一天吃透一条产业链：AI制药

来源：市场资讯

（来源：合肥市投资基金协会）

01 产业链全景图

02 【AI制药】是什么

AI制药，就是用大模型和深度学习这些技术，把新药研发从“大海捞针”变成“精准导航”。

传统药物开发像在黑暗中摸索，AI则整合了蛋白质结构、基因序列、临床数据等海量生物信息，能在靶点发现、分子筛选、临床试验优化等环节快速给出方向。

不仅在小分子药物领域提速，在细胞与基因治疗这类更前沿的赛道，AI也能介入抗原识别和载体设计，相当于给药物研发配了一套智能导航系统。技术本身是中性的，但在商业化落地和传统药企转型之间，AI制药已经找到了自己的位置。

02-1、AI制药的优势

AI在药物研发中的价值，主要集中在临床前阶段，就像给实验装上了一套“筛子”和“导航”。虚拟筛选能从上百万个化合物中快速锁定少数有潜力的候选分子，大幅减少实验室里需要实际测试的数量。

进入优化阶段后，ADMET预测能在不碰试管的情况下评估分子风险，提前排除可能失败的路径，从而压缩研发周期、压低成本。此外，AI还能在更早期协助靶点挖掘和新分子生成，相当于在药物研发的起点就把搜索范围大幅收窄——不是替代实验，而是让实验少走弯路。

AI制药的核心价值就是让新药研发更快、更便宜、更准。

传统药物研发成功率只有12%左右，周期长、投入大。AI介入后，成功率有望提到14%，研发周期能压缩40%到60%，每年能省下数十亿美元。

AI不是要取代传统方法，而是在每个环节帮研发人员提前排除错误选项，让资源和时间集中在更有希望的分子上。

一旦这套流程跑通，整个制药行业的效率逻辑将被重写。这也正是头部药企和AI公司都加速入场的原因——谁先跑通标准流程，谁就掌握话语权。

02-2、核心逻辑

AI在制药中的核心逻辑可以概括为：用数据驱动替代试错驱动。

靶点发现和化合物筛选面对的是海量数据库，AI的扫描速度远超人力；进入先导化合物优化阶段后，需要平衡活性、毒性、药代等多维指标，AI同步处理多目标的能力正好补上了传统方法的短板。

它带来的变化是双重的：

• 数量上，大幅减少了需要合成和测试的化合物数量，把实验资源集中在真正有价值的分子上；

• 质量上，决策依据从经验和直觉转向系统化的数据评估，提高了每一步的成功率。

本质上，AI不是在做化学，而是在做筛选和排序——这正是制药流程中成本最高、耗时最长的部分。

03 上游产业链--数据与算力基础

03-1、数据资源

AI制药的上游本质上是“数据原料库”。

就像做菜需要食材一样，训练AI模型也离不开海量数据。这些数据主要来自四个地方：

• 药物化学数据库记录了各种化合物的“脾气”和结构；

• 蛋白质结构数据库能看清蛋白质的立体模样；

• 多组学数据反映基因、蛋白质在身体里的动态变化；

• 临床数据则来自真实的患者治疗记录。

这四类数据加在一起，构成了AI的“学习资料”——数据越丰富、越准确，AI的判断就越靠谱。说到底，AI制药的竞争，拼的就是谁能拿到更多、更好的数据。

AI制药上游的数据环节并不完美——质量参差不齐、标准不统一、各方数据像孤岛一样互不相通。

为了解决这个问题，行业开始采用“联邦学习+隐私计算”的模式，让多方在不共享原始数据的情况下联合训练模型，兼顾隐私保护与知识利用。

同时，头部公司开始自建智能实验室，用“AI设计-机器人执行-实时反馈”的闭环来持续产生高质量专有数据，逐步摆脱对公共数据集的依赖。

比如：Recursion每周执行约220万次实验，通过基因编辑和成像技术记录细胞变化，与真实世界患者数据结合，形成闭环数据飞轮。谁能在自己手中跑出更多标准化数据，谁就能在AI制药的竞争中守住阵地。

这套打法一旦跑通，技术差距只会越拉越大。真正的护城河，不是算法本身，而是数据产生的速度和密度。虽然短期投入大，但长期看，数据闭环一旦跑通，AI制药的“规模效应”才能真正成立。

03-2、算力基础

AI制药对算力的需求也在升级。早期算力是瓶颈，但现在云计算弹性扩容和专用芯片的算力提升，已经基本解决了底层算力不够的问题。

分子动力学模拟和蛋白质结构预测这类高负载任务，已经能稳定跑在云上。算力从“够不够”变成了“怎么用”——关键在于算力资源如何与算法、数据高效协同，而不是单纯堆算力。

谁能在硬件与软件之间把效率跑通，谁就掌握了真正的算力优势。

04 中游产业链--AI制药

AI制药的中游是药物研发的技术核心，主要包括AI软件平台和自动化实验室。

全球科技巨头正在这个环节定义技术标准：

• DeepMind用AlphaFold解决了蛋白质结构预测难题，并以开源策略建立了事实标准；

• 英伟达通过BioNeMo平台提供从分子生成到药物筛选的完整模型服务，叠加DGX Cloud算力支持，形成闭环；

• 亚马逊AWS则通过HealthLake和Bedrock专注医疗数据合规与模型训练。

算力、数据和平台三要素叠加，科技巨头正逐步掌握AI制药的底层话语权。

04-1、市场规模

新药研发成本越来越高，药企对提升研发效率的需求也在增强。AI制药相比传统模式，在药物发现、临床试验到商业化的各个环节都有明确优势，渗透率正在持续提升。

2019年全球AI赋能药物研发市场规模约54亿美元，2023年增长至119亿美元，四年翻了一倍多。预计2032年这个数字将进一步增长至746亿美元，年复合增速约22.6%。趋势已经很清晰，AI正在成为制药行业的基础设施。

国内AI制药的市场空间有多大？我们可以做一个简化的测算。

参考行业数据，以AI辅助的临床前管线数量、各阶段推进速度和成功率作为核心变量，假设临床前管线在一年内完成推进，临床阶段参考传统药物开发周期（I期2.3年、II期3.6年、III期3.3年），并考虑各阶段的成功概率，可以推算出未来十年国内AI制药的潜在市场规模——2028年有望达到380亿元，2033年超过1770亿元。

这是一个十年的长周期赛道，增长路径清晰，天花板足够高。核心变量是临床前管线的推进速度和AI在不同阶段的渗透率提升。一旦验证闭环形成，市场空间将加速打开。

04-2、行业格局

截至目前，还没有一款完全由AI自主或辅助设计的药物成功上市。

AI在药物研发中的有效性尚未被持续验证，也没有出现能跳出传统CADD框架的突破性算法。行业还没有统一的技术范式，不同企业在算法路径和参与环节上差异很大。

国内外多数公司集中在化合物筛选和先导化合物设计这两个环节，原因是底层原理清晰、数据充足、scaling效果明显；越往后推进，数据越少，AI的介入空间也就越小。

头部玩家如Schrodinger、英矽智能、Recursion等正尝试向全流程覆盖延伸，但多数公司仍只参与部分环节。

这是行业从“工具”走向“标准”的必经阶段，目前还处在路径探索期，距离形成统一技术范式还有相当长的路要走。谁能在数据最密集的前端环节率先跑出效率优势，谁就有机会定义下一阶段的标准。

04-3、国内外企业现状

早期起步的企业凭借先发优势积累了大量项目经验和数据，在管线进度和技术成熟度上都占据了有利位置。

管线的临床推进是对研发能力的直接验证，而验证一旦完成，就会形成正循环：数据越多，模型迭代越快；技术越成熟，合作机会越多；合作带来更多数据和收入，反过来又强化算法能力。

目前全球Top40的AI制药公司中，晶泰科技和英矽智能已经进入了第一梯队。这是一个典型的强者恒强的行业——先跑通闭环的玩家，将主导下一阶段的技术标准制定。

04-4、商业模式

AI制药的商业模式主要有三条路：SaaS模式，即向药企或CRO出售软件工具，赚的是技术服务费；

本质上，商业模式的选择决定了公司是赚“工具钱”、“服务费”还是“药的钱”，三者的体量和估值逻辑完全不同。谁能在其中找到适合自己的路径并建立效率壁垒，谁就能在行业整合中占据有利位置。

真正的竞争不在于技术本身，而在于技术能否转化为持久的商业价值。技术能力与商业模式的匹配度，决定了谁能走得更远。

AI制药的商业模式正回归药物研发本身，以AI+CRO和AI+Biotech两条路径并行推进。

据测算，全球AI赋能药物研发市场规模预计从2023年的119亿美元增长至2032年的746亿美元，年复合增速约22.6%。

赛道在变宽，竞争也在加剧。谁能在技术落地和商业转化之间找到平衡，谁就能在接下来的行业整合中占据有利位置。

05 市场关注度

全球AI制药融资在2015-2022年间累计达246亿美元，2021年国内融资达到99.6亿元峰值，2022年因宏观环境降温。

2024年热度有所回升，但呈现分化格局：美国融资额仍占据全球高地，中国AI制药融资占比仅约10%，剔除晶泰科技等IPO影响后进一步降至8%。

国内AI制药公司的融资体量仍需时间积累，才可能形成持续的竞争力。

科技巨头正从算力供应商深度嵌入AI制药产业链。

英伟达通过BioNeMo平台发布多款生物医学基础模型，谷歌旗下Isomorphic推出的IsoDDE在预测小分子结合亲和力上已超越传统物理方法，准确率较AlphaFold3提升一倍以上。

同时，英伟达也通过外部投资在AI制药领域形成全面布局。当底层技术标准被科技巨头定义时，制药公司的核心竞争力只能从数据生成速度和临床转化效率两个维度重新构建。

被谁赋能不是关键，能否利用好这些工具加速产出临床价值才是核心分水岭。

AI制药在缩短研发周期、提升效率上的优势正在被验证。大型药企通过内部自建和外部合作双线布局，加速拥抱AI。

近两年AI制药相关的BD交易中，有10个项目总金额超20亿美元，首付款过亿的项目达12个。

跨国药企愿意用真金白银为AI制药的前景投票。随着更多临床数据验证AI的有效性，这类交易只会越来越多。谁能用AI跑通从靶点到管线的闭环，谁就掌握了下一阶段的话语权。

06 下游产业链--核心应用