AI制药的2020/21繁荣与崩盘：2026年，真的不一样吗？

如果说未来可能产生十倍股的通道，AI生物是绕不开的话题，毕竟，很多人毕生的收入都是消费在生命的最后几年，而且，在任何国家，医院都总是人满为患。

但现在要投资AI × Biology，我认为有一段历史必须重新研究：2020/21年的AI药物发现泡沫，以及随后发生的崩盘。

因为今天市场重新开始讲AI制药，很多故事听起来其实并不陌生。AI可以发现新靶点，可以设计分子，可以缩短药物研发周期，可以减少实验次数，可以让过去需要几年完成的工作缩短到几个月。

这些故事，2020年市场同样听过。

结果是什么？

大量AI制药公司的估值在2020/21年迅速膨胀，随后随着流动性收紧、生物科技融资环境恶化，整个板块出现剧烈调整。很多公司股价跌去80%、90%甚至更多，也让一批传统生物医药从业者至今对“AI制药”保持怀疑。

所以今天如果再投资这个方向，最危险的做法不是看错AI，而是没有认真研究上一轮泡沫为什么失败。

我认为2020/21年的失败至少告诉我们两件事。

第一，宏观环境可以杀死一个长期正确的产业趋势。

第二，也是更重要的一点：更快发现药物，不等于发现更好的药物。

而第二点，才是AI制药真正需要跨越的技术门槛。

从上述的图可以看出：AI可以大幅压缩“找药”的时间和成本，但很难直接消灭“临床失败”

一、2020/21年的AI制药泡沫，到底发生了什么？

2020/21年，AI、生物科技和低利率形成了一次罕见的共振。

资本市场愿意给没有收入、没有产品、甚至距离临床验证还有数年的公司极高估值。

原因其实很好理解。

传统药物研发时间长、成本高、失败率高，如果AI能够把其中一部分流程自动化，那么理论上的经济价值巨大。

于是市场开始相信一个非常简单的公式：AI + 药物研发 = 更快 + 更便宜 + 更高成功率。

这套逻辑本身没有错。

问题是，当时市场实际上把三个完全不同的问题混在了一起：

发现速度、研发效率和临床成功率。

AI可以很容易证明自己能够提高前两个指标。

但第三个问题，才决定一款药最终有没有价值（这也是上图所表述的内容）。

二、Exscientia的DSP-1181，是上一轮周期最值得研究的案例之一

如果要寻找一个能够把这个问题讲清楚的案例，我认为Exscientia的DSP-1181非常典型（

日本住友制药（现住友制药）+ Exscientia 联合开发的精神类小分子药物候选物，但后来失败了）。

DSP-1181最大的亮点，是它的发现速度。

传统药物从早期发现到进入临床通常需要很长时间，而DSP-1181从发现到进入I期的速度非常快，据公开资料，其整个过程不到一年。

这在当时非常具有象征意义。

市场看到的是：AI可以把过去几年完成的事情压缩到不到一年。

但真正进入临床以后，问题出现了。

DSP-1181最终没有达到针对其靶机制的I期评估标准，项目被终止。

这件事情给整个行业上了一课：AI可以让你更快地找到一个分子，但它不能保证这个分子在人身上有效。

换句话说：搜索空间可以由AI快速缩小，但生物学本身不会因为AI出现而变得简单。

这也是为什么很多真正做生物医药的人，对上一轮AI制药泡沫一直保持警惕。

他们不是反对AI。他们反对的是：把计算效率直接等同于临床价值。

三、第二个问题：2020/21年的宏观环境其实帮了泡沫很大的忙

还有一个经常被忽视的因素，就是宏观环境。

2020/21年的生物科技融资环境非常特殊。

低利率、大量流动性以及风险资本的快速扩张，使得大量还没有产品、没有收入、距离临床验证还有数年的Biotech公司都能够获得融资。

但到了2022年，整个环境发生了剧烈变化。

利率快速上升，风险资产估值下降，Biotech融资窗口迅速关闭。

据行业统计，2022年生物科技IPO募集资金规模已经不到2021年的八分之一。

这意味着一个非常现实的问题：

很多AI制药公司甚至没有机会等到技术验证，就先因为资金链问题被迫收缩。

所以2020/21年的崩盘，并不能简单理解为：“AI制药失败了。”

更准确的描述应该是：一个仍然需要多年临床验证的长期产业，被放进了一个极度宽松的资本市场，然后又遭遇了历史级别的流动性收缩。

这是两个问题。

技术问题和融资问题，不能混为一谈。

四、但真正重要的是：2020/21和2026，可能已经不是同一个AI

这是我认为今天研究AI Biology最关键的地方。

上一轮AI制药周期最大的技术背景，是：GPT时代之前。

当时的AI当然已经很强，机器学习、深度学习、强化学习、计算化学和结构生物学已经发展多年，但今天我们看到的基础模型、LLM、多模态模型以及大规模计算能力，并没有真正进入生命科学的核心工作流。

因此，2020/21年的AI制药更多是：计算 + 已知靶点 + 化学空间搜索。

典型模式可以概括为：验证靶点 → 计算寻找分子 → 实验验证 → 找到更好的候选药物。

这类模式当然有价值。

它可以帮助科学家减少大量低价值搜索。

但它解决的主要问题是：如何更高效地搜索已经知道的空间。

而2026年正在出现的东西，可能更加重要：AI开始尝试扩展假设空间本身。

这两个概念的差别非常大。

五、2020/21年的AI，是“减少实验”；2026年的AI，可能是“创造更多实验”

这句话可能是理解新一轮AI Biology最重要的一句话。

上一轮的逻辑是：AI帮助我们少做一些低价值实验。

假设一个药物研发团队过去需要合成10000个分子，最终从中筛选出10个有希望的候选物。

如果AI能够提前判断哪些分子更有可能成功，那么可能只需要合成1000个。

于是AI的价值是：少做实验、少花钱、提高效率。这是非常典型的“搜索优化”。

但现在正在出现另一种完全不同的逻辑：AI不是减少候选，而是生成更多候选。

AI可以同时提出大量不同结构、不同机制、不同靶点甚至不同生物学假设，然后交给湿实验室验证。

于是整个循环变成：AI设计 → 实验 → 数据 → 更好的AI → 更多设计 → 更多实验 → 更多数据。

这和2020/21年的模式有一个根本区别。

上一轮：AI减少实验。

这一轮：AI可能创造实验。

而这会直接改变整个产业链的价值分配。

六、这也是为什么“卖铲子”逻辑突然变得非常重要

如果AI的目标是减少实验，那么实验基础设施的价值未必明显增加。

但如果AI的目标是：大规模产生假设，然后通过真实实验不断学习，

情况就完全不一样了。

AI每天可以生成10万个候选分子。

那么问题就变成：

谁来测试这10万个分子？

AI可以无限扩大计算能力，但蛋白质、抗体、细胞、动物模型、实验设备、测序仪器和实验人员却不可能无限复制。

于是整个产业链可能出现一个非常重要的变化：计算能力不再是最大的瓶颈，物理生物学开始成为瓶颈。

这就是为什么我认为AI Biology的“卖铲子”逻辑可能比上一轮更强。

七、AI Biology可能正在从“软件故事”变成“计算+实验”的产业

传统软件的特点是边际成本极低，一个软件，可以复制一百万次，成本几乎微乎其微。

但是生命科学不同。

你可以让AI在服务器上生成一百万个分子设计，但最终仍然需要真实世界的实验去验证。

一个蛋白质能不能结合？

一个抗体有没有活性？

一个分子有没有毒性？

一个细胞会不会发生预期变化？

一个动物模型是否真的出现治疗效果？

这些东西最终都必须回到物理世界。

因此AI Biology可能不会像互联网那样成为一个纯软件产业。

它更可能形成：计算 → 自动化实验 → 数据 → 计算 → 自动化实验，这样的闭环。

这意味着未来最有价值的公司，可能同时拥有两个世界的能力：AI能力 + 湿实验能力。

单纯只有AI，没有真实数据，可能不够。

单纯只有实验，没有AI，也可能无法获得足够高的效率。

真正强大的公司，可能是把两者结合起来。

八、这也是为什么我重新审视A股的几个公司

按照这个框架，A股的投资逻辑就不能简单变成“寻找AI医药”。

我更愿意寻找三种公司。

第一种是能够把AI直接用于药物发现的平台公司，例如泓博医药、成都先导。它们的核心价值在于能不能让计算真正进入药物研发闭环，而不是发布一个AI平台之后就结束。

第二种是拥有真实生物数据、动物模型、抗体发现能力或者大规模实验平台的公司，例如百奥赛图。如果未来AI真正需要大量真实数据进行训练，那么这些公司的数据和实验能力可能比一个普通AI模型更加稀缺。

第三种则是最容易被忽视的“卖铲人”，包括义翘神州、百普赛斯、近岸蛋白、华大智造。如果AI真的让实验数量大幅增加，那么这些公司可能从整个行业扩张中获得需求，而不需要押注某一个具体药物。

九、百奥赛图为什么值得特别关注？

如果一定要在A股里面找一个比较接近“AI + 生物数据 + 抗体发现”的公司，我会重点研究百奥赛图。

它的核心价值不是某一款药，而是动物模型、抗体发现以及相关生物数据。

这件事情在AI时代非常重要。

因为模型再强，也需要数据。

而生命科学最有价值的数据往往不是公开互联网数据，而是：实验数据。

如果一个公司能够不断产生高质量的生物实验数据，那么它实际上是在不断给自己的AI系统“喂数据”。

于是可能形成：

更多实验 → 更多数据 → 更好的模型 → 更好的候选药物 → 更多实验。

这才是真正值得关注的飞轮。

如果未来这个飞轮成立，那么百奥赛图的估值逻辑可能和传统Biotech完全不同。

十、泓博医药和成都先导，关键看“研发效率”能不能变成商业价值

泓博医药和成都先导的情况则更加接近“AI药物发现平台”。

它们真正需要证明的不是：我们拥有AI。

而是：AI能不能让药物研发变得明显更好？

这个“更好”必须能够被量化。

比如候选分子产生速度提高多少，实验次数减少多少，研发周期缩短多少，候选药物进入临床的成功率提高多少，最终能够产生多少BD收入。

只有这些指标真正改善，AI才从“故事”变成“生产力”。

这也是为什么我认为这一轮投资不能只看技术发布，而要盯住临床数据和商业化数据。

最终决定估值的不是模型参数，而是药物。

十一、但这里有一个非常重要的反驳：2026真的一定比2020/21更好吗？

我认为不一定。

这也是投资这个主题必须保留的反方观点。

首先，基础模型能力的进步并不意味着生物学问题已经解决。

生命科学与语言不同。

语言存在大量公开数据，可以通过互联网规模化训练；但高质量生物实验数据的获取成本极高，而且很多关键数据无法公开获得。

其次，AI生成大量假设并不意味着这些假设都正确。

如果AI生成100万个候选方案，但其中99.9%没有生物学意义，那么“规模化生成”最终只是增加实验成本。

第三，即使AI提高了早期研发效率，临床阶段仍然存在巨大的不确定性。

人体不是一个简单的模型。

细胞实验成功，不代表动物成功；动物成功，不代表人体成功；I期安全，不代表II期有效；II期有效，也不代表最终商业化成功。

所以：AI Biology最大的瓶颈，依然是生物学。

这一点不会因为GPT、Transformer或者更强的计算能力出现就自动消失。

十二、目前的数据其实是“有希望，但还没有到证明革命已经发生”的程度

有研究回顾AI发现药物的临床表现，发现AI辅助发现的药物在I期临床中的成功率可能达到约80%～90%，明显高于历史行业平均水平；但到了II期，成功率大约在40%左右，与历史平均水平相近。

这里必须非常谨慎。

样本量仍然有限，而且不同研究对“AI发现药物”的定义也并不完全一致。

因此现在还不能得出：AI发现的药物已经全面优于传统药物。

更合理的结论是：AI已经显示出提高早期研发效率的潜力，但它是否能够显著提高最终临床成功率，仍然需要更多数据。

而这恰恰是未来几年最值得观察的指标。

十三、如果未来AI真的让“实验”成为瓶颈，A股可能出现一个非常有意思的投资机会

假设未来几年发生这样的变化：

过去一家药企一年验证1000个候选分子。

AI出现以后，一年可以产生10万个候选分子。

那么整个产业链最大的瓶颈可能不再是：有没有足够好的候选分子。

而变成：有没有足够快的实验能力。

这意味着自动化实验、蛋白质、抗体、试剂、动物模型、测序以及生命科学仪器都会获得更高的产业价值。

这时候A股的投资逻辑就会发生变化。

真正的受益者可能不一定是某个“AI制药概念股”，而可能是那些能够持续卖出：蛋白、抗体、试剂、实验服务、测序设备和自动化设备

的公司。

这就是为什么我越来越重视“卖铲子”。

十四、这与英伟达的逻辑其实有一个非常相似的地方

AI产业最疯狂的时候，很多人寻找的是“下一家ChatGPT”。

但真正赚到巨大产业红利的公司，很多时候却是提供算力基础设施的公司。

原因很简单：不管最后哪个AI应用胜出，都需要算力。

AI Biology也可能出现类似结构。

最终哪一家AI制药公司成功，目前没人知道。

但如果所有AI制药公司都开始进行更多实验，那么：蛋白质、抗体、试剂、测序、实验设备和自动化平台

就可能成为整个产业共同需要的基础设施。

所以我对A股的投资思路不是：

“谁最像一家AI制药公司？”

而是：“如果AI Biology真的成功，谁是所有参与者都必须使用的基础设施？”

这是两个完全不同的问题。

十五、因此，我会重新调整A股AI Biology的投资优先级

如果按照2026年这个新逻辑重新排序，我反而不会简单把所有资金集中在AI制药公司。

高赔率部分，我会继续重点研究百奥赛图、泓博医药和成都先导。这部分赌的是AI能否真正改变药物发现流程，其中百奥赛图更偏向生物数据和抗体平台，泓博医药更偏向AI药物研发服务，成都先导则更偏向大规模化合物筛选和数据积累。

第二层，我会重点研究义翘神州、百普赛斯、近岸蛋白以及华大智造。这部分不是赌哪一款药成功，而是赌整个AI Biology产业的实验量、数据量和生命科学基础设施需求持续增长。

第三层才是恒瑞医药和华东医药这样的大型药企。它们的赔率可能没有小型Biotech那么高，但如果AI真正进入药物研发体系，它们拥有研发、临床、商业化和现金流方面的优势。

十六、最终真正需要验证的，是三个数字

如果未来三年只能跟踪三个指标，我不会去看某家公司发布了多少AI模型，也不会太关注它举办了多少AI大会。

我会看三个数字。

第一，研发周期缩短了多少？

如果以前需要4年，现在真的变成1年，这是生产力革命。

第二，临床成功率提高了多少？

如果AI只是让药物进入临床更快，但II期、III期成功率没有改善，那么它更多只是一个效率工具，而不是药物研发范式革命。

第三，实验量增长了多少？

如果未来AI真的从“减少实验”转向“产生更多假设”，那么生命科学实验基础设施的需求应该出现持续增长。

这三个数字，比“AI故事”重要得多。

十七、我的最终判断：2020/21的失败，反而可能是今天最大的优势

我并不认为我们应该因为2020/21年的AI制药泡沫失败，就得出“AI制药是骗局”的结论。

恰恰相反。

上一轮失败最大的价值，就是让今天的投资者知道：

什么东西只是故事，什么东西才可能形成真正的产业飞轮。

2020/21年的核心逻辑是：

用计算减少低价值实验。

2026年的新逻辑可能是：

用AI大规模生成假设，再通过真实实验产生数据，让AI不断学习。

前者的核心是：搜索效率。

后者的核心是：规模化学习。

这两个模式的产业经济学完全不同。

如果后者最终被证明成立，那么AI Biology真正的瓶颈就不再只是GPU，而是：现实世界的生物实验。

而一旦物理生物学成为瓶颈，那么生命科学里的“镐与铲”就可能出现类似AI算力基础设施的价值重估。

所以，我现在对AI Biology的判断并不是：

“AI一定能够发现更好的药。”

这个结论目前还远远没有被证明。

我的判断更加谨慎，也更加偏投资：

AI正在把生命科学的假设生成能力提高到一个过去没有达到的数量级。

如果未来实验验证能力能够同步扩张，那么就可能形成：AI → 实验 → 数据 → 更好的AI → 更多实验 → 更多数据

这个循环一旦跑起来，生命科学可能出现真正意义上的“规模定律”。

而这一次，投资机会可能不只是RXRX、ABCL这样的AI制药平台。

更可能包括整个基础设施层：

蛋白质、抗体、试剂、动物模型、测序、自动化实验和生命科学设备。

这也是为什么我认为：2020/21年的AI制药泡沫值得研究，但不应该成为否定2026年AI Biology的理由。

真正应该问的问题是：上一轮AI只是让我们更快地寻找答案，而这一轮AI，有没有可能让我们提出过去根本无法提出、也无法验证的十万个新问题？

如果答案最终是肯定的，那么AI Biology可能不是AI产业的一个细分赛道。

它可能是AI继算力之后，下一轮真正的大型产业周期。

这里是《逻辑与常识》，用逻辑看市场，用常识做投资。

如果这篇文章对你有帮助，转发给同样在投资路上摸索的朋友。

早七点准时发文

大家好，我是江南君，一个路见不平一声吼的老boy。

做过监理，行政，金融，设计，干过培训，超市，餐饮，投资，外贸……目前常住越南。

喜欢写点文字，思考点人生，管管闲事。

多年后，当后人问我对社会做了哪些贡献时，我会自豪地说，面对事实，我做了诚实的记录和评论。

为防失联，加好友（67932342）

投资认知类文章

10万+文章

【社会】

【社会】

【社会】

【社会】

【社会】

【社会】

【时事】