一核心判断：卡脖子不在同一层，错配机制同构

AI制药研发的卡脖子环节，与AI算力并不落在同一类资源上。算力链的卡脖子是"物理产能＋地缘管制"——光芯片、HBM、高端CCL/电子布，产能扩不出来、被出口管制卡住；AI制药链的卡脖子是"数据要素＋人的能力"——高质量标注数据拿不到、干湿闭环的验证产能建不起来、既懂算法又懂药的复合型人才招不到。一条受制于厂房和设备，一条受制于数据产权和人的知识结构。

但两条链的供需错配机制是同一套：上游关键要素的扩产/积累周期远长于需求增速，形成结构性短缺，利润向掌握瓶颈要素的环节集中。算力链里，高端铜箔扩产周期18–24个月、AI服务器用CCL核心设备交期1–2年，而AI需求是季度级别的爆发；AI制药链里，一个计算蛋白设计首席科学家的岗位挂出十个月招不到人、湿实验平台从零到工业级产能需要数年，而AI把分子设计成本压到近乎为零，验证需求瞬间被放大（动脉网，2026-09-16）。错配的根源都在"慢变量被快需求追打"。

当前市场对AI制药的定价集中在"管线叙事"和"BD交易"两类催化上，对卡脖子环节本身的定价并不充分。数据显示，真正在收钱的是处于瓶颈位的环节——湿实验试剂（阿拉丁26H1毛利率65.46%）、临床前CRO（药明康德26H1毛利率53.91%、净利率38.5%），而纯AI平台型公司仍在亏损（晶泰控股26H1净利率-57.15%）。资金的流向（2026年下半年集中押注验证环节）与利润表的位置（利润在卖铲人手里）指向同一个结论：AI制药的卡点在验证侧，不在算法侧。

这一判断的证伪条件是：若头部AI Biotech的临床II期管线在2027年前出现批量读出且成药性优于传统路径，则"卡点在验证"的定价会被证伪，价值将向前端平台回流。

二AI算力链：把卡脖子和供需错配分开看

分析AI算力的卡脖子，需要把两个常被混用的概念拆开：一类是地缘管制导致的卡脖子（能不能拿到），另一类是物理产能导致的供需错配（拿到的够不够）。前者的解是国产替代，后者的解是产能扩张，两者的投资时点和弹性完全不同。

（一）地缘管制类卡脖子：先进制程、先进封装、HBM、EDA

被管制的核心环节集中在芯片制造的上游。美国出口管制覆盖HBM2及更先进产品、16/14nm及以下非平面结构逻辑芯片、128层及以上NAND，同时对先进DRAM设有内存单元面积与密度的量化红线（招商证券，2024-12-06）。国产算力的卡脖子环节，行业概括为先进制程产能、先进封装产能、大模型适配、HBM供给四项，这四项随着时间推移会被逐步攻克，过程本身就是持续的催化。

国产替代的名单在管制升级中同步清晰：代工环节中芯国际、华虹；设备环节北方华创、中微公司、拓荆科技、华海清科；HBM与先进封装环节通富微电、长电科技；算力芯片寒武纪、海光信息；EDA环节华大九天。这条链的投资逻辑本质是"管制越紧、替代越急、订单越确定"，属于政策外生变量驱动的确定性溢价，而非产能供需驱动的价格弹性。

（二）物理产能类供需错配：光芯片与高端PCB材料

这一层才是算力链真正的"供需错配"，也是本轮利润弹性最大的地方。特征是：需求由AI爆发驱动、增速是倍数级，而供给端是IDM模式、设备依赖海外、扩产周期以年计。

光模块的瓶颈不在模组组装，而在其上游。光芯片、磷化铟衬底、100G/200G EML、法拉第旋光片、隔离器等环节，部分需求量已经超过供应量两倍以上；这些环节多由美国、日本企业主导，龙头满产满销且扩产意愿不激进，倾向于维持高价格、优先供货核心大客户（产业公众号，2026-05-17）。供给刚性叠加需求爆发，直接推高了龙头议价权——订单向龙头集中，前两家合计占据全球800G及以上高速光模块约55%–65%的市场份额。2026年，上游环节已能看到2027年的框架需求与提前锁产迹象，客户行为从"要货"变为"抢产能"，交付节奏整体前移

高端PCB材料的错配更为极端。PCB产业链呈"铜箔—玻纤布—树脂—覆铜板（CCL）—PCB制造"的垂直传导结构，本轮涨价从上游启动并逐级传导，形成利润向上游集中的格局。三项核心材料的量化缺口如下：

表1回答的问题是"利润为什么向上游集中"。答案是四类材料同时出现两位数以上的供需缺口，且每一项的扩产周期都在18个月以上，而AI服务器对这些材料的需求是传统服务器的数倍。估值端已经反映了一部分：生益科技2026-09-23的PE（TTM）67.1倍，处于时间范围内的33.3%分位；沪电股份PE 48.7倍，位于100%分位——上游材料端的估值分位反而低于中游PCB制造，说明市场对"材料端紧张还能持续多久"尚未形成一致预期。

（三）算力服务端：需求增速与供给增速的剪刀差

算力服务环节的错配是另一种形态——需求增速远快于供给增速。2026年一季度国内AI算力需求同比暴涨417%，而供给增速仅128%，供需失衡推高算力价格，国内头部云厂商价格涨幅达5%–34%（中国信通院，转引自传媒互联网策略，2026-05-18）。更隐蔽的是结构性错配：传统IDC以CPU为核心、强调稳定托管，与AI算力所需的弹性扩展、异构调度、快速交付之间形成架构性错配（计算机行业深度，2026-08-25）；地理上则是一线城市机房上架率高位、中西部与东北上架率较低、部分租金下滑（IDC深度，2025-02-25）。算力租赁业态的兴起，本质上就是在填"时空错配"这个缝。

三AI制药研发链：卡脖子在哪几层

AI制药的卡脖子，需要先把产业链画清楚。上游是AI技术与生物技术企业（算力、算法、数据，以及CRO服务与先进设备如冷冻电镜、自动化实验室）；中游是AI药物研发主体（AI+biotech、AI+CRO、AI+SaaS、IT头部企业布局）；下游是传统药企与CRO企业。技术三要素为数据、算力、算法，其中最核心的壁垒在高质量数据（AI赋能制药，2024-08-13）。行业最系统的一次梳理来自西南证券2026年9月22日，把壁垒归结为算力、数据、模型三层：

数据来源：西南证券《AI制药专题：全流程赋能制药》（2026-09-22）

但这份框架是静态的。把近期数据叠上去看，AI制药的卡点正在从"数据"向两个更下游的环节迁移：湿实验验证与复合型人才。前者是产能问题，后者是供给问题，两者共同构成当前真实的瓶颈。

（一）第一卡点：高质量数据，卡的机制是产权而非技术

数据是AI制药公认的第一壁垒，但卡的方式容易被误读——不是数据量不够，是可用数据不够。行业测算显示，约80%的生物医学数据掌握在制药公司手中，缺乏共享机制；尽管超过70%的医院实现了医疗信息化，真正实现数据互通的不到3%（AI赋能制药，2024-08-13）。公共数据库存在系统性偏差：基于ChEMBL训练的模型在新靶点预测中会出现显著性能下降；而且公开数据偏阳性结果、失败实验数据缺失、缺乏深度注释，高质量的药物—靶点相互作用数据极少。

问题的性质决定了破局路径。数据短缺的根源是商业产权与患者隐私，不是技术能力，因此靠"整合公开数据库"只能形成短期壁垒——短期看整合与清洗能力构成企业间壁垒，长期看仅依靠公开数据整合难以形成差异化竞争力（华创证券，2024-03-23）。真正的解法只有两条：与药企深度合作拿到管线级数据，或自建干湿一体化实验室持续产生自有数据。行业共识已经收敛到后者——持续产生自有数据、形成"模型预测—实验验证—数据反馈—模型迭代"的飞轮，最终自有自动化湿实验平台和干湿闭环数据是最高壁垒（西南证券，2026-09-22）。

这一判断有明确的市场含义：数据要素的稀缺性会把价值推向两类主体——一类是掌握真实研发数据源的药企与CXO，一类是能把数据变成闭环能力的干湿一体化平台。前者是数据的供给方、议价强势，后者是数据的使用方、需要长期资本开支。

（二）第二卡点：湿实验验证，从"数据到原子"的断层

这是AI制药最被低估的瓶颈。生成式AI的颠覆性在于把新药开发起点变成"从头生成"，设计成本被压到近乎为零，但验证环节随即成为瓶颈——湿实验一次能测的分子数，远赶不上模型的产出（动脉网，2026-09-16）。行业把这一现象描述为"从数据到原子的断层"：AI模型在in silico层面可实现高通量预测，但在缺乏高效合成与验证平台支撑的情况下，绝大多数生成分子难以被快速推进至体外实验、动物模型乃至临床验证阶段，形成"虚拟管线堆积"（人工智能行业深度，2025-07-29）。

杰文斯悖论在此复现——效率提升反而放大了总需求。AI在临床前研发的提效降本越突出，行业对分子验证的需求就越强烈，测序、湿实验、自动化实验室等上游"卖铲"环节的景气度随之抬升（中邮证券，2026-09-23）。这解释了为什么资金在2026年下半年集中押注验证环节：天鹜科技完成数亿元A++轮做干湿闭环智能体，英灵殿科技三个月内连融多轮、累计近5000万美元自建高通量湿实验平台，深旋科技做全原子生物基础模型在设计阶段过滤物理上不成立的分子（动脉网，2026-09-16）——三家的切口不同，但都在解决同一个断层。

具备干湿闭环能力的公司，其壁垒是复合的。以晶泰控股为例，其壁垒被概括为量子物理计算、人工智能、自动化湿实验室三者的结合：量子物理计算与AI结合可以大规模快速处理数据并计算超越当前行业能力的分子特性，自动化湿实验室则让AI模型的预测被快速验证并大规模生成数据反哺训练，三者形成"数据生成—学习—确认"的良性循环（2025-05-12）。这是AI制药链里最接近算力链"上游材料紧缺"逻辑的位置——能力稀缺、扩产周期长、先发者锁定客户。

（三）第三卡点：复合型人才，最新且最被低估的供给瓶颈

人才是AI制药最新浮现的卡点，也是市场讨论最少的一层。量化证据已经很清楚："懂AI又懂药"的复合型人才缺口率高达38%，2026年春招AI相关岗位需求同比暴涨455%（产业公众号，2026-07-16）。价格的信号更直接：AI制药负责人年薪突破200万元，总监级别近150万元，但空缺岗位数量仍远超愿意跳槽的人才数量；Moderna挂出的计算蛋白设计首席科学家岗位（年薪最高25.65万美元）挂了十个月仍未招到，相中的候选人被同行三次截胡（动脉网，2026-09-16）。

卡在哪个具体岗位上，指向了卡点的本质。比算法工程师更难招的，是能把AI设计的分子挑出来、送进湿实验验证、再把实验结果反馈给模型迭代优化的人——计算蛋白设计科学家、AI蛋白质工程科学家、AI使能结构生物学家。这类岗位要做两件事：把模型的输出翻译成实验方案，再把实验结果翻译成模型能用的信号；纯算法工程师做不了后一件，纯实验科学家做不了前一件。这恰好与"湿实验验证卡点"互为表里——验证产能不足，一半是硬件平台，另一半就是缺能设计实验、解读数据的人。

更深层的是人才结构的代际差距。跨国药企全球总部的研发负责人中，超过50%具备"临床医学＋基础科学研究"（MD-PhD）的复合背景，而中国各类药企研发负责人中这一比例极低；美国通过NIH专项基金系统支持此类培养项目已超过半个世纪，国内类似教育体系在规模与成熟度上仍有巨大提升空间（医药圈人才荒漠，2026-02-16）。这意味着人才卡点不是靠加薪能短期解决的——海归存量有限、海外同样缺人、自培养周期以十年计。行业给出的解法是"π型人才"模型：一条腿是技术深度（机器学习、大模型部署、计算生物学），另一条腿是行业知识广度（药理学、临床试验设计、监管合规），横杠是跨部门协同与ROI导向的项目推动力。但现实是四条供给路径（互联网大厂35%–40%、医药垂直AI公司25%–30%、高校院所20%–25%、药企自培10%–15%）没有一条能独立满足需求。

（四）第四卡点：临床转化与商业化，"最后一公里"尚未跑通

AI制药的价值最终要在临床兑现，而这一段目前仍是黑箱。全球范围内尚未有由AI主导研发的药物获批上市，研发进展较快的AI药物仍处于临床II期阶段；即使经过AI优化，进入临床试验的化合物仍有约90%的失败率（长江证券，2025-11-11；2025-06-25）。模型的"黑箱特性"在临床前候选化合物向临床转化阶段尤为突出——AI生成的分子可能在虚拟筛选中表现优异，但实际生物活性与预测值存在偏差，根源在于训练数据对生物系统复杂性的简化建模，现有模型对细胞微环境、多靶点相互作用的模拟仍存局限（人工智能行业深度，2025-07-29）。

这一层的性质与前三层不同：前三层是"供给不足"，这一层是"验证不确定"。它决定了AI制药当前的商业模式只能是平台授权、里程碑交付与自动化实验室解决方案，而非药物销售分成——因为还没有药卖出去（西南证券，2026-09-22）。也正因如此，产业链上真正稳定收钱的是不承担成药风险的环节：湿实验试剂、测序、临床前CRO。

四两条链的对照：错配机制同构，卡脖子性质分异

把两条链放在一起，能看到一些单看一条链看不出的结构性规律。

第一，卡脖子的性质分异，决定了投资逻辑的差异。算力链的卡脖子是外生管制与物理产能，可通过国产替代与扩产解决，路径清晰、时间可预期，因此呈现"管制升级—替代加速—订单确定"的政策驱动型行情；AI制药链的卡脖子是数据产权与人的知识结构，无法靠资本开支短期解决，只能靠生态（与药企合作、自建闭环、人才长周期培养）缓慢化解，因此呈现"事件催化—叙事波动—兑现缓慢"的主题驱动型行情。同为卡脖子，前者可以算账，后者只能跟踪。

第二，错配机制同构，都指向"慢变量被快需求追打"。算力链里是材料产能（18–24个月扩产周期）追不上AI需求（季度级爆发）；AI制药链里是验证产能与人才供给（数年积累）追不上AI设计能力的膨胀（成本趋零）。两条链最赚钱的环节都是掌握瓶颈要素的一方——算力链是上游材料龙头（中际旭创26H1毛利率46.25%、净利率35.27%，新易盛毛利率48.44%），AI制药链是卖铲人与闭环平台。

第三，利润分布验证了同一规律：瓶颈环节定价权最强。下表对比了两条链代表公司的盈利能力，可以看到"越靠近瓶颈要素，毛利率与净利率越高"：

表3回答的问题是"钱被谁赚走了"。判断有三层：一是上游卖铲环节毛利率最高，阿拉丁（湿实验试剂）65.46%的毛利率高于任何一家中游平台，与算力链上游材料的逻辑一致；二是中游平台普遍未盈利或高估值，晶泰控股净利率-57.15%、成都先导PE 131.6倍、华大智造仍亏损，说明市场在为"闭环能力"和"未来成药"付溢价，而非为当期盈利；三是下游承接验证需求的CXO反而盈利质量最好，药明康德53.91%毛利率、38.50%净利率而PE仅23.5倍——这可能是当前预期差最集中的地方：市场按"AI平台叙事"给中游高估值，却按"传统CXO周期"给承接AI验证需求的CRO低估值，两者的定价框架存在错位。

五从买方视角看：市场定价了什么，哪里不同

市场当前对AI算力的定价已相对充分——上游光芯片、高端CCL的供需缺口已被反复讨论，龙头估值分位普遍处于高位（生益科技33.3%分位、沪电股份100%分位）。对AI制药的定价则集中在两类叙事上：一是大型MNC与AI平台的BD交易（如赛诺菲与百图生科超10亿美元合作），二是临床管线读数的事件催化（西南证券，2026-09-22）。市场按"AI平台将重塑研发范式"的长期叙事给中游平台高估值，隐含的假设是AI能显著提升临床成功率、闭环能力可转化为远期分成收入。

但数据显示的与叙事不同之处在于：卡点在验证侧与人才侧，而非算法侧；利润在卖铲人与CRO手里，而非平台手里。这一背离的验证信号有三个，均可在未来12–18个月观测：（1）头部AI Biotech的临床II期管线读出质量——若成药性未显著优于传统路径，"范式重塑"叙事将被削弱；（2）上游卖铲环节（湿实验试剂、测序、临床前CRO）的订单与毛利率能否持续抬升——若持续，说明验证需求是真实且刚性的；（3）复合型人才的招聘周期与薪酬——若缺口率38%继续走高、岗位空缺周期不能缩短，人才将取代数据和算力成为更长周期的约束，进而拖慢整个产业向管线端传导的速度。

若上述信号指向"卡点在验证与人才"，则受益最确定的环节是湿实验试剂与设备、具备干湿闭环能力的平台、以及承接AI验证需求的临床前CRO；受损最明显的是仅有算法、缺少数据与验证闭环的纯软件型AI制药公司——它们的壁垒会在公开数据整合能力普及后被稀释。

六风险提示

技术路线变更风险：AI制药底层模型高度依赖海外开源体系（AlphaFold系列），自主可控不足。若海外对生物基础模型实施类似半导体的出口管制，或模型架构发生颠覆性迭代导致现有积累贬值，国内AI制药公司的模型层壁垒将被直接削弱。触发条件是海外开源许可政策或模型权重获取方式发生变化，传导路径是模型层失效→中游平台竞争力下降→上游验证环节订单虽不受直接影响但需求预测将下修。

产业化进度不及预期风险：全球尚无AI主导研发的药物获批上市，最快的管线仍处临床II期，且AI优化后进临床化合物仍有约90%失败率。若后续II/III期管线批量失败，AI制药的估值逻辑将从"范式重塑"退回"工具属性"，中游平台的高估值将失去支撑。触发条件是2027年前头部管线集中读出且失败率未改善。 [6]

数据与合规风险：数据短缺的根源是商业产权与患者隐私，跨主体打通涉及法律伦理风险。若数据共享监管趋严、或药企出于IP保护进一步收紧数据合作，依赖外部数据源的AI制药公司将面临训练数据断供。

算力链方面：光芯片、高端CCL的供需缺口当前是核心支撑，但缺口本身会引来扩产。若海外光芯片厂商与国内材料厂商的扩产在2027–2028年集中释放，价格与利润率将回落，本轮利润向上游集中的格局可能逆转。触发信号是高端玻纤布、HVLP铜箔的交付周期从6个月以上开始缩短。

免责声明：本报告仅供参考，不构成任何投资建议，数据查询时点为2026年9月24日。市场有风险，投资需谨慎