Verge Analytics, Inc.

2026人工智能赋能医药健康产业创新大会在苏州举行 4月18日，2026人工智能赋能医药健康产业创新大会暨第四届镁伽工程奖颁奖典礼在苏州工业园区举行，大会汇聚政、产、学、研、医各界力量，共话产业升级，共探创新路径。江苏省副省长马士光，苏州市委副书记、代市长王维出席大会。 马士光在讲话时表示，推动人工智能与医药健康产业深度融合，是江苏抢占未来产业新赛道、构筑发展新优势的必然选择。江苏将强化要素供给，加快突破分子筛选、智能诊疗等核心技术；聚力融合创新，推动人工智能技术应用于靶点发现、化合物筛选、临床试验等关键环节；拓宽应用场景，支持各类创新主体大力拓展AI在精准诊疗、生物制造等场景的落地应用；统筹创新发展与安全可控，推动医药健康产业规范、有序、可持续发展。 王维表示，苏州深入贯彻落实国家“人工智能+”战略，充分发挥生物医药产业的深厚基础和人工智能技术的创新优势，率先启动基础设施建设、应用体系构建、示范项目建设等系列工作。活动现场，苏州创新药研究院、镁伽科技联合创新中心签约，科学智能超级合伙人签约，镁伽工程奖颁奖，大会还举行了圆桌研讨和专题会议。（来源：苏州工业园区发布、澎湃新闻） “北脑二号”预计2026年底进入人体试验 4月19日，北京脑科学与类脑研究所发布消息，“北脑二号”智能脑机系统经过长期动物实验，预计将在2026年底进入人体试验阶段。被植入猕猴颅内的电极细如发丝，植入猕猴脑内已经超过两年，依然能精准捕捉五六百个神经细胞在亚毫秒尺度下的活动数据。 北京脑所所长罗敏敏介绍，“北脑二号”每秒最高能回传约7.2比特的脑电信号，直观表现是猕猴控制光标十分顺滑，甚至反应比人手动控制还快。目前，“北脑二号”已经完成了512通道的工程样机研发，持续推进动物实验，计划在2026年底启动研究者发起的临床研究(IIT)。 “北脑二号”的研发企业是北京脑所孵化的科技企业芯智达，它还研发了“北脑一号”智能脑机系统。3月底，“北脑一号”已经开启了规范化、大规模确证性临床试验，北京天坛医院、北京宣武医院等医疗机构陆续成功完成入组患者手术。预计2027年，“北脑一号”将获得临床注册证。 简单地说，两款“北脑”与大脑建立联系的方式不同，“北脑一号”属于半侵入式，电极片贴在硬脑膜外，不侵入脑组织；“北脑二号”属于侵入式，电极被植入脑组织，记录单个神经细胞或极小区域的精准神经电活动。两家单位都落户在位于昌平区的中关村生命科学园，园区正在加快建设中关村(昌平)脑科学与脑机接口产业园。（来源：首都之窗） AI缩短抗体药物研发周期：从一年到数周 2026年，亚马逊云科技与纪念斯隆—凯特林癌症中心合作，将一款可能用于癌症治疗的抗体设计时间，从长达一年缩短到了数周。抗体药物研发，长期被“双十定律”的阴影笼罩——平均10年时间、10亿美元投入，最终成功率却极低。 AI的介入，从根本上改变了“找针”和“造针”的逻辑。在“找靶点”阶段，AI可以同时分析基因组、蛋白质组、临床病历等多维度数据，快速交叉比对，把验证周期从数月缩短到数周。在“造武器”阶段，AI可以直接根据靶点蛋白的精确三维结构，从头生成与之完美匹配的抗体序列。 在先导化合物筛选上，AI可以对超万亿级虚拟分子库进行筛选，在14天内锁定核心候选分子，而传统方法需要数月。在临床前研究阶段，AI可以提前预测药物的毒性和免疫原性，帮助科学家提前优化设计，减少后期失败的几率。 这些技术落地后，带来的效率提升是量级的：英矽智能的AI平台，将候选药物开发周期从传统的4.5年，缩短至12-18个月，提速超过三分之二；晶泰科技利用AI优化ADC偶联工艺，将开发周期从18个月缩短至6-9个月；三优生物的“14天先导分子发现流程”，将抗体、多肽等分子从发现到验证的核心流程，压缩到了以“周”为单位。（来源：今日头条） AI制药在“效率狂飙”与“临床失败”间的艰难平衡 从靶点发现到临床I期仅用21个月，研发成本降至传统模式的1/200；另一边，AI设计的小分子药物II期临床失败率高达80%，远高于传统药物的57%。这组矛盾的数字，精准勾勒出AI制药的现状：它正以“十倍速”的效率狂飙，却在临床转化的深水区频频折戟。 站在效率革命支持者的角度，AI带来的是一场不容置疑的效率革命。传统模式下从确定靶点到筛选出临床前候选化合物平均需要4.5年，AI可以将这一过程压缩至13.7个月，效率提升高达75%。英矽智能的肺纤维化新药INS018-055从靶点发现到临床I期仅用了21个月，较传统5-7年的路径缩短了约70%。 然而，对于临床医生和审慎的投资者来说，再炫酷的算法也必须接受人体试验的终极检验。AI设计的小分子药物II期临床失败率高达80%，传统药物为57%。过去一年，多个曾被寄予厚望的AI药物项目接连折戟：Verge Genomics的渐冻症药物VRG50635研发终止；薛定谔的急性髓性白血病药物SGR-2921因毒性问题止步；Exscientia设计的精神分裂症药物Ulotaront因效果不及预期失败。 质疑者认为，失败背后是三大无解题：数据孤岛——药企的核心药理数据私有化，公开数据库缺乏关键的阴性实验案例，导致AI模型“学偏了”，泛化能力弱；算法黑箱——AI可能生成物理上无法合成的“结构幻觉”分子，或无法准确预测复杂的体内毒性；临床脱节——AI能在虚拟世界中快速筛选，却无法精准模拟人体内错综复杂的生物学机制。 全球主要监管机构已启动系统性改革。美国FDA在2026年明确，以“一项高质量III期研究”为默认标准，并逐步取消动物实验的强制要求，接受AI模型等替代数据。中国NMPA则在2026年4月发布顶层设计，目标到2030年初步构建“人工智能+药品监管”融合体系。（来源：今日头条） 趋势分析：从“效率狂飙”到“价值兑现”的关键爬坡期 当前，行业正处于从“效率狂飙”到“价值兑现”的关键爬坡期。效率提升是真实的，全球AI赋能制药研发支出预计到2035年将达1239亿美元；但临床失败的高墙也是坚硬的。 未来的胜负手，不在于算法模型又多了一两个参数，而在于能否构建一个技术、数据与监管协同进化的生态系统：通过联邦学习等技术打破数据孤岛，通过因果推理AI破解算法黑箱，通过动态敏捷的监管框架平衡风险与创新。 短期看，AI将继续作为强大的“涡轮增压器”，压缩“十年十亿”的研发周期与成本。但长期看，只有当AI设计药物的临床成功率实现实质性跨越，它才能真正重构制药业的价值链条。

从靶点发现到临床I期仅用21个月，研发成本降至传统模式的 1/200 ；另一边，AI设计的小分子药物II期临床失败率高达 80% ，远高于传统药物的57%。这组矛盾的数字，精准勾勒出AI制药的现状：它正以“十倍速”的效率狂飙，却在临床转化的深水区频频折戟。 要看清它的前景，我们必须从几个截然不同的视角，拆解这场正在进行中的医药工业革命。 站在效率革命支持者的角度：AI正在改写“双十定律” 对于坚信技术颠覆性的支持者而言，AI带来的是一场不容置疑的效率革命。其核心优势体现在两个硬指标上： 时间和金钱 。 时间压缩 ：传统模式下，从确定靶点到筛选出临床前候选化合物，平均需要 4.5年 。而AI可以将这一过程压缩至 13.7个月 ，效率提升高达75%。 以明星案例英矽智能的Rentosertib（INS018-055）为例，这款针对特发性肺纤维化的药物，从靶点发现到进入临床I期仅用了 21个月 ，比传统5-7年的路径缩短了约70%。 成本骤降 ：早期研发成本可以降至传统模式的 1/200 。这种降本增效已渗透到研发全链条：AI筛查电子病历可将患者招募筛选时间缩短 34% ；数字孪生技术能替代真实患者队列，帮助赛诺菲节省 6个月 的试验周期。 支持者会指出，这不仅仅是实验室里的数据。OpenAI推出了专为生命科学设计的 GPT-Rosalind模型 ，能高精度预测蛋白质结构并生成候选分子；亚马逊云科技的 Amazon Bio Discovery应用 ，与纪念斯隆—凯特林癌症中心合作，将抗体设计时间从一年缩短至数周。 头部药企正用真金白银投票：礼来单年AI投入超 12亿美元 ，并与英矽智能达成了最高 27.5亿美元 的授权合作。在他们看来，AI制药已从“概念验证”迈入“临床兑现”的关键拐点。 站在临床现实质疑者的角度：高失败率与无法逾越的生物学鸿沟 然而，对于临床医生和审慎的投资者来说，再炫酷的算法也必须接受人体试验的终极检验。而在这里，AI的光环出现了裂痕。 最刺眼的数据是： AI设计的小分子药物II期临床失败率高达80%，而传统药物为57% 。 过去一年，多个曾被寄予厚望的AI药物项目接连折戟：Verge Genomics的渐冻症药物VRG50635研发终止；薛定谔的急性髓性白血病药物SGR-2921因毒性问题止步；Exscientia设计的精神分裂症药物Ulotaront因效果不及预期失败。 质疑者认为，失败背后是三大无解题： 数据孤岛 ：药企的核心药理数据私有化，公开数据库缺乏关键的阴性实验案例，导致AI模型“学偏了”，泛化能力弱。 算法黑箱 ：AI可能生成物理上无法合成的“结构幻觉”分子，或无法准确预测复杂的体内毒性。例如Aldeyra公司的AI药物就曾因疗效矛盾被FDA三度拒批。 临床脱节 ：AI能在虚拟世界中快速筛选，却无法精准模拟人体内错综复杂的生物学机制。临床前的漂亮数据，往往在真实人体内失效。 生存压力下，一批AI制药公司正从“淘金者”转型为“卖水人”，放弃高风险的自研管线，转向为大型药企提供技术服务以求生存。这被质疑者视为技术尚未成熟的佐证。 站在监管审评者的角度：在鼓励创新与守住安全之间走钢丝 监管机构（如美国FDA、中国NMPA）的视角最为复杂。他们既要拥抱技术红利加速新药上市，又必须为患者安全守住最后防线。 全球主要监管机构已启动系统性改革。美国FDA在2026年明确，以“ 一项高质量III期研究 ”为默认标准，并逐步取消动物实验的强制要求，接受AI模型等替代数据。中国NMPA则在2026年4月发布顶层设计，目标到2030年初步构建“人工智能+药品监管”融合体系。 它们都在尝试启用AI审评助手（如FDA的Elsa）处理海量申报材料。 但监管者面临的冲突同样尖锐： 要求VS现实 ：监管要求算法可解释、数据可追溯，但行业存在严重的数据壁垒和算法黑箱问题。 敏捷性滞后 ：AI技术迭代速度远超监管指南的更新速度。FDA的AI审评工具尚在试点，且存在“幻觉”错误；现行指南也未能区分小分子与生物药迥异的AI研发标准。 监管的挑战在于，如何在“快速试点”与“系统规划”之间找到平衡，既不做创新的绊马索，也不当风险的放行人。 站在全球竞争者的角度：中美欧的三条道路 从全球产业格局的视角看，中美欧选择了不同的发展路径，形成了差异化的竞争格局。 美国：巨头引领，监管创新 。以礼来、诺和诺德为代表的制药巨头，通过巨额投入和密集合作（近1年超20项AI合作）引领技术落地。FDA采取“快速试点、全面推广”的敏捷风格，在审评标准松绑上最为激进。 中国：监管拉动，产业协同 。中国药监局扮演着“监管者+使用者”的双重角色，其特色是强调 底层基础设施建设 和“监管拉动产业”。企业侧，以英矽智能为代表，在临床推进速度上展现优势，其Rentosertib是全球首个取得IIa期阳性结果的AI全程设计药物。 ADC等细分领域的企业通过授权出海，金额已突破百亿美元量级。 欧洲：伦理优先，系统规划 。欧洲药品管理局（EMA）秉持更审慎的路径，与FDA联合出台指导原则时，格外强调 算法可解释性 和 风险分级管理 ，将伦理和数据安全置于前沿。 综合判断：一场远未结束的工业革命 综合以上四个视角，我们可以得出一个整合性判断： AI制药是一场已经开局、但远未结束的工业革命。它已不可逆地提升了研发前端效率，但决定其最终价值的临床转化瓶颈，尚未突破。 当前，行业正处于从“效率狂飙”到“价值兑现”的关键爬坡期。效率提升是真实的， 全球AI赋能制药研发支出预计到2035年将达1239亿美元 ；但临床失败的高墙也是坚硬的。 未来的胜负手，不在于算法模型又多了一两个参数，而在于能否构建一个 技术、数据与监管协同进化 的生态系统：通过联邦学习等技术打破数据孤岛，通过因果推理AI破解算法黑箱，通过动态敏捷的监管框架平衡风险与创新。 短期看，AI将继续作为强大的“涡轮增压器”，压缩“十年十亿”的研发周期与成本。但长期看，只有当AI设计药物的临床成功率实现实质性跨越，它才能真正重构制药业的价值链条。这条攀登之路，注定崎岖，但方向已然清晰。

曾几何时，AI制药是生物科技领域最激动人心的叙事：人工智能将如魔法般解析生命的密码，在几年内完成传统药企十年的工作，以“一键生成”的速度带来革命性新药，终结“十年十亿、九死一生”的行业魔咒。2025年底至2026年初，几记重锤落下：Verge Genomics的渐冻症药物折戟，Exscientia的精神分裂症药物未达预期。临床失败的冷水，浇灭了资本的狂热。一夜之间，曾经高喊“颠覆”的淘金者，纷纷放下“金铲”，转身拿起了“水桶”。一、神话褪色：当临床现实敲响“AI淘金梦”的警钟 曾几何时，AI制药的故事充满魔力。资本蜂拥而至，相信算法能绕过生物学的混沌，直抵新药的彼岸。然而，新药研发的铁律从未改变：临床前的亮眼数据，必须经受人体复杂系统的终极考验。2025-2026年，接连的临床失败成为行业的转折点： Verge Genomics：其AI设计的渐冻症（ALS）疗法VRG50635宣告临床试验失败，核心管线终止，公司随即宣布全面转型为AI技术服务平台。 Exscientia与住友制药：合作开发的用于精神分裂症的AI设计药物Ulotaront，在关键临床试验中未能达到主要终点。 薛定谔（Schrödinger）：其针对急性髓性白血病的候选药物SGR-2921因毒性问题中止开发。 这些并非孤例。它们共同揭示了一个残酷现实：AI能极大加速“分子设计”，却无法绕过“生物学验证”。从计算机中的完美构型，到在人体内安全有效地发挥作用，中间横亘着巨大的、充满不确定性的“生物学鸿沟”。AI可以成为出色的“设计师”，但人体不是可预测的“试管”，疾病的复杂性远超任何模型的训练数据。 资本市场最先嗅到变化。当“颠覆叙事”无法兑现为临床管线价值，投资逻辑发生了180度逆转。从为遥远的“技术想象”买单，转为追求可见的“现金流”与“确定性”。融资寒冬下，那些依赖持续烧钱推进高风险自研管线的AI药企，生命线骤然收紧。二、集体转身：从“孤胆淘金者”到“生态卖水人” 生存压力下，一场席卷全行业的战略转型悄然发生。AI制药公司不再执着于成为与辉瑞、默沙东比肩的“下一代制药巨头”，而是纷纷回归自身的技术本源，成为赋能大药企的“尖端研发外包商”或“分子设计工厂”。转型路径一：成为大药企的“AI研发部” 这是目前最主流的模式。AI公司利用其平台，在药物发现最前沿的“无人区”进行探索，为大型药企提供从靶点发现到先导化合物优化的服务，收取首付款、里程碑付款及未来的销售分成。 英矽智能（Insilico Medicine）：是这一模式的典范。2026年1月，其与法国施维雅达成总值高达8.88亿美元的合作，针对未公开的肿瘤靶点，由英矽智能完成AI驱动的早期发现。此前，其平台已与全球TOP20药企中的13家建立合作。2025年，其首款完全由AI发现的药物（用于特发性肺纤维化）已进入II期临床，证明了平台价值。 华深智药/Earendil Labs：2025年与赛诺菲达成总价值25.6亿美元的战略合作，将其AI发现平台用于自身免疫和炎症疾病领域。转型路径二：聚焦“专精特新”，做深垂直环节 一些公司不追求全链条，而是将某一环节的技术做到极致，成为该领域的“隐形冠军”。 Relay Therapeutics：其核心优势在于计算蛋白质的动态结构，而不仅是静态快照。这能更精准地发现别构位点，设计出更具差异化的药物。它以此专长为卖点，与罗氏、百时美施贵宝等巨头合作。 晶泰科技：凭借“AI计算+自动化实验”的智能化研发能力，不仅服务于制药，还将能力拓展至新材料等领域，实现收入多元化。转型路径三：彻底“卖水”，打造行业基础设施 最为彻底的转身，是成为纯粹的“卖水人”——技术平台提供商。Verge Genomics在核心管线失败后，宣布正是此路。其将积累的神经疾病专用AI平台开放，为其他药企研发服务，彻底告别自研药物的高风险。 这场集体转型，并非行业的倒退，而是产业链一次深刻而必要的专业化分工重塑。AI初创公司发挥其“小快灵”和算法优势，聚焦创新密度最高、风险也最高的早期发现；大型药企则凭借其深厚的生物学洞见、庞大的临床开发体系、全球化注册与商业化能力，承接后续的漫长开发与巨大资金风险。二者优势互补，共同推动研发进程。三、趣味科普：AI制药，究竟是如何“工作”的？ 要理解这场转型，我们需先看看AI在新药研发中到底扮演什么角色。可以将药物发现想象成“在浩瀚的宇宙中寻找一把能打开特定锁（疾病靶点）的钥匙（药物分子）”。 传统“人力寻钥”法：化学家们凭借经验和直觉，在已知的“分子星图”（化合物库）中筛选、修饰，不断试错。这个过程耗时漫长（2-5年），花费巨大，且成功率极低（筛选数万乃至百万分子，才可能找到一个苗头化合物）。 AI“智能导航”法：AI就像给科学家装上了超级望远镜和导航系统。 AlphaFold等工具：如同绘制了蛋白质（“锁”）的高清三维地图，让我们能看清“锁孔”的形状。 虚拟筛选模型：能在数小时内，从数亿甚至数十亿的虚拟分子宇宙中，快速初筛出可能与“锁孔”匹配的“钥匙胚子”。 生成式AI：不仅能“找”，还能“造”。它能学习已知药物分子的化学规则，从头生成（“无中生有”）全新的、具有理想特性的分子结构。 ADMET预测模型：能提前预测这些“钥匙胚子”在人体内的命运（吸收、分布、代谢、排泄、毒性），提前淘汰那些可能无效或有毒的设计。 AI的核心价值在于“提效”与“拓圈”：它将分子设计的周期从数年缩短到数月，并能探索人类化学家想象不到的化学空间。但它无法保证设计出的分子在真实的生物体内一定有效安全，这最终必须由湿实验和临床试验来验证。AI是强大的“副驾驶”，但决定飞机最终航向和能否安全降落的，仍是作为“机长”的科学家和对生物学规律的敬畏。四、时代浪潮：为何转型是“必然”与“必需”？ 这次转型浪潮，是技术、资本与产业规律共同作用的必然结果。技术层面：现阶段AI的“能力边界” 当前的AI本质上是“数据驱动”和“模式识别”的大师。它极度依赖高质量、标准化的大数据。然而，生物医学数据存在严重的“孤岛效应”和“非标准化”问题。AI可以从历史数据中学习，但难以进行真正的、无中生有的“科学发现”，更无法替代对疾病生物学机制的深刻理解。它擅长优化已知，但突破未知仍需人类智慧。资本层面：从“为梦想窒息”到“为现金流买单” 前几年的资本狂热，源于对技术颠覆的“恐惧错过”（FOMO）心理。但当临床失败反复证明，AI无法消除新药研发固有的高风险时，资本迅速回归理性。投资人要求看到更清晰的盈利路径和更快的现金回流。“技术服务”模式能提供稳定的授权费和里程碑收入，是寒冬中活下去的“粮草”。产业层面：专业分工的必然选择 新药研发是一条漫长、昂贵、多环节的链条。AI初创公司长于算法和早期发现，但缺乏推进临床、管理全球试验、进行商业化所需的庞大体系、深厚经验和巨额资金。与其“小而全”地硬扛所有风险，不如“用己所长”，融入现有的产业生态，成为其中不可或缺的高价值环节。五、未来之战：转型后的竞争与全球格局 当大家都开始“卖水”，竞争才真正开始。未来的赢家，需要具备以下特质： 解决真问题的能力：平台不能只停留在“更快筛选”，而要能攻克传统方法难以解决的“不可成药”靶点，或设计出具有显著差异化疗效或安全性的分子。 前瞻性数据生态：能否构建独特、高质量的数据壁垒（如专病领域数据、前沿检测技术数据），是模型持续领先的关键。 与药企研发的深度融合：技术平台必须能与大药企复杂的内部工作流无缝对接，提供“端到端”的解决方案，而不仅仅是输出一个分子结构。 商业化与生态构建能力：如何定价服务？如何管理多项目合作？如何建立行业标准？ 这场转型，也正在重塑全球生物医药竞争格局： 美国：依然引领前沿算法探索和基础模型创新（如AlphaFold），并拥有最活跃的风险投资市场，支持多种商业模式试错。 中国：展现出强大的差异化竞争力。在工程化落地、数据生成闭环、与临床资源结合方面优势明显。中国拥有庞大且相对统一的患者数据资源、高效的临床执行能力，以及政策对创新的支持。像英矽智能、晶泰科技、华深智药这样的企业，正通过国际合作证明其平台价值。中国的机会在于将技术优势与庞大的国内市场、高效的研发体系结合，探索出独特的“AI赋能研发”之路。结语：告别“魔法”，拥抱“工程”——AI制药的价值重生 2026年的这场集体转型，戳破了“AI一键造神药”的魔法泡泡，却让AI制药回归了其最坚实、也最富有希望的价值本源：它不是颠覆传统的“革命者”，而是赋能研发的“加速器”和“赋能者”。 这并非梦想的陨落，而是行业的成熟。当淘金的热潮退去，我们才看清谁在裸泳，而谁真正建起了供水系统。未来的药物突破，将越来越多地诞生于“人类生物学智慧”与“机器计算智能”的深度协同之中。 AI不会让新药研发变得容易，但它能让有价值的探索变得更快、更智能、成本更低。它或许不能保证每一个从它平台上诞生的分子都能成功，但它能极大地增加我们“中奖”的概率，并将科学家从重复劳动中解放出来，去从事更具创造性的思考。 从“为想象力疯狂”到“向现实低头”，从“颠覆者”到“卖水人”，这场转身虽伴随阵痛，却为整个行业开辟了一条更务实、更可持续的道路。毕竟，新药研发的终极目标，是带来真正改善人类健康的药物。而AI最大的荣光，或许不在于它自己“造”出了多少药，而在于它帮助人类，以更高的效率和更高的成功率，找到了那些我们梦寐以求的解药。 这条道路依然漫长，但方向已无比清晰：让AI回归工具的本质，让科学家重掌探索的舵盘，在理性与梦想的平衡中，共同驶向那片名为“治愈”的星辰大海。 免责声明： 1、文中提到的任何信息，包括行业政策、新闻、上市公司相关信息等均来自公告或公开渠道；图片均为AI生成或网络公开图片； 2、文中所有相关分析仅供读者参考，不构成任何形式的诊断治疗建议、投资建议或者商业决策建议； 3、若根据本文信息或分析进行任何形式的决策，包括但不限于诊断治疗决策、投资决策或商业决策等，请风险自担。    特此声明！