AI 先吃掉的，恰好是中国最擅长的那一段

——把药物研发拆成五段，看 AI for Science 到底改变了什么

先说结论。

把一款新药从想法到上市拆成五段：找靶点、设计分子、临床前验证、临床试验、上市后推广。

过去五年，AI for Science 改变最大的是第二段和第三段。这两段正是中国速度溢价最集中的地方。

而决定药物成败的关键，是第一段"选对靶点"和第四段"证明有效"。AI 在这两段的进展最慢。

所以 AI 带来的不是整体加速，而是瓶颈的搬家：从"做不做得出分子"，搬到了"知不知道该做哪一个"。

一、一块 24 孔板

2025 年 7 月，美国初创公司 Chai Discovery 公开了一项实验。

他们挑了 52 个靶点。这些靶点有一个共同点：在公开的蛋白质结构数据库里，找不到任何已知能和它们结合的抗体。然后，他们让自己的模型 Chai-2 为每个靶点直接"写"出不超过 20 个抗体或纳米抗体的设计，送进实验室合成、测试。

整个过程不到两周。结果，所有设计里有 16% 真的结合上了靶点；52 个靶点中，一半至少得到了一个有效的结合分子。团队说，这比此前的计算方法高出 100 多倍。

每个靶点只测 20 个左右的设计，一块 24 孔板就放得下。

要理解这件事的分量，得知道传统抗体是怎么来的。通常的做法，是给动物注射目标蛋白，让它的免疫系统产生抗体；或者建一个海量的抗体库，一轮一轮地筛。这些方法都要花数月时间，靠的是规模和耐心。

而中国，恰恰是全世界在抗体工程上规模最大、最有耐心的地方。按高盛 2025 年底的统计，过去两年半里，全球抗体偶联药物的研发约 70% 在中国，双特异性抗体约 60% 在中国。

一边是 24 孔板里的 20 个设计，一边是第二篇提到的数字：药明康德一家 2025 年就为客户合成并交付了超过 42 万个新化合物。两者不在同一个量级上，但指向同一件事：找到一个能结合靶点的分子，需要试多少次。

需要强调：Chai-2 的"结合上"还远远不是一个药。它是预印本，尚未经过同行评审（B）。从"结合"到"候选药"还有很长的路：要把结合力提高几个数量级，还要解决稳定性、可生产性和安全性。

这段路有多长？可以用另一项公开研究粗略估算。基因泰克的"实验室在环"系统优化抗体，每轮 4 到 6 周，做了四轮，才在四个靶点上都拿到结合力提高 3 倍以上的分子（B，预印本）。把两者拼起来：从零设计到拿到一个经过初步优化的抗体，大约是 4 到 6 个月；到可以提名的临床前候选药，还要更久。这是本文的粗略估算，不是任何一项研究的结论。

即便如此，方向很清楚：过去靠规模和耐心换来的东西，正在变成一个模型的输出。

二、五段价值池地图

先把药物研发的五段摊开，逐段看 AI 改变了什么、中国在这一段有多大的"盘子"。

评审建议给每一段补上全球市场规模、中国份额和毛利率。这三项需要行业研究数据库，公开信息里拿不到口径一致的数字，本文不硬凑，只给能核实的代理指标。弹性一栏是作者判断，依据写在最后一列。

这张表是本文的骨架。下面逐段解释。

三、第二段：从"手艺"变成"工具"

设计分子这一段，AI 的进展有三个标志。

第一，预测变得又快又便宜。 判断一个小分子能不能牢牢"抓住"靶点，过去最准的方法是一种基于物理的计算（自由能微扰），非常耗算力。2025 年 6 月，MIT 与 Recursion 发布的 Boltz-2 模型，精度接近这种方法，速度快约 1000 倍。

第二，实验和模型开始闭环。 2025 年初，基因泰克公布了它的"实验室在环"抗体优化系统：模型每轮生成最多约 3 万个设计，实验室测一批，结果回喂模型，每轮 4 到 6 周。四轮之后，它在四个靶点上都找到了结合力至少提高 3 倍的分子，部分提高了 10 到 100 倍。

第三，从零设计开始可行。 就是上一节的 Chai-2。

这三件事加在一起，意味着"设计分子"正在从一门靠经验和人力的手艺，变成一套可以购买、可以复制的工具。

还有一个细节很关键：Boltz-2 以 MIT 许可证开源，学术和商业都能免费使用。工具一旦开源，就不再是任何一国的优势。波士顿的三人小团队和上海的三百人团队，用的是同一个模型。

中国在这一段的优势，本质上是"人多、合成快、迭代勤"。AI 做的事，是减少需要合成的化合物数量。它削弱的，恰好是这种规模优势的价值。

从外包企业的业务结构里，已经能看到一点端倪。药明康德 2025 年各业务中，增长最快的是生产端：多肽与寡核苷酸业务增长 96%，小分子工艺研发和生产增长 11.4%。而偏临床前验证的测试业务只增长 4.7%，发现端服务收入没有单独披露。一年的数据不能说明趋势，影响因素也很多。但它至少说明，中国外包产能的增长引擎，已经不在"帮别人试错"这一段。

四、第三段：动物实验的松动

临床前验证是另一个中国有优势的环节，这里的变化来自监管，而 AI 是其中一环。

2025 年 4 月 10 日，FDA 宣布逐步取消单克隆抗体等药物在临床前安全性研究中的动物实验要求，替代手段包括 AI 计算模型、类器官和器官芯片，以及其他国家已有的人体使用数据。2026 年 7 月，国家药监局也推出"先锋计划"，推动类器官、器官芯片等新方法在非临床研究中的应用。

这件事对中国是双刃剑。

一方面，中国的临床前外包是全球速度链条的一环，替代方法普及后，这一环的"规模优势"会被稀释。

另一方面，中国在这一段恰好有一个卡脖子的瓶颈：实验猴。据第一财经 2026 年 7 月报道，食蟹猴价格从 2025 年 5 月约 7.5 万元一只，回升到 2026 年 6 月的 17.8 万元，逼近 20 万元的历史高位；国内年需求约 3 万只，缺口约 1 万只，而一只猴从离乳到可用于实验要 6 到 7 年。替代方法普及，反而能缓解中国自己的瓶颈。

所以这一段不能简单说"中国优势被削弱"。更准确的说法是：替代方法会同时拉平各国的起跑线，中国的规模优势和中国的实验猴短缺，都会变得不那么重要。

五、AI 改变不了的那一段

如果 AI 已经让分子设计快了这么多，为什么新药研发的成功率没有大幅提升？

先看漏斗。按 BIO、Informa 和 QLS 对 2011–2020 年 12,728 次阶段转换的统计，每 100 个进入 I 期的候选药，约 52 个进入 II 期，约 15 个进入 III 期，最终约 8 个获批（B）。整个漏斗里最大的一刀在 II 期：通过率只有 28.9%，平均耗时 3.6 年。

再看失败的原因。2022 年一篇被广泛引用的综述（Sun 等，Acta Pharmaceutica Sinica B）统计了临床阶段新药失败的原因：

• 缺乏临床疗效：40–50%
• 无法控制的毒性：约 30%
• 类药性不佳（吸收、代谢等）：10–15%
• 商业与战略原因：约 10%

AI 目前擅长改善的，是第三项和第二项的一部分：让分子更稳定、更容易被身体吸收、在已知的毒性风险上更干净。这正好解释了第一篇提到的数据：AI 分子 I 期成功率 80–90%，明显高于历史水平；II 期约 40%，和历史持平。

而占失败原因最大头的"缺乏疗效"，取决于两件事：靶点选得对不对；用药的病人选得对不对。这两件事，一件在第一段，一件在第四段。它们需要的不是更好的分子模型，而是更好的生物学理解和更好的病人数据。

那么，怎样才能更常选对靶点？目前最有力的证据不来自 AI，而来自人类遗传学。2024 年 4 月发表在 Nature 上的一项研究（Minikel 等）统计发现，有人类遗传学证据支持的药物机制，临床成功的概率是没有支持的 2.6 倍。

这个发现很朴素：如果某个基因的天然变异确实会让人更容易或更不容易得某种病，那么针对这个基因做药，成功率就高得多。它依赖的是大规模、有长期随访的人群数据，也就是"病人的数据"。AI 可以帮助从这些数据里更快地找到线索，但前提是数据存在，而且能用。

这就是本文说的"瓶颈的搬家"。当"做出一个好分子"变得便宜，"知道该做哪个分子、给哪些病人用"就成了新的瓶颈。而解开新瓶颈的钥匙，在实验室和病人数据里。

六、为什么说"恰好"

把前面几节放在一起：

按 Tufts 大学 2016 年的测算，一款获批新药的直接研发支出里，进入人体之前的部分约占三成。但如果把资金的时间成本算进去，这个比例会升到四成以上，因为临床前阶段耗时长，钱要被占用很多年。所以 AI 压缩的主要是时间，而时间在药物研发里本身就很贵。

更重要的是，这两段是中国把速度"卖出去"的主要环节，也是跨国药企最愿意外包给中国的环节。

这就是"恰好"的意思。AI 没有全面削弱中国，但它精准地命中了中国速度溢价最集中、也最容易被复制的那两段。

   七、图图杠涂涂系列

最强反方：中国把 AI 分子设计和人体闭环结合起来，速度溢价不会消失，而是转化成"更早"溢价。

这个反方的完整版本是：AI 让分子设计便宜了，但分子的价值要在人身上验证才能兑现。中国是全世界最早能在人身上看到信号的地方（第四篇）。如果中国企业用 AI 批量设计分子，再用本土的人体闭环快速筛选，它得到的就不是"更快的快速跟随"，而是"更早的概念验证"。这时，AI 对中国不是削弱，而是放大。

如果这个反方成立：AI 命中的就不是中国的软肋，而是中国的跳板。

反方一（补充）：这两段只占三成成本，中国真正的优势在临床，AI 碰不到。如果临床优势不受影响，中国的速度溢价就不会大幅缩水。

这个反驳很有力。本文的回应是两点：第一，临床优势的主要风险不是 AI，而是地缘因素，比如美国国会对中国试验数据的限制动议；第二，临床速度要转化为溢价，前提是有值得跑的分子。当分子设计变得便宜，所有国家都会有更多候选药涌向临床，临床资源本身会变得更抢手，这对中国是好事。但它奖励的是"谁的临床问题问得更对"，也就是更早定义病人，而不是单纯的入组快。

反方二（补充）：这些 AI 成果都还停留在论文和实验室。Chai-2 的"结合"离成药很远；Boltz-2 的千倍提速是基准测试结果。这是事实。本文的判断建立在方向上，不建立在任何一项技术已经成熟上。下面的预测就是用来检验方向的。

八、预测对账表

在其他条件大致不变的情况下：

结语

AI for Science 没有让药物研发整体变快，它让"做分子"变快了，而"做分子"恰好是中国最擅长、也最容易被复制的那部分能力。

瓶颈搬走了。它搬到了实验室和病床之间：谁能最快地把模型的预测放进细胞、放进病人身上去验证，谁就能先知道该做什么药。下一篇讨论这件事，以及为什么说"模型可以下载，闭环不能"。

——本文为《从"更快"到"更早"》系列第 3 篇。作者：涂哲，图灵健康。长期在医生与患者一侧观察创新药如何抵达临床。文中数据均来自公开信源，关键数字已标注证据级；详细出处见数据核查记录。本文不构成任何医疗建议或投资建议；文中对企业的讨论仅限于公开信息，不评价其经营。本文写作过程中使用了 AI 辅助检索与整理，观点与判断由作者负责。