REC-2282

从干实验到湿实验，AI for Science 全景盘点 先讲两件都发生在 2026 年的事。第一件得从十六年前说起。 2010 年，斯坦福的心脏病学家兼遗传学家 Euan Ashley 领着一个 31 人的团队，做完了世界上第一例人类基因组的临床解读。耗时九个月。 2026 年 7 月，他休假回来收拾行李，顺手让 Claude 按同样标准分析了一遍自己的基因组。三十分钟出结果，正确找出阿尔茨海默病的风险等位基因，还标出了影响药物代谢的变异位点。他在领英上写道："这件事没有任何一种解释能让它显得不惊人。" 三十一个人九个月的活，一个人三十分钟。 第二件事发生在波士顿港边的一栋楼里。那是 Ginkgo Bioworks 的自主实验室，机器人手臂罩在玻璃柜里一字排开，一条像加大号玩具火车轨道的传送带把样品从一台机器送到另一台。今年 2 月，他们和 OpenAI 一起发了篇预印本：用 GPT-5 驱动这座实验室，六个月跑了三万多次实验，把无细胞蛋白合成（不用活细胞、直接在试管里造蛋白质）的单位成本压低了 40%，产量提高 27%。设计、执行、采集、分析、解读、再提下一个假设——整条链都是模型在跑。 论文里有一句话，我盯着看了很久： 人类的介入，基本上只剩下试剂和耗材的准备、上料和下料。 一边是脑力活动坍缩到三十分钟，一边是最先进的自主实验室里，人还得亲手把管子插进机器。 两件事凑在同一年，把 AI for Science 的全貌讲清楚了：AI 给科学请来了一百个免费的博士，可惜他们没有手。 这篇文章说清三件事：AI 现在能替科学家干多少；干不了的那部分卡在哪；往后十年会怎么走。 同一件事 一、"想"这件事，已经不值钱了 科研做事分两半。一半在脑子和电脑里完成——查文献、建模型、算数据、提假设，行内叫干实验（in silico，字面意思是"在硅片里"）。另一半得在实验台上完成——配试剂、养细胞、上机器、看结果，叫湿实验（wet lab，因为总在跟液体打交道）。 过去三年，AI 把干实验这一半打穿了。 今年 5 月 19 日，《自然》同一期上出现了两篇分量很重的论文。 一篇是谷歌 DeepMind 的 Co-Scientist。它是一群模型在协同干活：一批智能体不停地生成假设，另一批专门挑刺，再用打擂台的方式让好假设淘汰坏假设，谁扛得住轮番攻击谁留下。研究团队把它用在急性髓系白血病上，让它去老药堆里找新用途。它给出的候选药和联合用药方案，后来在体外实验里被验证是有效的。 另一篇更值得琢磨，来自 FutureHouse，系统叫 Robin。论文摘要末尾有句罕见的声明： 本报告正文中所有的假设、实验方向、数据分析和数据图表，均由 Robin 生成。 Robin 干成的事是：提出"增强视网膜色素上皮细胞的吞噬功能"这条思路，去治疗干性年龄相关性黄斑变性——发达国家致盲的头号原因。它筛出了 ripasudil 和 KL001 两个候选（前者是一种已上市的降眼压药，此前没人想过拿它治这个病），体外验证有效；接着它又自己设计了一轮 RNA 测序实验来追问机制，发现了 ABCA1 这个可能的新靶点。 请注意这里的分工。假设是 AI 提的，实验方案是 AI 设计的，数据是 AI 分析的，图是 AI 画的，机制解释是 AI 给的。 唯独中间那一步——把药加进细胞里，看细胞到底吃不吃——是人做的。 这就是 2026 年的分工线：上半截已经被 AI 占满——斯坦福以人为本人工智能研究院（HAI）的报告给了个数字：自然科学领域提到 AI 的论文，2010 到 2025 年涨了近 30 倍；下半截，还是人的那双手。 《自然》在今年 2 月 20 日的一篇报道里，把这条分工线的后果写成了标题下的一行字，我认为这是今年关于科研就业最该被记住的一句话： 做数据分析和建模的岗位已经在消失，动手做实验的人暂时还能松口气。 这话听着像在安慰实验员。反过来读一遍就变了味：今天的科学里，最难被替代的能力是有一双手。会算、会查、会写的那种聪明，反倒好替代。 二、验证赤字：图纸画了两百万张，做出来的没几个 一半装了涡轮，一半还在手摇，会出什么事？ 会出一种新的短缺。过去缺的是好点子，现在点子多得用不完，缺的是把点子验成真的能力。我把这个缺口叫验证赤字。 这个缺口在材料学界有个更正式的说法，叫合成鸿沟。今年 5 月《自然·合成》的一篇观点文章专门讨论它：生成式 AI 能在几百万个已知和假想的化合物里搜，候选名单要多长有多长，问题是——哪些真能做出来？ 这事最出名的一次翻车，就是 A-Lab。 2023 年 11 月，伯克利和劳伦斯伯克利国家实验室的团队在《自然》上发了篇论文，标题里明晃晃写着"新材料"。他们造了一座全自动的无机材料合成实验室，机械臂配粉、装样、进炉、出炉、测衍射，全程无人。论文摘要写：连续运行 17 天，从 58 个目标里做成 41 种新化合物。 伦敦大学学院的固体化学家 Robert Palgrave 看完，觉得不对劲。 他和普林斯顿的 Leslie Schoop 等人把论文公布的 X 射线衍射数据一张张重看了一遍，2024 年 3 月把结论发在《PRX Energy》上，措辞相当不客气： 我们逐一讨论了全部 43 个合成产物，指出了分析中四类常见的疏漏……这些错误不幸地导致了一个结论：那项工作中没有发现任何新材料。 他们的判断是，其中约三分之二所谓的"新材料"，其实是已知化合物的无序版本——原子在晶格里是混着坐的，AI 却按"整整齐齐各就各位"的有序结构去认，于是把老熟人认成了生面孔。更根本的一条是：让机器自动做粉末衍射的结构精修，目前还不可靠。 （批评方清点为 43 个，与原论文 41 个的口径略有出入。）这场争论拖了两年多。结局在今年 1 月 19 日揭晓：《自然》刊出了作者更正。更正公告里，作者承认"新材料"这个说法容易被误读，解释说他们的本意是"对预测平台而言是新的，不一定对科学而言是新的"。数字这样收的：原来的 41 个里，先删掉一个因为混进训练数据而不算数的；剩下 40 个用人工重新分析衍射图谱，确认 36 个站得住，4 个无法定论。目标数也从 58 相应减为 57。 现在你去《自然》官网翻这篇论文，摘要已经改了。"41 种新化合物、58 个目标"变成了"36 种化合物、57 个目标"，而"新"（novel）这个词，被删掉了。 Palgrave 后来说，看到更正之后他觉得不必撤稿了，"他们确实澄清了不少东西"。但他补了一句：更正通篇没提"无序"这个问题，而那才是更根本的一点。我把更正全文读了一遍，确实一个字没提。 同一时期，DeepMind 更响亮的成果 GNoME 也挨了同样的刀。它一口气预测了 220 万种新晶体结构，号称抵得上人类八百年的积累。固体化学家 Anthony Cheetham 和 Ram Seshadri 给出的判词是： 我们审视了这项工作的宣称，遗憾地发现，几乎没有证据表明存在同时满足"新颖、可信、有用"三项的化合物。 写这段不是为了证明 AI 在吹牛。真正值得说的是后面这件事：A-Lab 的作者在自己的更正公告发出八天后，又拿出一个叫 Dara 的新工具，主动承认"同一张衍射图往往能拟合出多个参考物相，忽略了别的解就会误判"，于是改成穷举多个假设、交给人类专家裁决。 不止表征这一头。今年 4 月，Ceder 和 Kristin Persson 联名在《自然·材料》上承认，过去的合成路径设计"用第一性原理数据在热力学地形上导航，但缺少动力学信息"，于是把机器学习算出的离子输运性质补了进去。预测端和表征端，两头都在补课。 被批评之后真的改了做法，这比任何表态都有说服力。 但它也把问题挑明了：AI 提出的东西，最终得有人（或者有台足够可靠的机器）到物理世界里去验一遍。而这一步，比大多数人想的要贵得多、慢得多、也脏得多。 三、那双手，长到什么程度了 现在看湿实验这一头。这个领域有个专门的词叫自驱动实验室，借的是自动驾驶的说法：算法自己提方案、机器自己做实验、系统自己读结果，再自己决定下一步。 今年 7 月 31 日，《自然·综述·化学》登了一篇十年回顾。文章说，过去十年里自驱动实验室已经从"只会干一件事的自动化工具"长成了"能提方案、能执行、能解读的多用途平台"，但要真正长成科学界的公共基础设施，还卡在三件事上： ▪ 规模化——能不能稳定地把通量提上去； ▪ 可泛化——一个实验室调好的流程和模型，能不能搬到另一个实验室、另一个学科去用； ▪ 全程留痕——从前体制备、合成、表征一直到性能评估，每一步的数据和来龙去脉能不能完整记录。 翻译成人话就是：现在的自主实验室大多是一台台手工孤品，换个地方就不灵，出了问题查不清是哪一步坏的。 它长什么样？《自然》今年 3 月的技术专题开篇写的是一台叫 Eve 的机器人科学家：五米见方、三米高，占掉了它所在实验室至少一半的地面。 这就是自动化在物理世界里的模样：一间屋子那么大的家伙，只为把人做的活复刻一遍。跟电影里那种灵巧的机械手没关系。 开头那座波士顿港边的实验室，是目前最像"闭环"的样本——那三万多次实验，从设计到解读整条链都由模型驱动。Ginkgo 的联合创始人 Reshma Shetty 对美国国家公共广播电台（NPR）说，最"疯狂"的一刻，是她第一次看到实验记录本上一整条记录是模型写的。她说自己的科研方式变了：以前赶着把设计做完，因为后面还有一大堆移液要亲手干；现在可以慢慢设计，让机器人整夜替她做。 英国利物浦大学的 Andrew Cooper 走的是另一条路。他那台移动机器人化学家八天自主跑了 688 次实验，搜出活性是初始配方六倍的光催化剂；2024 年升级成两台 1.75 米高的机器人协作。他的理念叫"自动化的是研究者，不是仪器"——机器人用的是实验室里的通用设备，像个真正的助手。 Cooper 自己怎么评价这些机器人？他说了一句很诚实的话： 机器人对语境的把握广度不如一个受过训练的研究者。以它现在的形态，它不会有"尤里卡"的那一刻。 美国能源部的阿贡国家实验室走的是第三条路：不追求无人，而是让 AI 智能体去操作那些极其复杂的大科学装置——X 射线纳米探针光束线、自主材料机器人站——并且在人的反馈里边干边学。他们把这套东西明确定义为"人在环路中"。 也就是说，这个领域今天真正跑得通的形态是"AI 当操作员，人当主管"。取代科学家这一步还早得很。 这不是我一个人的看法。Ginkgo 那篇预印本出来时，《自然》的报道标题就打了一个问号：《自驱动的"机器人实验室"会取代生物学家吗？论文引发争论》。副标题给了答案的一半：研究者们坚持，人的技能仍然不可或缺。 争论的焦点值得一说。就在 Ginkgo 那篇预印本的半年前，斯坦福 Michael Jewett 的团队针对同一个问题——无细胞体系的配方成本——用了一套很传统的方法：经典的实验设计法，从一千两百多种配方里筛，最后拿到一个只要 12 种组分的简化体系，成本比此前的配方降低了 84% 到 99%。 两边的口径不一样：Ginkgo 降的是整条产线的单位成本，Jewett 组降的是试剂配方的成本，严格说不能直接比。但有一件事是清楚的——在同一个问题上，一个用几十年前统计方法的人类小团队，拿到的降本空间不逊于、甚至远大于自动化路线。 在今天这个阶段，自动化买到的东西是"不知疲倦"，暂时还买不到"更聪明"。 四、为什么最后一米这么难 我一直有个判断：人类世界迈向虚拟化是不可逆的，而虚拟化的方向是做减法——把键盘减掉变成触摸屏，把检票口减掉变成刷脸，把银行卡减掉变成一个二维码。 干实验就是科学的虚拟化。九个月减成三十分钟，减掉的是三十一个人的时间。 湿实验减不掉。它处理的是物质。 细胞该长三天就是三天，你给它十块 H200 也长不快一小时。蛋白该折叠多久就折叠多久。这是化学和生物的钟，不是 CPU 的钟。算力每十八个月翻一番，移液枪不会。 第二件减不掉的事是脏。同一个牌子、不同批号的血清，能把结果做出两个样；同一株细胞系传了三十代，脾气就变了；室内湿度高几个点，粉末就挂壁。这些东西不写在任何一篇论文的方法部分里，但它们真实地决定成败。 第三件事最微妙。湿实验圈里有个说法叫 good hands——手感好。有的人做同一个实验成功率就是高，说不清为什么：加样的角度、摇匀的力道、知道这批酶要提前十分钟回温。《自然·方法》的一篇社论说，外包和自动化也许会成为一个拉平器，让"脑子好"和"手好"第一次同等重要。 这话说得漂亮，但它同时意味着：机器要接管的，恰恰是那些从来没被写下来过的东西。 今天科学的底子有多松？2016 年《自然》调查 1576 位科研人员，超过 70% 的人试过重现别人的实验但失败了（化学家 87%、生物学家 77%），超过一半的人连自己的实验都重现不了。 为什么？2021 年有个团队花八年查了原因。 这个叫"癌症生物学可重复性项目"的团队在《eLife》上报告：挑高影响力的临床前癌症论文，一篇篇照着做一遍。原计划复现 53 篇论文里的 193 个实验，最后只做完了 23 篇的 50 个。 拦路的是论文本身： ▪ 193 个实验里，只有 4 个的统计原始数据是公开可拿到的； ▪ 就算写信问原作者，仍有 68% 拿不到数据； ▪ 最狠的一条——193 个实验，没有一个在原论文里被描述到足以让人照着设计出复现方案的程度。 0 比 193。 机器人执行的前提，是有一份精确到步骤的协议。而在真实世界最顶尖的生物医学文献里，这种协议的公开存在率是零。做是有人做过的，只是没人写下来。 机器人没法执行一份不存在的说明书。 所以自动化真正的价值，可能根本不在"快"。一台机器每次都用同样的角度、同样的力道、同样的等待时间——它逼着人把那些从没写下来的东西，第一次写成可复制、可传输的代码。 这才是自主实验室值得下重注的理由：它做得一样。快是顺带的。 投入与产出背离 五、三十年前，这出戏已经演过一遍 现在得请出一面镜子。因为今天说的每一句话，1990 年代的制药业都说过。 那个年代药物研发投入端的效率提升是全面的，组合化学和高通量筛选只是最显眼的两项。放到今天看依然吓人（数字出自 Scannell 与 Bosley 2016 年那篇论文）： ▪ 每位化学家每年能合成的类药分子数，提高了约 800 倍； ▪ 化合物库对靶点的单次测试成本，降到原来的 1/10； ▪ DNA 测序比 1970 年代快了 10 亿倍以上； ▪ 解一个蛋白质结构所需的人工，降到原来的千分之一以下。 产出端的答案是 Eroom 定律——把摩尔（Moore）反着拼。2012 年 Scannell 等人在《自然·综述·药物发现》上给出的原话是： 自 1950 年以来，每十亿美元研发投入所获批的新药数量，大约每九年减半，按通胀调整后累计下降了约 80 倍。 更刺人的是组合化学自己的成绩单。2012 年 Newman 和 Cragg 盘点 1981 到 2010 三十年间的新药来源，写下了这么一句： 尽管组合化学在本综述覆盖的时间里被用作发现来源约 70% 的时段，迄今我们仍然只能找到一个由该方法从头发现、并在世界任何地方获批上市的全新化学实体——拜耳的抗肿瘤药索拉非尼。 三十年，一个药。 还有一组更反直觉的数字。2011 年 Swinney 和 Anthony 拆解了 1999 到 2008 年 FDA 批准的 259 个新药，其中 50 个是同类首创的小分子。这 50 个里： ▪ 靠表型筛选（不管靶点，直接看细胞或动物整体反应的老办法）发现的：28 个 ▪ 靠靶点导向筛选（高通量筛选＋组合化学＋基因组学那套现代工业化路线）发现的：17 个 ▪ 其余 5 个来源无法明确归类 在被工业化、自动化、高通量化改造得最彻底的十年里，产出原创新药更多的，是那个没被工业化的旧方法。 Scannell 和 Bosley 在前面那篇 2016 年的论文里，用决策论把病因算了出来： 预测效度（筛选结果与人体真实疗效之间的相关系数）哪怕只提高 0.1——一个小到从业者根本察觉不到的量——它对结果的影响，就超过把筛选通量提高 10 倍甚至 100 倍。 翻译成大白话：问对问题的价值，比把实验做快一百倍还大。 Scannell 在 Eroom 那篇论文里列了四条病因，其中一条他起名叫"基础研究—蛮力偏见"——相信只要分子更多、靶点更多、通量更大，药就会出来。 请注意，这条被他列为病因，不是解药。 今天关于 AI for Science 的乐观叙事，多数讲的还是同一件事：更多假设、更多候选、更多实验、更快闭环。 如果 AI 带来的只是通量，那它就是在给一个三十年前就发作、十四年前才被命名的老病，加大剂量。 有人会说 Eroom 定律早被打破了。今年 5 月德勤第 16 版制药创新回报报告确实给了个好消息：头部二十家药企 2025 年的研发内部收益率（研发投入的回报率）回升到 7.0%，连涨三年。 但同一份报告里还有另一个数字：把 GLP-1（司美格鲁肽那一类降糖减肥药）剔除掉，这个收益率只有 2.9%——比上一年的 3.8% 还低。 也就是说，这轮回暖主要由一个爆款品类撑着，很难归功于研发方式本身变好了。 还有一个更硬的指标：每成功推出一款新药的平均研发成本，2025 年涨到 26.7 亿美元，比上一年的 22.3 亿又高了一截。 成本还在涨。Eroom 定律没死。 六、掏钱的人为什么这么急：大模型饿了 如果你以为推动湿实验自动化的主力是科学家，那就想简单了。 看看这两年的钱往哪儿流。 Lila Sciences，从旗舰创投里孵出来的公司，口号是"科学超级智能"。2025 年 3 月拿了 2 亿美元种子轮，9 月宣布 2.35 亿美元 A 轮、一个月后把这轮加到 3.5 亿，累计融资 5.5 亿美元。 Periodic Labs，2025 年 9 月成立。创始团队共同创造过 ChatGPT、DeepMind 的 GNoME、OpenAI 的 Operator、注意力机制、MatterGen。投资人里有 a16z、Felicis、DST、英伟达的风投部门、Accel，个人投资者有贝索斯、埃里克·施密特、杰夫·迪恩。 这些人不是化学家。他们是把大模型造出来的那批人。他们为什么突然集体跑去建实验室？ Periodic Labs 的官网上把话说得非常直白： 到目前为止，科学 AI 的进步都来自在互联网上训练的模型。但互联网再大也是有限的（估计约 10 万亿文本 token）。近几年，最前沿的模型已经把它吃干净了。自主实验室是我们战略的核心。它们能产出海量的、别处根本不存在的高质量数据……它们会产生那些几乎从不被发表的宝贵的负面结果。 还有一句，是我今年看到的关于 AI 与科学关系最锋利的表述： AI 在有数据、结果可验证的领域进步最快——比如数学和代码。在这里，大自然就是那个强化学习环境。 连起来读，事情就清楚了。 湿实验室正在被自动化，最急的推手不是科学，是模型没料可吃了。 人类写在互联网上的字已经被榨完了。数学和代码还能让模型继续变强，是因为它们自带判分器——答案对不对，机器自己能验。那么下一个自带判分器、又取之不尽的训练场在哪儿？ 在物理世界。做一次实验，物质世界就给你一个不容抵赖的判分。 而且注意那句"从不被发表的负面结果"。人类科学家有个改不掉的毛病：实验失败了就扔进抽屉，没人发论文说"我试了这个配方，不行"。人类科学的公开语料里，缺的正是失败。 一座自主实验室不会不好意思，它把三万多次实验里那些没成功的记录，一条不落地留下来。 对模型来说，这是全新的、独家的、且极其昂贵的矿。 所以我的判断是：未来十年砸向湿实验自动化的钱，本质上是一笔数据采购费。谁掌握了大规模产出物理世界数据的能力，谁就掌握了下一代模型的口粮。这跟当年谁掌握了网页抓取、谁掌握了标注工厂，是同一个逻辑，只是这一次矿在实验室里。 这件事有它光明的一面：科研自动化终于有人肯付钱了。 有一条线索能佐证这个转向：开放性正在单向收缩。 AlphaFold 第二代是彻底开源的，代码按 Apache 协议、权重按知识共享协议放出来，全世界的实验室拿来就用——这也是它拿诺贝尔奖的底气之一。到 2024 年 11 月的 AlphaFold 3，代码许可证反而降级成了非商业协议，权重要单独申请、且只许非商业机构做非商业用途，连"代表商业机构开展的研究"都被明文禁止；直到 2026 年 6 月，代码才在舆论压力下改回 Apache。再到今年 2 月，DeepMind 分拆出来的 Isomorphic Labs 发布新一代药物设计引擎，只发了一份技术报告：没有公开代码，没有放出权重，外部研究者无从复现。《自然》报道这件事时，标题里用的词是"独家的"。 三代下来，从"人人可用"走到"只发一张说明书"。 科学的公共品阶段结束了，产业的圈地阶段开始了。 也有它别扭的一面：当实验室的第一顾客变成模型而不是科学家，实验做什么、怎么做、什么算成功，就会开始向模型的胃口偏移。好做的、信噪比高的、能快速给出判分的问题会被大量地做；难做的、周期长的、结果模糊的问题会被冷落。而科学史上大多数真正重要的问题，恰恰属于后者。 七、泼几盆冷水 第一盆：那个最常被引用的证据，已经站不住了。 "AI 让科研效率大涨"最常被引用的一组数字是这样的：某美国大公司实验室引入 AI 材料发现工具后，科学家多发现 44% 的材料、专利申请增加 39%、下游产品创新增加 17%。它出自一位 MIT 博士生 2024 年底的预印本，连阿西莫格鲁这样的顶级经济学家都公开称赞过。 2025 年 5 月，arXiv 管理员把它撤了下来，理由写在页面上：对数据真实性的疑虑，以及不完整的伦理审查程序。MIT 要求撤稿，《华尔街日报》后来做了整篇复盘。 我们对 AI 加速科学的信心，很大程度上是被叙事喂养的。 第二盆：智能体做科研任务的分数很难看。 有个叫 PaperArena 的测试集，考的很朴素——给一个研究问题，跨几篇论文找信息、调用工具、给出有依据的答案。结果：最强的模型配上成熟的智能体流程，平均正确率 38.78%，难题子集只有 18.47%。 我的标准是：AI 准确率不过 95 分，就谈不上大规模应用。 38.78% 换算成人话：五个结论里大概只有两个站得住，而你不知道是哪两个——所以五个都得重查一遍。 今年 7 月底还有一项更直接的实测。研究者找了两篇尚未发表的高质量论文，把核心研究问题交给最前沿的智能体，给六天时间、几千美元算力，最后请论文原作者亲自打分。 智能体在没有任何人类帮助的情况下完成了全部工程工作，却无法在回答研究问题上取得实质进展。两篇论文都被原作者明确判定为拒稿。 它反复栽在同几个地方：判断不出什么算可发表的研究、遇到设计缺陷不会变通、走进死胡同退不出来。换个模型重跑，毛病一样。 工程它全做完了，研究它没及格。 第三盆：它可能让科学变多，同时变差。 今年 7 月 31 日，《自然》报道了华盛顿大学 Carl Bergstrom 参与的一项建模研究（arXiv 预印本，未经同行评议）：用了大模型的科学家会"做得更多，但做得更差——而不是做同样多，做得更好"。省下来的时间不会拿去打磨，会拿去开下一个项目。 Bergstrom 补了一句："大模型很少是问题本身，它只是把我们本来就有的问题照了个镜子。" 那个问题叫论文数量考核。 第四盆：AI 已经开始污染科学的知识底座。 今年 4 月初，一群研究者做了个实验：他们编造了一种根本不存在的病，起名 bixonimania，写成两篇一眼假的论文挂到预印本网站上。然后去问各家 AI 聊天机器人。 机器人开始一本正经地向人们介绍这种病、提醒注意事项。 《自然》把这事写成了报道，报道发出三天后，那两篇预印本被平台撤了下来。 这股洪水已经把基础设施逼到改规则了。2025 年 10 月 31 日，arXiv 宣布它的计算机科学类目不再直接接收综述文章和立场文章，必须先通过期刊或会议的同行评议。官方公告写的理由很不客气： 这一改动是因为综述与立场文章的涌入量已经无法管理……生成式 AI 让写论文——尤其是不产生新研究结果的论文——变得又快又容易，加剧了这场洪水。我们现在每个月要收到数百篇。 写下这段话的是全球最大的预印本平台自己。 还有一个更冷的量化结果。今年一项覆盖开放学术数据库 OpenAlex 上两亿多篇成果的研究发现：把 AI 当研究方法用的论文，在几乎所有学科里撤稿率都更高——差距最小的牙科也是翻倍以上（每千篇 0.44 次 vs 0.92 次）；同时它们的主题更集中，扎堆在各学科前五大话题上的比例比其他论文高出约 20 个百分点。 这只是相关性，不是因果——用 AI 的论文往往也是发得更快、审得更松的那一批，撤稿的绝对水平也依然很低。但主题更窄、撤稿更多这个方向，跟"AI 打开无限可能"的想象正好相反。 第五盆，也是最该看的一盆：这门生意到今天还不赚钱。 开头那座实验室的主人 Ginkgo Bioworks，是过去十年把"湿实验工业化"赌得最狠的公司，2021 年借壳上市时估值 175 亿美元，故事讲的是"生物学的代工厂"。 然后看它交出来的账（数字来自美国证监会申报文件）：营收 2022 年见顶 4.78 亿美元，之后是 2.52 亿、2.27 亿，2025 年只剩 1.70 亿——三年掉了近三分之二。2024 年 6 月先裁 158 人，紧接着宣布要裁掉三分之一以上的员工、最多 400 个岗位。截至今年 8 月初，总市值约 5.4 亿美元，只比它 2022 年一整年的营收高一点，分析师评级"卖出"。 它现在卖掉了生物安全业务，转身去卖数据服务、卖自动化设备、卖云实验室。CEO 今年 4 月说生物技术"需要属于自己的 Waymo 时刻"——潜台词是还没到。 说白了：这家公司没能靠"替别人做实验"赚到钱，最后改行去卖铲子了。 再看整个赛道的天花板。按 MarketsandMarkets 的口径，全球实验室自动化设备市场到 2031 年大约 86 亿美元，年复合增速个位数——注意这只是卖机器的钱。 一个被反复形容为"将要重写科学"的赛道，五年后的盘子还不到英伟达一个季度营收的四分之一。 再看看 AI 制药那批最早的先行者，现在过得怎么样： Exscientia，最早把 AI 设计的分子送进人体试验的公司。它和日本住友合作的 DSP-1181，2020 年 1 月进入一期，当时的口径是"探索阶段用时不到 12 个月，传统方法平均要 4.5 年"。这个分子后来在 2021 年底到 2022 年中之间，悄无声息地从住友的官方管线表上消失了，没有任何终止公告。2023 年砍掉自研管线，2024 年 2 月创始人 CEO 被董事会以"有因由"解职，5 月裁员两成以上，11 月整体并入 Recursion，退市。 BenevolentAI，2021 年底宣布借壳上市时投后估值 15 亿欧元，2022 年 4 月挂牌。2023 年 4 月，核心药物 BEN-2293 二期结果出来：安全性达标，但止痒和抗炎这两个疗效终点全部没达到。员工从 378 人裁到约 180 人。2025 年 3 月从阿姆斯特丹退市，理由写得很克制：维持上市地位的成本，已经无法被它带来的好处所证明。 Recursion，这个赛道现在的整合者。股价从 2021 年 7 月最高的 41.33 美元跌到今年 8 月 7 日的 3.22 美元，跌了约 92%。2025 年 5 月一口气砍掉三个临床项目，其中两个是被自己的数据判了刑：治疗 NF2 相关脑膜瘤的 REC-2282，二期数据没撑住；治疗脑海绵状血管畸形的 REC-994，长期随访下来与疾病的自然进程无法区分。一个月后裁员约两成。 英矽智能的 rentosertib 是目前走得最远的 AI 药物，2025 年 6 月把肺纤维化的 IIa 期结果发在《自然·医学》上。但要看清楚：这项试验的主要终点是安全性，肺功能改善只是次要终点，总共 71 名患者、用药 12 周。三期要到今年 8 月底才开始入组，预计 2029 年 10 月完成。 Isomorphic Labs，DeepMind 分拆出来的那家，今年 5 月刚拿到 21 亿美元 B 轮，累计融资约 27 亿美元。哈萨比斯原本说 2025 年底就能把 AI 设计的药送进人体试验，今年 1 月在达沃斯推迟了时间表。截至今天，在美国和英国的临床试验注册库里，搜不到这家公司的任何一条试验记录。 这几家的技术都是真的。但把成绩单摆在一起，规律很清楚：AI 让分子设计得更快、更像药，这一步真做到了。可决定一款药生死的，从来是它在人体里管不管用。而那一关需要时间、需要病人、需要真实世界，AI 一步都替不了。 就在本月 7 日，《自然·综述·药物发现》登了一篇观点文章，联署者包括提出 Eroom 定律的 Scannell 本人。结论只有一句： 尽管各种 AI 方法已被开发、应用并做过基准测试，迄今为止，它们产生临床相关影响的证据，令人失望地有限。 这就是理想和账本之间的距离。 未来十年判断 八、十年走向：一次剧烈的不均衡加速 我判断行业演化，习惯用一个自己在 2007 年提出的四阶段模型：资源 → 流程 → 社群 → 个性化。资源期（各家自己攒设备、攒机械臂）已经过去，实验室这件事正好卡在第二段的开头。 2026—2029：流程期。真正的战场是"实验的普通话" 前面说过，现在的自主实验室大多是手工孤品。孤品的代价就在这儿：同样一个"把样品在 37 度孵育两小时并每十五分钟摇匀一次"的动作，在不同实验室的机器上是完全不同的代码。缺的是标准。 有个细节最能说明问题：全球生物铸造厂联盟 2019 年成立，到 2025 年才开始认真做一件事——给实验流程定义一套通用的术语。一个成立多年的国际联盟，最新的重大成果是"大家终于开始说同一种话"。 所以这三年最值钱的东西是协议。谁定义了描述实验的那套语言，谁就是这一层的赢家。网络时代，谁拥有用户，谁就是标准的制定者——这条规律在这里同样适用，只不过这次的"用户"是全世界的实验室。 这三年会发生的事： 1. 干实验岗位继续缩编。做数据分析、建模、常规生信的初级岗位，会是科研体系里第一批被压缩的编制。这已经在发生，《自然》今年 2 月说得很直白。 2. 出现第一批要求投稿时附交机器可执行实验协议的期刊或资助机构。理由不会是"为了自动化"，会是"为了可重复"。 3. 云实验室先在教学上跑通，而不是在科研上。因为教学场景对失败的容忍度高、标准化程度高、需求量大。卡内基梅隆已经开了这个头。 2029—2032：社群期。失败的数据开始值钱 前面说的"模型没料可吃"那笔账，会在这三年里开始兑现。 4. 出现真正意义上的实验数据市场，而且负面结果的单价会高于正面结果——正面结果论文里已经有了，负面结果只在做过的人手里。 5. 前沿模型公司自建或长期包下湿实验室，会从新闻变成常规操作，像今天租数据中心一样平常。 6. 第一个"由自主实验室独立完成、论文没有人类通讯作者"的重要成果出现。但它一定在窄领域——材料合成、催化剂筛选、无细胞生化这类信噪比高、判分快的地方，不会在复杂生物学或临床。 2032—2036：个性化期。科学分裂成两个世界 十年后最可能的局面：科学裂成两半。 一半是可以被机器验证的科学：反应快、信号干净、成败有客观判据。这一半会快得让人不适应，一个博士生一年能跑完过去一个课题组十年的实验量。 另一半是验不了的科学：需要活体、需要长周期、需要临床、需要在真实世界里等结果。生态学、发育生物学、慢性病、社会科学，还有所有"要等三年才知道对不对"的问题。这一半的速度几乎不会变。 7. 学科之间的速度差会大到影响人才流向。 聪明的年轻人会成批涌向能自动化的领域，因为那里出成果快。这会造成一次学科生态失衡，且很难纠正。 8. "会做湿实验的人"会重新变贵。 供给在减少，不可替代性在上升。十年后，一个能把手上功夫翻译成机器协议的实验员，身价会高于普通算法工程师。 9. 超级个体科学家出现。 一个人加一座云实验室，等于过去一个二十人的课题组。这类人不会诞生在大机构里——大机构的价值本来就建立在"我有设备、我有人手"上，而这两样正在变成按小时租的东西。 最后一条，也是我最想说的一条 10. 到 2036 年，AI 不会带来一场全面的科学大爆发。 因为 Eroom 的教训还摆在那里：把实验做快一千倍，如果问的还是同一批问题，产出不会变。通量是加法，判断力才是乘法。 真正的分水岭在于，这十年里 AI 能不能从"帮你把实验做完"，长到"帮你选对该做哪个实验"。前者是自动化，后者才是智能。 前者现在做得已经不错了。后者，看看那个 38.78 分，看看被原作者一致拒稿的两篇论文，答案还很远。 九、所以，该做什么 如果你在做科研。 别再把时间花在 AI 已经做得比你好的事情上。省下来的时间押两件事：提出别人没想到的问题，和把你手上那些说不清道不明的经验，写成机器能执行的步骤。前者决定你会不会被淘汰，后者决定你的实验室值不值钱。 如果你在带学生。 最该教的是让他们保住动手的能力和对数据的怀疑。一个从没亲手把实验做砸过的人，看不出机器交上来的结果哪里不对。等到全实验室都在用 AI，能兜住底的是那个还听得出离心机声音不对劲的人。 如果你在做投资或者做企业。 别为"每小时多跑多少次实验"付溢价，这指标六十年前就被证明不改变结局。该盯的是另外两样：谁掌握了能被机器执行的实验协议，谁能把物理世界的数据变成可交易资产。这两样今天几乎没有标价，十年后会很贵。 如果你只是关心这件事往哪儿走。 记住一句就够了：下一轮 AI 的口粮不在互联网上，在实验室里。 尾声 我以前常问一个问题：给你一百个免费的博士，你会用来做什么？ 2026 年，这个问题不再是假设。它们已经到岗，随叫随到，不睡觉不抱怨，读过的文献比任何一个人类都多。 只是它们没有手。 科学从来是"想"和"做"两条腿走路。现在一条腿装上了涡轮，另一条腿还是肉长的。跑起来的结果是打转。 未来十年真正的胜负手有两个，而且必须同时拿到：谁能把"做一次实验"的价格打下来，谁能知道该做哪一次实验。 只拿到前一个，就是三十年前那出戏再演一遍。 手长不出来，AI 就永远只是科学的嘴，不是科学的手。 而在那双手长出来之前，最值钱的人，还是那个知道该往哪儿伸手的人。

创新药五大风口2026：谁在改变游戏规则？ 从ADC到AI制药，从GLP-1到细胞治疗，中国生物医药正在经历一场前所未有的价值跃迁。 ADCGLP-1AI制药细胞治疗出海 2026年上半年，中国创新药对外授权交易总额突破1100亿美元——这是2024年全年的两倍。在全球医药交易Top10中，中国药企占据八席。 但真正值得关注的不是数字本身，而是数字背后的结构性变化：五个技术赛道正在同步爆发，中国企业的角色正在从"跟随者"变成"规则制定者"。 本文导览： ADC：从跟随到领跑，中国企业重新定义全球格局 GLP-1：从注射到口服，从减重到"万能药" AI制药：第一个AI设计的药物进入III期，但挑战才刚开始 细胞与基因治疗：实体瘤的城墙正在被攻破 创新药出海：从"卖管线"到"共创价值"01 ADC：从跟随到领跑，中国企业重新定义全球格局 2026年ASCO年会上，共有15款ADC首次披露临床试验数据。其中12款来自中国企业。 这不是偶然。 过去十年，中国ADC企业从靶点筛选、连接子设计到载荷优化，已经建立起完整的技术体系。2026年ASCO上，靶向Claudin18.2、AXL、CD46、FRα、GPC3等新兴靶点的ADC管线集中亮相，覆盖胃癌、卵巢癌、胰腺癌等难治性实体瘤。ADC靶点格局正在打破HER2、TROP2少数靶点垄断的局面。 更值得关注的，是技术路线的升级。双抗ADC：从"单靶点导弹"到"多靶点精确制导" 百利天恒的Iza-bren（BL-B01D1）是全球首创的EGFR×HER3双抗ADC。它的设计思路很清晰：同时识别肿瘤细胞表面的两个靶点，双重阻断生长信号通路，有效克服单靶点ADC易产生耐药性的痛点。 2025年10月ESMO年会上，Iza-bren的关键III期临床研究入选Late-breaking Abstract，并同步发表于《柳叶刀》主刊。数据显示：确认ORR达到54.6%，较化疗组27.0%实现翻倍；中位缓解持续时间8.5个月 vs 4.8个月，同样翻倍。 而在AACR 2026上，更多此前从未公开的双抗ADC靶点组合涌现：百奥赛图的TROP-2×MUC1、EpCAM×HER3，海思科的FRα×CDH6。正大天晴的TQB6411是全球首个公布人体临床数据的EGFR/c-Met双抗ADC，在≥4 mg/kg剂量下ORR达50%，DCR达100%。 案例：科伦博泰SKB264——"IO+ADC"的标杆 SKB264（芦康沙妥珠单抗）是靶向TROP-2的ADC。其核心突破不在于单药数据，而在于与帕博利珠单抗（K药）的联合应用——将"IO+ADC"联合疗法从理论推向大规模临床验证。 OptiTROP-Lung05 III期数据显示：联合用药用于PD-L1阳性NSCLC一线治疗，疾病进展或死亡风险下降65%，ORR达70.2%，显著优于K药单药42%。 这意味着ADC已从末线挽救治疗，全面渗透到一线治疗场景。新靶点突破：填补全球空白 企业 药物 突破恒瑞医药 SHR-A2009 全球首个HER3 ADC III期成功，打破HER3"不可成药"魔咒，预计2027年获批乐普生物 MRG006A 全球首创GPC3 ADC，剑指肝癌，DAR值8设计，填补肝癌ADC空白 复宏汉霖的HLX43则是另一个值得关注的创新——靶向PD-L1的ADC，实现了"免疫治疗+靶向杀伤"的协同效应。2025年ASCO公布的数据显示，在NSCLC患者中ORR达38.1%，其中胸腺鳞状细胞癌亚组ORR高达75%，脑转移患者DCR达100%。 中国已成为全球ADC研发的创新中心。从靶点多元化到双抗ADC、双载荷等创新技术落地，行业正由同质化竞争走向差异化创新。02 GLP-1：从注射到口服，从减重到"万能药" 2026年4月1日，礼来宣布其口服小分子GLP-1受体激动剂orforglipron获FDA批准，用于肥胖或超重人群的体重管理。 这是全球首个口服小分子、非肽类GLP-1减重药。它的意义不在于减重效果最强——最高剂量平均减重12.4%，低于注射剂型——而在于可及性。 orforglipron可以随时服用，没有饮食和饮水限制。相比之下，诺和诺德的口服司美格鲁肽片（2025年12月获批减重适应症）需要空腹服用，服药后至少等待30分钟才能进食。 为什么口服剂型如此重要？ 因为目前GLP-1类药物在肥胖症中的渗透率仅约2%。注射剂的依从性、冷链运输和储存要求，严重限制了可及性。口服剂型是破局的关键。 企业 减重幅度 特点诺和诺德 16.6% 口服司美格鲁肽25mg，64周平均体重降幅，近1/3患者减重超20%礼来 12.4% orforglipron最高剂量，无饮食饮水限制，小分子易规模化生产中国企业的口服竞速 国内十余家药企已布局口服减重药。恒瑞医药的HRS-7535片正在开展III期临床，II期数据显示180mg剂量组26周体重下降9.36%。HRS9531口服制剂II期数据显示25mg和50mg组体重均下降12.1%。闻肽医药的小分子GLP-1受体激动剂减重III期已接近完成，华东医药的口服小分子GLP-1处于国内III期阶段。适应症扩展：从减重到"一药多用" GLP-1类药物的价值远不止减重。 2025年12月，国家药监局批准司美格鲁肽注射液心血管适应症上市。2026年1月，一款口服小分子GLP-1获批临床，适应症为高血压合并超重或肥胖。GLP-1与银屑病关节炎联用的III期研究也取得积极结果。 从糖尿病管理，到体重管理，再到心血管保护、肝脏保护、肾脏保护、阻塞性睡眠呼吸暂停——GLP-1正在成为跨越代谢、心血管、免疫多个领域的"平台型药物"。 北京大学人民医院纪立农教授指出："GLP-1受体激动剂对许多疾病的治疗作用是独立于体重下降的。"这意味着，这个药物的作用机制比我们想象的更复杂、更深远。 信达生物的玛仕度肽（GLP-1/GCG双靶点）在《自然》同日发表两项临床研究，能在抑制食欲的同时增加脂肪消耗，24周约64%的患者体重下降超过5%。礼来已布局三靶点减重药，在降低食欲、增加消耗的同时进一步优化代谢。03 AI制药：第一个AI设计的药物进入III期，但挑战才刚开始 2026年7月，Insilico Medicine启动了一项III期临床试验——320名特发性肺纤维化（IPF）患者，47个中心，随机双盲安慰剂对照。 这本身不算大新闻。IPF的III期试验每年都有几项。 但这个药物叫rentosertib（INS018_055），它是全球首个由AI从零设计、并进入确证性III期试验的小分子药物。AI到底改变了什么？ 对比维度 传统药物研发 AI驱动研发靶点到IND周期 3-6年 18个月合成化合物数量 5000-10000个 <80个 截至2026年初，全球已有超过173个AI发现的候选药物进入临床试验。I期成功率80-90%，远高于传统的40-65%。 看起来很美好。但真正的考验在II期。失败案例同样真实 Recursion Pharmaceuticals的REC-994在SYCAMORE II期试验中未达到主要疗效终点。REC-2282在POPLAR II/III期中数据模糊。两个项目均被终止。 Exscientia的DSP-1181（2020年号称最早的"AI设计分子进入临床"之一）在I期完成后被搁置，从未进入II期。 AI加速了药物发现的"漏斗前门"，但漏斗中段——临床试验——仍由人类生物学决定。AI设计的分子在II期的成功率，与传统药物一样，仍然面临约60%的失败率。大药企的态度转变 2025-2026年，大药企从"观望"转向"真金白银"。 Isomorphic Labs（DeepMind旗下，基于AlphaFold 3）与诺华达成12亿美元、与礼来达成17亿美元合作，2026年5月完成21亿美元B轮融资。Insilico Medicine与施维雅达成8.88亿美元多年合作，与齐鲁制药达成近1.2亿美元合作，2025年12月在港交所上市，成为2025年最大港股生物科技IPO。 辉瑞与Boltz合作蛋白质结构预测AI，拜耳采用Cradle的蛋白质设计AI，礼来与NVIDIA联合建设AI制药算力工厂。Recursion在2025年收购Exscientia，整合了AI分子设计与表型筛选两大能力。 值得关注的下一个里程碑：Isomorphic Labs的首个候选药物预计2026年底进入临床试验。Schrödinger平台的zasocitinib（TYK2抑制剂）已进入III期。04 细胞与基因治疗：实体瘤的城墙正在被攻破 实体瘤占恶性肿瘤90%以上。长期以来，CAR-T细胞疗法在血液瘤中屡创佳绩，但在实体瘤面前，始终面临三道城墙：异质性强、肿瘤微环境免疫抑制、细胞浸润难。 2026年，这道城墙正在出现裂缝。全球首款实体瘤CAR-T，申报上市 科济药业的CT041（舒瑞基奥仑赛注射液）——靶向Claudin18.2的自体CAR-T，2025年6月NDA获CDE受理，被纳入突破性治疗及优先审评。有望成为全球首款获批上市的实体瘤CAR-T。 确证性II期临床结果显示：在所有随机人群中，舒瑞基奥仑赛较标准治疗显著延长无进展生存期（mPFS 3.25个月 vs 1.77个月，HR 0.366），疾病进展/死亡风险下降63%。在实际用药人群中，mPFS达4.37个月（HR 0.304），风险下降70%。 这不是个例。2025年全年，中国免疫细胞领域共获批近60项IND，覆盖CAR-T、TCR-T、TIL、CAR-NK、Treg、iNKT等多条技术路径。TIL疗法：用肿瘤自己的"叛徒"打回去 TIL（肿瘤浸润淋巴细胞）疗法的逻辑不同于CAR-T。它不从外部安装靶向受体，而是直接从患者肿瘤组织中提取已经浸润进去的T细胞——这些细胞天然表达多克隆TCR，能识别多个肿瘤新抗原，解决了肿瘤异质性问题。 国内已有三款TIL治疗黑色素瘤进入关键临床试验。君赛生物的GC101是全球首款"免清淋、免IL-2注射"TIL疗法，预计2026年提交上市申请。华赛伯曼HS-IT101在I期试验中ORR达50%、CRR 20%、DCR 100%。蓝马医疗LM103成为国内首个同时拥有两个II期临床的TIL产品。 适应症已超越黑色素瘤：沙砾生物GT101在宫颈癌I期试验中ORR达45.5%。百吉生物启动了全球首个针对肝癌的TIL注册临床研究。从肿瘤到自免：细胞治疗的疆域扩张 细胞治疗的边界正在从肿瘤向自身免疫性疾病扩展。 西比曼生物的C-CAR168先后在国际系统性红斑狼疮大会和美国风湿病学会年会上公布积极数据，2025年获FDA再生医学先进疗法（RMAT）认定。 而更前沿的方向是体内CAR-T（in vivo CAR-T）——通过单次静脉注射将CAR基因直接递送至患者体内，在体内完成T细胞改造，跳过传统CAR-T繁琐的体外制造环节。礼来四个月内连下两城，阿斯利康、艾伯维、BMS群雄逐鹿。可及性：从"天价"到"可负担" 案例：华道生物——CAR-T价格体系的"破坏性创新者" 华道生物依托"全产业链自主创新国产化"与"全自动、全封闭、无人化生产系统"，开发了预计售价仅20余万元的CAR-T细胞治疗药物，2025年12月已向CDE递交上市申请。 同期，首版《商业健康保险创新药品目录》中已有5款CAR-T药物入选。复星凯瑞推出"按疗效价值支付计划"——若患者未达完全缓解，最高可获60万元返还。 技术迭代与支付创新双轮驱动，正推动细胞治疗从"天价"走向"可及"。 西比曼与阿斯利康的合作则代表了中国CGT"走出去"的典型路径。GPC3靶向CAR-T C-CAR031登顶《Nature》正刊，阿斯利康以最高6.3亿美元获得全球权益。05 创新药出海：从"卖管线"到"共创价值" 2026年上半年，中国创新药完成81笔对外授权交易，合同潜在总金额约1100亿美元。 这个数字是2024年全年的两倍多，是2025年全年的80%。2025年全年交易157笔、总额1356.55亿美元、首付款70亿美元。 但比数字更重要的是结构的变化。三笔交易，三个阶段 阶段一：石药集团 × 阿斯利康——185亿美元 2026年1月。8个创新长效多肽药物项目，依托石药专有的缓释给药技术平台及AI多肽发现平台。创全球历史第二高单笔交易。首付款12亿美元。 这不是卖一个分子，是卖一个技术平台。 阶段二：恒瑞医药 × BMS——152亿美元 2026年5月。13款早期项目覆盖肿瘤、血液和免疫三大领域。关键变化：恒瑞保留共同开发与共同商业化选择权。 这意味着中国企业从"授权方"升级为"联合开发者"。 阶段三：迪哲医药 × 阿斯利康——15亿美元 2026年7月。自主研发的小分子新药舒沃哲全球权益授权。首付款6亿美元，创下国产小分子新药出海交易首付款纪录。 一家小型Biotech，凭借一个分子，拿到了6亿美元首付款。从"规模出海"到"价值出海" 2026年以来，中国创新药BD交易出现三个显著变化。 第一，交易结构在变。 传统单向License-out仍占主流，但"共同开发+共同商业化"（Co-Co）模式正在落地。信达生物与辉瑞105亿美元合作中，4个核心项目采用全球联合开发模式，欧美市场利润共享。 第二，资产类型在变。 从早期管线的低价出让，到平台级技术合作、多管线"打包"交易。石药的AI多肽平台、信达的12个肿瘤项目"打包"，卖的不只是分子，是体系能力。 第三，首付款在变。 2026年BD交易平均首付款0.6亿美元，同比增长38%；平均交易金额10.6亿美元，同比增长22%。首付款比总金额更能说明MNC对中国资产的刚性需求——他们愿意现在就掏真金白银。 2025年中国BD交易首付款占全球比重高达49.5%。中国创新资产已从"可选项"变为"必选项"。结语 回看这五个赛道，有一个共同特征： 中国企业正在从"做出来"走向"做得好"，从"卖给谁"走向"一起做"。 ADC领域，中国企业已成为全球创新中心，靶点多元化和技术路线升级同步推进。GLP-1领域，口服剂型的突破正在打开百亿级别的可及性市场。AI制药领域，rentosertib进入III期是一个里程碑，但真正的考验在II期临床数据。细胞治疗领域，实体瘤CAR-T和TIL疗法正在改写"不可治"的定义，可及性问题也在通过技术和支付创新双线突破。创新药出海领域，从License-out到Co-Co模式，中国企业正在从全球分工底端向上攀升。 2026年是中国创新药从"量变"到"质变"的关键一年。 五个风口同时爆发，这不是周期的轮回，而是结构的跃迁。 接下来要关注的不是"有多少交易"，而是"有多少能在II期、III期活下来"。 因为最终改变游戏规则的，不是PPT上的交易金额，而是患者的临床获益。 —END—