EXS-21546

过去几年，AI几乎成为全球药物研发最重要的关键词。从蛋白质结构预测到生成式分子设计，从虚拟筛选到虚拟细胞（Virtual Cell），人工智能不断刷新人们对药物研发效率的想象。资本持续涌入，跨国药企纷纷布局AI平台，科技公司也加速进入生命科学领域，希望借助算法重新定义新药研发。 然而，一个现实始终没有改变。尽管AI制药获得了前所未有的关注，但真正由AI深度参与研发并成功走向临床乃至上市的新药仍然十分有限。问题究竟出在哪里？越来越多行业人士开始意识到，限制AI制药发展的瓶颈，并不是模型本身，而是模型背后的生物学数据。 AI可以不断升级，但如果没有足够真实、可信、可验证的数据，它最终学习到的，只会是生物世界的一部分。未来AI制药真正竞争的，不是谁拥有更大的模型，而是谁拥有更高质量的生物学数据。 01 AI时代，数据比算法更稀缺 人工智能的发展，让"数据决定模型能力"成为共识。互联网大模型能够快速迭代，很大程度上依赖于海量公开数据。而生命科学恰恰相反，人体本身就是目前已知最复杂的系统之一，每一种疾病、每一个器官、每一条信号通路都受到多因素共同影响。相比互联网几乎无限的数据来源，生物学数据不仅数量有限，而且获取成本极高。 更重要的是，真正高价值的数据往往并不公开。公开数据库和学术论文中的数据，大多经过筛选和整理，更倾向于展示具有统计学意义的"成功结果"。而那些失败实验、阴性结果、真实毒性反应、未能进入临床的候选药物，却长期沉淀在药企和研发机构内部，成为难以共享的数据资产。对于AI来说，这意味着它看到的世界始终是不完整的。没有任何一家企业能够独立拥有足够的数据去描述人体健康和疾病的全部复杂性。每家公司掌握的，都只是整张生命地图中的一小块拼图。 英国AI制药公司Exscientia曾因AI辅助设计的候选药物DSP-1181进入临床研究而备受关注。这一项目从启动到确定候选分子仅约12个月，远快于传统药物发现通常需要4—5年的周期，一度被视为AI加速药物研发的重要标志。然而，这款与住友制药合作开发、用于治疗强迫症的候选药物最终因Ⅰ期临床研究结果未达到预期，于2022年终止开发。随后，公司另一款免疫肿瘤药物EXS-21546也在2023年因临床结果不及预期而停止推进。这些案例并不意味着AI设计失败，而是揭示了当前AI制药面临的核心挑战：AI能够显著提高分子设计效率，不等于AI能提高临床成功率。 当候选药物进入临床阶段，决定其成败的已不仅是算法生成能力，而是训练模型所依赖的生物学数据是否足够真实、完整，并能够准确反映人体复杂的生理反应。 02 数据质量，比数据规模更重要 相比数据数量，AI制药更大的挑战来自数据质量。人工智能并不理解生物学，它只能学习数据中呈现出的规律。如果数据本身存在偏差，模型也会沿着错误方向不断优化。医学AI领域曾有一个经典案例，研究人员训练了一套用于识别恶性黑色素瘤的图像模型，最终发现模型真正学习到的，并不是肿瘤特征，而是照片中的尺子。原因在于，临床医生通常会在疑似恶性病灶旁放置尺子进行记录，而普通病例则较少使用。模型因此错误地将"尺子"与"恶性肿瘤"建立了关联。 美国知名的AI药物公司Recursion（NASDAQ GS: RXRX），是“数据驱动”理念的典型代表。其核心平台Recursion OS被定位为一个集生物学、化学和临床开发于一体的“操作系统”。其竞争力不在于单纯的数据量，而在于其构建的高质量数据闭环体系：其专有的“细胞绘画”（Cell Painting）成像数据和多组学数据均通过自动化、标准化的湿实验流程产生，确保了数据的可重复性和可追溯性。正是这种高质量数据资产，使其AI化学平台能将平均合成化合物数降至330个、项目周期缩短至17个月，并最终支撑REC-4881在II期临床中取得息肉负担中位数减少43%-53%的验证性数据，完成了从可验证的生物学洞察到临床获益的转化。 模型学会的是相关性，而不是疾病本身。类似的问题同样可能出现在药物研发中。如果实验数据受到批次差异、培养条件、设备参数甚至人为标注习惯的影响，AI学习到的可能只是实验环境，而非真正具有生物学意义的规律。在互联网领域，这类错误或许只是推荐结果不够精准；但在药物研发中，它可能意味着错误的候选分子、失败的临床试验，甚至影响药物安全性评价。对于生命科学而言，高质量的数据不是"更多"，而是"更真实"。 03 生物学数据 正在成为AI制药的新基础设施 近年来，行业正在重新定义什么才是真正有价值的生物学数据。过去几十年，药物研发主要依赖二维细胞实验和动物模型积累数据。这些模型推动了现代制药的发展，但始终难以完整模拟人体真实的生理环境，也成为临床转化效率有限的重要原因之一。 随着类器官、器官芯片、人源化模型、高内涵三维成像、多组学分析等新技术的发展，越来越多研究开始能够获得更加接近人体真实状态的数据。这些数据不仅包含传统终点指标，更能够持续记录细胞形态、组织结构、代谢变化、分子表达等动态信息，具有更高的信息密度，也更适合AI模型学习复杂的生物学规律。 在这一趋势下，器官芯片和高维度生物成像正在成为连接真实生命系统与AI模型的重要数据入口。以耀速科技为例，公司围绕“器官芯片+高内涵智能成像+人工智能分析”构建3D Bio Intelligence™体系，通过人源化器官芯片模拟人体组织微环境，并利用AI视觉模型解析细胞行为、组织表型和药物响应过程，将传统实验中难以量化的生命过程转化为结构化、多模态的人源生物学数据。 与传统实验数据相比，这类数据不仅关注药物最终是否有效，更能够记录药物作用过程中细胞形态变化、组织结构变化以及动态响应轨迹，为AI模型理解复杂生命过程提供更加真实的数据基础。通过持续积累标准化、可追溯的人源化实验数据，器官芯片正在从单一实验工具，逐渐演变为AI制药时代的重要数据基础设施。 04 AI竞争，正在从模型走向数据闭环 如果说高质量数据决定了AI模型的能力，那么持续产生高质量数据的能力，则决定了平台的竞争力。 近年来，一个越来越明显的趋势是，AI开始从"设计工具"走向"研发平台"。传统AI制药更多停留在分子设计阶段，后续化合物合成、实验验证、毒理评价依然依赖传统研发流程。一旦实验结果无法快速反馈给AI模型，算法便失去了持续学习的机会。因此，越来越多企业开始构建"设计—合成—测试—学习（Design–Make–Test–Learn）"闭环，将AI、自动化实验、高通量检测和数据分析连接成一个持续迭代的系统。 如果说Recursion是在数据规模和系统整合上构建壁垒，那么Vivodyne则是在数据源头进行革新——其全自动机器人平台能规模化培养、给药并分析超过10,000个3D人体组织样本，覆盖20多种器官类型，产生包含表型组学、单细胞转录组学在内的多模态人源数据，用以训练其AI模型。这一“人源替代动物源”的策略，直接回应了近95%动物模型有效药物在人体临床中失败的行业痛点。凭借这套“数据-模型-验证”闭环体系，Vivodyne已累计融资超8000万美元（其中2025年完成4000万美元A轮融资），并获得了全球大多数顶级制药公司的采用，其商业验证本身也说明：高质量的闭环数据资产，正在成为AI制药平台最核心的竞争壁垒。 事实上，中国生命科学企业也正在探索基于人源化模型的数据基础设施建设。耀速科技通过器官芯片、高内涵成像与人工智能融合，探索以真实生命表型数据驱动AI模型发展的新路径，为AI4BIO时代提供面向人体生物学的数据基础。以港交所上市的晶泰科技(XtalPi)为例，其将AI深度嵌入湿实验全流程，构建了“AI模型预测—机器人执行实验—数据反哺AI模型训练”的闭环研发体系。其AI自主实验平台在全球部署超300台机器人工站，可实现7×24小时无人化运行，将数据收集能力提升40倍。AI设计实验方案，机器人自动完成验证，再将真实实验数据——包括传统模式下极易被忽略的失败实验与阴性结果——反馈至模型持续迭代。这一模式已积累超200个行业AI模型，服务覆盖全球TOP20药企中的17家，2025年营收同比增长201.2%，首次实现年度盈利，并于近期达成超4亿美元的GPCR靶点药物合作。从Vivodyne到晶泰科技，中美企业正以不同路径实现同一目标——将高质量数据的持续生产能力，而非算法参数，构建为AI制药平台最底层的竞争壁垒。 实验不再只是验证模型，而成为模型不断成长的数据来源。与此同时，行业也开始更加重视数据标准化和共享机制。统一的数据格式、标准化元数据体系、可追溯的数据管理流程，以及联邦学习、安全多方计算等隐私计算技术，都在推动跨机构数据协同，让更多高质量数据能够真正服务于模型训练，而不是长期停留在数据孤岛之中。未来AI制药平台之间的竞争，将越来越体现为数据生态的竞争。 05 下一代AI，需要真正理解生命 近年来，全球药企与科技公司的合作也呈现出新的变化。无论是共建AI实验平台，还是布局自动化实验室，本质上都不仅是在提升算法能力，而是在建设持续产生高质量生物学数据的新型研发体系。监管机构也开始同步推进相关规范，更加关注数据来源、模型可解释性以及算法验证，希望确保AI真正建立在可靠的数据基础之上。 对于整个生命科学行业而言，一个新的共识正在形成。AI能够提高研发效率，但无法替代生物学；模型能够发现规律，但不能创造真实的数据。决定AI能力上限的，终究不是参数规模，而是它能够理解怎样的生命世界。未来，无论是虚拟细胞、数字孪生、生成人工智能，还是个体化精准治疗，都建立在可信的人源生物学数据之上。 可以预见，下一阶段AI制药的竞争，将不再局限于算法创新，而是围绕人源化数据基础设施建设的进一步展开。包括耀速科技在内的创新企业，正通过器官芯片、人源化模型、高内涵成像与人工智能分析技术，推动真实生命数据的规模化产生与智能解析，为AI模型理解复杂生命过程提供新的数据基础。AI正在改变药物研发，而真正决定这场变革深度的，始终是生物学数据。 想了解更多关于 AI+器官芯片的技术细节或合作可能？ 欢迎扫码留言，与我们进一步交流！ 关于耀速科技 耀速科技 2021 年底创立于美国波士顿，是全球首家利用器官芯片结合高内涵三维（3D）细胞成像，计算机视觉（CV）和人工智能（AI）进行药物发现和精准医学研究的 “3D Bio Intelligence” 生物科技初创公司。耀速创始团队成员多来自于知名跨国生物医药企业及哈佛大学，麻省理工学院等顶尖科研院所，具有丰富的工业界医药产品开发和前沿生物与AI技术研发经验。耀速正作为唯一一家中国公司和中美药监机构联合制定器官芯片全球首个行业标准。耀速科技与多家生物制药公司和科研院所开展了战略与科研合作。

2025年12月30日，英矽智能在港交所上市，发行价24.05港元，首日盘中最高涨约48%，募资22.77亿港元，是当年港股生物医药最大的IPO。上市后两个月，股价最高冲到发行价的3倍多。2026年5月，Alphabet旗下的Isomorphic Labs完成21亿美元B轮融资，创下AI药物发现领域的融资纪录。再往前，2026年3月，礼来和英矽智能签了最高27.5亿美元的合作，首付款1.15亿美元，刷新中国AI制药单笔交易纪录。 AI制药又火了吗？这次像是来真的。 但有个事，多数人不知道。全球第一个进临床的AI设计分子叫DSP-1181，2020年1月在日本开始人体试验，当时媒体标题是“AI只用12个月就设计出新药”，媒体夸大了事实，准确说，是探索性研究阶段不到12个月，而行业平均要4.5年。六年过去，这个分子早就死了，项目悄然终止，I期数据从未公布。 截至2026年年中，AI发现或设计的全新分子实体，全球获批数量是零。是的，一个都没有。 从零到一的距离，行业里有个名字： 转化鸿沟——从实验室里的分子，到人体内真正起效的药，中间隔着一道至今没人跨过去的沟。 AI制药离获批最近的一次，反而是老药新用：2020年，BenevolentAI用自家AI平台翻出一款已上市的老药巴瑞替尼能治新冠，2022年拿到了FDA（美国食品药品监督管理局）的正式批准。新分子没做到的事，旧分子借AI的手做到了。而这家唯一摸到过获批边界的公司，后来市值蒸发九成，退市了。先记下这家公司，后面还会提到它。 这个行业的底牌翻了一半，另一半还扣在桌上。AIDD，先分虚实 AIDD，即AI驱动的药物发现（AI-driven drug discovery），指用人工智能做新药研发，从找靶点、设计分子到预测毒性，药物发现的早期那几个环节，它都插得上手。 英矽那款走得最远的药，代号ISM001-055，后来定名Rentosertib，治特发性肺纤维化（一种肺部逐渐硬化、呼吸衰竭的病，简称IPF）。它的发现过程是，AI平台先找到一个没人做过的新靶点TNIK（一种激酶，可以理解为疾病链条上的一个开关），再用生成式AI设计新分子。从立项到提名临床前候选，18个月，披露预算约260万美元，前后只合成了79个分子做测试——最后那个候选物，是第55个合成的。 传统做法呢？发现一个有希望的临床前候选，要4到6年，砸上亿美元，合成测试5000到10000个化合物。这效率差着一个数量级。 所以，AI为制药带来效率革命这事，是必须承认的，但这行另一类数字就没这么结实了。 这行宣传里“AI模型准确率多少多少”的高分，不少要按量化交易里的回测成绩来理解。很多高分来自回顾性测试（用已经知道答案的旧数据来考模型），测试数据里还混进了和训练集长得差不多的分子，等于“见过答案”再考试。用严格的骨架分割重新测（确保测试集分子骨架和训练集完全不同），分数就会掉一截。回测年化30%，实盘就翻车，因为策略碰巧记住了历史行情里的噪声，并没学到真正规律——AI制药模型跑分，是一个道理。 还有一组数据，经常被引用。《Drug Discovery Today》是药物发现领域的权威期刊，2024年它有篇研究，第一次系统分析AI原生制药公司（以AI为核心技术创立的制药公司）的管线（公司在研药物项目的组合），说AI发现的分子，I期临床成功率80%到90%，行业历史均值只有约40%到65%。（这里解释下分期：I期临床测安全性，II期看疗效，III期大规模确证，都过了就能申请上市。AI擅长造“像药”的分子，毒性低，代谢稳定，溶解度好，过I期自然顺畅不少。） 但这组数据，需要打三个折扣。 第一，幸存者偏差。拿精选池子的成功率对比全行业历史均值，问题不在分母，在池子；样本只有二十来个分子，全靠公司自愿披露，披露哪几个、什么时候披露，公司自己说了算，行业那边是近万个项目的全样本，这边是幸存者自报家门。 第二，样本太小。完成I期的只有24个分子，21个成功，80%到90%就是这么算出来的。分母24，多死两个，成功率就掉8个百分点。拿这么小样本的数去外推全行业，误差会很大。 第三，均值口径是动态的。失败项目的补录越来越全，Biomedtracker数据库里，I期成功率从2006到2015年那版的63.2%，下修到2011到2020年那版的52%。 所以，80%到90%这个数，当个方向性信号可以，当精确的成功率外推，是要打个问号的。 再算另一笔账。新药研发的钱，临床阶段要烧掉六到七成，耗时6到7年；AI目前能压缩的发现和临床前环节，只占总成本的三成上下。当然这不等于临床阶段AI进不去，试验设计、患者招募，AI已经在渗透；真正让AI卡住的，是验证本身的速度：疗效只能在病人身上试出来。 验证疗效的第一道关口，就是II期。还是那篇研究，AI管线的II期成功率约40%，和行业历史均值基本一样，不过这组数据截至2023年底，完成II期的AI分子只有10个、成了4个，这个“一样”在统计上还分辨不出差异，真正的答案要等更多AI分子走到II期。 发现得快，不等于药成得快。这个"快"字，只在最前面的发现和临床前环节成立。 有人会说，那基数变大了，也有意义吧。同样100个候选，传统管线I期过约52个、II期过40%，约21个进III期；AI管线I期过约85个、II期同样40%，约34个进III期。同样的投入，进最后阶段的资产多出约六成。就算把85%打个折，按70%算，进III期的也从21个涨到28个，多出幅度缩到三成左右，但还是增长的。前端省时省钱之外，这是AIDD目前唯一能拿得出硬数字的贡献。 只是这多出来的资产，能不能流到终点，要看三个出口。 第一个在临床II期：AI造的分子可能“成药性保守”（安全性、溶解度这些指标都像药，但绕着真正难啃的生物学机制走），这种分子I期过得顺，未必是有真本事，可能只是把失败推迟到更贵的阶段。 第二个在临床资源：III期动辄数亿美元，IPF（特发性肺纤维化）这类慢病，招募病人以年计，容量没因AI扩张，也就是前半段管子加粗了，后半段还是那么细。 第三个是时间：II期资产到获批平均还有5到7年，III期成功率只有55%到60%，多出来的资产，要贴现很多年才能变成真药。当然，前段加粗是真的贡献，不能因为后段没变就一笔勾销。AI制药卡在哪：病难懂，验证慢 II期失败的头号原因，是靶点看错了。 一个药能不能治病，取决于一开始认定的生物学机制对不对：这个蛋白真是导致肺纤维化的元凶吗？抑制它真能逆转病程吗？其实，提名靶点这件事，AI已经能做，TNIK就是它提名的；而确认靶点，也就是这个靶点在病人身上成不成立，只能拿人体试验去回答，这个AI替代不了。我们对绝大多数疾病的底层机制，理解得本来就不够，AI能更快造出攻击靶点的子弹，但是判断这个靶点靠不靠谱，还得靠人。 第二个卡点很少有人提：验证的速度。 AlphaFold一天能给上万个结构，生成模型一天能给上万个分子，实验室验证假设的速度却没能跟上。2026年一篇综述（《Pharmaceuticals》期刊）记录了这个失衡现象的名字，hypothesis overflow（假设溢出）。原话是，最显著的约束不再是算力，而是预测被实验验证的速度。 晶泰科技为什么值钱？很多人以为它是AI公司，其实它的核心是自动化实验室。这套自动化实验室是它从2019年起自研的，现在还做成了解决方案卖给中石化、复旦大学和韩国药企；自动化对晶泰而言不是成本项，已经可以看做第二条收入曲线（2024年智能机器人解决方案收入1.63亿，同比+87.8%，比药物发现业务的增速快得多）。招股书里体现，200多个机器人工作站，研发543人占近七成，其中真正做算法的XIC团队只有约22人；2025年报里提到，机器人实验室7×24运行，每周自主推进上万个化合物合成实验，每月积累20万+条反应数据。晶泰是卖实验服务的公司，人员构成由商业模式决定，代表不了全行业。英矽、Recursion这类自己做管线的公司，算法占比就高得多了（Recursion的自动化平台每周能跑220万次实验）。这组数字能推出的结论只有一个：卖验证服务的公司，主体是实验岗。 大药企也在用脚投票。礼来和Strateos共建的机器人云实验室，到2022年前后，已产出公司进入生物筛选的化合物的约20%。罗氏旗下基因泰克的“Lab in the Loop”（用实验数据喂模型、模型给出预测、再回实验室验证的闭环），近90%符合条件的小分子项目已经接入，一个肿瘤降解剂的备用分子（候选药失败时的替补）7个月就能做完，原来要两年以上。 资本端则更直白了，Lila Sciences，一家专门建“AI科学工厂”的公司，累计融资5.5亿美元，英伟达参投，它对外讲的投资逻辑是：未来AI for Science的领导力，取决于谁拥有最大的自动化实验室，而不是最大的数据中心。英矽在苏州建了全自动化生物实验室，又发布了LabClaw系统，AI负责思考，机器负责执行，人类负责监督。实验室自动化市场，2026年各家口径在66亿到100亿美元之间，预测十年后接近200亿。 AI产生的假设太多，验证不过来，能搭高通量（一次并行测试成千上万个样品）验证体系的公司和人，反而成了稀缺资源。 所以，卡点就这么两个：看懂病，验证想法。两个都要靠人，所以两个都快不了。转化鸿沟至今没人跨过去，就难在这两处。 “底牌”专栏已经写到第三篇，你应该能串起来了。第一篇写低空经济，底牌是放行的权利；第二篇写EDA，底牌是工厂的认可；而本篇写AI制药，底牌就是验证的时间和判断。虽然是不同行业，但你会发现，每个热门产业真正的卡点，总是藏在最难速成的那个环节。没开的牌，疑点在哪 全行业的筹码，大头押在Rentosertib的III期上。虽然美国Generate公司的AI设计抗体也进了III期，治疗哮喘的，1600人的全球试验，出结果可能比它还早，但靶点是别人验证过的；从靶点到分子全是AI从零找的，只有Rentosertib一个。Rentosertib的III期2026年7月刚启动，320名患者，中国47家临床中心，给药52周。按ClinicalTrials.gov登记，主要完成时间预计在2029年10月，数据读出要等2029甚至2030年。 跟当年死掉的DSP-1181比，Rentosertib这张牌更扎实。 IIa期数据发表在《自然·医学》，随机双盲，安慰剂对照（一半人吃真药、一半人吃外观相同的“假药”，医生和患者都不知道谁吃哪种，这是临床验证的黄金标准）。最高剂量组（60毫克每天一次）12周肺功能平均改善98.4毫升，安慰剂组下降20.3毫升，剂量依赖关系干净，说明效果确实来自药物本身。 但有三处疑点。 第一，肝毒性信号。7例因肝毒性退出的患者，集中在每日两次30毫克组和每日一次60毫克组，后者正是FVC（用力肺活量，肺功能核心指标）改善最显著的高剂量组。据论文补充表，这7例全是3级事件（不良事件分5级，3级属于需要干预的严重级别），还有一点不能忽略：其中3例没联用尼达尼布（已上市的IPF药，本身有肝毒性），肝损伤不能全推给合并用药，Rentosertib自身的肝毒性存疑。 第二，FDA曾暂停它在美国的IIa试验，2025年5月要求加强安全性监测、修订方案，10月才解除。国内试验没受影响。 第三，亚组分析（把患者按不同特征拆成小组，分开看疗效）有隐忧。98.4毫升全体患者的平均数，拆开看的话，改善几乎全来自没吃老药的那批患者——他们高剂量组12周改善了187.8毫升；而已经在吃老药的患者，同样剂量下和安慰剂组差不多。也就是说，这个药可能只对没用过老药的人管用，但现实中的IPF患者，确诊后大多都在吃老药。假设这个新药没法在吃了老药的患者身上起效，那医生就没必要给患者用新药，也就是目标市场看了一大块。更悲观的话，也可能根本不是"只对部分人有效"，而是小样本碰巧。 英矽CEO Alex Zhavoronkov，2026年7月被问“是否担心III期”，回答是“说不担心是假的”，然后又补了一句，“不过我们不依赖这一款药的成功”。 III期要回答的，不只是“有没有效”，还有“肝毒性可控吗？”“对已经用着标准疗法的患者还有效吗？”。这三个问题，2029年才有答案。巨头进场，元老出局 2024到2026年，这个赛道一边刷新着融资纪录，一边给元老收尸。 Xaira Therapeutics，2024年一亮相就带了10亿美元融资，创始人里有当年拿诺奖的David Baker。Isomorphic Labs累计融资近27亿美元，零临床资产，礼来和诺华已承诺近30亿美元合作。它的CEO Hassabis，正是和Baker分拿同一枚诺贝尔化学奖（计算蛋白质设计）的人。 礼来和英伟达还宣布共建10亿美元的联合实验室；再往前几个月，礼来自建的超算LillyPod已经启用，装了1016块英伟达Blackwell Ultra GPU。这个数量放在AI大厂是不够看的，毕竟那边训练大模型的集群是十万块起步；但药企抢的本来就不是算力，而是喂给算力的数据。 中国这边，“AI制药三小龙”齐聚港股。晶泰科技2024年6月上市，2025年营收8.03亿元，同比增长201%，首次全年盈利。英矽智能2025年底上市。剂泰科技2026年5月上市首日涨126%。三小龙背后，是整个中国创新药在成批出海：2025年对外授权（license-out，把药的海外开发权卖给国际药企）总额超过1300亿美元。这个数字是全部创新药的口径，AI制药没有单列，但下单的国际药企名单里，已经有AI制药公司的名字，礼来和诺华给Isomorphic承诺的近30亿美元，就是这类生意。 而退场名单上，都是当年的明星。Exscientia，行业元老，股价从2021年高点跌80%，2024年被Recursion收购。BenevolentAI，就是开头那家摸到过获批边界的公司，IIa期临床失败后市值蒸发超90%，退市私有化。接盘的Recursion自己也严重失血，2024年净亏损4.64亿美元，2025年砍掉多条临床管线。 它们的死因都写在公告里。BenevolentAI的皮炎药倒在IIa；Exscientia两条管线先后停掉：DSP-1181是I期没达标，EXS21546更典型——还没等临床数据出来，公司自己建模算出“治疗指数不够”，提前砍了。它的CEO事后说了一句实话：光有更好的分子不够，还需要更好的转化模型（预测药物从实验室到真人身上会不会走样的模型）。 继续往根上刨，问题其实出在数据上。这代公司的模型，原料主要来自公共数据库——文献、专利、公开实验数据，你能用，别人也能用，还夹着大量噪声。手里没有自己的实验室持续生产数据，模型就拉不开差距。券商研报复盘这一轮出清，结论就一句：AI制药的核心壁垒是数据。后来新公司的活法你也看到了——Recursion、晶泰，还有前面说的基因泰克，都在干同一件事：建自动化实验室，自己造数据。 所以，资本没有离开这个赛道，只是标准换了：以前看谁的模型厉害，现在看谁手里有分子、有喂模型的数据。死掉的第一代公司，并不是方向错了，而是自有数据这部分的先天缺失。天花板在哪：AI，还是DD 看这行值不值得进，从哪里进，要回答三个问题：钱进来了吗？钱在行业里怎么分？你能吃到那一块儿？第一个问题，上一节答过了。后两个，线索就藏在AIDD这个词的结构里，AI（人工智能）+ DD（drug discovery，药物发现），前一半是工具和方法，后一半是“发现药物这件事本身（靶点、管线、临床）”。钱往哪一半流，天花板就在哪一半。 新闻里常说的是合作总额：礼来27.5亿美元，晶泰59.9亿美元，2025年全球医药授权交易总额超2500亿美元（摩根大通口径）。听着是挺吓人的，但这些钱绝大部分是“里程碑付款”（进临床、获批、销售额达标才付的钱），要分阶段兑现。专门统计并购里程碑的SRS Acquiom给过一个数字：合同里写着的潜在里程碑金额，真正付出去的只有9.5%。 所以实际到账的是另一回事儿了，即首付款加已兑现的里程碑。宜明昂科一笔超20亿美元的合作，最后只兑现了3500万美元。科伦博泰一个ADC（抗体偶联药物）项目被默沙东退回，首付款3500万美元不可退，合同里最高9.01亿美元的里程碑，一分钱都没拿到。 晶泰的“首次盈利”，其实也禁不住细看。据虎嗅的拆解，其2025年的利润主要来自两笔：DoveTree贡献的3.65亿人民币首付款，和5.14亿人民币的金融资产公允价值变动（就是手里持有的股权涨价了，跟卖药卖服务都没关系）；DoveTree一家就占了药物发现板块收入的68%。这个盈利的成色，高度依赖单笔大额BD的确认节奏。 把水分挤干再看，两种生意的天花板完全不同。卖工具和服务，赚的是药企的预算，全球AI制药服务市场2025年才约25亿美元（行业研究机构MRFR等口径），对比制药业每年超2000亿美元的研发投入，只是个零头。晶泰8亿人民币的营收已是头部，头部的意思也就是，这个池子目前就这么大。卖药，自己持有管线，赚的是病人的刚需：一款成功新药的年峰值销售，中位数只有约5亿美元，均值被Keytruda这种年卖近300亿的爆款拉到十几亿。哪怕不自己卖、只拿授权分成，一款药的分成也可能超过服务公司十年的收入。 业内讨论这行重点在AI还是在制药的声音一直都有，现在的共识是后者——AI是工具，制药才是目的，最终的裁判是患者数据，不是算法指标。字节2026年把AI制药团队拆出去独立融资，理由是要按生物科技的方式建组织，你看，互联网大厂抢到人之后发现，这活儿还是得按药厂的方式干。天平确实在往DD那边倾斜。 但对个人来说，这个答案不能照搬。两边的短板和天花板，都得摆出来。 AI这边的岗位——平台工程、数据、算法，入场价更高，药企得按互联网的工资抢人，美国最激进的AI制药公司把资深算法科学家开到年薪57万美元。但按照惯例，我们不只看行业顶薪，也要看岗位容量。位置少是第一个问题，前面说的晶泰科技，800多人的公司，算法团队就22个人；百时美施贵宝（BMS，美国十大药企之一）今年的计算类岗位，35个里一半开在最高职级，入门级的一个没有（这家公司两年裁了几千人，初级岗位一砍再砍，资深岗位高薪争抢）。第二个问题是技能折旧快，这个问题是算法类岗位的通病，计算化学岗分化成两种需求，传统的那种还要求会对接、会分子动力学，新的一种已经把“开发过生成式AI模型”写进了任职要求，2025年之后这种变化尤其明显。专业门槛没变，还是计算化学、药化、生信的硕博，只是需要附加的能力变了。 DD这边的岗位——管线研发、临床、转化医学（把实验室成果推向临床的环节），起薪没那么亮眼，应届博士入场，月薪两三万是常态，但上升台阶多，研发是药企最厚的组织。还有股权，这套玩法目前主要是美国biotech的：初创期进去的研发岗能拿到0.01%到0.1%的期权，行权价按照加入那天算，干到VP是0.5%到1.5%，公司估值跟着管线翻多少倍，你那份就跟着翻多少倍。国内biotech的员工持股平台是同一套逻辑，只是数字不公开。药死了，股权就跟着死。 行业往DD倾斜，是行业的事，一边入场价高、位置少、技能折旧快，一边起薪平、台阶多、跟着管线赌成败。你的天花板要自己选。升学与就业：门票看什么 写到这，该回答最实际的问题了。孩子想进这行，该学什么专业。 先给结论。这行的大多数岗位，是用AI做药的岗位——拿模型筛分子、做管线、跑验证。这类岗位需要的核心竞争力不是会AI，而是懂病理，懂验证。真正需要“会AI”的岗位在方法层，也就是Isomorphic、Xaira这类公司里造模型的那批人；但这道门很窄（岗位少），而排队的人，却同样是互联网AI Lab门口的那一批。导师买速度，行业买判断 可能你听说过，做AIDD的导师更喜欢计算机本科的学生。确实如此。清华“AI+计算生物学”课题组的招生启事，从博士后到实习生，几乎都写着“专业背景不限，计算机、软件工程优先”，科研助理岗还专门加了“ACM竞赛获奖、编程能力强者优先”；博士生招生要求写得软一点，“有计算机和深度学习基础者优先”，也就是入口越接近统考，偏好越被制度稀释，不过方向是没变的。 但要搞清楚这个偏好的条件。偏爱CS学生的，一般是方法开发型课题组，造模型，造工具，发顶会，这类组每天的瓶颈在工程，进组第一周能不能跑通代码，直接决定多久出活。导师要的是上手速度，需要的生物学知识可以即用即教，这类能速成的，都是工具性知识。识别方法开发型组有个简单的办法：看导师近几年的论文里，有没有NeurIPS、ICML这类计算顶会。有，就是方法开发型组，即主业是造模型，CS学生进去是正资产；只有Bioinformatics这类生信期刊，那是项目应用型组，即模型是工具，生物问题才是主业，进去得做好补生物学的准备。 上面讲的是升学端的偏好。就业端的定价，则是另一套逻辑。行业真正稀缺，企业愿意付高价的，是能判断这个AI分子该不该推上临床的人，以及能搭高通量验证体系（自动化实验室+标准化流程+数据回流，让成千上万个假设像流水线一样被并行验证的系统）的人。这两个都是判断性知识，需要多年领域浸泡，没法速成。而且AI编程工具的普及，正在压平“会写代码”的门槛。生物背景的研究生让AI帮忙写Python，跑通一个分析脚本，和CS本科生的差距确实在缩小——《PLOS计算生物学》2023年登过一个实验，184道生信入门编程题，AI七轮以内做对了97.3%，这用的还是那时的老模型。三年过去了，今天的模型只会更强。在“能跑”层面，虽然AI能够和人的能力拉平，但“懂领域”则还没有；基准测试反复证明，模型缺的从来不是编程能力，是领域上下文。 升学端PI（课题组长，学术负责人）看中AI端的能力，就业端，行业内看的是“懂病理懂验证”，导师偏爱谁，看的是课题组现在缺什么；行业给谁开高价，看的是未来缺什么。五个专业的入场坐标 A.计算机专业的学生，入口最窄。纯CS能进的是算法研究岗（需要顶会一作，需要模型开发能力）和数据工程岗（高性能计算，平台，数据库）。前者要求极高，和互联网大厂的AI Lab抢的是同一批人，如果铁了心要走AIDD，在研究生阶段进方法开发型组，但你的生物学要补到“能看懂实验数据、能和湿实验对话”的程度，才能发展出自己的交叉核心竞争力，而不是只写代码。 B.学化学的，还有做药物化学的，容易被忽视，但路径比想象的顺畅。AIDD的核心技术栈——分子对接、ADMET、QSAR、分子动力学，其本质是计算化学的延伸；招聘里出现频率最高的工具，Schrödinger、MOE、GROMACS，也都是计算化学的日常工具。但要说明白：这些不是化学本科的标配课。本科教的是地基，量子力学、统计热力学、对分子结构和能量的直觉；而工具本身，多半要到研究生或进了课题组才学。只是地基在的话，学工具就是几周的事；而CS学生要补的是地基，那是几个学期的事。所以化学背景转AIDD，知识缺口其实比CS小得多。晶泰三个创始人，物理化学，理论物理，物理学博士，没有一个CS出身。觉得化学是天坑的，AIDD是化学背景为数不多的高杠杆出口。 C.药学专业的学生，最为对口，但要警惕只会用工具。药理，药化，药代，药剂，AIDD应用型岗位需要的领域知识你全有。但风险是药学教育里编程和数学训练最弱，容易停在会用AlphaFold、会跑Schrödinger、但不懂模型在干什么的工具操作员层级，这个层级正在被AI智能体自动化，研究生阶段必须补到“能改模型”或“能设计前瞻性验证实验”的深度。 D.生物专业的学生要分两部分讲。生物信息学，计算生物学，是五个方向里唯一领域知识和计算能力两头都沾的，自然入行路径最顺；纯湿实验生物，细胞，分子，神经，知识上离病最近，计算能力几乎为零，入行成本最高。这类学生的切入点，应该放在计算和实验衔接的验证端，但要先把岗位分清楚：能设计、执行、解读实验的岗位在不断扩张，按规程重复操作的初级实验岗在消失，而后者正在被机器人顶掉。 基因泰克在招“Lab in the Loop”方向的机器学习工程师，要求同时懂机器学习和湿实验自动化编排；美国biotech的趋势，是手动移液的技术员转变成维护和编程实验机器人的工程师。DMPK研究员（药物代谢与药代动力学）这类以前不算热门的岗位，也因为假设溢出成了硬需求。 E.前文多次提到了自动化实验室，大家也该反应过来，自动化专业的学生，其实也是专业对口的。晶泰、礼来、罗氏都在押自动化实验室，岗位名就叫实验室自动化工程师：机器人运维，液体处理系统（Hamilton、Tecan这类移液机器人）的编程调度，实验流程的自动化改造，全市自动化专业的能力。凯赛生物招这个岗，专业要求把自动化排在第一位。那么，入行要补的缺口是什么呢？自动化的学生，懂机器人，懂控制，但不懂实验，不知道一个细胞实验为什么这步要等30分钟，那个试剂为什么不能震荡。能把科学家的实验“翻译”成自动化流程的人，才是稀缺货；前面提过基因泰克那个“Lab in the Loop”的招聘启事，机器学习和湿实验自动化编排两头都要，干的就是这个“翻译”的活儿。再往上，自动化加实验加机器学习，也就自驱动实验室的架构师，全行业一只手数得过来。当然丑话也得说在前面：只做设备运维和集成，天花板被药企的采购预算锁死了，月薪在一万五上下；懂实验、能做翻译、沾得上具身智能算法的，离验证最近，晶泰这类岗位开到30到55K。手动移液的实验员被淘汰后，接班的，自然就是让机器人干活的人了。 自动化本就是个交叉学科，本科学的杂但是浅显，如果想入AIDD这行，读研该选什么方向？是不是相关方向导师很难找？其实藏在三处： 1.自动化系的机器人方向，这个没什么好说的，机械臂、调度、机器视觉，都是直接对口。 2.自动化系里做生命科学方向的老师，比如：清华自动化的汪小我，用AI设计和控制人工生物系统；清华自动化李梢，做网络药理学（用计算方法研究药物和疾病网络的关系）。 3.跨院系的合作里，化学、生物的实验室在搭自动化平台，干机器人那部分的往往是自动化系的老师，中国科大的机器化学家团队就是这样，化学口牵头，机器人部分自动化系老师在做。 导师少也不一定是坏事，如果岗位需求变多，但做这个方向的导师没几个，那恰恰说明潜在红利空间大，等哪天导师扎堆了，红利期也就过了。老师傅也被AI追上了 先别急着乐观，晶泰在2024年投资者演示材料里披露过一个内部测试（这是厂商自测，只覆盖两类反应，但值得一看。）让自家AI和化学家同台预测化学反应：Suzuki反应（铃木偶联反应，制药业最常用的分子"焊接"反应，把两个分子焊成一个）能不能成功，AI的预测准确率89%，资深化学家84%，五年以下经验的化学家78%；看SNAr反应（芳香亲核取代反应）会不会失败，结果是AI 89%，资深化学家49%，五年以下经验的只有38%。 简单的说，第一组测试，考的是“预测哪些反应会成功”，AI89% VS 资深化学家84%，差距不大。可是第二组，结果就太惨烈了，在有海量结构化数据的反应预测上，连“什么反应会失败”这种最吃经验的判断，资深化学家也被甩开40个百分点。“先消失的是初级实验员”这个结论不但成立，而且看起来过于乐观，连资深的位置都开始松动了。所以，想靠AIDD躲内卷，大概率是躲不开，不但躲不开，入门岗还在消失。学校分两派：造工具的和教工具的 再看学校。顶尖985和其他院校，在AI制药这件事上，各有各的扎根姿势。 清华智能产业研究院（AIR），2026年1月在《科学》正刊发表DrugCLIP，AI虚拟筛选提速最高千万倍（论文原口径），一台计算节点一天完成1万个靶点、5亿小分子的筛选，还孵化了公司水木分子。北大来鲁华团队的药物设计软件LigBuilder，被辉瑞、默沙东实际使用；裴剑锋直接下场创办英飞智药。浙大侯廷军是AI药物发现领域引用最高的华人学者之一，浙大也是全国第一个设“AI+药学”研究生方向的。 教工具这一派，主力是中国药科大学、江南大学这类学校，载体是微专业这类轻量形式：药科大的“人工智能药物设计”微专业由晶泰、深势科技和上海大学共建，课程直接在企业级平台实操，还要按药企标准做一份新药申报的完整材料。而且不只微专业，2025年11月，药科大又揭牌了省级人工智能学院和智能药学交叉研究院，把这件事从一门课升级成了一个学院。 选择逻辑和我写EDA时一样：能给你什么，取决于导师组手里有什么资源，学校牌子反而是次要的。一个普通985药学系但没有计算平台的组，和一个普通CS系但没有生物合作的组，都挺难摸到这行的门。是否出国 这个问题，三年前的标准答案是需要出去，如今的答案变了。 论模型，海外还是最强的，Isomorphic、Xaira的模型能力领先，但那边刚挤完一轮泡沫，宏观环境也在变差：FDA大裁员，审评中心一年换五个主任，对华生物科技审查收紧，中国学生在美生物医药就业的签证风险明显上升。中国这边则是上升期：港股18C（让没盈利的硬科技公司也能上市）打开了投资人的退出通道，公司能上市，早期投进去的钱才有着落。AI制药三小龙全部上市，大药企排队下单。截至2025年报，三家里只有晶泰年度盈利，英矽刚预告上半年扭亏，剂泰还在亏钱，全行业刚跑通第一单，说明刚走出概念炒作期；岗位总量还小，但增速是过去五年最好的。 不过，出不出国，看的不是国家，是你要进哪个环节。转化鸿沟最难的一段——从动物模型到人体（小鼠身上有效、人身上超过92%失败），AI并没有解决，中国和美国谁也不比谁更接近答案。方法层，海外顶尖AI实验室仍有不可替代性；应用层和工程化层，国内的密度已经反超。所以，建议是，本科阶段，不必为了AIDD出国，国内CS和药学都能起步，导师组离产业更近；研究生再按上面那个分法选方向。毕竟这一轮AI浪潮，中国没有被落下。尾声：开牌之前 回到那张没开牌的赌桌。Rentosertib的III期数据，要等2029甚至2030年才读出。如果赢了，“AI发现药物”第一次从叙事变成事实，行业天花板将重新打开。若输了，“AI神药”的故事将重演BenevolentAI的崩塌，但“AI工具”的地基还在，赛道会换个姿势继续。 落到个人选择，其实也是赌局，押什么，看专业。学计算机进AIDD，是正面和AI赛跑，赌得是算法能力能深到顶会级别。学生物、化学、药学再补上计算，赌的是另一样东西，即“看懂病”这类判断力，AI在可见的未来替代不了。而自动化那条路最直白：与其被机器人顶掉，不如做让机器人干活的人。 开牌那天，就是确定第一个AI造的分子能否跨过转化鸿沟的日子。等待的这几年，输赢没必要去猜，分子可以成批地造，真假只能一个一个验。这道沟只要跨不过去，搭桥的人就一定是最贵的。