9月以来，Novo Nordisk与Anthropic合作，将Claude Science用于科学推理、药物发现和研发软件工程；AbbVie与Iambic启动多年合作，把AI平台引入免疫、神经科学和肿瘤小分子研发；Boehringer Ingelheim一边引入Owkin的AI Scientist及多模态患者数据，一边与Envisagenics合作，用AI挖掘RNA可变剪接产生的新型肿瘤靶点；Roche则进一步提出向“自主AI实验室”迈进。把时间轴再向前拉，礼来与NVIDIA共建AI创新实验室，Merck与Google Cloud推进Agentic AI，Sanofi、AstraZeneca也在把AI Agent嵌入内部研发流程。

这些动作共同指向一个比“药企加大AI投入”更深的变化：过去，大药企更多是在购买AI能力；现在，它们开始建设自己的AI研发体系。AI正在从外部工具，转向研发基础设施、决策系统乃至组织能力。

一、从“项目合作”到“体系建设”，药企对AI的定位正在变化

第一代大药企与AI公司的合作，本质并不复杂：药企有研发问题，AI公司有算法工具，双方选择一个靶点或几个项目开展合作，AI企业负责计算，药企负责实验、临床和后续开发。无论是虚拟筛选、蛋白结构预测、ADMET预测还是分子生成，AI大多只占据研发流程中的某一个环节。这种合作模式曾经构成AI制药最典型的商业逻辑，但从药企视角看，它仍然更接近一种新型技术外包。

现在的变化在于，药企越来越不满足于“调用一个模型”。Novo Nordisk与Anthropic的合作不是围绕某个单点预测模型，而是希望把Claude Science用于科学推理，并围绕真实科研问题开发工作流；Sanofi、AstraZeneca、Boehringer Ingelheim等与Owkin的合作，也从早期项目逐渐升级到AI Scientist、Agent、多模态患者数据和内部研发流程的结合。这里的关键词已经从“模型准确率”变成了workflow、decision making、data、agent和infrastructure。药企开始关心的不只是AI能否给出一个结果，而是AI能否进入科研人员每天的工作方式。

Roche提出建设“自主AI实验室”，则把这种转向又推进了一步。如果未来AI可以整合文献、组学、遗传学和企业内部实验数据形成假设，随后自动设计实验、调用机器人实验平台执行、接收结果并更新下一轮假设，那么药物发现就有机会形成更加自动化的Design-Make-Test-Learn闭环。真正重要的并不是实验室里多了几台机器人，而是AI开始从研发中的一个工具，变成连接数据、模型、实验和决策的系统。

二、为什么偏偏是现在：基础模型、Agent与自动化实验第一次“同时成熟”

这轮转向之所以发生在现在，并不是某一个模型突然足够强，而是几个条件第一次在同一时期叠加。上一轮AI制药的核心能力主要是prediction：预测结构、活性、毒性、药代动力学或某种生物学关联。这些工具可以提高局部效率，但天然碎片化，一个任务对应一个模型，科学家需要在不同系统之间切换，很难真正改变科研决策方式。

Foundation Model和Agent改变了这一点。基础模型提供了跨任务、跨模态理解和生成能力，Agent则让AI可以读取文献、调用数据库、执行代码、访问专业模型、综合结果，并根据任务目标决定下一步操作。由此，AI开始从“告诉我这个分子的性质如何”，走向“基于现有证据，我下一步应该验证什么”。Novo与Anthropic合作中强调scientific reasoning，正是这个变化的代表。对制药行业而言，这一层价值远高于单纯把某次计算做得更快，因为一个错误靶点、一个错误候选分子或一次错误患者分层，带来的损失往往是数月、数年甚至整个临床项目。

与此同时，自动化实验平台也在成熟。软件AI开始有机会和Physical AI连接：模型提出假设，自动化设备执行实验，实验结果再反哺模型。当Foundation Model、Agent、专有数据和自动化实验室同时具备工程可行性时，“AI原生研发体系”才第一次从概念走向现实。2026年的特殊之处，正在于这些技术不再各自孤立，而开始被大药企放进同一张研发架构图里。

三、药企重新发现自己的核心优势：不是模型，而是数据与研发闭环

过去十年，一个常见叙事是“AI公司懂算法，传统药企缺乏AI能力”。这个判断并非错误，但它忽略了大型药企手中最难复制的资产：几十年积累的实验数据、临床试验数据、患者多组学数据、真实世界数据、化合物数据、安全性数据，以及大量失败项目留下的知识。传统机器学习时代，这些数据长期分散在不同部门、数据库和文档系统中，价值很难充分释放；多模态模型和基础模型的发展，让它们第一次有可能被统一理解和调用。

这也是为什么GSK、Novartis、Roche等公司越来越强调把遗传学、患者数据、实验数据与AI模型连接起来。模型本身正在变得更容易获得，但高质量、具有真实研发上下文的数据并没有同步商品化。未来AI制药的竞争力可能因此从“谁的模型更大”，逐步转向“谁能把专有数据、持续实验反馈和研发流程形成闭环”。这一点恰好对大型药企有利：AI并不必然削弱Big Pharma，反而可能重新放大其数据资产和实验体系的价值。

从这个角度看，Roche强调“AI independence”就不只是技术自主的问题，而是研发主权问题。如果AI真的成为药物发现的核心生产力，药企很难长期把最关键的科研决策全部外包。未来更可能出现的格局是：外部科技公司提供底层模型、算力和通用基础设施，药企则利用自己的数据、实验平台、管线和临床能力，形成专有AI研发系统。AI公司的角色不会消失，但价值重心可能会从“替药企做项目”，转向“为药企提供底层能力”。

四、大药企真正要解决的，不是“做得更快”，而是“少做错误的事”

AI制药行业过去最常见的叙事，是“把十年以上的新药研发周期缩短”。从药企角度看，这当然重要，但未必是最核心的经济价值。制药行业最大的成本来自失败，尤其是后期失败。一个项目如果在早期药物发现阶段被淘汰，损失相对有限；如果到了临床II期或III期才发现靶点、生物学机制、安全性或患者选择存在问题，企业往往已经投入数亿美元和多年时间。

因此，大药企真正关心的问题并不是“AI能不能把三年的工作变成两年”，而是“AI能不能让一个原本会在五年以后失败的项目，在第一年就被识别出来”。AbbVie与Iambic合作强调帮助研发人员更精准地决定哪些分子值得推进，其背后就是这个逻辑。一个真正可开发的候选药物，需要在活性、选择性、溶解性、渗透性、清除率、毒性、PK、可合成性等大量约束之间取得平衡，本质上是复杂的多目标优化问题。AI的价值正在从“生成更多分子”走向“减少错误分子”，从提高单点效率走向提高整个研发组合的资本效率。

这种变化也解释了为什么AI开始进一步前移到新生物学和新靶点发现。Boehringer Ingelheim与Envisagenics围绕RNA可变剪接寻找肿瘤新靶点，就是一个典型信号。今天，生成数百万候选分子已经不再是最稀缺的能力，真正稀缺的是判断“什么生物学值得做、什么靶点值得投入、什么患者群体最可能获益”。如果AI只能围绕已知靶点生成更好的分子，它更多还是效率工具；如果AI能帮助发现新的疾病机制、新靶点和新患者亚群，它才真正开始改变药企的创新边界。

五、AI制药的下一阶段：可能不是“AI公司颠覆药企”，而是药企逐渐AI化

过去几年，行业里经常讨论AI公司是否会颠覆传统药企。现在看，更可能发生的事情也许并不是AI公司替代Big Pharma，而是Big Pharma自身变成“AI原生的制药公司”。礼来与NVIDIA、Merck与Google Cloud、Novo与Anthropic、AbbVie与Iambic，以及Sanofi、AstraZeneca、Boehringer Ingelheim与Owkin的合作，都在说明同一个方向：大药企不会独立开发所有底层AI技术，但会越来越主动地掌握数据、工作流、实验、决策和组织层面的AI能力。

这背后还有一个现实推动力：大型药企需要新的研发生产率引擎。全球Big Pharma长期面临研发投入持续上升、失败率居高不下和专利悬崖并存的压力。对于一家年研发投入数十亿甚至上百亿美元的公司而言，如果AI能够让项目更早淘汰、靶点选择更准确、候选分子质量更高、临床试验设计更合理，即使最终只把整个研发组合的成功率提升几个百分点，创造的价值也可能远高于简单的人员降本。因此，AI越来越从创新部门、数字化部门的试验性工具，进入核心研发战略。

如果粗略回顾过去十年，AI制药大致经历了从“AI for Drug Discovery”到“AI Drug Discovery Platform”，再到今天的“AI-enabled Pharma”。下一阶段，很可能是“AI-native R&D”：AI不再是外挂，而是和科学家、数据库、实验设备、自动化平台共同组成持续学习的研发系统。这也是2026年大药企布局AI最值得关注的地方。药企并没有突然相信AI可以替代生物学验证或临床试验，它们只是越来越确定：如果AI可以持续改善每一个关键研发决策，那么整个制药研发体系最终都会被重新塑造。过去十年，AI制药的主要推动者是AI公司；未来十年，随着AI越来越深入数据、实验、组织和临床流程，定义下一代药物研发系统的人，很可能越来越多变成大型药企自身。