中信建投:AI制药产业链投资前景

AI4S 正由模型能力竞赛迈向产业化临界点，技术、产业、需求、政策四重共振，价值锚点由模型能力向科研生产力、数据资产与系统化生物设计升维。科研 Agent 由回答问题升级为拆解目标、调用专业模型并衔接实验，推动 AI 从单点工具跃迁为执行复杂研发任务的科研生产力，Science Token 等按量计费模式打开平台化变现空间；模型生成候选速度快于实验验证能力，实验产能与反馈周期成为研发效率的主要约束，掌握真实数据入口者借干湿闭环沉淀数据飞轮，焦点由模型性能转向实验吞吐量、数据质量与反馈效率；AI 能力由小分子向抗体、蛋白及核酸等大分子延伸，研发由生成单一候选升级为贯通成药性优化、递送与体内验证的系统化成药设计，有望打开产业价值空间。

四重共振驱动AI4S迈向产业化临界点。技术端，生成式生物设计由单分子预测拓展至完整基因组；产业端，通用模型厂商延伸至湿实验，MNC横向结盟共建研发基础设施；需求端，候选供给放大合成与高通量验证需求，上游服务商率先兑现；政策端，AI制药、高质量数据集和科研基础设施纳入体系化布局，技术、资本、订单与政策形成合力。产业价值锚点正由单一模型能力向科研生产力、数据资产与系统化生物设计升维，主要体现在三方面：

（1）范式演进：Agent延伸研发链条，TaaS打开价值空间。Agent正由回答问题升级为拆解科研目标、调用专业模型并衔接真实实验，使算法、数据和设备形成连续工作流。Science Token将模型、算力、任务编排与机器人实验封装为标准化服务，客户按调用量付费，平台则可将可复用的科研能力转化为持续、高频的平台收入。

（2）壁垒深化：干湿闭环构筑数据飞轮，湿实验室沉淀数据资产。模型生成候选的速度已快于实验验证能力，实验产能、成本和反馈周期成为研发效率的主要约束。科技巨头通过自建湿实验室及连接CRO、自动化实验平台，掌握真实数据生产入口；实验结果持续回流训练，形成“设计—验证—反馈—迭代”的自强化飞轮，竞争重点也由模型性能转向实验吞吐量、数据质量和反馈效率。自动化湿实验室有望成为物理AI落地的重要场景。

（3）边界拓展：从“选分子”走向“造体系”，大分子有望抬升产业天花板。小分子仍是数据基础、建模工具和临床验证最成熟的主战场；蛋白结构预测、蛋白语言模型与生成式生物学的发展，则推动抗体、蛋白及核酸药物迈向预测驱动和可编程设计。由于序列、结构、成药性、递送与体内效应高度耦合，大分子AI将从生成单一候选升级为多目标协同优化的系统化成药设计。

风险提示：

（1）AI4S技术能力与科学验证不及预期风险。 科学模型在公开基准上的性能提升，不必然转化为真实科研场景中的泛化能力。若模型在未知靶点、复杂生物体系及分布外任务中出现幻觉、结果不可复现或实验成功率偏低，可能削弱AI4S的实际研发价值及客户付费意愿。

（2）高质量数据供给与合规风险。 AI4S模型训练依赖高质量、标准化且带有实验标签的科学数据，但行业数据仍存在分散、标准不一及失败负样本稀缺等问题。若数据获取成本上升，或知识产权、患者隐私及跨境流动监管趋严，可能限制模型训练、数据闭环和商业化合作。

（3）干湿闭环建设与商业化进展不及预期风险。 自动化实验室涉及仪器集成、实验标准化和流程数字化，前期资本及研发投入较高。若实验设备兼容性、数据回流效率或实验室利用率低于预期，或客户订单未能从一次性项目转向持续采购，可能导致数据飞轮形成缓慢并拖累盈利兑现。

（4）研发转化及临床试验失败风险。 AI有望提升靶点发现、分子设计和临床前研发效率，但无法消除人体生物学复杂性及新药研发固有风险。若AI设计候选药物在临床阶段出现疗效、安全性或入组问题，可能导致管线终止、BD里程碑无法兑现，并对行业估值体系形成冲击。

（5）开源竞争、知识产权与生物安全监管风险。 开源模型快速迭代可能缩短算法领先窗口，压缩单一模型能力的商业溢价；同时，蛋白、基因组及生物系统设计能力增强，也可能引发知识产权归属、双重用途及生物安全风险。若相关监管明显收紧，可能提高模型开放、数据使用和实验验证的合规成本。

AI制药领域正经历着快速的迭代和变革，算法的更新迭代和算力的支持为AI在制药领域的应用打下了良好的基础。传统药物开发过程花费时间长成本高，且成功率较低，随着已有靶点的新药陆续获批，新药开发难度逐渐上升。近年来AI特别是深度学习的发展，促进了其在包括靶点筛选、分子生成及优化、ADMET预测、晶型预测以及合成路线筛选等的应用，AI用于大分子药物的开发投入也持续增长。AIDD有望重塑早期药物发现的流程，大大加速早期药物筛选的效率及成功率，相关干实验投入的增加以及对湿实验需求持续的增长，有望为下游产业链持续带来增量。

AIDD覆盖早期药物发现全流程。传统药物开发过程花费时间长成本高，且成功率较低，随着已有靶点的新药陆续获批，新药开发难度逐渐上升。近年来AI特别是深度学习的发展，促进了其在包括靶点筛选、小分子生成及优化、ADMET预测、晶型预测以及合成路线筛选等的应用，同时大分子药物研发环节AI布局也在逐渐深入，随着各类干湿实验验证和模型迭代，有望重塑早期药物发现的流程，大大加速早期药物筛选的效率及成功率。

AIDD企业总体处于早期阶段，行业有望进入加速成长期。AI biotech主要包括三种商业模式，第一是仅提供软件服务的SAAS类企业，其次是结合AI平台为客户进行新药筛选或者评估的服务类CRO企业，最后还有通过AI平台自主设计新药并进行管线推进的AI创新药企。目前多数企业发展处于早期阶段，采用其中几种商业模式的结合，整体AI制药市场仍还比较小，但随着越来越多资本的参与、技术的更迭以及AI制药管线逐步上市得到验证，行业有望逐渐迎来收获期。

AIDD模型持续迭代，产业链有望持续受益。AI制药并非单纯以算法替代实验，而是通过提升候选分子的设计效率和命中率，推动研发模式向“Design-Build-Test-Learn”闭环演进。尤其在大分子药物领域，模型从序列和结构预测进一步走向功能预测、抗体生成及多参数优化后，对高质量实验数据的依赖反而进一步增强，需要持续进行基因合成、文库构建、蛋白/抗体表达、结合与功能检测以及多组学分析，并将实验结果反哺模型训练。因此，随着AI模型迭代速度加快、单次设计候选数量提升以及更多药企将AI嵌入早期研发流程，高通量、自动化、标准化的湿实验需求有望持续增长，基因合成、蛋白表达、科研试剂及CRO等产业链环节有望持续受益AI制药渗透率提升带来的增量市场。

风险提示：投融资不及预期风险，行业政策风险，研发不及预期风险，审批不及预期风险，销售不及预期风险，市场竞争加剧风险。

AI重塑制药逻辑的底层变革与商业化加速突破。传统制药面临高投入、长周期、低成功率的“双十”定律困境，AI技术已全面渗透至靶点识别、虚拟筛选、全新设计、ADMET预测以及自动化合成等制药核心环节，有效破解传统高通量物理盲筛的通量极限，大幅提升制药效率与成功率。当前，AI制药产业链已经演化为以平台和技术中台为核心，上中下游深度协同的网状赋能体系，并呈现出多种商业模式兼容并进的发展趋势。全球AI制药市场2025年规模约24.9亿美元，2035年有望突破460亿美元，CAGR有望超过33%。中国市场增速与全球同步，有望成为最具确定性的增量市场之一。

AI加速重塑制药传统研发范式。药物作用本质上是分子与体内靶点的相互作用，传统药物研发面临埃鲁姆定律的底层痛点。AI技术已全面渗透至靶点识别、虚拟筛选、全新设计、ADMET预测以及自动化合成等核心环节，有效破解传统制药研发过程中面临的高通量物理盲筛的通量极限，大幅提升制药效率与成功率。

AI制药商业模式加速演变，全栈赋能图谱协同并进。上游算力设施向技术方案升级，中游全栈服务商多线并举。科技巨头、BioTech、传统药企与CXO四大梯队积极布局，软件服务与自研管线融合成为主流商业模式。随着技术红利兑现，全球与中国AI制药市场迎来高速增长，中国凭借强劲产业韧性有望成为最具确定性的全球增量引擎。

全球AI制药已涌现出一批具备平台化能力与商业化验证的标杆企业。

AI制药公司普遍处于高研发投入、尚未盈利阶段，传统PE/PEG估值方法难以适用，推荐采用分部估值框架：1）自研管线采用DCF/FCFF法，按照“销售峰值测算—单管线现金流建模—概率加权贴现”三步推导企业公允价值；2）AI+CRO业务按首付款、各阶段里程碑奖励及远期销售分成分别建模后加总折现；3）软件授权/解决方案，参照价值数据驱动型平台公司，综合考虑AI制药平台的稀缺性、高成长性及横向拓展潜力，按照PS法给予估值。