临床一期显示良好安全性。中国AI制药企业已从"跟跑者"向"关键贡献者"转变。代表性企业深度解析英矽智能（Insilico Medicine） 上市时间：2025年12月31日 募资规模：超20亿港元 基石投资者：腾讯、礼来等15家行业巨头 核心药物：Rentosertib，将于2026年上半年在中国启动IIb/III期试验 全球布局：在中国、美国、英国等多个国家设有研发中心 英矽智能建成了全球首个AI辅助决策的全自动化机器人实验室，实现从虚拟设计到实验验证的无缝衔接。其商业模式包括AI SaaS平台服务、AI CRO外包合作与AI Biotech自主管线开发三种主导模式。晶泰科技（XtalPi） 核心优势：量子物理+AI+云计算 代表案例：仅用六周就协助辉瑞确认新冠口服药Paxlovid的优势晶型 技术平台：智能药物晶型预测与筛选系统 合作伙伴：辉瑞、默克等国际制药巨头 晶泰科技的技术能够将药物晶型筛选从传统的试错转变为精准预测，大幅缩短研发周期。其AI筛选平台将候选化合物筛选效率提升100倍，成本却只需原来的1%。其他值得关注的中国AI制药企业 望石智慧（StoneAI）：专注小分子药物设计，已完成多轮融资，估值超10亿美元深度智耀（DeepWisdom）：提供AI驱动的临床研发管理解决方案德睿智药（MindRank AI）：专注于肿瘤和神经系统疾病领域的AI药物发现中国AI制药的政策支持环境审评审批加速 2025年9月12日，国家药监局发布《关于优化创新药临床试验审评审批有关事项的公告》，明确设立"30日审评审批通道"，将符合条件的创新药临床试验申请审评时间压缩50%。这一政策将加速AI制药企业的临床进程。医保支持创新 2025年6月，国家医保局、国家卫生健康委联合印发《支持创新药高质量发展的若干措施》。该文件从医保谈判续约规则优化、支付考核豁免、诊疗配套支持等角度为创新药发展提供政策保障。研发投入持续增长 恒瑞医药自2011年以来，已有18款新分子实体药物（一类新药）在国内获批上市，累计研发投入超400亿元。其中2021年、2022年、2023年研发投入均突破60亿元，占营收比保持在20%以上。第三部分：未来挑战：数据质量、算法可解释性、监管伦理挑战一：数据质量与偏差问题 AI模型依赖大量高质量、标准化的数据进行训练。若训练集存在种族、性别或实验条件偏差，预测结果可能"以偏概全"，甚至加剧健康不平等。 当前面临的主要问题包括： 天然产物-靶标复合物数据稀缺 实验噪声干扰模型泛化能力 复杂生物系统协同效应建模不足 多源异构数据的标准化程度不一挑战二：算法"黑箱"问题 许多深度学习模型虽能给出预测，却难以解释其判断依据。在医疗领域，"可解释性"至关重要，医生需要理解AI为什么推荐某个分子、预测某种风险。 当前的可解释AI（XAI）技术包括： 注意力机制可视化：展示AI关注的分子特征 基于规则的解释：将复杂模型转化为可理解的规则 反事实推理：回答"如果分子结构改变，结果会如何变化"挑战三：数据隐私与安全 医疗数据包含患者的个人健康信息，涉及高度敏感的隐私问题。如何在保护隐私的前提下实现数据共享，是亟待解决的伦理难题。 当前的解决方案包括： 联邦学习：数据不离开本地，只共享模型参数 差分隐私：在数据中加入噪声，保护个体隐私 同态加密：在加密状态下进行计算，保护数据安全挑战四：监管框架滞后 AI制药作为一个新兴领域，监管框架仍在完善中。当前面临的监管挑战包括： 如何评估AI生成药物的安全性和有效性 AI在临床试验中的角色界定 AI决策出错时的责任划分 国际监管标准的协调统一挑战五：算力与成本 训练大模型需要巨大算力，效率与成本不容忽视。若算法效率低，可能出现"省时间却不省钱"的尴尬。此外，人体是动态复杂的系统，AI目前仍难以预测长期毒性、罕见副作用或多靶标、多通路的复杂疾病网络效应。第四部分：AI制药的未来图景技术融合趋势 AI制药正在向三个关键方向演进： 大分子药物开发 AI向抗体设计领域拓展。全球已有20余家公司布局AI抗体药物，Exscientia已将抗体设计纳入技术平台。中国信华生物设计的First-in-class多功能抗体药物即将进入临床前开发阶段。自动化闭环实验室 "干湿结合"模式成为趋势。英矽智能建成全球首个AI辅助决策的全自动化机器人实验室，实现从虚拟设计到实验验证的无缝衔接。实验室能够24小时不间断运行，大幅提升研发效率。虚拟患者与数字孪生 斯坦福大学团队开发的多尺度神经网络模型已能高精度模拟肿瘤细胞对药物的反应。1635例"虚拟乳腺癌患者"成功用于药物测试，极大降低了临床试验的成本和风险。商业模式创新平台化服务 越来越多的AI制药企业从单纯的药物开发转向平台化服务。通过开放API接口，为科研机构和制药公司提供AI药物发现能力，形成"AI即服务"的商业模式。生态协同构建 AI制药企业、传统制药公司、科研院所、医疗机构形成创新生态。通过数据共享、技术合作、联合开发等方式，共同推动AI制药的产业化进程。全球化布局 中国AI制药企业加速国际化布局。一方面，通过FDA、EMA等国际监管机构的审评；另一方面，与国际制药巨头达成战略合作，共同开发全球市场。写在最后 AI制药不是要取代科学家，而是成为他们手中最强大的工具。在这场静默的革命中，人类智慧与机器智能正携手前行，共同开启医学的下一个篇章。 从阿尔茨海默病的早期预警，到抗病毒药物的快速发现，再到临床试验的智能设计，AI正在重塑医药创新的图景。它让药物研发从"试错的艺术"变成"创造的科学"。 未来，随着数据质量的提升、算法的优化、监管框架的完善，AI制药有望攻克更多人类顽疾，为全球患者带来更多来自中国的治疗方案。 但这并不意味着医生会被AI取代。相反，AI会成为医生的最强助手，帮助他们做出更精准的诊断、制定更个性化的治疗方案、发现更多创新药物。 你认为AI会让医生失业还是成为最强助手？欢迎在评论区留言，分享你的观点～ 数据来源： 英矽智能招股说明书 德勤《AI制药行业调查报告》 国家药监局官方网站 山东《AI赋能新药研发规划》 各企业公开披露信息 欢迎转发给关注AI制药的朋友～ 本文仅为个人观点，如有错误、侵权，请联系修改、删除！ 每一篇文字，只为与您共鸣。 点击关注，让我们走得更远。 长按扫码关注 点击蓝字，关注我们

//   •2026年，AI制药公司高溢价的情况还将持续； •多家硅谷基金布局AI制药更倾向于平台技术； •AI加速新药研发不等同于投资可以更快退出； •就像大分子领域的AlphaFold，业界希望在生成式小分子以及其他药物形态中能出现类似的颠覆性工具。 过去5年，全球AI生物科技公司风险投资交易金额显著高于业内其他公司。据数据提供商PitchBook发布的一份报告，2024年，从创立之初就采用AI技术的生物科技公司风险投资交易金额中位数为2650万美元，几乎是非AI同行（1400万美元）的两倍。2025年前三个季度，这两个数据分别为2180万美元和1370万美元。2024年投前平均估值分别为7800万美元和4000万美元，差异最为显著。（见下图） 这一差距凸显了AI投资环境的热度，也反映出投资者对AI有望提升新药研发效率、改善临床成功率的普遍预期。对包括北极光创投合伙人于芳在内、在今年JPM会场密集交流走访的多位中国医疗投资人而言，上述变化在现场呈现出更直接、更清晰的体感。为进一步了解这一趋势，研发客就相关问题对其进行了采访。 “AI制药公司高溢价的情况应该还将持续。从2026年开始，MNC和投资机构正式用钱投票加速奔跑拥抱AI制药。MNC同AI技术平台公司的合作较一年前力度更大、应用场合和任务更清晰了。一方面，在各个垂直科学领域生成式模型（GenAI）逐渐出现和成熟，另一方面，以蛋白质模型为代表的垂类基座模型开始进入针对特定行业/场景、深度优化的应用落地阶段。”  大会期间，于芳和团队一起走访了包括Sutter hills、 Arch Venture等在内的多家布局AI制药的美国硅谷顶级风投机构。当这些机构被问到“相比较广泛意义上AI领域，投资在制药的回报显然是更低的，为什么还会投资”时，他们的回答竟然出奇一致：对AI制药而言，投资人更看重的是技术平台与AI带来的长期前景，而非单一管线价值——平台具备持续产出管线的能力，意味着更多的回报机会与更大的收益空间。 当然她也提示，不同市场的资金属性差异会带来不同的决策框架。“显然，他们可以投入的资本量级带来了不一样的投资逻辑，有一些在中国市场并不完全适用。” 本届JPM大会上，英伟达与礼来宣布斥资10亿美元联手打造“最强”AI制药实验室，将AI制药推向了新的竞争维度。礼来此前就已密集出手，仅2025年就进行了超过十次对外的相关合作。 大会前夕，还有GSK宣布与Noetik达成合作，利用Noetik业内首创的虚拟细胞模拟技术加速新药研发进程；不止于此，双方还将合作生成定制化的人类空间数据集，开展以人类为核心的生物学模拟研究。 回看过去一年间，赛诺菲、诺和诺德、艾伯维等MNC也纷纷加码布局。 在监管层面，FDA局长Marty Makary在JPM大会上提出了加速新药临床和监管进度的一系列变革举措，广泛涉及AI技术的深度参与。“这些举措较一年前FDA的AI应用策略有了质的飞跃，更贴近最新的AI技术发展状况和产业痛点。” 从2024年开始，于芳和团队判断AI对制药行业的影响更可能体现在长期的结构性变化上，于是他们再次密集走访了海内外几十家AI制药企业。作为长期深耕科技领域投资的VC之一，北极光创投在过去几年间也先后投资了多家“AI+”公司，包括AI+小分子变构领域的宇道生物、AI+表型筛选大分子药物的信华生物，以及多家基于算法的智能医疗器械公司等。 更快获得投资回报？ 从靶点发现、化合物筛选到临床前验证，AI的介入可以将原本需要数年的工作压缩至数月。根据波士顿咨询公司的最新报告，AI生成的药物分子在I期临床试验中成功率高达80%~90%，远超传统的50%；其预测，总体新药研发成功率将从目前的5%~10%提高到9%~18%。 对于投资机构而言，缩短研发周期和提高成功率会不会带来投资退出周期的加速？这是否是吸引资本涌入AI制药赛道的原因？ 对此，于芳认为投资退出周期与药物研发周期并非公式化的对应关系，但总体会有正向加速的作用。 制药行业的投资退出并不需要等到药物完全上市，在研发过程中的IPO、并购、BD合作等环节都可能实现退出。现在很多AI制药公司不追求完整的研发闭环，而是以快速产出管线为核心，可能在IND甚至PCC阶段就将管线出售，或者通过平台与大药企合作获得分成，因而AI对投资退出的影响还要看这些公司选择的商业模式。 拓展阅读 真正的AI制药，哪种商业模式可持续？ MNC投入逾百亿，海外AI制药势头有多猛？ 在她看来，AI对退出节奏的影响更像是“加分项”，核心仍在于其是否能带来研发范式的变化。 她以AI工具自身的演进路径解释其中的逻辑：“AI对制药的改变不是线性的，就像ChatGPT1.0和2.0无人问津，直到3.0才实现爆发；AlphaFold 1.0在2018年就已出现，但真正产生行业影响是在2.0版本问世后。AI技术的迭代具有累积效应，会经历一个爬升期，在某个关键节点实现阶梯式突破，而且现在看来，迭代的速度越来越快。” 围绕“关键节点”的判断，她进一步表示：“技术累积会快速带来垂类基础模型的出现，类似于Alphafold moment，来解决其他领域的重大问题，整个行业就会再上一个大台阶。” 未解难题蕴含投资价值 AI究竟能解决制药领域的哪些问题？又有哪些问题是当前技术无法突破的？ 第一类是人类能解决但耗时耗力的问题。AI的作用是提升效率。文献检索、数据整理、部分湿实验验证等工作，原本需要分析师或研究员花费大量时间完成，现在通过大模型或专用AI工具，可以在短时间内完成。 但在交流过程中她也提醒，此类方向其商业化壁垒或许有限。“这类应用的壁垒较低，现阶段不能够作为一种商业模式来支持一家公司了。再说回Alphafold的例子，今天已经默认大家都要用了，因此也早已算不上优势，反而如果没有融进工作流，会成为很大的劣势。” 第二类是目标明确但以人的现有能力无法解决的问题，现阶段这类问题往往很具体，也被其视为更具投资价值的部分。“用AI不能是许愿式的。怎么给AI定义好的问题，并且为解决问题提供定向数据，决定了多大程度上基础算法能帮我解决问题。” 以制定旅游计划的例子类比：如果让AI制定一个去土耳其旅游的开放式计划，结果可能会不尽如人意。但如果明确要求行程天数，中间哪几天途径哪些个地方，并给出预算，AI大概率能给出较为理想的方案。AI制药也是同理，指令越具体解决问题的概率越高。制药界当前应主要从这个方面发力，人和AI配合好，用明确具体的指令让AI来解决制药过程中的关键问题。 而第三类是人类尚未了解和定义的问题，目前这还属于“奢侈品”，短期内难以解决，比如神经退行性疾病的全新治疗路径、未被发现的疾病靶点机制等，但这才是AI未来最有想象空间的地方。 拓展阅读 CNS如何用AI找精准患者？ 不过，当前已有企业在做虚拟细胞、通过AI进行RNA组学分析等前沿探索，这些工作的积累未来有可能转化为实际的成药价值。 AI制药三大投资标准 谈及投资AI制药的考量时，有三个核心标准被提到：第一，企业自我发现、整理和产生数据的能力必须规范；第二，AI解决的问题必须是真实且关键的；第三，如果定位为制药公司，必须具备扎实的做药能力。 围绕“数据能力”这一项，企业需要进一步解释其在竞争壁垒中的地位，并强调差异来自自有数据的独特性与可持续性。“真正的差异在于企业能否产生独特的局部数据。如果一家公司能通过自己的方法论生成公开数据中没有的高质量数据，并基于这些数据训练出解决成药关键问题的模型，那它的差异化优势就非常明显了。” 她同时提到，很多高价值数据集中在大型药企或医疗系统手中，大公司与有AI能力的小公司合作，往往是为获得更优的垂直模型或解决明确且具体的问题。“问题的大小并不重要，哪怕只是解决工业链条中一个很小的关键环节，只要能突破人类经验的局限，就具备投资价值。” 相应地，她也提示应对“全流程一键式”叙事保持谨慎。行业经历过2021年前后AIDD浪潮的经验和教训，创业者和投资人都更理性，再加上AI工具的开源化降低了使用门槛，即使是有炒作嫌疑的公司，其门槛也在抬高。 在团队维度，是否理解制药逻辑与临床需求仍是关键分界线。“有些AI团队很厉害，但不懂制药的逻辑，不知道临床需求是什么，这样的公司很难在制药领域走得远。”在具体项目评估中，其关注点也会落在团队是否具备制药背景、是否理解监管要求等要素上。 事实上，当下无论是整个AI行业还是细分的AI制药领域，很多从业者是学术界、工业界两边通吃，且普遍比较年轻。这种“两边做”的模式并非坏事，反而能成为不错的优势，比如可以借助高校的资源开展前沿性工作。 对于投资节奏与预期管理，她进一步强调：“我们投资的是长期价值，并不苛求被投企业短期内就能拿出颠覆性成果，更看重其技术路径的合理性和累积效应。我们相信AI对制药的变革是必然趋势，只是需要时间等待突破点。” 对于投资机构而言，目前最大的挑战是AI技术的进步太快了，如何快速学习。在这一点上，于芳坦言，投资人还是有非常大的差距的，即便现在公开学习工具非常多，但是技术进步太快了。“有一种永远在手忙脚乱追赶的感觉，不敢说理解，只能说尽可能了解各个算法的逻辑是解决什么问题的，争取能够和创业者有高质量的对话。” 此外，跳出生物制药领域，在更广阔的范围内对算法和发展趋势做理解和借鉴，也有一定帮助。在基础认知具备后，仍需要回到一线进行密集交流验证。“实地走访企业，与创业者深入沟通，这是提升认知最快的方式。” 业界期待怎样的爆发点 AI制药的下一个爆发点会在哪里？哪些里程碑事件将成为行业信心的重要支撑？ 首先，需要更多AI生成的分子进入临床并展现出优势。目前AI参与研发的药物进入临床的还是少数，而样本量太少无法充分验证技术的有效性。投资人希望看到更多企业能在短时间内产出高质量管线，以此验证研发效率提升这一假设。 其次，就像大分子领域的AlphaFold，业界希望在生成式小分子，以及其他的药物形态中能出现类似的颠覆性工具。 最后，需要有AI成功解决人类无法解决问题的闭环验证案例。“比如，通过AI技术成功开发出针对不可成药靶点的药物，或者通过虚拟细胞模拟精准预测了临床试验结果，这些案例的出现将彻底改变行业对AI的认知。这类案例可能不需要太多，只要有一两个得到充分验证，就能极大提振行业信心。”目前，已有不少企业在布局相关领域，也已经出现了积极的信号。 当前AI制药的发展瓶颈主要集中在数据孤岛与质量问题、干湿闭环验证的缺失、算法的局限性等方面。对此，已经有公司在探索如何打破这些瓶颈。例如，为打破数据壁垒，礼来去年推出了TuneLab平台。该平台是MNC首次向外部生物技术公司，尤其是中小型药企，大规模开放其内部多年积累的先进AI模型和专有数据洞察。截至2025年12月，已超100家Biotech公司入驻。 一旦这些瓶颈逐步突破，爆发点也可能会随之出现。 AI制药的发展不会一帆风顺，可能还会经历泡沫与回调。当技术积累到临界点，当更多临床成果得到验证，AI制药将成为改变人类健康命运的重要力量。“国内的创新药生态已经相对成熟，在AI制药领域具备成本和人才优势，我们愿意陪伴优秀的团队一起等待和探索新的爆发点。”她总结道。 编辑 | 姚嘉 yao.jia@PharmaDJ.com 总第2736期 访问研发客网站www.PharmaDJ.com 深度报道和每日新闻抢鲜看