夜雨聆风楔子：一个反直觉的等式
78亿美元 = 90个分子 = 85%失败率。
这是2026年AI制药行业最尖锐的算术题：全球AI驱动的新药发现市场规模逼近78亿美元（据行业综合测算），AI辅助进入临床的候选分子预计突破90个，但临床期失败率仍维持在85%的高位。AI发现的药物在II期临床试验中的失败率约为60%，与传统药物研发并无显著差异。
这意味着：AI在加速"制造候选分子"，却尚未系统性提升"制造成功药物"的概率。
近两天在网上读到一篇文章《AI制药距离市场爆发还缺什么》，罗列了六大痛点——数据孤岛、干湿实验脱节、监管模糊、算力不足、人才断层、商业模式不清。这些痛点都是正确的行业共识，但每一个都停留在"现象描述"层面，像一份用AI生成的行业综述：罗列了所有人都能看到的裂缝，却避开了真正决定赛道生死的结构性悖论。
AI制药真正的困境，不是"缺几块拼图"，而是拼图本身的形状在资本周期、技术边界与产业逻辑的三重挤压下不断变形。
要理解这一落差，必须跳出"技术-商业"的二元框架，从结构性视角重新审视。
一、三重结构性悖论：AI制药的底层张力
悖论一：身份悖论——平台估值与管线估值的撕裂
资本市场从未给"平台型Biotech"一个稳定的估值锚。当融资环境宽松时，投资人用SaaS逻辑给AI平台估值（高PS、轻资产叙事）；当管线推进到临床，投资人又要求用rNPV估值（低成功率折现、重资产风险）。这种估值逻辑的切换不是平滑过渡，而是断崖式重估。
英矽智能（Insilico Medicine）的财报清晰地映射了这一撕裂：
反面教材同样触目惊心：BenevolentAI在核心管线BEN-2293的II期试验失败后，裁员近50%，估值从上市时的约17亿美元暴跌约95%。一家公司的崩塌，不是技术失败，而是"平台叙事"与"管线现实"之间的信用断裂。
悖论二：能力悖论——AI加速同质化，差异化壁垒反而消解
当前AI真正被验证的能力边界，仅限于"分子优化"（molecular optimization）——即在已知靶点上生成更优的分子结构。这是me-too/me-better的加速器，而非first-in-class的孵化器。
但临床失败的核心原因，80%以上发生在"靶点验证"（target validation）和"生物学机制理解"层面。当所有AI平台都能针对同一热门靶点（PD-1、GLP-1、KRAS G12C）快速生成分子变体时，AI工具的普及反而在抹平算法差异化，将竞争重新推回到生物学洞察和临床执行能力——而这恰恰是AI公司的短板。
英矽智能对此有清醒认知，已将First-in-Class项目占比主动降至20%，80%转向Best-in-Class。这一比例调整是一个危险信号：它意味着AI平台在"原创靶点发现"上的边际效用递减，退而求其次成为"快速跟随"（fast-follow）的效率工具。
悖论三：数据悖论——飞轮幻想与反网络效应
互联网AI的正反馈循环是：用户行为数据 → 模型优化 → 产品体验提升 → 更多用户 → 更多数据。但药物发现的数据结构天然排斥这种飞轮：
表2：互联网AI vs 药物发现数据的结构性差异
失败数据对模型避坑的价值远高于成功数据，但制药工业从未建立过"失败知识库"。联邦学习、隐私计算等技术只能解决"数据不出门"的问题，解决不了"数据本身质量不足以训练出泛化模型"的问题。在数据质量低下的前提下，联邦学习只是让多个孤岛共享低质量数据，而非构建高质量数据集。
二、六大痛点的深度解构与头部案例映射
基于上述三重悖论，我们可以对行业公认的六大痛点进行结构性重述。
1. 数据底座：不是"孤岛"，是"负反馈循环"
表层描述：数据分散在药企、医院、CRO手中，格式不统一、标注不规范，隐私合规锁死共享路径。
深层结构：药物发现数据天然不具备网络效应。
晶泰科技（XtalPi）的应对策略极具代表性——
它选择自建自动化实验基础设施，通过"AI+机器人+Multi-Agent"闭环，让智能体每周独立自主推进上万次化合物实验。这不是在"打通孤岛"，而是在绕过孤岛，自建数据工厂。其逻辑在于：既然外部数据质量不可控，不如用机器人实验生成结构化、可回流的数据，构建内生的数据飞轮。
这里最值钱的不是成功数据，而是失败数据。公开论文和数据库里记录的都是"什么成功了"，但真实研发过程中90%以上的实验都是失败的。这些失败数据从来不会被发表，却恰恰是AI最需要学习的——知道什么会失败，才能避开坑。晶泰累计沉淀了650万+自有量子化学正负样本数据，覆盖80%药化常用反应（据公司发布会及公开资料），这些失败样本是公开数据库里没有的，也是竞争对手最难复制的壁垒。
但这一策略的代价是资本密集。晶泰截至2025年底手握超70亿元现金余额（据公司年报），这使其有能力承担重资产投入，而多数中小AI公司不具备此条件。
2. 干湿实验：不是"速度错配"，是"因果链断裂"
表层描述：AI迭代速度远超湿实验验证速度，导致"虚真落差"。
深层结构：AI预测的是"分子-靶点结合亲和力"，而临床失败的是"靶点-疾病因果性"和"ADMET（吸收、分布、代谢、排泄、毒性）"。这是从相关性到因果性的断裂，不是简单增加实验通量就能弥合。
剂泰科技（MetiTech）的MTS-004提供了一个极具启示性的对照案例。该药物针对假性延髓情绪失控（PBA），活性成分为已知的右美沙芬和奎尼丁，剂泰利用AI平台AiTEM优化的是剂型与递送系统，而非发现新靶点或新分子。结果是：从立项到完成III期临床仅用时38个月（据公司公告/招股书），临床前制剂开发周期压缩至3个月内。
这一成功案例恰恰揭示了AI目前最可靠的落地边界：
在"已知活性成分"的基础上，优化"可计算"的物理化学参数（溶解度、稳定性、递送效率），而非挑战"不可计算"的生物学因果性。
剂泰的NanoForge平台将制剂开发时间从1–2年缩短至3个月，这正是AI在"工程优化"维度上的确定性价值。
3. 监管合规：不是"黑盒"，是"责任主体真空"
表层描述：深度学习黑盒无法满足FDA/NMPA的可解释性要求。
深层结构：即便模型可解释，更深层的监管困境是责任归属的模糊。若AI设计的药物上市后出现严重不良反应，算法公司、药企、CRO之间的法律责任如何划分？目前全球尚无判例法或明确法规界定。
中国的监管现实更为微妙：NMPA对AI辅助申报持"默许但不背书"态度——企业可以用AI做分子设计，但申报资料中必须提供完整的传统药理学证据链。这意味着AI并未缩短监管路径，反而可能增加"双轨制"合规成本。
剂泰的MTS-004之所以能快速推进至III期，部分原因在于它属于"已知成分的剂型改良"，监管路径相对清晰；而英矽智能的rentosertib（ISM001-055，TNIK抑制剂）作为全新分子，其III期临床试验的启动，将面临更严格的监管审视。
4. 算力基建：不是"硬件缺口"，是"模型-实验闭环"的缺失
表层描述：适配制药的弹性算力与专业模型体系尚未普及。
深层结构：算力本身不是瓶颈，瓶颈在于算力产出如何被实验验证并回流至模型迭代。晶泰的"量子物理+AI+机器人"三位一体模式，试图构建从"AI模型预测"到"机器人执行湿实验"再到"数据反哺AI"的完整闭环。这一闭环的工业化程度，决定了AI平台是"玩具"还是"基础设施"。
剂泰则在更垂直的维度上验证了闭环价值：其NanoForge平台整合了千万级可电离脂质库、脂质从头生成算法和端到端LNP筛选平台，将递送系统的研发从"artisanal craft（手工业）"转变为"engineering（工程）"。
5. 人才组织：不是"跨界稀缺"，是"认知框架冲突"
表层描述：懂药的不会写代码，懂算法的不会设计实验。
深层结构：真正的冲突是两种范式的不可通约性——AI工程追求快速迭代、容忍失败、以A/B测试验证假设；制药研发追求严格验证、敬畏失败、以假设驱动实验。这两种文化在同一组织内融合，需要的不是"既懂A又懂B"的个体，而是能够建立翻译机制（translation mechanism）的组织架构。
晶泰的创始人团队（温书豪、赖力鹏等）兼具物理、AI与药物化学背景，其组织设计强调"平台复用性"而非"项目制英雄主义"；剂泰的创始人组合（赖才达，MIT化工博士；陈红敏，美国工程院院士）则代表了"制剂产业化经验+底层AI算法"的垂直整合。两种路径都在试图回答同一个问题：如何让AI团队与湿实验团队共享同一套"假设-验证"语言？
6. 商业模式：不是"路径不清"，是"现金流-估值体系错配"
表层描述：自研管线周期长、风险高；卖软件天花板低、议价弱。
深层结构：这是两种互斥的估值逻辑在争夺同一家公司的定价权。资本市场从未学会如何给一个"既是平台又是管线"的混合体定价。
英矽智能则选择了另一条路径：以软件为入口，以BD授权为变现。其Pharma.AI平台（PandaOmics靶点发现、Chemistry42分子设计、InClinico临床预测）向礼来、SK生物制药等合作伙伴开放，但真正的收入来自管线授权——2026年与礼来的GLP-1合作首付款达1.15亿美元、总额最高27.5亿美元（据公司公告），与SK生物制药的CNS合作潜在总额高达25亿美元。软件收入（491万美元）只是建立信任的流量入口，BD才是变现核心。
剂泰科技则展示了"平台+产品"双轮驱动的早期可行性：2025年营收1.05亿元（据公司招股书），主要来自MTS-004授权的首付款，毛利率高达98.2%；同时与Deerfield达成超16亿美元的战略联盟。其商业逻辑是：用高毛利的管线授权证明平台价值，再用平台授权获取稳定现金流。
三、应对方案：头部公司的三种差异化生存策略
面对上述结构性困境，晶泰、英矽、剂泰分别演化出了三种截然不同的生存策略。它们没有解决所有问题，但各自在特定约束条件下找到了局部最优解。
表3：三大AI制药头部公司生存策略对比（数据据各公司年报/招股书/公告）
策略一：晶泰——从"生态位套利"到"平台制基础设施"（2026年7月迭代）
晶泰的商业模式正在经历一次关键跃迁。2026年7月29日，晶泰发布XtalPi Science科学智能平台和Genius Agents科学智能体矩阵，标志着其从"第二代分层卖铲子"（SaaS+项目+管线分成）向"第三代平台制卖铲子"的跃迁。
三代进化对比：
| Science Token按调用量计费 |
表4：晶泰"卖铲子"三代进化（据公司发布会及公开资料整理）
核心变化在于：交付单位从"项目"变成了"能力"。过去客户找晶泰是"帮我做一个靶点的药物发现"，晶泰交付一个项目团队；现在客户是"给我开通一个科研平台账号"，自己的科学家在上面调用AI模型、自动化实验、专业工具，按Token用量计费。一次复杂科研任务可能同时调用大语言模型、分子生成模型、蛋白质结构预测、合成路线设计、ADMET预测、自动化合成实验——Genius Agents负责拆解任务、调度资源，Science Token负责计量和计费。
为什么晶泰能先做出来？
海外玩家中，Schrödinger（2026年7月发布Bunsen Agent）只做计算端、不碰物理实验；Isomorphic Labs（AlphaFold分拆，2026年5月融资21亿美元）有平台但不对外卖，专注自研管线；Recursion偏生物端高通量筛选；Absci聚焦生成式AI抗体；英伟达BioNeMo只提供底层工具。没有一家公司同时打通"AI模型+自动化化学合成实验室+平台化对外输出"。
晶泰攒齐了三块最难攒的拼图：
底层算法：MIT量子物理博士后团队出身，"受物理启发的AI"——把量子化学、分子力学的第一性原理和深度学习结合，与辉瑞联合迭代的XFF力场在晶型开发精度上行业顶尖。
自动化实验室：7×24小时无间断运行，每周完成上万个化合物合成实验，数据产出效率是传统人工实验室的40倍。650万+自有量子化学正负样本数据，其中大量是失败数据——这是公开数据库里没有的壁垒。
真实项目验证：过去十年几百个药物研发项目，全球Top20药企中17家为客户。
两个中国独特优势加速了这一跃迁：
工程师红利：自动化实验室建设成本，中国比海外低得多，使得晶泰能以更低成本建更大规模实验产能，平台化经济性更好。
客户付费习惯：中国药企对成本更敏感，对"按调用量付费"的灵活模式接受度更高。
但2026年上半年的盈利预警暴露了转型的代价：晶泰预计归母净亏损2.15–2.75亿元（据公司2026年7月24日盈利警告公告），剔除2025年 DoveTree管线授权的3.65亿元首付款后，内生收入同比增长超65%，AI for Science业务增长超120%。亏损主因是研发投入加了50%以上，砸在自主实验室、智能体系统和平台建设上。晶泰在用短期利润，换长期的平台化转型。
风险点：
付费转化：发布会当天近200家机构申请试用，但试用≠付费，付费≠持续调用。接下来要看Token消耗量、客户留存、经常性收入占比。
生态建设："科学智能开放生态联盟"拉了26家高校、药企、科技公司，但平台网络效应的飞轮转起来需要时间，也需要足够的开放度和利益分配机制。
海外竞争：Schrödinger Bunsen、英伟达BioNeMo Agent、Anthropic Claude Science都在往Agent方向走，海外巨头模型能力和生态资源更强，只是暂时没有物理实验闭环。若它们通过收购或合作补上实验环节，晶泰的先发优势可能被缩小。
策略二：英矽——管线期权化（Pipeline Optionality）
核心逻辑：将早期管线视为"期权"，在IND前后以高溢价对外授权，保留未来分成权。
英矽智能的CEO Alex Zhavoronkov明确将软件业务定位为"与合作伙伴建立联系和信任的入口"，而非终点。其收入结构显示，药物发现（2495万美元）与管线开发（2389万美元）已趋于平衡，说明公司正在从"卖算法"转向"卖管线期权"。
其最具代表性的资产是rentosertib（ISM001-055），用于治疗特发性肺纤维化（IPF），TNIK靶点由AI平台PandaOmics筛选，分子由Chemistry42生成优化，IIa期结果发表于Nature Medicine，2026年7月启动III期临床。若III期成功，将成为AI制药的里程碑式验证；若失败，则再次印证"AI优化分子≠AI优化临床"的残酷现实。
风险点：BD收入具有高度偶发性，财报波动剧烈；过度依赖对外授权可能导致核心能力空心化。
策略三：剂泰——垂直纵深（Vertical Depth）与平台本地化部署验证
核心逻辑：在"药物递送系统"这一细分环节建立不可替代性，用临床级成功证明平台价值，并通过平台本地化部署将"垂直纵深"升级为"基础设施化"。
剂泰科技没有选择做"全能型AI制药平台"，而是聚焦于AI纳米递送这一高壁垒、高需求的垂直领域。其NanoForge平台构建了全球最大规模的千万级可电离脂质库，并开发了全球唯一的脂质从头生成算法。在mRNA疫苗、基因治疗、核酸药物爆发的时代，递送系统（尤其是LNP）是产业链的"卡脖子"环节，其技术壁垒远高于小分子生成。
MTS-004的III期成功（国内首款完成III期的AI赋能制剂新药）为这一策略提供了最强有力的背书。2026年5月，剂泰在港交所上市，募资超21亿港元，公开发售超额认购6900倍（据公司招股书），资本市场用真金白银投票认可了"垂直纵深"路径。
但剂泰的真正突破发生在2026年8月——其自主研发的AiTEM人工智能制剂创新平台在恒瑞医药进行本地化部署（据剂泰科技2026年8月公告），这是剂泰上市三个月以来首个与头部药企达成的平台级本地化部署合作。核心要点：
技术引擎：由NanoForge纳米递送平台驱动，通过量子化学和分子动力学模拟预测药物与辅料间相互作用，生成各剂型优化方案；
部署模式：本地化部署，数据不出恒瑞企业边界——这直接回应了制药企业对数据安全和隐私合规的核心关切；
效率验证：在中国首个完成III期临床的AI赋能制剂新药MTS-004项目中，AiTEM将临床前制剂优化周期从行业平均的1–2年缩短至3个月内；
平台矩阵：剂泰基于NanoForge打造了四大核心解决方案——AiLNP（AI纳米递送系统设计）、AiRNA（AI mRNA序列设计）、AiProtein（AI蛋白设计）、AiTEM（AI小分子制剂设计）。
这一合作的结构性意义远超单笔交易本身：
从"管线授权"到"平台授权"的商业模式升级：剂泰此前与Deerfield/BoulevardBio的合作（2026年6月，临床前TCE项目全球独家授权，首付2000万美元、总额最高16亿美元）属于管线级BD；而恒瑞合作是平台级本地化部署，收入模式从一次性BD里程碑转向持续性平台服务费（或按调用量计费），经常性收入占比有望提升。
"垂直纵深"策略的通用性验证：如果AiTEM能在恒瑞的庞大管线中持续产生效率提升（制剂开发周期从1–2年压缩至3个月），则证明NanoForge平台的跨项目复用能力，而非仅限于MTS-004这一个案。
行业趋势的确认信号：恒瑞作为中国Pharma龙头，其选择具有示范效应。过去药企买的是某个算法、某个模型；现在要的是一整套能嵌入内部研发流程的智能系统——本地化部署、数据不出企业、与现有IT基础设施融合。这标志着AI制药正在从"单点工具"走向"基础设施化"。
风险点：递送技术迭代极快，脂质库可能被更优的非脂质纳米颗粒技术颠覆；平台授权的规模化落地仍需时间验证——恒瑞合作的付费持续性、调用频率、跨项目复用率是接下来三个季度的关键观察指标。
四、投资视角的再框架：
从"AI制药赛道"到"制药工业的AI渗透率"
对于投资者而言，追问"AI制药何时爆发"是一个伪命题。真正应该追问的是：AI在制药价值链的哪些环节已经跨越了从"玩具"到"基础设施"的临界点？
表5：AI在制药价值链各环节的成熟度
关键的投资指标不应是"AI设计了多少个分子"，而是——
"AI设计分子进入III期后的成功率 vs 传统方法"
2026年至2027年，将是这一指标的密集验证期。以下是需要锁定的验真节点：
表6：AI制药核心验真节点与投资判断标准（2026年8月更新版）
这些数据的集体表现，将决定资本市场对AI制药的估值折扣是收窄还是扩大。
五、留给投资者的问题清单（2026–2027）
不看"AI设计了多少分子"，看"AI分子进入III期后的成功率"
当前AI分子II期失败率≈60%，与传统方法持平。若2027年这一数字未显著下降，AI的"效率革命"叙事将严重受损。
区分"工程优化"与"因果发现"
剂泰MTS-004是工程优化（已知成分+AI剂型），成功概率高，但天花板有限；英矽rentosertib是因果发现（AI靶点+AI分子），成功概率低，但验证价值极高。两者不可混为一谈。
警惕"平台万能"叙事
晶泰的第三代跃迁和剂泰的恒瑞本地化部署，不是"AI万能"的证明，而是"物理实验+AI+平台化输出"在特定成本结构（中国工程师红利）和特定环节（制剂优化可计算性强）下的可行性验证。
晶泰关键观察：Science Token的付费客户中，有多少比例来自非制药领域？若>30%，说明平台通用性得到验证；若<10%，则晶泰仍是一家"有平台的CRO"，而非"科研界的AWS"
剂泰关键观察：恒瑞合作是"一次性试点"还是"持续性基础设施嵌入"？若6个月内恒瑞将AiTEM纳入标准制剂开发流程，且向其他管线推广，则剂泰的"垂直纵深"升级为"平台基础设施"；若仅停留在单个项目试点，则平台规模化能力未验证。
关注BD收入偶发性
英矽的管线授权收入是否具有连续性？若2026–2027年出现BD空窗期，现金流压力将暴露其商业模式的脆弱性。
监管判例的里程碑意义
全球第一个"AI设计分子上市后出现严重不良反应"的案例，将触发监管框架的重新制定。关注FDA/NMPA对AI辅助申报的指南更新。
晶泰估值逻辑切换的临界点
若平台模式跑通，晶泰的估值逻辑将从"AI制药CRO"（看项目数量、合同金额）向"企业SaaS/云计算平台"（看付费机构数、ARR、客户留存、Token消耗量）切换。这一切换的估值倍数差异巨大，但前提是经常性收入占比>50%且季度环比增长可预测。
若2026H2–2027H1经常性收入占比仍<30%，则第三代跃迁叙事不成立，需按第二代分层模式重新估值。
剂泰估值逻辑切换的临界点
若恒瑞本地化部署后，剂泰能在6–12个月内再签下2–3家头部药企的平台级部署合同，且平台收入（非BD里程碑）占总收入比例>30%，则剂泰的估值逻辑将从"Biotech（管线rNPV）"向"平台型SaaS（经常性收入倍数）"切换；若平台收入占比<15%，则仍按管线公司估值。
六、行业趋势确认：AI制药从"单点工具"走向"基础设施化"
2026年8月的剂泰-恒瑞合作，与2026年7月的晶泰平台发布会，共同指向一个不可逆的行业趋势：
AI制药正在从"卖算法/卖项目"走向"卖基础设施"——本地化部署、数据不出企业、嵌入客户内部研发流程，成为新一代智能研发基础设施。
这一趋势的行业背景：
东阳光药（2026年1月）与晶泰签署数亿元战略合作，共建AI+机器人联合实验室，并自主构建"HEC药物智能发现平台"；
健康元已完成主流AI模型本地化部署，重点应用于呼吸领域创新药研发；
石药集团AI分子设计模型与全自动高通量筛选体系，支撑其与阿斯利康的siRNA药物全球合作（2026年7月，潜在交易额17.7亿美元，双方第三次AI制药合作）；
英矽智能（2026年7月）与腾讯健康宣布深度战略合作，推进生命科学专精模型训练与云端生态部署。
头部药企的集体选择揭示了一个底层逻辑：它们不再满足于购买外部AI公司的"服务"（按项目付费、数据外流），而是要求将AI能力内化为自身研发基础设施的一部分（本地化部署、数据自主、持续调用）。这对AI公司提出了全新的能力要求——不是"做项目"，而是"建平台"；不是"交付结果"，而是"交付能力"。
跋 AI制药的边界和行业的共识
AI制药不是一场颠覆制药业的技术革命，而是一场制药工业内部的效率革命。它的边界不在算法本身，而在"哪些制药问题可以被计算"。
晶泰、英矽、剂泰三家头部公司，分别代表了三种不同的生存策略：
晶泰用"平台制基础设施"重新定义"卖铲子"——从卖铁锹到卖挖掘能力，从项目制到科研云计算；
英矽用"管线期权化"加速变现；
剂泰用"垂直纵深+平台本地化部署"建立壁垒，并在恒瑞合作中验证了"基础设施化"路径的可行性。
它们的共同点在于，都放弃了"AI万能"的叙事，转而在"AI能力"与"制药现金流"之间寻找最小可行交集。
对于行业而言，真正的爆发点不是某一项技术的突破，而是——
当AI平台的产出被临床数据反复验证后，监管、支付方和资本市场共同承认的一套新估值共识的形成。
在此之前，所有参与者都必须在"技术理想"与"商业现实"的夹缝中，找到自己的结构性生存位置。
-----------------
非哥说药 各专题列表