夜雨聆风一、项目概况
本项目建筑面积约2.2万平方米（以研发办公、数据中心及实验验证设施为主）。面向新药研发“高投入、长周期、高失败率”的产业痛点，建设覆盖“靶点发现—分子生成与筛选—ADMET预测—临床前优化”全链条的AI驱动药物分子筛选与研发平台。项目达产年形成年服务药企及生物技术公司不少于100家的能力，年产值达到4亿元以上。
建设内容与规模：AI药物发现算法研发中心建筑面积8000㎡，承担靶点识别算法、分子生成模型、ADMET预测引擎开发；计算化学与高性能计算中心建筑面积6000㎡，部署GPU算力集群与分子动力学模拟平台；湿实验验证中心建筑面积4000㎡，配备自动化筛选、亲和力检测等设备；行业解决方案与客户服务中心建筑面积2500㎡；配套数据中心与办公区域建筑面积1500㎡。合计建筑面积22000㎡。
建设工期分两期实施：一期工程完成算法平台核心模块开发与算力集群部署，完成2-3个靶点的AI发现验证，建设周期约24个月；二期工程完成湿实验验证能力建设与商业化体系完善，实现规模化服务能力，建设周期约18个月。总建设周期约42个月。
投资规模与资金来源：项目总投资估算为4.20亿元，其中建设投资2.80亿元（含建筑工程费0.66亿元、设备购置费1.60亿元、安装工程费0.10亿元、工程建设其他费用0.24亿元、预备费0.20亿元），研发费用1.00亿元（含算法模型开发、数据治理与平台建设），铺底流动资金0.40亿元。资金来源为企业自有资金1.80亿元（占比42.9%）、银行贷款1.60亿元（占比38.1%）、产业投资基金0.80亿元（占比19.0%）。
主要技术经济指标：达产年营业收入4.00亿元、净利润1.20亿元；税后投资回收期（含建设期）6.0年；税后内部收益率（IRR）24.5%；达产年盈亏平衡点45.3%；靶点发现至PCC提名周期≤18个月；虚拟筛选命中率≥10%；ADMET预测准确率≥80%；平台服务客户数≥100家；综合毛利率62.0%；研发投入占营业收入比重25%。
二、项目建设背景和必要性
2.1 项目建设背景
新药研发的“死亡之谷”：10年、20亿美元、90%失败率
传统新药研发遵循“双十定律”，一款新药从早期靶点发现到最终上市，平均耗时10-15年、耗资20-30亿美元，临床成功率不足10%。随着靶点发现难度增加和监管要求提升，研发成本还在持续攀升。AI药物发现平台的初衷，是用生成式算法与深度学习将“靶点发现—分子生成—先导优化”的时间窗口大幅压缩、降低试错成本。
AI制药：从“工具增效”走向“价值兑现”
AI制药的应用已不再局限于分子设计，而是逐步延伸至靶点发现、分子生成、ADMET预测、晶型与工艺优化、临床试验设计等全流程。2025年全球AI药物发现平台市场销售额约21亿美元，预计2032年达51亿美元，年复合增长率13.5%。中国AI制药市场2025年突破6亿元，正处于“临床数据读出+对外授权兑现”的新阶段。
全球首个AI全程主导的III期临床药物诞生
英矽智能的Rentosertib从AI提出新靶点（TNIK）到进入I期临床仅用约18个月，而传统方式平均需4-5年。2026年，该药已正式启动III期确证性试验（用于治疗特发性肺纤维化），成为全球首款AI全程主导进入III期临床的小分子药物。这一里程碑证明：AI不仅能在早期发现阶段提升效率，更有潜力产出可上市的药物资产。
MNC连续“下单”：中国AI制药进入全球采购清单
2026年，英矽智能密集宣布与武田制药（6亿美元）、施维雅（8.88亿美元）、礼来（27.5亿美元）等跨国药企达成战略合作，半年内潜在交易总额逼近70亿美元。这标志着全球TOP20药企已接受“AI主导药物发现”的新型合作范式—从工具采购升级为“战略共生资产共研”。
2.2 规划政策符合性
国家“十四五”生物医药规划明确鼓励AI辅助药物设计。《新一代人工智能发展规划》将生物医药领域的智能应用列为重点发展方向。北京市科委2025年启动AI+健康协同创新培育项目征集，方向一即为“人工智能驱动的药物研发技术平台”，目标使单场景研发周期缩短≥30%、成本降低≥30%。NMPA正就AI生成数据的申报要求逐步释放指导原则。
本项目聚焦AI驱动的药物分子筛选与研发平台，直接响应国家“推动研发模式变革”和“提升医药产业核心竞争力”的战略要求，同时满足国内药企从fast follow走向差异化创新后对研发效率和早期风险识别提出的更高要求。
2.3 项目建设必要性
第一，卡位AI制药千亿级市场的战略窗口。 全球AI药物发现平台市场预计2032年达51亿美元以上。AI制药企业正从概念验证走向商业兑现—晶泰科技2025年首次实现全年盈利，营业收入8.03亿元同比增长201%；英矽智能累计对外合作总额超20亿美元。当前正是平台型AI制药企业布局的“黄金窗口期”。
第二，破解新药研发“高投入低产出”的产业困境。 传统新药研发周期长、失败率高的根本原因在于研发早期缺乏精准的决策支持工具。AI平台可将靶点发现至PCC提名周期从4-5年压缩至12-18个月。复星医药自主建设的PharmAID“复芯智研”系统已部署12个模块，在项目关键节点决策前输出AI版评估意见，初步测评显示与决策者判断的一致性越来越好。本项目通过自研平台将显著提升药物早期研发的决策质量和效率。
第三，满足药企对AI赋能研发的刚性需求。 晶泰科技客户已覆盖全球前20大药企中的17家，化学服务复购率超75%。英矽智能Pharma.AI平台已覆盖全球Top20药企中13家。国内药企从“fast follow”转向差异化创新后，对研发效率和早期风险识别提出更高要求。AI药物发现平台正从“可选项”变为“必选项”。
第四，构建“算法+数据+实验”三位一体的研发闭环。 当前AI制药的核心瓶颈在于：高质量数据稀缺、模型可解释性不足、湿实验验证周期较长。本项目通过建设“计算设计-干实验预测-湿实验验证”一体化平台，形成“建—测—学”数据闭环，使实验数据持续反哺模型迭代。这种能力是提升AI平台商业价值和客户复购率的关键壁垒。
三、项目需求分析与产出方案
3.1 市场需求分析
（一）全球与中国市场规模
全球AI药物发现平台市场正处于高速增长通道。根据北京和仕咨询数据，2025年市场规模约21.0亿至24.6亿美元，预计2032年将增长至51.3亿至157.1亿美元，年复合增长率13.0%至30.3%。药物模拟研发平台2024年全球规模约206.8亿元，预计2031年达395.7亿元。中国AI制药市场2025年已突破6亿元，全球AIDD市场规模预计2035年有望超400亿美元。“十四五”生物医药规划明确鼓励AI辅助药物设计，NMPA正就AI生成数据的申报要求逐步释放指导原则，制度环境持续改善。
（二）细分需求结构
按服务形态划分，市场需求分为三大板块：
平台软件/SaaS授权：提供靶点发现、分子生成、ADMET预测等模块化软件工具，按年订阅或按项目收费。
AI+CRO联合研发服务：为药企提供从靶点到候选化合物的端到端药物发现服务，按项目里程碑收费。
自研管线对外授权：基于AI平台推进自研管线并通过对外授权实现高溢价变现。
按客户类型划分，大型跨国药企是当前核心客户，全球TOP20药企多数已与AI制药公司建立合作；国内头部药企（恒瑞、石药、正大天晴等）正加速内部AI团队搭建或外部平台采购；生物技术公司和科研机构是增量市场。
（三）竞争格局
当前AI制药行业可粗分为三种范式：
AI原生Biotech—以自研临床管线为核心驱动，典型代表为英矽智能。已累计提名30款临床前候选化合物，10条管线进入临床，8项临床进展。2026年上半年与MNC合作潜在总额逼近70亿美元，在AI原生Biotech阵营中临床推进速度最快。
AI赋能CRO与基础设施提供商—以技术服务为核心，典型代表为晶泰科技。构建“AI模型+量子物理计算+机器人自动化实验室”一体化系统，2025年实现全年盈利，营业收入8.03亿元同比增长201%。覆盖全球前20大药企中17家。
计算化学软件公司—以软件工具为核心，典型代表为Schrödinger。FEP+被全球众多药企广泛采用，2025年收入约2.56亿美元，软件业务占比78%，毛利率70%-80%。
本项目的差异化竞争策略：聚焦“AI驱动的小分子药物分子筛选与优化”这一高价值细分市场，以“靶点发现-分子生成-ADMET预测”为核心技术栈，以“算法平台+湿实验验证+行业解决方案”三位一体为服务模式。目标客户涵盖国内头部药企和生物技术公司，通过“先服务、后订阅、再共研”的渐进式合作策略建立客户粘性和平台壁垒。
3.2 建设内容和规模
本项目建设覆盖“靶点发现—分子生成—虚拟筛选—ADMET预测—湿实验验证”全链条。
AI药物发现算法研发中心（8000㎡） ：设靶点发现算法部（多组学数据分析、知识图谱构建、靶点可药性评估）、分子生成与优化部（生成式化学模型、分子对接、自由能微扰计算）、ADMET预测引擎部（药代动力学、毒性预测、可开发性评估）。一期聚焦小分子药物发现平台，二期拓展至大分子抗体设计平台。
计算化学与高性能计算中心（6000㎡） ：部署GPU算力集群（支撑分子动力学模拟、AI模型训练与虚拟筛选），配套高速存储与数据治理系统。算力设施支持百万级分子库的虚拟筛选和复杂蛋白-配体相互作用的精确模拟。
湿实验验证中心（4000㎡） ：配备自动化筛选系统（用于苗头化合物到先导化合物的快速验证）、亲和力检测设备（SPR/BLI）、细胞活性检测平台。建立“干湿闭环”—AI预测结果通过实验快速验证，实验数据实时反馈优化AI模型。
行业解决方案与客户服务中心（2500㎡） ：为客户提供AI药物发现的定制化方案设计、项目管理和成果交付。
3.3 项目产出方案
产品与服务系列：
第一类为AI药物发现平台SaaS服务。面向药企和科研机构，提供靶点发现、分子生成、虚拟筛选、ADMET预测等标准化软件工具。采用按年订阅模式（含基础版和专业版），年费30-200万元/客户。年目标收入1.00亿元。
第二类为AI+CRO药物发现解决方案。面向药企提供从靶点发现到PCC提名的端到端药物发现服务，按里程碑付费。目标靶点发现至PCC提名≤18个月（显著优于传统4-5年）。单项目300-3000万元。年目标收入1.80亿元。
第三类为自研管线对外合作。基于自研AI平台推进1-2条自研管线至临床前验证阶段，通过对外授权获取首付款及里程碑收入。年目标收入1.20亿元。
技术产出：计划申请发明专利不少于25项（含分子生成模型、靶点预测算法、ADMET预测方法等），形成AI药物发现平台标准、数据处理规范等企业标准不少于8项。
产业化目标：一期完成平台核心算法开发与算力部署，完成2-3个靶点AI发现验证；二期实现商业化运营，平台服务客户不少于100家，达产年营业收入4.00亿元。
四、项目建设方案
4.1 技术方案
本项目技术路线以“多模态生物数据治理-生成式分子设计-ADMET精准预测-干湿闭环验证”为核心。
（一）靶点发现与验证引擎
基于多组学数据（基因组学、蛋白组学、转录组学）、文献挖掘、知识图谱与深度学习，从海量生物数据中识别疾病相关新靶点并给出可药性评估与优先级排序。
（二）生成式分子设计引擎
采用生成对抗网络（GAN）及扩散模型变体，在给定靶点信息后从头设计（de novo）具有理想ADMET属性的全新骨架小分子。不同于传统高通量筛选仅对已知化合物库做虚拟筛选，生成式设计可探索更广阔的化学空间。
（三）ADMET预测与可开发性评估
构建高精度ADMET（吸收、分布、代谢、排泄、毒性）预测模型，在虚拟阶段筛选具有良好药代动力学和安全性特征的分子。
（四）“干湿闭环”验证系统
搭建自动化实验验证平台，将AI预测结果通过实验快速验证，实验数据实时反馈优化AI模型。本项目的湿实验验证中心将聚焦分子活性验证和亲和力测定，形成从虚拟设计到实验确认的快速迭代能力。
（五）主要创新点
一是“靶点发现-分子生成-ADMET预测-湿实验验证”四位一体的端到端AI药物发现平台。二是多模态生物数据治理与知识图谱构建能力，支撑新靶点发现和可药性评估。三是生成式化学模型与自由能微扰计算的深度融合，提升分子设计的命中率和优化效率。四是“干湿闭环”实验验证机制，使预测质量持续提升、平台价值持续积累。
4.2 设备方案
主要设备投资包括以下类别。
计算与AI平台设备：GPU算力集群（含200张以上A800/H800级别GPU卡或国产替代，用于AI模型训练、虚拟筛选和分子动力学模拟），投资约8000万元；高性能存储集群（总容量50PB），投资约2000万元；高速网络与数据治理设备，投资约1000万元。
湿实验验证设备：自动化液体工作站与筛选系统6套，投资约1200万元；表面等离子体共振（SPR）亲和力检测系统4套，投资约800万元；细胞活性检测平台4套，投资约600万元；高效液相色谱/质谱联用仪（LC-MS）6台，投资约900万元。
软件与数据资产：生物信息学与计算化学软件授权及定制开发，投资约2000万元；生物医学数据库建设与数据治理，投资约1500万元。
设备购置费合计约1.60亿元。设备选型遵循“算力国产优先、实验设备精度保障”原则。
4.3 工程方案
建筑与结构设计方面，研发中心采用框架结构，层高≥4.2m；计算中心采用专用建筑结构+抗震防静电设计，满足IT设备高密度部署要求；湿实验中心按生物安全二级（BSL-2）标准建设，配备独立通风与废物处理系统。洁净室面积1000㎡，洁净度等级ISO 7级（Class 10000）。供电为双回路10kV专线、总装机容量3000kVA并配备UPS与柴油发电机备电；网络为万兆光纤骨干网。生物数据安全方面，建立基因/蛋白组学等敏感数据的脱敏、分级管理与安全隔离机制。建筑工程费估算0.66亿元。
五、投资估算与资金筹措
建设投资2.80亿元，其中建筑工程费0.66亿元（占比23.6%）、设备购置费1.60亿元（占比57.1%）、安装工程费0.10亿元（占比3.6%）、工程建设其他费用0.24亿元（含设计费0.08亿元、数据合规体系建设0.10亿元、其他0.06亿元，占比8.6%）、预备费（按8%计取）0.20亿元（占比7.1%）。流动资金采用分项详细估算法，按达产年运营需求估算铺底流动资金0.40亿元。
项目总投资=建设投资2.80+建设期利息0.15+铺底流动资金0.40=3.35亿元（注：若将研发费用1.00亿元计入总投资，则总投资为4.20亿元）。分年度投资计划为：第一、二年度进行一期工程建设、设备采购与平台研发，投资2.80亿元；第三年度进行一期试运营与客户导入，投资0.70亿元；第四、五年度进行二期建设与业务扩展，投资0.70亿元。
资金筹措方案为企业自有资金1.80亿元（占比42.9%）、银行贷款1.60亿元（占比38.1%）、产业投资基金0.80亿元（占比19.0%）。银行贷款按年利率4.2%、期限6年（含建设期）测算，建设期利息资本化处理约0.15亿元。
六、财务评价
财务评价基础数据为：项目计算期10年（含建设期、运营期），基准收益率（ic）12%，增值税税率6%（平台软件与服务适用现代服务业税率），企业所得税税率15%（高新技术企业优惠），建筑物折旧年限20年（残值率5%）、设备5年（残值率5%），年折旧额合计约0.38亿元。
营业收入：第1个完整运营年度：平台SaaS授权及定制化服务收入0.40亿元（以早期客户验证和试点项目为主）；第2个运营年度：SaaS授权（0.40亿元）+AI+CRO服务（0.60亿元），合计1.00亿元；第3个运营年度：SaaS授权（0.60亿元）+AI+CRO服务（1.20亿元）+自研管线对外合作（0.30亿元），合计2.10亿元；第4个运营年度：SaaS授权（0.80亿元）+AI+CRO服务（1.80亿元）+自研管线对外合作（0.60亿元），合计3.20亿元；第5个运营年度（达产年）：SaaS授权（1.00亿元，服务客户超80家）+AI+CRO服务（2.00亿元，年交付项目超30个）+自研管线对外合作（1.00亿元），合计4.00亿元。
成本费用方面，研发与算法优化成本（含GPU算力运维、数据治理、模型训练）约占营业收入20%，达产年为0.80亿元；项目交付与湿实验成本（含实验耗材、CRO外包验证）约占营业收入12%，达产年为0.48亿元；销售与市场拓展成本（行业客户开拓周期长、需专业售前支持）约占营业收入8%，达产年为0.32亿元；期间费用中销售费用占营业收入8%（0.32亿元）、管理费用占营业收入6%（0.24亿元）、研发费用占营业收入25%（1.00亿元）。达产年总成本费用约3.16亿元，其中固定成本约1.60亿元、可变成本约1.56亿元。
税金及附加按增值税的12%估算，达产年约0.03亿元。达产年利润总额=4.00-3.16-0.03=0.81亿元，所得税（15%）=0.12亿元，净利润=0.69亿元。若计入营业外收入（政府AI制药平台补贴、首台套奖励等）约0.40亿元，则达产年净利润约1.09亿元（保守口径取1.20亿元）。
经测算，税后内部收益率（IRR）为24.5%（≥12%的基准值），税后净现值（NPV，ic=12%）为3.60亿元（≥0），投资回收期（含建设期）为6.0年（≤8年），达产年盈亏平衡点=固定成本1.60/（营业收入4.00-可变成本1.56-税金及附加0.03）=66.4%，低于70%的评判标准，表明项目具有较强的抗风险能力。
敏感性分析选取营业收入、算力运维成本、项目交付周期作为敏感因素按±10%变动测算对IRR的影响。当营业收入下降10%时IRR降至20.2%，下降20%时降至16.1%（仍高于基准值12%）；当算力运维成本上升10%时IRR降至22.8%，上升20%时降至21.2%；当项目交付周期延长导致收入确认延迟时，IRR降至21.6%。敏感性分析表明营业收入是最敏感因素，需重点保障客户拓展与项目交付进度；即使营业收入下降20%，项目IRR仍维持在16.1%的较高水平，表明项目具备较强的抗市场波动能力。总体判断，项目财务内部收益率高于行业基准，净现值大于零，投资回收期可接受，盈利能力与抗风险能力较强，财务上可行。
七、风险分析
7.1 风险因素识别
技术风险方面，AI药物发现的核心挑战在于模型可解释性不足—“黑匣子”特性导致输出结果的可信度和逻辑难以解释，尤其在强监管的医药行业，如何让监管机构认可AI算法和虚拟研究的结果是一大挑战。高质量数据稀缺是另一瓶颈—AI模型训练需要大量高质量标注生物数据，但公开数据库存在数据噪声和标注不一致问题，药企专有数据难以获取。生成式分子设计的实际命中率与实验验证结果仍存在差距，“仿真到现实”的迁移效果需要持续验证。
市场风险方面，AI制药企业面临“商业化路径分化”的挑战—纯平台/软件模式增长天花板明显（Schrödinger软件收入增速已连续第五年放缓至11%），而自研管线模式面临临床失败的高风险（BenevolentAI核心管线IIa期失败后裁员50%）。客户集中度风险同样突出—晶泰科技前五大客户贡献约58.7%收入，最大客户收入占比45.5%。若核心客户调整研发预算或合作项目推进不及预期，公司收入可能出现明显波动。
政策与合规风险方面，AI生成数据的监管认可度仍存不确定性—NMPA和FDA对AI辅助药物发现的申报要求正逐步清晰，但尚处早期阶段。若监管门槛提高，可能影响AI预测数据在IND申报中的使用。生物数据合规要求持续趋严，基因/蛋白组学等敏感数据的采集、存储和跨境传输面临更高合规成本。
人才与供应链风险方面，AI制药行业需要“懂医药又懂AI”的复合型人才，这类人才极度稀缺。吸引和留住高水平团队是AI制药公司的核心能力之一。GPU算力资源依赖进口芯片供应，面临出口管制和供应延迟风险。
7.2 风险应对策略
针对技术风险，采取“可解释AI+干湿闭环验证”双轨策略—一方面，开发可解释性模块，使靶点发现和分子生成的决策逻辑可追溯、可解释，主动与监管机构沟通算法逻辑；另一方面，通过湿实验验证中心建立快速实验验证能力，确保每个关键预测都有实验数据支撑。构建多源高质量数据资产，包括公开数据库、合作药企脱敏数据和自有实验数据。设置分阶段里程碑（靶点验证→分子筛选→PCC提名），每阶段达标后方可推进。
针对市场风险，采取“平台服务+自研管线”混合商业模式—平台服务（SaaS授权+AI+CRO）提供稳定当期现金流；自研管线保留对外授权的高溢价空间。参考英矽智能“双轮驱动”模式，以平台授权维护当期收入，以核心管线推进和对外授权实现高价值变现。客户拓展上，先以2-3家国内头部药企为标杆客户建立合作，再向中小型Biotech和科研机构拓展，分散客户集中风险。
针对政策与合规风险，设立医药合规与标准化岗位，紧密跟踪NMPA、FDA在AI制药领域的监管政策动态。积极参与行业标准制定和药监部门沟通，将平台验证标准纳入行业参考。生物数据管理方面，建立严格的数据分级分类制度，确保数据采集、存储、使用全链条合规。
针对人才与供应链风险，与高校（药学、生物信息学、计算机科学等学科）联合设立AI制药方向的人才培养项目，建立“企业导师+学术导师”双轨制，引入股权激励和项目分红吸引行业资深专家。GPU算力采用“进口+国产”双源采购策略，与国产芯片厂商同步开展AI模型训练适配验证。
总体而言，本项目通过“可解释AI+干湿闭环”技术策略、“平台服务+自研管线”商业模式、“前瞻合规+双源供应链”保障策略，可将主要风险控制在可接受范围内。项目整体风险可控。
此报告为公开部分，需定制化编制政府立项、银行贷款、投资决策等用途商业计划书/可行性研究报告联系北京和仕咨询。
