近期，AI制药领域动态密集，引发行业广泛关注。在临床进展关键环节，包括剂泰科技、德睿智药以及美国Generate Biomedicines在内的多家中外企业相继宣布，其由AI设计的药物产品已进入III期临床试验阶段，标志着AI技术在药物研发核心环节的突破正加速向临床验证推进。
此外，产业合作同样在2026年开局之际接连落地。1月5日，赛诺菲（Sanofi）与华深智药子公司Earendil Labs达成战略合作，协议总金额最高达25.6亿美元；几乎同期，英矽智能宣布与施维雅（Servier）签署一项价值8.88亿美元的抗肿瘤药物研发协议，市场商业化潜力正加速释放。
在药物研发的漫长跑道上，AI发挥作用最成熟的环节集中在临床前。据Nature Reviews统计的平均支出数据，从靶点发现到筛选出苗头化合物，传统方法通常需花费9400万美元、耗时1年，而英矽智能借助AI技术可将费用压缩至20万美元（缩减比例超90%）、时间缩短至2个月。这种效率飞跃源于虚拟筛选技术，它能从上亿个化合物中快速锁定潜力分子，大幅减少现实试验投入。但AI未改变药物研发基于实验科学的本质，临床试验的真实数据仍不可替代——目前AI尚未能精准预测药物在复杂人体系统中的异质性反应，监管层也维持严格标准，安全性证明仍需依靠临床试验。这意味着AI当前角色更像“强力辅助”：通过ADMET预测优化分子结构，在进入临床前尽可能排除易失败选项，早期“排雷”既节省成本，又通过数据驱动优化提升后续研发成功率。
此外，AI在分子创新上展现打破常规的可能，传统化合物设计受限于药化专家认知与编码规则，而AI基于生成对抗网络和强化学习可实现数据驱动的自主设计，带来靶点创新和分子结构创新，具备开发同类首创药物潜力，如药物重定向通过相似性网络寻找老药新适应症，可直接跨过早期环节进入临床二期，效率提升直截了当。
目前行业内主要存在三种商业模式：卖服务的SaaS模式、做外包的AI+CRO模式、自研管线的AI+Biotech模式。从生意逻辑看，SaaS模式对新入局者并非理想选择——虽对数据依赖低、现金流回流快且利润率高，但天花板明显。以行业头部公司薛定谔为例，其几乎拥有全球前20大型药企客户，2024年软件收入达1.8亿美元，却面临软件业务增长率下滑趋势，表明大客户市场趋近饱和，新入局者证明软件优势需投入极高成本，回报率往往不佳。
相比之下，AI+CRO和AI+Biotech正成为盈利大趋势，核心区别在于知识产权归属，最终目的均回归研发本质，依赖分子实体商业化获利。AI+CRO通过技术服务外包与大量药企合作，在获取服务收入的同时，利用广泛项目合作沉淀多维度数据反哺算法模型；AI+Biotech通过推进自研管线更快验证AI平台能力，如英矽智能的INS018_055（治疗特发性肺纤维化）已进入临床2a期并获鼓舞结果，为公司平台价值提供有力背书。国内市场潜力同样不容小觑，参考化学药物IND数量增长率，预计2028年国内AI制药潜在市场价值达380亿元，2033年有望突破1770亿元（测算考虑临床前管线推进速度及不同临床阶段对外付款价格）。
算法和数据是制药行业技术迭代的核心生产要素，算力目前并非最关键瓶颈——其仅影响计算处理的几天延迟，在长达数年的研发周期中几乎可忽略不计。真正竞争焦点在于高质量数据的生产能力。当前行业普遍面临数据孤岛问题，实验数据涉及药企核心利益，长期看难以大规模共享，因此谁能自主生产高质量、成规模数据，谁就能构建长期竞争壁垒。
高质量数据并非传统实验数据的简单堆积，AI训练对其要求苛刻，需结构良好、完全注释且具有鲁棒性。传统制药企业和大型CRO虽拥有海量历史数据，却常缺乏信息化处理，或采集点颗粒度达不到AI训练要求（如代谢类数据记录时间点跨度太大，会阻碍AI预测准确度）；此外，AI模型需大量失败案例学习，而药企传统流程倾向保留成功经验，造成训练集数据偏好成功案例。
为解决此问题，领先公司尝试将人工智能与机器人实验室结合，晶泰科技的模式颇具代表性：以AI模型作为“大脑”进行反应预测和实验设计，以实验室机器人作为“手”执行化学合成与数据治理。这种干湿实验闭环可根据AI训练需求专门设计方案，生成的实验数据直接“喂养”模型，进入持续迭代循环。试验平台、AI团队与药物研发团队三位一体的架构，构成了当前技术型AI制药公司的核心壁垒。
重点公司
英矽智能：作为行业的先行者，其利用Pharma.AI平台识别出的TNIK靶点，证明了AI在复杂组学数据中发掘新靶点的能力。通过自动化实验室的加持，公司目前已有10个分子获得临床试验许可，产品线覆盖了肿瘤、纤维化、免疫等多个领域。特别是在BD合作上，公司与赛诺菲达成的合作总价值最高可达12亿美元，与复星医药、美纳里尼等药企的交易也接连落地。这种多支柱的商业模式不仅提供了现金流，更通过与制药巨头的深度绑定，完成了从技术概念到产业应用的验证。
晶泰科技：在针对GPX4靶点的研究中，公司在无参考化合物的情况下，28天内就通过XFEP平台和主动学习成功预测了活性位点中的关键药效团，并快速筛选出3个活性分子。这种平台化能力的溢出效应已经开始覆盖新材料、石油化工和农业等多个领域。对于投资者而言，管线开发的进度是实力的背书，而技术能够横向扩展的能力则决定了公司的长期天花板。
301***：公司建立了 AI 辅助分子生成平台， 旨在通过深度学习方法实现基于蛋白结构的药物设计（SBDD） 和基于配体的药物设计（LBDD） ， 运用先进的人工智能技术， 高效、 准确、 创新地生成分子。 生成的分子将通过自动化流程进行筛选， 包括基于基础理化性质和各种类药性规则的过滤。 随后， 对符合要求的分子进行进一步药效团分析、 可合成性评估以及新颖性分析， 直至获得在多个参数方面均表现理想的分子。
688***：公司自主研发的AI智能体HANDS（HitGen AI eNabled Drug discovery aSsistant）深度融合数据资源、算法能力与项目需求，打通数据与算法壁垒，消除“数据孤岛”与“算法孤岛”，实现从数据获取到业务落地的全链路闭环，全面提升研发效率与响应能力。为进一步拓展数据维度，公司通过增资控股摩熵智能，引入其在医药研发领域积累的结构化数据资源与数据处理技术，以增强内外部研发数据的整合与应用能力。摩熵智能基于BCPM-Miner等垂类AI模型的数据智能技术，在医药文本抽取、多模态理解与知识图谱构建方面具备相关积累，可为公司在靶点研究、管线立项等环节的信息挖掘与知识沉淀提供支持，并助力内部知识体系的持续建设。同时，摩熵智能的SaaS化数据平台与工具，也可为公司在研发协同、投研分析等场景的数据应用提供技术参考。
... ...
扫码回复“8-AI制药”查看行业公司介绍，并可免费诊股，还可咨询实操指导服务！
作者：于晓明 执业证书编号:A0680622030012
近期，AI制药领域动态密集，引发行业广泛关注。在临床进展关键环节，包括剂泰科技、德睿智药以及美国Generate Biomedicines在内的多家中外企业相继宣布，其由AI设计的药物产品已进入III期临床试验阶段，标志着AI技术在药物研发核心环节的突破正加速向临床验证推进。
此外，产业合作同样在2026年开局之际接连落地。1月5日，赛诺菲（Sanofi）与华深智药子公司Earendil Labs达成战略合作，协议总金额最高达25.6亿美元；几乎同期，英矽智能宣布与施维雅（Servier）签署一项价值8.88亿美元的抗肿瘤药物研发协议，市场商业化潜力正加速释放。
在药物研发的漫长跑道上，AI发挥作用最成熟的环节集中在临床前。据Nature Reviews统计的平均支出数据，从靶点发现到筛选出苗头化合物，传统方法通常需花费9400万美元、耗时1年，而英矽智能借助AI技术可将费用压缩至20万美元（缩减比例超90%）、时间缩短至2个月。这种效率飞跃源于虚拟筛选技术，它能从上亿个化合物中快速锁定潜力分子，大幅减少现实试验投入。但AI未改变药物研发基于实验科学的本质，临床试验的真实数据仍不可替代——目前AI尚未能精准预测药物在复杂人体系统中的异质性反应，监管层也维持严格标准，安全性证明仍需依靠临床试验。这意味着AI当前角色更像“强力辅助”：通过ADMET预测优化分子结构，在进入临床前尽可能排除易失败选项，早期“排雷”既节省成本，又通过数据驱动优化提升后续研发成功率。
此外，AI在分子创新上展现打破常规的可能，传统化合物设计受限于药化专家认知与编码规则，而AI基于生成对抗网络和强化学习可实现数据驱动的自主设计，带来靶点创新和分子结构创新，具备开发同类首创药物潜力，如药物重定向通过相似性网络寻找老药新适应症，可直接跨过早期环节进入临床二期，效率提升直截了当。
目前行业内主要存在三种商业模式：卖服务的SaaS模式、做外包的AI+CRO模式、自研管线的AI+Biotech模式。从生意逻辑看，SaaS模式对新入局者并非理想选择——虽对数据依赖低、现金流回流快且利润率高，但天花板明显。以行业头部公司薛定谔为例，其几乎拥有全球前20大型药企客户，2024年软件收入达1.8亿美元，却面临软件业务增长率下滑趋势，表明大客户市场趋近饱和，新入局者证明软件优势需投入极高成本，回报率往往不佳。
相比之下，AI+CRO和AI+Biotech正成为盈利大趋势，核心区别在于知识产权归属，最终目的均回归研发本质，依赖分子实体商业化获利。AI+CRO通过技术服务外包与大量药企合作，在获取服务收入的同时，利用广泛项目合作沉淀多维度数据反哺算法模型；AI+Biotech通过推进自研管线更快验证AI平台能力，如英矽智能的INS018_055（治疗特发性肺纤维化）已进入临床2a期并获鼓舞结果，为公司平台价值提供有力背书。国内市场潜力同样不容小觑，参考化学药物IND数量增长率，预计2028年国内AI制药潜在市场价值达380亿元，2033年有望突破1770亿元（测算考虑临床前管线推进速度及不同临床阶段对外付款价格）。
算法和数据是制药行业技术迭代的核心生产要素，算力目前并非最关键瓶颈——其仅影响计算处理的几天延迟，在长达数年的研发周期中几乎可忽略不计。真正竞争焦点在于高质量数据的生产能力。当前行业普遍面临数据孤岛问题，实验数据涉及药企核心利益，长期看难以大规模共享，因此谁能自主生产高质量、成规模数据，谁就能构建长期竞争壁垒。
高质量数据并非传统实验数据的简单堆积，AI训练对其要求苛刻，需结构良好、完全注释且具有鲁棒性。传统制药企业和大型CRO虽拥有海量历史数据，却常缺乏信息化处理，或采集点颗粒度达不到AI训练要求（如代谢类数据记录时间点跨度太大，会阻碍AI预测准确度）；此外，AI模型需大量失败案例学习，而药企传统流程倾向保留成功经验，造成训练集数据偏好成功案例。
为解决此问题，领先公司尝试将人工智能与机器人实验室结合，晶泰科技的模式颇具代表性：以AI模型作为“大脑”进行反应预测和实验设计，以实验室机器人作为“手”执行化学合成与数据治理。这种干湿实验闭环可根据AI训练需求专门设计方案，生成的实验数据直接“喂养”模型，进入持续迭代循环。试验平台、AI团队与药物研发团队三位一体的架构，构成了当前技术型AI制药公司的核心壁垒。
重点公司
英矽智能：作为行业的先行者，其利用Pharma.AI平台识别出的TNIK靶点，证明了AI在复杂组学数据中发掘新靶点的能力。通过自动化实验室的加持，公司目前已有10个分子获得临床试验许可，产品线覆盖了肿瘤、纤维化、免疫等多个领域。特别是在BD合作上，公司与赛诺菲达成的合作总价值最高可达12亿美元，与复星医药、美纳里尼等药企的交易也接连落地。这种多支柱的商业模式不仅提供了现金流，更通过与制药巨头的深度绑定，完成了从技术概念到产业应用的验证。
晶泰科技：在针对GPX4靶点的研究中，公司在无参考化合物的情况下，28天内就通过XFEP平台和主动学习成功预测了活性位点中的关键药效团，并快速筛选出3个活性分子。这种平台化能力的溢出效应已经开始覆盖新材料、石油化工和农业等多个领域。对于投资者而言，管线开发的进度是实力的背书，而技术能够横向扩展的能力则决定了公司的长期天花板。
301***：公司建立了 AI 辅助分子生成平台， 旨在通过深度学习方法实现基于蛋白结构的药物设计（SBDD） 和基于配体的药物设计（LBDD） ， 运用先进的人工智能技术， 高效、 准确、 创新地生成分子。 生成的分子将通过自动化流程进行筛选， 包括基于基础理化性质和各种类药性规则的过滤。 随后， 对符合要求的分子进行进一步药效团分析、 可合成性评估以及新颖性分析， 直至获得在多个参数方面均表现理想的分子。
688***：公司自主研发的AI智能体HANDS（HitGen AI eNabled Drug discovery aSsistant）深度融合数据资源、算法能力与项目需求，打通数据与算法壁垒，消除“数据孤岛”与“算法孤岛”，实现从数据获取到业务落地的全链路闭环，全面提升研发效率与响应能力。为进一步拓展数据维度，公司通过增资控股摩熵智能，引入其在医药研发领域积累的结构化数据资源与数据处理技术，以增强内外部研发数据的整合与应用能力。摩熵智能基于BCPM-Miner等垂类AI模型的数据智能技术，在医药文本抽取、多模态理解与知识图谱构建方面具备相关积累，可为公司在靶点研究、管线立项等环节的信息挖掘与知识沉淀提供支持，并助力内部知识体系的持续建设。同时，摩熵智能的SaaS化数据平台与工具，也可为公司在研发协同、投研分析等场景的数据应用提供技术参考。
... ...
扫码回复“8-AI制药”查看行业公司介绍，并可免费诊股，还可咨询实操指导服务！
作者：于晓明 执业证书编号:A0680622030012
