欢迎关注并置顶，即可获取更多产城专业数据资讯、研究报告、深度干货。欢迎分享本文，转载请联系我们。
■ 和君产城发展事业部·产城原创系列
■ 作者：和君产城发展事业部合伙人 金福伟
■ 阅读全文大约需要12分钟，欢迎转发朋友圈收藏阅读
"10年10亿"定律终结？我们算了一笔AI制药的账
"我花了260万美元，走了别人4年的路。"
这句话不是某位创业者的融资路演，而是英矽智能用一张新药申报单写下的事实——从AI发现靶点到首位患者入组，27个月，260万美元。传统路径？4至6年，数亿美元。
2026年3月，礼来为这张申报单开出了1.15亿美元首付、交易总额最高27.5亿美元的价码。这不是买药，是买"试错权"——在试错成本被AI压缩一个数量级之后，谁先拿到更短的研发周期，谁就先拿到下一代药品的定价权。
研发周期缩短50%，绝不只是药企内部的效率升级。它正在重写一条产业链的利润分配规则。
NO.1
效率跃迁的三个硬证据
证据一：强生的"700小时→15分钟"
2026年4月27日，强生CIO吉姆·斯旺森在路透社AI大会上披露：AI已将分子靶点筛选时间缩短50%，临床试验报告撰写从700小时以上压缩至15分钟[1]。这不是创业公司的PPT，是全球营收排前十的药企在生产线上跑出来的数据。
这意味着什么？强生每年递交数百份监管报告，每份报告背后是数周甚至数月的人工撰写与交叉核对。700小时→15分钟，压缩的不是工时，是整个合规交付链的节奏——当报告可以实时生成，药企的申报策略从"等数据齐了再报"变成"数据生成即申报"，临床推进的时间窗口被彻底压缩。
证据二：英矽智能的"27个月/260万美元"
ISM001-055（Rentosertib），从靶点发现到临床I期首例患者入组，27个月、260万美元。传统同等阶段需4-6年、数亿美元[2]。
完整时间线值得展开：
ISM001-055（Rentosertib）关键节点
2019年末：项目启动，AI端到端发现靶点（TNIK）
2021年2月：提名临床前候选化合物（PCC），早期发现阶段成本约200万美元
2021年11月：首例患者入组Phase I，累计耗时约27个月、成本约260万美元
2023年：进入Phase IIa临床试验
2024年：完成IIa期临床
2025年：IIa期结果发表于Nature Medicine
2026年4月28日：吸入制剂获CDE临床试验批准[3]
吸入制剂获批的意义在于：AI不仅能发现分子，还能持续优化递送策略。从口服到吸入，是给药方式的迭代——IPF（特发性肺纤维化）患者直接肺部给药，疗效与依从性双重提升。这意味着AI驱动的不是一次性发现，而是贯穿药物全生命周期的持续优化。
证据三：全球AI制药交易爆发
Deal Forma数据显示，2025年全球AI/ML药物研发合作交易达434亿美元，同比增长约268%[4]。这个数字的分量在于：它不是预测，是已经签下的合同金额。
罗氏2026年3月宣布部署超3500块NVIDIA GPU，建成制药业最大AI算力集群[5]。晶泰控股2025年首次全年盈利，营收8.03亿元，同比增201.2%[6]——AI制药公司开始赚钱了，而不只是融资。
这三组数据指向同一个结论：AI在制药领域的效率提升，已从"概念验证"进入"商业兑现"阶段。
图 1：AI重塑医药研发全链条——四环节效率跃迁
NO.2
链条上哪里在裂开？
研发效率跃迁不是均匀洒水的，它沿着四个环节撕开裂缝，每道裂缝里都藏着利润重新分配的机会。
靶点发现：从"盲人摸象"到"精准导航"
人类基因组编码约2万个蛋白质，而所有已获批药物加起来，只靶向了其中约3%-4%[8]——97%的蛋白质仍是"暗靶点"。2022年PLoS Computational Biology的一项分析显示，AlphaFold将人类蛋白质组高质量结构覆盖率从48%提升至76%，暗蛋白质组从26%压缩至约10%[7]。但"可见"不等于"可成药"——结构覆盖只是前提，AI的真正增量在于：从复杂生物网络中识别疾病与蛋白质的因果关系，而非仅看结构。
英矽智能的ISM001-055靶点（TNIK）即由AI端到端发现——不是人先猜、AI验证，而是AI从海量文献和组学数据中独立提出假说并完成验证。这种模式将靶点发现周期从数年压缩至数月。
分子设计：从"大海捞针"到"定向生成"
传统药物发现是一个"大浪淘沙"的过程：合成数千至上万个分子，逐个筛选，命中率极低。生成式AI使分子设计从筛选变为定向生成——英矽智能平台将靶点到临床前候选化合物的周期从传统的2.5-4年压缩至12-18个月，合成分子数降至传统十分之一[9]。以ISM001-055为例，仅合成不到80个分子即锁定候选化合物，传统路径通常需要5000个以上。
这意味着：实验室的湿实验从"主力"变为"验证者"，AI在干实验阶段完成大部分试错——研发成本的"大头"从合成筛选转移到了算力和数据上。
临床实验：数据洪流中的筛选红利
强生的700小时→15分钟只是缩影。更深层的变化在临床受试者的精准筛选——AI可以从基因组、电子病历和真实世界数据中预测哪些患者更可能对特定疗法产生响应，从而缩小入组范围、缩短入组时间、提高试验成功率。
临床数据智能分析平台正在成为新刚需——谁能帮药企更快地从海量患者数据中锁定响应人群，谁就切到了临床环节的增量蛋糕。这不是替代CRO，而是为CRO提供"准星"。
生产质控：最后一公里的智能化
AI驱动的工艺优化与质量控制，目前关注度远低于前端研发，但恰恰是产业化落地的必经关卡。晶泰科技的智能化结晶预测平台已为全球排名前20的药企中的16家提供服务——从分子设计到晶型预测，AI的价值链正在向后延伸。
图 2：效率跃迁撕开的五道裂缝与对应商机
NO.3
五道裂缝，五条赛道
效率跃迁在产业链上撕开五道裂缝，每道裂缝对应一条可落地的商机：
赛道一：AI药物研发SaaS工具
靶点发现、分子生成、ADMET预测——每个环节都长得出SaaS产品。关键是：不卖"AI能力"，卖"确定性"——客户付费的锚点是"帮你省了多少个月、多少次合成"，而非"我的模型有多先进"。
这个赛道的进入门槛看似不高（开源模型+行业数据即可起步），但护城河在"干湿闭环"——只有跑通"预测→合成→验证→反馈"的完整闭环，模型才能持续进化。纯软件公司做不了，纯CRO不想做，中间地带就是增量。
赛道二：CRO的智能化分叉
AI冲击的不是CRO这个行业，而是CRO中"人力堆叠"的部分。但需要明确：替代的边界受制于客户转换成本、监管合规要求和长期合同锁定，并非一蹴而就。
药明康德HALO模式用AI重塑前端，2025年在手订单580亿元、同比增28.8%——说明智能化交付的CRO获得溢价与订单集中度。而另一端，轻资产、无自有研发团队的小型biotech面临更大压力——当AI将前端研发成本压缩一个数量级，它们的"替客户做早期发现"的商业模式正在被稀释。但"加速淘汰"的说法过于武断，更准确的说法是：价值链正在重新定位——能做AI做不了的事（临床执行、监管沟通、商业化落地）的CRO将获得溢价，只做"人力搬运"的CRO将面临利润承压。
赛道三：合作模式从"卖软件"到"分蛋糕"
英矽-礼来27.5亿美元交易标志着新范式：AI技术方从License-out走向联合开发+销售分成，直接切入药品利润池。
传统AI制药公司的商业模式是"卖铲子"——SaaS订阅或项目制收费，天花板是软件行业的估值。但英矽智能签下27.5亿美元交易，本质上是拿自己的管线做赌注：首付款1.15亿美元是"入场券"，真正的利润在后端的里程碑付款和销售分成里。敢不敢拿未来收益对赌，比任何论文都有说服力。
赛道四：医疗终端的数据闭环
靶向药与基因治疗的发展让院端成为数据闭环的起点——基于疗效反馈的个性化方案设计，反向指导下一代药物研发。掌握院端数据合规分析能力的服务商，将成为产业链新枢纽。
但这条赛道的核心约束是数据合规。联邦学习与隐私计算技术仍在效率与精度的权衡中，尚未大规模商用。谁率先在合规框架内跑通"临床数据→模型优化→新药设计"的闭环，谁就拿到稀缺的入场券。
赛道五：产业园区的生态溢价
AI+生物医药落地需要"数据、算力、场景、资本"四要素聚合。国内头部AI医药园区正在验证一个逻辑：园区赋能的本质是降低企业"找数据、找算力、找场景、找钱"的交易成本。
以中关村生命科学园为例，2024年医药健康产业收入突破千亿元，汇聚了百济神州、诺诚健华等头部企业。园区内企业的数据共享协议、共享算力平台、临床资源对接机制，实质上在构建一个"加速器"——入驻企业不是在租办公室，而是在接入一个生态网络。
对产业园区的评估，我们建议从三个维度建立可复制的分析框架：
AI+生物医药园区评估三维度
数据池深度：园区内可合法共享的组学数据、临床数据规模与质量，以及数据治理协议的完善程度
临床资源密度：30分钟车程内三甲医院数量、GCP资质机构数、在研临床项目数量
资本接力效率：从天使到IPO的全链条基金覆盖率、政府引导基金规模、园区内企业融资周期中位数
图 3：传统研发 vs AI驱动研发——成本与周期全景对比
NO.4
两个标本的经济学意义
ISM001-055：AI端到端造药的ROI锚点
它的意义不在于能否成为重磅炸弹药物，而在于首次用经济学指标证明AI驱动研发的ROI——27个月、260万美元 vs 传统4-6年、数亿美元。
这对资本市场的信号是明确的：当AI制药的早期成本从"数亿美元"降至"数百万美元"，失败的风险不再致命——你可以在同样的预算下尝试10倍数量的管线。高风险、高回报的创新药投资，第一次有了"分散下注"的可能性。这为全行业的资本转向提供了锚点。
英矽智能的港交所财报显示，截至2025年底，其AI驱动研发管线中已有13个项目获得临床试验批准[3]——从1到13，是可复制性的初步验证。
LucaProt：底层发现能力的"基建工程"
中山大学与阿里云团队2024年发表于Cell的LucaProt模型，从全球10,487个宏转录组中识别出161,979种潜在RNA病毒物种和180个RNA病毒超群——是已知种类的近30倍[10]。
这不是某一条管线的突破，而是整条赛道的"探照灯"。16万种新发现的病毒物种，意味着16万个潜在的药物靶点。底层发现能力一旦产业化，将为抗病毒药物和疫苗设计提供源源不断的新标的。
虽然该成果发表于2024年，但其产业化逻辑在2026年更显迫切——后疫情时代，各国对未知病原体的监测与药物储备需求持续上升，LucaProt类模型正在从学术成果转化为公共卫生基础设施。
NO.5
两道必须正视的合规门槛
前景再大，生物医药的容错率极低。两道门槛不是"注意事项"，而是决定谁能留在牌桌上的分界线。
数据主权
AI模型训练依赖海量病历与基因数据，跨机构、跨国数据流转面临《个人信息保护法》与各国GCP约束。联邦学习与隐私计算技术仍面临效率与精度的权衡，尚未大规模商用。
这意味着：谁能率先在合规框架内跑通数据闭环，谁就拿到了稀缺的先发优势。但"合规"不是静态门槛，而是动态博弈——FDA正在更新AI辅助药物的审批指南，NMPA的立场也在逐步明确，监管本身是一个持续演化的过程。
算法可解释性
药物审批需要因果关系，而深度学习常被视为"黑盒"。FDA对AI辅助药物的审批仍极为审慎——如果药企无法向监管者清晰解释AI如何得出分子结论，管线面临被拒风险。
这一约束的深层含义是：AI制药公司不能只做"预测"，必须同时构建"解释"能力。英矽智能在Nature Medicine论文中对ISM001-055的TNIK靶点做了详细的机制阐释——这正是监管合规的最低要求。技术验证与监管科学的同步跟进，是这一赛道必须跨越的政策门槛。
图 4：AI+生物医药投资的风险-收益矩阵
三点判断
第一，盯着产业链的裂缝，而非远方的管线。CRO的智能化分叉、SaaS工具的渗透、合作契约的重写——这些才是2026年触手可及的确定性商机。
第二，数据壁垒比算法更值钱。英矽智能签下27.5亿美元交易，不只因为算力强，更因为在数十个项目中沉淀了独有的"干湿闭环"数据。算法可以开源，数据无法复制。
第三，合规不是成本，是护城河。谁率先解决数据合规与算法可解释性，谁就拿到通向监管审批的通行证——稀缺性本身就是竞争力。
在AI与生命的交汇处，我们需要的不仅是算法的狂飙，更是对产业规律的敬畏与对合规底线的坚守。
参考文献
▎独立媒体
[1] 强生CIO：AI将新药筛选时间缩短50%，临床试验报告从700小时缩减至15分钟. 第一财经, 2026-04-28.
[5] 罗氏部署超3500个GPU，打造制药业最大AI算力集群. 证券时报, 2026-03-17.
▎学术期刊
[7] Varadi & Bordin et al. The structural coverage of the human proteome before and after AlphaFold. PLoS Comput Biol, 2022.
[8] Santos et al. A comprehensive map of molecular drug targets. Nature Reviews Drug Discovery, 2017.
[10] Hou et al. LucaProt reveals the diverse global RNA virome. Cell, 2024.
▎企业公告 / 行业数据
[2] 英矽智能Rentosertib IND获批及研发时间线. 英矽智能港交所公告, 2021-2026.
[3] 英矽智能Rentosertib吸入制剂获CDE临床试验批准. 英矽智能港交所公告, 2026-04-28.
[4] AI-ML Drug Discovery R&D, M&A, Ventures and IPOs – 2025 Review. Deal Forma, 2026-01.
[6] 晶泰控股2025年全年业绩公告. 晶泰控股港交所公告, 2026-03-25.
▎券商研报
[9] AI制药从概念验证向商业化兑现转变. 华创证券研报, 2026-04.
（欢迎您添加下方微信，与本文作者交流互动）
好东西就是要多分享，如果觉得不错，
请关注公众号并分享朋友圈哦
官方小助理
获取更多干货、答疑、交流及加入官方微信群，欢迎添加产城发展事业部官方助理微信号：hjccfz
往期精品原创文章：
解锁更多精彩内幕
微信号 :和君产城发展事业部
感恩陌生人的善意！
热门跟贴