PART 01
PART 02
PART 03
PART 04
PART 05
PART 06
PART 07
PART 08
PART 09
PART 10
PART 11
PART 12
AI制药行业分析:从前沿技术验证走向商业化兑现点击上方 蓝字 关注我们 执行摘要 AI制药正在经历一场深刻的产业跃迁，从早期的"概念验证"阶段稳步迈入"商业化兑现"的新阶段。回顾过去数年，行业最核心的变化并非在于"AI能否参与制药"这一命题的答案被确认，而在于AI技术已切实渗透到靶点发现、分子生成、先导优化、ADMET预测、临床试验设计等关键环节，形成了可重复、可验证、可交易的商业价值。若说早期行业的关键词是"技术展示"，那么当前行业的关键词则是"效率提升、里程碑兑现、真实合作、临床验证与收入转化"。 从产业本质审视，AI制药绝非对传统制药流程的简单数字化升级，而是以算法、数据、算力和自动化实验体系为核心，对药物研发的知识发现机制与研发组织方式进行系统性重构。传统药物研发长期受制于周期长、投入高、成功率低的"双十定律"与"倒摩尔定律"，而AI的价值正体现在对这些核心矛盾的优化：缩短早期研发周期，提升候选分子筛选效率，提高靶点发现和临床前研究的成功概率，并通过平台化和自动化形成数据飞轮，持续改善模型表现。 行业的景气度源于政策、技术、需求和资本四重驱动的共振。政策层面，中美欧等主要经济体均已将人工智能与生物医药结合作为重点支持方向；技术层面，从AlphaFold到生成式模型、多模态模型、基础生命科学模型的持续迭代，为药物发现提供了底层能力；需求层面，全球老龄化、慢病高发和创新药支付需求提升，迫使药企寻找更高效率的研发路径；资本与产业层面，大药企与AI药企合作数量上升，平台服务收入、首付款、里程碑付款与权益合作逐渐增加，商业模式开始得到验证。 从产业链视角观察，AI制药已形成较为清晰的三层分工结构：上游是数据与算力基础设施，涵盖公共数据库、专有数据、高通量实验平台、GPU集群和云平台；中游是AI平台与工具层，包括靶点发现、分子设计、结构预测、模拟计算、自动化实验与研发平台；下游则是传统药企、创新药Biotech与CXO企业，将AI能力嵌入研发和商业化流程。未来竞争不会只停留在"谁的模型更好"，而会越来越取决于"谁能更持续地产生高质量专有数据、谁能建立跨学科闭环、谁能让技术成果转化为临床与商业结果"。 基于现阶段行业演进，AI制药值得重点关注的并非所有"AI+医药"的概念公司，而是三类更具价值兑现能力的主体：其一，拥有端到端平台能力，并且已有临床管线验证的平台型Biotech；其二，具备自动化实验、高质量数据闭环和可扩展客户基础的AI研发服务平台；其三，能够在传统创新药研发体系中真正把AI嵌入研发流程、形成效率改善和项目推进能力的龙头药企与CXO企业。 整体判断，AI制药仍处于行业早中期，短期看兑现节奏不会线性，但中期趋势明确：AI不会替代药企，却会重塑药企；不会消灭实验，而是会让实验更精准、更自动化；不会让新药研发没有风险，但会改变风险的分布结构。未来三至五年，临床管线进展、合作订单质量、平台收入扩张与数据资产沉淀将成为判断企业价值的关键变量。 行业定义、研究边界与分析框架 1. 行业定义 AI制药，是指将人工智能、机器学习、深度学习、生成式模型、多模态模型、知识图谱、因果推断、强化学习等技术，应用于药物研发及相关环节，以提升研发效率、降低成本、提高成功率并改善决策质量的产业活动。其覆盖环节并不限于"发现新分子"，而是贯穿于药物研发全生命周期，包括靶点发现、分子设计、药物筛选、结构预测、药代动力学预测、毒性预测、临床方案优化、患者分层、上市后真实世界分析等。 2. 研究边界 本报告重点研究狭义AI制药，即以药物发现和研发效率提升为核心的AI应用，不展开医疗影像AI、医院信息化、智能诊疗等其他医疗AI分支。行业主体包括AI原生药物研发公司、AI药物研发平台与CRO服务公司、应用AI技术的传统药企与CXO企业，以及提供底层数据、模型、算力和自动化实验能力的科技公司。 3. 分析框架 本报告采用"宏观环境—技术演进—需求逻辑—产业链—商业模式—竞争格局—公司案例—投资逻辑"的分析框架，目的是将行业从概念拆解为可以观察、可以比较、可以跟踪的研究对象。核心分析指标包括：技术平台成熟度、专有数据能力、自动化实验能力、合作订单质量、内部管线进度、临床验证进展、客户结构、平台收入与里程碑收入占比，以及与大药企合作的深度。 行业发展背景：为什么是现在 AI制药并非凭空出现的新概念，而是人工智能发展、生命科学进步和制药产业效率危机三条主线交汇的产物。过去十年，生物数据的积累速度显著提升，测序成本持续下降，公共生物数据库不断丰富，蛋白质结构数据、多组学数据和临床数据供给持续改善，为AI模型训练提供了原料。与此同时，深度学习在图像、语言、结构预测和生成任务上的成功，使研究者看到AI在生命科学中并不只是辅助工具，而有可能成为新的"发现引擎"。 从制药产业自身来看，传统研发效率下降是推动AI渗透的根本原因。一个新药从靶点发现到上市，往往需要十年以上时间和巨额投入，而其中大量失败发生在早期筛选和临床阶段。企业在研发上投入越来越多，但成功产出并没有同步提升，迫使产业寻找新的方法论。AI恰恰适合处理高维复杂变量、发现非线性关系、缩小实验空间和提升候选优先级，因此成为最有希望的工具之一。 更重要的是，AI制药行业的"时点成熟"并不只是因为模型变强，而是因为产业基础设施开始齐备。过去很多AI项目止步于论文和演示，原因在于缺少真实数据、自动化实验验证能力、稳定算力支持和能够把算法转为研发流程的组织。如今，云计算、GPU集群、机器人实验室、数字化文献平台、电子病历整理、知识图谱和自建实验闭环正在把这些条件拼接起来，使行业第一次具备从"算法故事"进入"流程再造"的基础。 政策与监管环境：全球主要市场的推进逻辑 政策是AI制药发展的重要外部变量。一方面，药物研发属于典型高监管行业，任何技术渗透都必须面临数据合规、模型可解释性和临床验证标准等约束；另一方面，各国政府也把AI+医药视为提升科技竞争力与公共健康水平的重要方向，因此总体基调是"鼓励创新、强化规范"。 1. 中国政策环境 中国对AI制药的支持呈现出"国家规划定方向、部委政策定路径、地方平台做承接"的特点。近年来，从生物经济规划、医药工业发展规划，到人工智能场景创新政策，再到生成式人工智能管理办法，政策逐渐明确将AI用于药物研发视为重要落地方向。这意味着AI制药不再只是学术前沿，而已进入政策鼓励的产业化赛道。 对中国企业而言，政策的积极意义主要体现在三个层面：第一，明确产业方向，降低企业前期试错的不确定性；第二，推动公共平台、算力平台和医药数据平台建设，为中小企业提供外部资源；第三，在医药工业数智化转型背景下，鼓励药企、科研机构、医院与科技企业协同，为数据流通和场景落地创造条件。 2. 美国与欧洲监管趋势 美国FDA、欧洲EMA及英国MHRA等机构，近两年围绕AI在药品生命周期中的应用持续发布讨论文件、指南或监管框架。总体思路并非全面放开，而是强调模型验证、数据质量、透明性、偏差控制和适用边界。监管的核心不是限制AI本身，而是确保AI不会削弱药品研发和审批的科学性与安全性。 这对行业意味着两个判断：第一，AI制药未来不会脱离传统药监体系"另起炉灶"，而是会以工具、平台和流程优化者身份嵌入现有体系；第二，真正有竞争力的平台公司，必须具备合规导向的开发能力，包括可追溯数据来源、可审计的模型流程、可验证的实验结果以及临床研发中的规范操作能力。 3. 政策影响的本质 从行业研究角度看，政策不是AI制药行业最核心的增长引擎，但它会影响行业节奏和门槛。政策越清晰，企业越容易拿到试点、合作和资本；监管越成熟，行业越容易从"概念繁荣"走向"优胜劣汰"。因此，政策的真正作用不是简单"催化股价"，而是决定行业能否形成长期可持续的秩序。 技术演进：AI如何重塑药物研发范式 1. 从单点算法到端到端平台 AI制药技术最早主要集中在单点应用，例如QSAR模型、虚拟筛选、分子相似性计算和简单预测模型。这一阶段AI更多是局部工具，帮助研究者在某个环节提升速度，但难以改变整体流程。随着深度学习、图神经网络、Transformer、多模态模型和生成式模型的成熟，AI开始从单点工具走向平台化系统，能够贯穿靶点发现、分子设计、实验优化和临床前决策。 平台化的意义在于，药物研发本身是多环节强耦合的系统工程。一个好的靶点如果缺少可成药性验证，价值有限；一个看似优秀的分子如果ADMET性质差，也难以推进。只有将不同模型、不同数据类型和不同实验环节整合在一个连续流程中，AI才能真正体现复利效应。 2. AlphaFold带来的基础设施革命 AlphaFold是Google DeepMind开发的蛋白质三维结构预测人工智能系统，其核心目标是根据蛋白质的一维氨基酸序列，预测其稳定的三维空间结构。蛋白质结构之所以重要，是因为蛋白质的功能、与其他分子的结合方式以及药物作用位点识别，很大程度上都依赖其空间构象。传统蛋白结构解析通常依赖X射线晶体学、冷冻电镜和核磁共振等实验方法，周期长、成本高、覆盖面有限。AlphaFold的突破在于，它让大量蛋白质结构可以通过计算方式快速得到高质量预测。DeepMind披露，AlphaFold在2020年CASP14竞赛中取得显著领先表现；随后发表于《Nature》的论文指出，AlphaFold2已能够在许多情况下实现接近原子级精度的结构预测。这使其从一个科研工具，逐步演变为生命科学和药物研发领域的重要基础设施。 AlphaFold2的出现被视为AI制药的重要分水岭。蛋白质结构预测长期是基础生物学和药物研发中的难题，实验方法耗时、昂贵且难以覆盖全部蛋白。AlphaFold不仅显著提升预测精度，更重要的是让大量此前缺乏结构信息的蛋白有了可用的参考结构。这使基于结构的药物设计、靶点验证和相互作用分析进入更高效率阶段。 进一步看，AlphaFold的意义并不只是一个模型，而是证明了AI可以在生命科学核心问题上产生基础设施级影响。此后，行业对生命科学大模型、蛋白质生成模型、抗体设计模型和多模态模型的关注持续上升，本质上都是沿着"以AI形成新的科研基础设施"这一方向延伸。 3. 生成式AI推动"写分子"时代来临 如果说传统计算药物设计更偏向"读分子""筛分子"，那么生成式AI的价值在于"写分子""造分子"。基于生成对抗网络、变分自编码器、Transformer和扩散模型，研究者可以在给定靶点、性质和约束条件的前提下生成新的候选分子结构，并进行快速优化。这大幅扩大了化学空间探索能力，也提高了先导化合物发现效率。 不过，生成式AI并不是"自动生成一个分子就等于成功"。真正的挑战在于，模型生成的分子必须同时满足活性、选择性、可合成性、药代性质和安全性等多个约束。因此，当前领先平台的竞争焦点不再是"能不能生成"，而是"能不能生成可开发、可合成、可推进的高质量分子"。 4. 多模态与因果推断的价值 药物研发本质上处理的是复杂生物系统，单一模态数据难以还原真实疾病机制。多模态模型将基因组学、蛋白质组学、代谢组学、细胞表型、医学文献和临床数据整合，有助于构建更全面的疾病理解框架。因果推断则帮助研究者从相关性中进一步识别潜在因果机制，减少仅凭统计相关而导致的假阳性发现。 对AI制药企业而言，未来技术壁垒将越来越体现在"模态融合能力"和"真实世界验证能力"上。谁能把生物学机制、临床表型、实验数据和计算模型更好连接起来，谁就更有机会提高研发效率并减少错误路径。 5. 自动化实验：从算力飞轮到数据飞轮 行业最容易被忽视但最关键的环节之一，是自动化实验。没有实验，AI只是推断；有了自动化实验，AI才形成闭环。领先企业正通过机器人实验室、高通量筛选和自动化合成，把模型输出快速转化为实验验证结果，并将结果反哺模型训练。这不仅提高研发速度，更重要的是构筑专有数据资产。 未来三到五年，单纯依赖公共数据训练模型的公司，其竞争优势会逐渐弱化；而能通过自动化实验持续生成标准化、高质量专有数据的企业，将拥有更深的护城河。原因很简单：公共数据人人可得，专有数据才决定模型上限。 需求驱动：传统药研痛点与AI渗透逻辑 1. 老龄化与慢病需求扩大 全球老龄化趋势显著，肿瘤、神经退行性疾病、代谢性疾病、心血管疾病和纤维化疾病等高发病种持续扩容，这直接推升了创新药需求。人口结构的变化使得新药研发不仅是商业机会，也成为公共健康体系的长期刚需。由于许多复杂疾病尚缺乏高效疗法，药企需要更快、更精准地布局新靶点和新机制药物。 2. 药企研发效率下滑 传统制药行业长期面临"研发投入增加但产出效率下滑"的难题。研发周期长导致资金占用大，失败率高导致资本效率差，而临床阶段尤其是II期和III期的高失败率，又让企业承受巨大损失。对于大药企而言，AI有助于提高项目优先级管理能力；对于Biotech而言，AI则可能成为以更少资源撬动更高研发效率的重要抓手。 3. AI在研发环节的实际价值 AI对药物研发的价值并不是简单"替代科学家"，而是围绕以下几点展开：缩小搜索空间、提升筛选精度、提高实验命中率、加速结构解析、减少低质量候选进入后续阶段、优化临床试验设计和患者分层。换句话说，AI真正改善的是研发决策质量，而不是仅仅增加自动化程度。 4. B端付费逻辑逐步形成 AI制药的需求主体主要是B端，即药企、Biotech、CXO、科研机构和医院研究系统。B端愿意为AI付费，通常基于四类逻辑：第一，节省时间；第二，节省研发费用；第三，提高临床前项目质量；第四，增加项目成功概率。随着AI项目在合作中不断兑现首付款、服务费和里程碑付款，B端付费意愿将进一步强化。 市场规模与产业发展阶段判断 市场规模判断需要特别说明口径问题。AI制药行业目前常见统计口径包括"AI in Drug Discovery（AI用于药物发现）""AI-driven Drug Discovery Platforms（AI驱动药物发现平台）"以及更宽口径的"AI for Pharma / AI in Healthcare"。由于不同机构对软件、服务、合作开发收入以及下游应用边界的划分并不完全一致，不同报告给出的绝对数值会存在明显差异。因此，本报告采用"主口径+对照口径"的写法：主口径优先引用针对AI in Drug Discovery的市场研究；对中国市场则采用原始资料中已引用的艾媒咨询连续数据，以保证与全文前后口径一致。 1. 全球市场规模：2024—2025年已进入十亿美元级别 从主流研究机构数据看，全球AI制药/AI药物发现市场已从"早期技术导入期"进入"加速放量期"。MarketsandMarkets在2024年11月发布的《AI in Drug Discovery Market》显示，全球AI药物发现市场2024年规模为18.6亿美元，预计2029年达到68.9亿美元，2024—2029年复合年增长率为29.9%。这一口径更贴近当前产业界对"AI药物发现平台、工具与服务收入"的主流统计方式。 另一组较新的研究来自Grand View Research。其2026版《Artificial Intelligence in Drug Discovery Market Report, 2033》显示，全球市场2025年规模约23.5亿美元，预计2033年达到137.7亿美元，2026—2033年复合年增长率为24.8%。与前述口径相比，Grand View Research对基期年份和预测区间的设定不同，但两者共同指向同一判断：行业已完成从小众试验市场向十亿美元级产业赛道的跃迁，且未来中期仍将保持高增速。 如果将两家机构数据合并观察，可以得出更稳妥的研究结论：截至2024—2025年，全球AI制药核心市场规模大致位于18—24亿美元区间，且中期复合增速大概率维持在25%上下或更高水平。这说明行业并非仍停留在"远期故事"，而是已经形成可被追踪和量化的商业收入池。 2. 中国市场规模：仍处早期，但增速高于全球平均水平 中国市场绝对规模仍明显小于欧美，但增长弹性更强。根据艾媒咨询2026年2月披露的数据，中国AI制药市场规模2019年为0.7亿元、2020年为0.8亿元、2021年为1.6亿元、2022年为2.9亿元、2023年为4.1亿元、2024年为5.6亿元、2025年为6.2亿元，2019—2025年年均增长率约为43.84%。 若以2024年数据进行横向对比，按1美元约等于7.10元人民币粗略折算，中国AI制药市场2024年约合0.79亿美元，与MarketsandMarkets统计的全球18.6亿美元相比，占比约4.2%。这一比例不高，但考虑到中国AI制药仍以早期平台建设、联合研发和本土试点验证为主，当前市场份额偏低并不意外。更重要的是，中国市场处于"低基数+高增速+政策支持+本土药企数字化转型加快"的组合阶段，未来三到五年存在持续扩容空间。 3. 主要区域需求格局：北美主导，欧洲稳健，亚太是增量重点 从区域结构看，北美仍是当前全球AI药物发现最主要的需求中心。Fortune Business Insights在2026年更新的《Artificial Intelligence (AI) In Drug Discovery Market Report, 2034》中指出，2025年北美市场份额为65.93%，为全球最大区域市场。若按该机构给出的全球2025年市场规模44.6亿美元口径测算，北美对应市场规模约29.4亿美元。这一定价能力主要来自三方面：一是跨国药企总部和创新Biotech高度集中；二是云算力、算法和生命科学基础设施完善；三是药企对缩短研发周期和降低失败成本的付费意愿更强。 欧洲市场通常被视为第二梯队核心市场。虽然公开摘要中未披露明确规模值，但Grand View Research、MarketsandMarkets、Fortune Business Insights等多家机构均将欧洲列为主要区域板块。欧洲的需求特点不是"增长最快"，而是以大型制药公司、严谨监管体系和跨国合作生态驱动的稳健增长，适合承接AI平台与传统药企深度协作。 亚太市场则更值得从增量角度观察。MarketsandMarkets在摘要中指出，全球市场划分为北美、欧洲、亚太、拉美和中东非洲，其中北美当前占据较大份额，并在预测期内保持最高增速之一；与此同时，结合中国、日本、韩国、新加坡等地在生物医药与AI基础设施上的持续投入，亚太正在成为下一阶段行业扩张的重要承接区域。对中国企业而言，这意味着本土市场不仅是需求端验证场，更可能成为向亚太输出平台能力和联合研发服务的起点。 4. 产业发展阶段判断：行业已越过概念验证，进入商业化兑现前半程 判断行业阶段，不能只看市场规模，更要看收入结构与产业行为。当前AI制药行业呈现五个特征：第一，市场规模已经跨过"零散项目阶段"，形成十亿美元级全球收入池，说明产业需求具备真实付费基础；第二，行业收入仍以合作开发、平台服务、首付款与里程碑付款为主，自有药品销售贡献仍有限，因此商业模式尚未进入成熟收获期；第三，大药企与AI公司合作频率明显上升，说明B端采购逻辑已经从"尝试性试点"向"体系化引入"过渡；第四，部分AI原生公司已有内部管线进入临床甚至取得阶段性积极数据，标志着行业已从"工具验证"进一步走向"结果验证"；第五，区域需求结构显示北美领先、欧洲跟进、亚太扩张，产业正从局部先行走向全球扩散。 因此，本报告维持此前核心判断：AI制药已经完成概念验证期，正进入商业化兑现期的前半段。未来三年，行业不会全面进入高利润收获期，但会出现更明显的结构性分化：拥有平台技术、专有数据、自动化实验能力和临床推进能力的头部企业将率先受益；而缺乏数据闭环、收入模式模糊、难以进入真实药企流程的中尾部公司，可能在下一轮竞争中被淘汰或并购整合。 5. 本节数据来源说明 全球市场主口径数据来自MarketsandMarkets发布的《AI in Drug Discovery Market Report 2024-2029》以及Grand View Research发布的《Artificial Intelligence in Drug Discovery Market Report, 2033》。主要区域格局数据来自Fortune Business Insights发布的《Artificial Intelligence (AI) In Drug Discovery Market Report, 2034》以及MarketsandMarkets区域摘要。中国市场数据来自艾媒咨询发布的《2025-2026年中国智算一体机行业研究报告》公开摘录数据。汇率换算仅用于横向比较，采用1美元约等于7.10元人民币的静态假设。 产业链全景：从数据、算力到药企落地 1. 上游：数据、算力与基础设施 AI制药上游的核心生产要素是数据和算力。数据包括药物化学数据库、蛋白质结构数据库、多组学数据、细胞表型数据、临床试验数据和真实世界数据。数据并非越多越好，真正有价值的是高质量、标准化、可追溯且与具体研发任务匹配的数据。算力则是训练和推理的基础，包括GPU集群、云平台和适配生命科学任务的软件生态。 上游竞争的关键不是"资源有没有"，而是"资源能否形成壁垒"。公共数据库提供了行业起点，但不构成长期优势；真正能形成壁垒的是自建实验体系产生的专有数据、与医院及药企合作沉淀的真实世界数据，以及面向特定场景优化的计算平台。 2. 中游：AI平台与研发工具层 中游是产业价值最集中之处，涵盖靶点发现平台、分子生成平台、物理模拟平台、实验自动化平台、药物性质预测平台和端到端研发平台。它既是技术能力体现的地方，也是商业模式最丰富的环节。这里的企业既可能做SaaS式平台，也可能做项目合作，甚至同时推进自有管线。 从竞争逻辑看，中游企业必须回答三个问题：第一，你的模型能解决什么问题；第二，你的结果是否可实验验证；第三，你的输出能否被药企流程真正吸收。如果只能停留在"算得很快"，却不能帮助客户推进项目，那么商业价值有限。 3. 下游：药企、Biotech与CXO的落地应用 下游是价值兑现的终点。大型药企通常更关注平台的可用性、合规性与大规模协作能力；创新药Biotech更关注效率提升和早期研发突破；CXO企业则更倾向于将AI纳入服务能力，用于增强现有药物发现与开发服务。未来，下游不会被AI公司取代，而是会形成更加紧密的协同关系：AI公司负责提高前端研发效率，药企和CXO负责推进临床开发、注册、生产与商业化。 商业模式分析：平台、管线与服务的分化 AI制药企业的商业模式大致可以分为三类。 1. AI+Biotech模式 这类公司既拥有AI平台，也推进自有药物管线。其优势是若临床成功，价值弹性最大；劣势是资本消耗高、周期长、对组织能力要求极高。它本质上是"平台能力+创新药风险收益"的组合，适合具备强融资能力与跨学科执行力的企业。 2. AI+CRO/平台服务模式 这类公司更强调技术服务变现，为药企提供靶点发现、分子设计、模拟计算、自动化实验和项目合作。其优势是收入形成较早、客户分散、风险相对可控；劣势是估值弹性通常低于成功推进自有管线的Biotech。若能通过服务沉淀数据、形成客户复购，并在部分项目中分享权益，则价值会显著提升。 3. 药企内部AI赋能模式 传统大药企和CXO企业越来越倾向于"外部合作+内部建设"双轮驱动。一方面引入外部平台，另一方面自建内部AI团队，把AI嵌入自身研发体系。这类模式的优势在于拥有真实项目、临床能力和商业化基础，但AI能力未必会直接作为独立估值单元体现，而更多反映为研发效率提升和管线质量改善。 4. 行业未来最优商业模型 从长期看，最具竞争力的模式可能不是纯工具，也不是纯管线，而是"平台服务收入+里程碑合作收入+自有核心管线权益"的复合模式。原因在于，纯工具模式天花板有限，纯管线模式现金流压力大，而复合模式既能形成早期收入，又保留中长期价值弹性。 竞争格局：全球与中国主要参与者 1. 全球竞争格局 全球AI制药市场目前呈现"科技巨头定义底层标准、AI原生公司主导创新探索、平台型服务商连接药企需求、传统药企与CXO加速融合"的格局。若从竞争主体拆分，当前全球代表性企业大致可以分为四类：第一类是提供基础模型、蛋白质结构预测、云算力和底层研发基础设施的科技平台型公司，如DeepMind、NVIDIA、AWS等；第二类是AI原生Biotech公司，既开发平台又推进自有管线，如Insilico Medicine、Recursion（已整合Exscientia）、Generate:Biomedicines等；第三类是偏平台服务和软件赋能模式的企业，如Schrödinger、XtalPi；第四类是将AI能力嵌入抗体药物或特定生物药研发中的技术平台公司，如AbCellera等。 从全球竞争格局看，真正的头部企业已经不再只靠"算法领先"竞争，而是开始在三条路径上分化：一条路径是通过内部管线推进和临床进展验证平台能力；一条路径是通过与跨国药企合作取得首付款、里程碑付款和平台授权收入；还有一条路径是通过自动化实验、专有数据和软件平台形成高复用、可扩展的基础设施能力。以下是目前全球市场中较具代表性的几家企业及其业务进展。 Insilico Medicine（英矽智能）：端到端AI药物研发平台的代表企业 Insilico Medicine是全球AI制药领域最具代表性的AI原生Biotech公司之一。公司核心竞争力在于端到端平台Pharma.AI，以及PandaOmics、Chemistry42等子平台，覆盖靶点发现、分子设计、候选优化与临床前推进多个关键环节。与多数仅停留在平台服务层的企业不同，Insilico同时推进内部管线，因此其竞争优势不仅体现在算法能力，更体现在"平台是否能推导出真实临床资产"的验证能力。 从业务进展看，Insilico已形成较密集的合作与管线推进节奏。公司官网2026年3月披露，其与礼来达成全球研发合作；同月还披露与Tenacia Biotechnology扩大中枢神经系统方向合作，并与ASKA Pharmaceutical扩展女性健康靶点合作。产品管线方面，官网和管线页显示，公司围绕肿瘤、免疫、代谢、纤维化和中枢神经系统等方向布局多条项目线，其中Rentosertib、ISM5411、ISM8969等项目是市场关注重点。整体来看，Insilico已从"AI发现能力验证"进入"多项目并行推进+外部商业合作兑现"的阶段，是全球AI制药商业模式最完整的样本之一。 Recursion：以数据飞轮和平台整合能力见长的TechBio龙头 Recursion的竞争逻辑与Insilico略有不同。公司核心在于Recursion OS，即把高通量表型实验、自动化数据生产、机器学习模型和药物发现流程整合为一个持续迭代的平台系统。Recursion更强调"工业化生物学"与"数据飞轮"，其优势在于通过自动化实验持续产生专有数据，再将数据反馈给模型和项目研发。 从最新进展看，Recursion官网管线页显示，公司当前重点推进REC-4881、REC-617、REC-3565等项目，覆盖家族性腺瘤性息肉病、实体瘤及其他肿瘤相关方向。公司在2024年完成与Exscientia的整合后，整体平台能力和项目储备进一步增强，合并后的实体被市场广泛视为TechBio赛道的重要龙头。Recursion 2025年中披露的业务更新显示，公司继续推进临床和临床前项目，同时强化其平台合作与研发效率提升路径。其竞争优势不只在于单个项目，而在于平台、数据和项目组合的耦合能力。 Exscientia：被Recursion整合后，其平台能力仍构成全球竞争版图重要组成 Exscientia曾是欧洲AI制药代表企业之一，早期以"AI设计药物进入临床"的里程碑而受到市场关注。公司路径更偏向与大型药企合作、以AI平台驱动项目推进，并在小分子研发和设计效率方面建立了较强市场认知。随着Recursion完成整合，Exscientia不再作为独立竞争主体长期存在，但其平台资产、项目管线和合作网络仍然构成当前全球竞争格局的重要一部分。 从行业研究角度看，Recursion与Exscientia的整合具有代表意义：一方面说明AI制药行业正在从分散竞争走向平台整合，另一方面也表明资本市场更青睐兼具"平台深度、数据规模、项目储备与商业合作网络"的综合型TechBio企业。未来类似整合案例仍可能持续出现。 Schrödinger：物理驱动+软件授权模式的成熟平台型公司 Schrödinger是全球AI/计算药物研发领域中极具辨识度的平台型公司，其核心并非典型生成式AI叙事，而是以物理建模、分子模拟和软件平台为基础，通过"软件授权+合作研发+自有/合作管线权益"形成商业闭环。公司长期服务于全球大型药企，因此在产业落地和客户黏性方面具备较强优势。 最新业务进展方面，Schrödinger官网管线页显示，其合作项目中包括与武田推进的TYK2项目TAK-279，已进入III期；公司与多家药企维持合作研发关系。公司2026年3月披露的2025年全年业绩显示，总收入同比增长23%，软件收入同比增长11%，反映出其软件平台在全球药企研发体系中的粘性仍然较强。对行业而言，Schrödinger的意义在于证明：即使不走纯AI原生Biotech路线，只要平台真正嵌入研发流程，仍可形成稳定收入和长期价值。 XtalPi（泰晶科技）：AI+量子物理+自动化实验的综合平台服务商 XtalPi（晶泰科技）是全球范围内少数同时强调AI算法、量子物理计算与机器人实验能力的综合平台服务商。其优势在于将计算预测、自动化合成、结构生物学和固态研发连接起来，形成相对完整的DMTA闭环，更适合服务药企在早期发现和临床前阶段的复杂研发需求。 从业务进展看，公司官网持续强调其在小分子药物开发、结构生物学、晶型筛选与临床前开发中的一体化解决方案，并展示了GPX4等项目上的效率案例。相较于以自有管线为核心的AI Biotech，XtalPi更偏"平台服务变现+能力向多行业延展"的路线，其商业化节奏通常更平滑，客户基础也更分散，因此在全球竞争格局中承担的是"基础设施型赋能者"角色。 Generate:Biomedicines：生成式生物学路线的代表玩家 Generate:Biomedicines代表的是AI制药中的另一条重要路线，即生成式生物学和蛋白药物设计。不同于以小分子设计为主的多数AI制药企业，Generate更强调对蛋白质序列和功能规则的学习，并以此生成具有特定功能的新型候选药物。 最新公开进展显示，公司2025年底宣布AI工程化的抗TSLP抗体GB-0895进入全球III期研究，同时该项目也在COPD适应症开展I期研究。官网还披露其正推进多项临床与临床前项目。Generate的出现说明，全球AI制药竞争已经从小分子扩展到抗体、蛋白和多模态生物药设计层面，未来技术路线将更加多元。 AbCellera：抗体发现与计算平台融合的代表企业 AbCellera最初以抗体发现平台著称，近年来则持续强化AI、计算设计和内部药物开发能力，逐步从平台型合作公司向拥有自有研发资产的综合型生物技术企业转型。与典型小分子AI平台不同，AbCellera的竞争壁垒更多来自抗体发现、蛋白工程、数据分析和湿实验能力的融合。 从进展看，AbCellera在2025年披露ABCL635进入I期临床，同时继续与AbbVie等大药企推进合作项目。其意义在于显示AI制药的边界并不限于小分子；在抗体、生物药和双抗/TCE等方向，AI同样正在成为研发效率提升的重要工具。 BenevolentAI：欧洲AI制药先行者，当前更偏平台与合作导向 BenevolentAI是欧洲较早布局AI制药的平台型公司之一，曾通过知识图谱和机器学习进行靶点发现与项目合作。近年来公司战略更加聚焦"AI驱动研发合作"和"自有项目优先级管理"，并在组织层面经历重组和资本市场路径调整。2025年公司完成并购重组与退市后，其公开节奏较此前有所下降，但在全球AI制药发展历程中，BenevolentAI仍具有样本意义：其一，验证了知识图谱驱动药物发现的产业可行性；其二，也反映出行业在商业化兑现前会经历较强的资本波动与战略收缩。 整体来看，全球竞争格局已经逐渐清晰：Insilico、Recursion/Exscientia、Generate:Biomedicines更偏向"平台+管线"的高弹性TechBio模式；Schrödinger、XtalPi更偏向"平台+软件/服务"的基础设施型模式；AbCellera则代表抗体与生物药方向的平台融合路线；而DeepMind、NVIDIA、AWS等科技公司虽不直接以药企身份参与竞争，却在底层模型、算力和研发基础设施层面对全行业形成深刻影响。未来全球竞争的关键，不仅是谁的AI更强，更是谁能把AI转化为持续可验证的临床结果、合作收入与数据壁垒。 2. 中国竞争格局 中国AI制药市场起步略晚，但发展速度较快，且具备工程化能力强、医药产业链完整、政策支持较积极等特点。当前中国玩家主要包括三类：第一类是以英矽智能、晶泰科技为代表的AI原生平台企业；第二类是药明康德、康龙化成、美迪西等CXO体系中的AI增强型企业；第三类是恒瑞医药、石药集团、复星医药等传统药企在内部逐步推进AI研发应用。 3. 竞争要素的变化 早期竞争更看算法亮点和融资能力；当前竞争则更看数据闭环、临床推进、客户合作和组织执行。未来行业将从"拼概念、拼融资"转向"拼兑现、拼复用、拼生态"。拥有跨学科团队、自动化实验平台和真实药企合作网络的公司，更可能在下一阶段胜出。 行业关键趋势与未来三到五年展望 1. 从"辅助研发"走向"研发操作系统" 未来AI不会只停留在某个环节的小工具，而会逐步成为药企研发流程中的"操作系统"。从文献解析、靶点优选、分子生成、实验设计到项目管理，AI将更深度地嵌入组织流程。谁能把AI嵌入研发组织，而不是停留在单点试验，谁就能获得更持续的效率红利。 2. 从公共数据竞争转向专有数据竞争 行业未来的核心壁垒将越来越依赖专有数据。公共数据库的重要性会下降，自动化实验、真实世界数据合作、长期项目积累和标准化实验平台将成为真正的护城河。企业之间的差距，最终会体现在"谁能更持续地产生新数据"而不是"谁能更好利用旧数据"。 3. 多模态模型与生命科学基础模型持续升级 随着生命科学基础模型的发展，行业可能出现类似通用大模型在互联网领域的"底座化"趋势。未来平台可能通过通用生命科学模型叠加垂类微调与专有数据，形成更强的跨任务迁移能力。这将提高研发平台的复用效率，也可能改变行业成本结构。 4. 商业化考核将更聚焦真实收益 行业下一阶段的估值与融资标准会明显提升。市场不再满足于"模型很先进"，而会更关注真实收入、合作深度、客户复购、首付款规模、临床管线推进和数据资产壁垒。能被资本市场长期认可的公司，必须证明其技术不只是前沿，而且能赚钱、能复用、能放大。 5. 并购整合概率上升 随着行业分化，未来大药企、科技平台和头部CXO企业并购AI制药初创公司的概率会上升。尤其是那些拥有稀缺平台能力、专有数据和特定疾病领域优势的企业，可能成为并购标的。行业将从"百花齐放"逐步进入"龙头增强"的阶段。 结论 综合来看，AI制药已经走过"讲故事"的最初阶段，正在进入"看结果"的关键时期。这个行业最大的价值不在于用AI替代传统制药，而在于通过算法、数据、自动化实验和平台化组织重构药物研发方式，从而改变新药研发的时间成本、资金成本与成功率分布。 未来行业最重要的分水岭，将出现在以下几个方面：谁能证明AI不只是提高计算效率，而是真正提高研发决策质量；谁能通过自动化实验不断沉淀高质量专有数据；谁能把合作收入、里程碑收益与自有管线价值结合起来；谁能率先拿出更多临床阶段的成功案例。具备这些能力的企业，将成为AI制药从概念验证迈向商业兑现的真正受益者。 对研究和投资而言，AI制药值得长期跟踪，但必须坚持"技术能力—数据壁垒—商业模式—临床验证"四位一体的分析框架，避免被短期热点和概念叙事所误导。可以预见，未来三至五年，AI制药将从产业前沿逐步进入创新药研发的主流工具箱，并深刻影响全球制药产业的竞争格局。对于中国企业来说，这既是技术追赶的窗口期，也是构建新一代医药研发能力的重要战略机遇。
