ARTICLE · 1035667
谁在卖铲子?拆解AI制药浪潮背后的湿实验生意
谁在卖铲子?拆解AI制药浪潮背后的湿实验生意2026年三季度，A股和港股的"AI+CXO"板块集体异动。做基因合成的、做蛋白表达的、做抗体纯化的公司，股价轮番上涨，业绩也确确实实在加速。市场给出的叙事很直白：AI制药火了，带火了给AI"打下手"的湿实验服务商。 
一个需要先想清楚的问题：AI制药的核心是算法和算力，按说应该"去中介化"，为什么反而是最传统的"做实验"生意最先受益？更关键的是，这一波上涨里，有多少是基本面驱动的价值重估，有多少是概念裹挟的短期炒作？要回答，得穿透公司宣传，回到生意本身。 为什么AI公司必须买"湿实验数据"？ 这轮需求的本质，是干实验与湿实验之间的结构性鸿沟。 AI大模型——蛋白结构预测、抗体设计、分子生成——本质是"干实验"，在计算机里做预测。但模型不是凭空变聪明的，它需要海量标注数据训练、需要真实实验反馈迭代。公开生物数据库有三个硬伤：一是质量参差不齐、实验条件不统一；二是覆盖有限，很多靶点和分子类型缺数据；三是最要命的"幸存者偏差"——期刊只发表成功结果，失败数据几乎不公开，而失败数据对模型训练同样关键。 于是产生了一个刚性需求：AI公司必须主动生产高质量、标准化的实验数据。这需要实验室、设备、专业团队和长期积累的"手艺"，恰恰是AI公司的短板。自建实验室在经济上也不划算：一套自动化高通量设备投入动辄数亿，从序列设计到拿到可靠数据动辄数周，用自己的短板去碰别人的长板，又慢又贵。 两条线就此汇流：无论是买数据训练模型，还是外包实验推进管线，AI公司的钱，最终都流向了湿实验服务商。这不是偶然，是能力分工的必然。 值得一提的是，眼下这股"湿实验数据"需求，主要集中在大分子。抗体和蛋白类药物从序列生成、蛋白表达到亲和力测试，基本是流水线作业，周期以天计，数据反馈快，天然契合AI"设计—验证—迭代"的节奏。相比之下，小分子——尤其是AI生成的小分子——化学结构往往更复杂，化学合成路线的设计与分子获取周期远长于抗体表达，数据反馈要慢得多。这也解释了为什么这轮行情里，最先吃到红利的，清一色是做基因合成、蛋白表达和抗体服务的公司。 这门生意的壁垒有多厚？ 理解了需求，下一个问题是：这钱凭什么被这几家公司赚走？ 第一重壁垒是通量。 AI数据订单的核心特征是"批量"——一次下单几十上百个蛋白，要求同时表达、同时检测、同时交付。没有高通量自动化平台的公司根本接不住。这本质是个产能游戏：通量越大，单位成本越低，越能拿到大客户订单，形成正向循环。金斯瑞2026年9月配售净筹约23.27亿港元，其中七成投向AIDD（AI驱动药物发现，AI-Driven Drug Discovery）产能、扩建自动化高通量湿实验室，打的就是这个算盘。 第二重壁垒是标准化。 传统CRO交付的是"实验报告"，每个项目条件、格式、指标都不同；AI公司要的是"训练数据"，要求条件统一、格式标准、可直接输入模型。谁能把"手艺活"变成"标准化流程"，谁就能吃下AI数据订单。百普赛斯90%以上的毛利率，很大程度上来自这种标准化带来的规模效应。 第三重壁垒是速度。 AI模型迭代以周甚至以天计，模型设计出一批序列，就希望尽快拿到实验反馈。交付要两三个月，模型迭代就被拖死。"数天内交付"的服务商，天然比传统CRO有竞争力。 第四重壁垒是数据闭环。 AI公司的模型一旦与某家服务商的数据格式、交付流程深度绑定，切换成本很高；服务商在持续交付中积累的实验数据，还能反哺自身能力。 一个现成的例证来自Anthropic。2026年8月，Anthropic宣布用Claude Opus 4.8和内部模型Mythos Preview，对15个靶点各设计30个候选蛋白结合分子（minibinder，微型结合蛋白），并指定Twist Bioscience和Adaptyv Bio做独立湿实验验证。结果14个靶点命中了至少一个有效结合分子，命中率22%～35%，约为行业典型水平10%～15%的两倍。注意，这个命中率不是AI公司自报的，而是外部实验室独立测出来的——"干"出来的设计，最终要靠"湿"出来的数据背书。 从"做实验"到"造数据" 这门生意最本质的变化，是交付物的改变。 传统CRO是"项目制"：客户给一个靶点，CRO按步骤做实验，交付一份定制化报告，周期长、单价高、失败即终止。AI数据订单则是"批量生产制"：模型设计出一批序列，服务商按标准化流程同时表达、纯化、检测，交付的是结构化数据集——每个分子的表达量、纯度、亲和力、成药性参数，格式统一，可直接喂给模型。一次交付几十上百个分子，周期短、复购高。 这个转变带来三个特征。一是"失败不亏钱"：在AI订单里，失败数据和成功数据对模型同样有价值，模型需要知道什么行不通。容错率高，订单连续性就强，服务商收入波动小。二是"数据可追溯"：数据直接喂模型，一个异常点就可能污染训练，所以必须建立严格的质量控制和追溯体系。三是"自动化决定成本底线"：批量模式下，人工占比越低，单位成本越低。头部公司砸钱建自动化实验室，本质是把"劳动密集型"的实验服务，变成"资本密集型"的数据制造。 交付能力的核心，是能否把不可控的"实验"变成可控的"生产"。做到的公司才能持续盈利；做不到的，拿到订单也会被质量和成本拖垮。 这波需求会持续多久？ 这轮湿实验订单的增长，是结构性的长期趋势，还是周期性的短期脉冲？ 看需求端，AI模型迭代是持续的，每一代都需要新数据；模型能力越强，能设计的分子类型越多——从抗体到多肽、PROTAC、基因治疗，需要验证的序列空间在扩大。风险在于"数据饱和"：如果某领域新增数据不再提升模型性能，订单就可能放缓。目前蛋白设计、分子生成远未饱和，但不排除未来三五年某些细分领域率先见顶。 看供给端，最大的不确定性是头部AI公司会不会自建实验室。自建重资产、慢、需要专业团队，这支撑了外包逻辑；但头部公司资金雄厚，一旦外包费用超过自建运营成本，自建就变得划算。事实上，部分头部AI制药公司已经在建自己的自动化实验室——它们自己就在"卖铲子"和"买铲子"之间动态切换。 看竞争端，高毛利必然吸引竞争。随着传统CRO转型做AI数据服务、新玩家涌入，价格战可能加剧。关键变量是行业集中度：如果头部公司靠规模、标准化、速度筑起足够厚的墙，价格战就主要发生在中低端。 看技术端，一个更深层的问题是：AI最终会不会减少实验需求？随着模型的成熟，未来的可能的路径是：AI减少"盲目试错"的实验量，但增加"精准验证"的实验量——总体需求不一定减少，甚至可能因研发效率提升、管线数量增加而增长。 AI公司并未只专注在大分子模型的训练。2026年4月，在美国免疫学家协会（AAI）年会上，字节跳动旗下AI制药子公司Anew Therapeutics做了一场口头报告，披露了一款处于临床前阶段的白细胞介素-17（IL-17）小分子抑制剂。它被定位为全球首个"全谱"IL-17小分子抑制剂——通过AI驱动的虚拟筛选与分子生成算法，IL-17是典型的蛋白-蛋白相互作用（PPI，Protein-Protein Interaction）靶点，此前业界普遍认为小分子难以成药、只能靠大分子抗体干预，而Anew把这个"难成药"命题撬动了。这背后是更深的信号：AI没有停在"数据好拿"的大分子，正往"数据难拿"的难成药小分子延伸。 再看一个可量化的锚点。Twist Bioscience的CEO在2026全球医疗健康大会上披露，其AI制药订单2025年是2500万美元，2026年预计5000万美元，2027年预计冲到1亿美元——三年翻四倍。这是管理层自己的指引，属于乐观情景，但它至少说明：需求的斜率，比很多人的直觉更陡。 谁能笑到最后？ 这轮行情里，卖铲子的确实能赚钱。AI制药公司手里的BD合约，是"未来可能兑现的期权"；而湿实验服务商拿到的，是"当期确定的现金"。淘金热里，现金流最稳的，往往是那个在淘金者必经之路上卖水的人。 但"卖水"的生意也有天花板。当淘金者足够有钱，他会自己挖井；当卖水的人足够多，水价会被打下来。所以真正的分水岭，不在"是不是卖铲子"，而在"这把铲子够不够硬"——产能够不够大、质量够不够稳、成本够不够低。 参考资料：
1. 金斯瑞生物科技配售公告（2026-09-11）及Lilly TuneLab合作公告（2026-09-16）
2. 百普赛斯2026年半年度报告（2026-08-28）
3. 百英生物招股说明书（北交所，2026-06-26）
4. 义翘神州官网公告
5. Anthropic博客
6. Twist Bioscience公告及电话会
7. Anew Therapeutics美国免疫学家协会（AAI）2026年会口头报告
8. 其他公开信息和研报