AI制药最大的变化，不是AI可以代替医生，也不是AI直接把一种药“算出来”，而是把过去依靠科学家几年甚至十几年不断试错的新药研发过程，变成“AI提出假设 → 机器人做实验 → 数据回流AI → AI重新设计”的高速循环。

这件事情与研究Physical AI（物理AI）非常相似。

• 机器人领域是：大模型大脑 → 机器人手脚 → 现实世界数据 → 模型继续进化。

• AI制药正在变成：Scientific AI（科学AI） → Wet Lab（湿实验室） → 生物实验数据 → 模型继续进化。

因此，这个产业真正值得投资研究的已经不只是“谁有AI模型”，而是四类资产：

• 能够用AI真正创造药物IP（知识产权）的公司；

• 拥有大量独家实验数据的公司；

• 拥有自动化Wet Lab（湿实验室）能力的公司；

• 能够把AI设计出来的DNA、蛋白、抗体和小分子真正制造出来的公司。

2026年9月这一轮行情尤其重要，因为多个事件几乎在同一时间验证了这个方向。

• 9月16日，Novo Nordisk（诺和诺德）宣布与Anthropic合作，将Claude Science用于药物发现和研发中的科学推理；

• 同一天，金斯瑞宣布加入Lilly TuneLab（礼来），为使用AI药物发现模型的Biotech提供真实Wet Lab实验验证；

• 字节跳动分拆出来的Anew Labs完成2.9亿美元融资，估值达到15亿美元。

• 9月18日，Reuters确认Anthropic已经在旧金山湾区建立自己的生物Wet Lab。

• 与此同时，中国工信部等十部门9月18日正式发布《医药工业发展“十五五”规划》，明确提出深化人工智能赋能升级，并提出到2030年首创新药，即FIC（首创新药）占全球比例达到25%以上。

所以这轮行情并不是单一事件炒作，它背后的产业变化是：AI制药开始从“AI辅助科学家”，转向“AI直接参与整个实验过程”。

完全不懂制药的人，先把“做药”理解成找一把钥匙

人体里面有大量蛋白质，很多疾病，本质上可以简单理解为人体里面某个蛋白质工作异常。比如它：

• 过度活跃了；

• 失去功能了；

• 错误地打开了一条信号通路；

• 或者某种癌细胞依赖它生存。

这个蛋白或者生物机制，就可能成为Target（靶点），可以把靶点想象成“一把锁”。制药公司的任务就是设计“一把能够准确插进这把锁的钥匙”。这把“钥匙”可能是一个小分子，也可能是一种抗体、蛋白质、RNA或者其他药物。

问题在于理论上可以制造的“钥匙”数量极其庞大。FDA对新药研发的基本流程划分为：Discovery（药物发现） → Preclinical（临床前研究） → Clinical Trial（人体临床试验） → 审批 → 上市后监测。

传统药物研发真正困难的地方就在于人类过去不知道哪把钥匙最好，所以只能不断试。FDA指出，在药物发现阶段可能有数千个候选化合物，但最终只有很少一部分值得继续研究。Nature曾总结，传统药物从研发到上市往往需要超过10年、投入超过10亿美元，而真正进入Phase I一期临床的药物，也只有少数最终能够上市。所以制药行业真正的问题其实就是两个字“试错”。而AI最擅长做的事情之一，就是降低试错空间。

AI到底加速了什么？

假设传统科学家面对100万把钥匙，过去的方法是先根据经验挑10000把 → 做实验 → 剩1000把 → 继续实验 → 剩100把 → 再优化 → 最后找出几把最可能成功的。

AI加入以后，可以首先在电脑里模拟蛋白质长什么样 → 药物应该长什么样 → 两者能不能结合 → 结合得牢不牢 → 有没有毒 → 进入人体后会不会很快被代谢掉。于是就可以把100万种可能先通过计算缩小成1000种，然后真正进入实验室，这就是AI制药最朴素的价值。

理解AI制药，最重要的一个缩写：DMTA

DMTA全称：Design → Make → Test → Analyze（设计 → 制造 → 测试 → 分析）。

• 传统药物研发的循环大概是设计几个分子 → 化学家合成 → 实验室测试 → 分析结果 → 重新设计。一次循环可能持续数周甚至更久。

• AI加入之后，AI一次生成几千甚至几万个候选物 → AI筛选 → 自动化合成 → 机器人实验 → 仪器自动读取结果 → 实验数据重新喂给AI → AI设计第二代分子。

所以AI药物研发真正的生产率，不应该只看模型每秒可以生成多少个分子，而应该看DMTA一轮需要多少时间。未来一家AI制药公司真正的核心指标，很可能就是DMTA Cycle Time即设计 → 制造 → 验证 → 重新设计一轮需要多长时间，这是理解这个产业非常关键的一步。

Anthropic自建Wet Lab可能是这轮行情的分水岭

Claude本来是一个大模型，它可以：

• 读论文；

• 分析实验结果；

• 编写代码；

• 分析基因组数据；

• 设计蛋白质。

但有一个根本问题Claude说某个蛋白应该有效，谁证明它真的有效？最终还得进入现实世界。这就是Wet Lab（湿实验室）。所谓Wet Lab，简单理解就是真正拿试剂、细胞、DNA、蛋白和动物做实验的实验室。

与之对应Dry Lab（干实验室），就是主要在电脑里面进行模拟、建模、数据分析。

Anthropic在2026年9月17日披露，Claude已经在不到四周时间里优化了30多个生物分子模型，平均速度提高约4倍，并与Adaptyv Bio合作，对超过5000个蛋白设计提供Wet Lab验证。第二天，Reuters报道Anthropic已经建立自己的生物Wet Lab。需要注意，Anthropic明确表示该实验室并非只用于药物发现，而且仍然会使用外部实验合作伙伴。

但这个动作释放出的产业信号非常强，全球领先的大模型公司已经发现，仅仅拥有一个更聪明的AI，还不足以解决生物学问题。必须拥有实验能力。因为生物学的最终答案不是模型说了什么，而是真实实验发生了什么。

Wet Lab可能成为AI制药时代的“算力”

这可能是最重要的投资逻辑，假设过去一个药物化学团队一天能够提出10个候选分子，实验室能够测试100个。那么实验室不是瓶颈。

但是AI出现以后，一天可以提出，10000个甚至100000个候选分子，Wet Lab仍然只能测试100个。这个时候最大的瓶颈就发生了迁移，过去是不知道设计什么，未来可能变成设计太多，根本测不过来。因此AI越聪明，实验需求反而可能越大。

这和AI算力非常像，GPU性能提高以后，人类并没有减少计算，反而产生了更多模型、更多Token、更多AI应用。AI制药也可能发生类似情况AI设计成本下降 → 候选分子数量上升 → 实验数量上升 → DNA合成上 → 蛋白表达上升 → 化合物合成上升 → Wet Lab需求上升 → 产生更多实验数据 → AI模型继续变强。因此这个环节称为Wet Lab算力。

AI制药真正形成了一条新的Scaling Law（规模定律）

AI行业有Scaling Law：更多算力 + 更多数据 + 更大模型 → 更聪明的AI。生命科学未来可能形成另一种Scaling Law：更强模型 × 更多实验 × 更多真实数据。

也就是说模型产生假设 → Wet Lab验证 → 产生数据 → 数据训练模型 → 模型提出更好的假设 → 进行更多实验。这就是Dry–Wet Loop

（干端—湿端闭环）。一旦这个循环跑起来，药物研发第一次可能从手工作坊式科研转变成为工程化、自动化、可规模复制的研发系统。

礼来TuneLab × 金斯瑞，是理解这套商业模式最好的案例

礼来拥有几十年积累的药物研发数据，TuneLab把这些数据训练成AI模型。其中包含超过50万条临床前数据点，覆盖抗体、小分子、ADMET等领域。然后Biotech公司使用TuneLab设计候选药。但AI预测之后，需要做真实实验。所以2026年9月16日，金斯瑞正式加入Lilly TuneLab生态，为平台企业提供Wet Lab数据生成和实验验证服务。

于是形成礼来数据 → TuneLab AI → Biotech设计药物 → 金斯瑞制造DNA、蛋白、抗体 → 真实Wet Lab实验 → 实验结果 → 数据重新改善TuneLab。这就形成真正的数据飞轮。

金斯瑞生物科技（01548）现在值得重新理解

过去看金斯瑞，市场容易把它理解成做基因合成和蛋白服务的公司。AI时代应该重新定义，AI在电脑里面设计生物分子以后，金斯瑞能把它真正做出来。

金斯瑞可以完成DNA合成 → Protein Expression蛋白表 → Antibody Discovery抗体发现 → 真实生物实验。也就是说AI负责写设计图，金斯瑞负责把设计图变成真实生物材料。

2026H1公司可比口径收入约4.042亿美元，同比增长27.3%，调整后净利润约6250万美元，同比增长203.3%。更值得关注的是，公司披露AI赋能药物发现相关业务收入同比翻倍，并连续第三个半年报告期保持快速增长，Gene-to-Protein（基因→蛋白质）业务约占生命科学集团收入66%。这个数据非常关键。因为它证明“AI越强 → Wet Lab需求越大”已经开始从逻辑推演变成收入。

所以金斯瑞是目前A/H股理解“TWST（美股公司，硅基高通量 DNA 合成龙头）映射”最重要的公司之一。

晶泰科技：最像“AI制药Physical AI平台”的中国公司之一

晶泰科技（晶泰控股 02228）与英矽智能（03696）是完全不同的商业模式。

• 英矽更像AI自己造药。

• 晶泰更像AI帮助整个行业做科研。

晶泰的核心正在变成Agentic AI智能体、Scientific AI科学模、Physical AI实验机器人。也就是说AI不仅告诉科学家“建议你做这个实验”。未来可能直接“自己调用机器人把实验做完”。

2026H1晶泰收入3.936亿元人民币，受去年一次性5100万美元管线首付款高基数影响，总收入同比下降，但剔除该项目后收入同比增长73.8%。

其中：

AI4S Intelligent Solutions（人工智能驱动科学研究）收入1.935亿元，同比增长136.4%。

成都先导：AI时代真正重要的可能不是“化合物库”，而是数据

成都先导最核心的技术叫DEL（DNA编码化合物库），DEL的做法就是给“每一把钥匙挂”一个DNA身份证。于是可以把海量化合物同时拿去和一个蛋白靶点进行筛选。最后通过DNA标签知道哪些分子和靶点结合了。

成都先导目前披露的DEL库已经超过1.2万亿个DNA编码化合物。在过去，市场看到的是“一个很大的化合物库”。AI时代更关注它能够持续产生多少真实的“分子 → 靶点 → 实验结果”数据。

成都先导现在建立HAILO = DEL + AI + Automation（大规模化合物库 + AI + 自动化实验），这已经非常接近完整Dry–Wet Loop（干湿闭环）。

2026H1收入3.46亿元，同比增长52.4%，归母净利润8068万元，同比增长61.2%，DEL业务收入1.66亿元，同比增长62.1%，其中IP转让及里程碑收入约3700万元。

英矽智能（03696）：AI到底能不能制药

所有Wet Lab、模型和数据最后都必须回答一个问题AI设计出来的药，在人身上到底有没有用，这就是英矽智能最重要的意义。

公司拥有Pharma.AI平台，并且不仅卖软件，而是自己找靶点 → 生成分子 → 实验 → 临床前 → 临床。其中Rentosertib已经进入Phase III三期临床。公司称该项目来自其AI识别靶点和AI分子设计体系。

2026H1英矽收入预计约1.025亿~1.065亿美元，同比增长约273%~287%，预计实现净利润约3350万~3950万美元。

如果未来真的出现AI-native drug（原生 AI 药物）通过Phase III（III 期临床试验）并最终上市，整个AI制药行业会发生类似ChatGPT第一次证明生成式AI真正可用那样的估值范式变化。

剂泰科技（07666）：AI解决的是另一个难题“精准吸收”

设计出一个好药，还没有结束。例如mRNA、RNA非常脆弱，直接进入人体很容易被破坏，所以必须用一种载体把它包起来。最典型就是LNP

（脂质纳米颗粒），可以把它理解成运送药物的小快递盒。

剂泰科技的核心就是AI不仅设计药物，还设计怎么把药送到正确的细胞。

其平台已经延伸到蛋白质、RNA、LNP和制剂设计。

公司2026H1收入1.543亿元，同比大幅增长；调整后净亏损缩窄至5110万元。

这类公司的长期逻辑来源于AI制药未来不会只做Small Molecule小分子药。还会大量进入Antibody抗体、Protein蛋白药、mRNA、siRNA、Gene Editing基因编辑。越进入这些复杂模态，精准吸收越重要。所以剂泰相当于是AI制药另一层卖铲子+药物IP。

药石科技：AI设计得越多，越需要小分子

药石科技逻辑比前面的公司简单很多。AI可以在电脑里生成10000个小分子，但是电脑生成的分子不能直接喂给实验鼠，必须真的合成出来。

药石提供Molecular Building Blocks（分子砌块）和药物研发及制造服务。所以AI对药石的影响更多属于“实验量增加”的二阶逻辑。

2026H1药石收入10.59亿元，同比增长15.19%，归母净利润9944万元，同比增长37.17%；期末在手订单同比增长超过20%。

它不像英矽一样拥有巨大的临床成功期权，但好处是财务验证更加直观。如果AI真的增加全球药物实验量，药石应该逐渐表现为订单增加 → 产能利用率上升 → 收入增加 → 利润率上升。

药明康德、康龙化成：AI不是简单利好，而是结构性改造

传统CRO，简单理解药企把部分研发工作外包出去。过去大量工作依赖很多科学家 + 很多人工实验。AI以后读论文、分析数据、初步药物设计、普通计算、部分实验设计都可能自动化。所以一部分传统FTE（全职人员服务）业务将被压缩。

但与此同时AI会产生更多候选药。因此低价值人工研发需求下降，但真实合成、Wet Lab、动物实验、毒理实验、临床前验证、CDMO制造需求都会增加。因此未来传统CXO内部会出现利润池重新分配“靠人头收费”的业务价值下降，“靠自动化实验能力和复杂制造能力”的业务价值提高。这是未来分析药明康德、康龙化成非常重要的新视角。

中国可能在AI制药时代拥有一个特殊优势

中国AI制药真正的优势，不一定是谁能训练出比Claude更好的基础模型。全球前沿模型竞争可能长期由Google、Anthropic、OpenAI等领先。中国更现实的优势可能在把AI真正落地到实验和制造。过去二十年，中国已经建立了规模庞大的CRO、CDMO、药物化学、实验动物、DNA合成、蛋白表达、小分子合成、生物药生产、基础设施。

AI到来以后，这些原本属于传统医药研发的产能，可能突然特别需要物理执行层。所以中国在全球AI制药产业中的角色，有可能从过去低成本研发外包升级成AI Wet Lab基础设施，又或再升级成AI 药物发现平台。自己拥有全球药物权益，这才是中国AI制药真正最大的产业升级空间。

A/H股AI制药产业链地图

两条投资主线

第一条是AI创造Drug IP（药物知识产权）

代表：英矽智能、剂泰科技。

一旦药物成功，可能产生几十亿美元级BD和未来销售分成。但是临床失败风险也最大。

第二条是Wet Lab（湿实验室）算力链

代表：金斯瑞、晶泰科技、成都先导、药石科技。

AI药物最终成功与否可能很随机，但只要整个AI药物研发活动增加，实验量就可能增加。这与AI时代卖GPU、卖光模块、卖PCB的思路非常相似，不需要提前知道最终哪个AI应用成为赢家。只需要确认所有AI应用都需要更多算力。放到AI制药不需要提前判断哪一个药最终上市，AI生成更多候选药 → 必须做更多实验。那么DNA合成、蛋白表达、DEL筛选、机器人实验、小分子合成就成为更偏“卖铲子”的投资方向。

目前市场已经开始交易预期，行业刚启动 ≠ 股价便宜

产业刚开始，进入炒概念阶段，可以先了解学习这个未来巨大变现空间的行业，接下来开始进入业务、财务验证。