AI for Science行业解析(附AI4S全景图)

1、AI赋能药物研发全流程应用

·早研环节赋能应用：药物研发是覆盖多环节的庞大领域，可分为小分子、大分子两大品类以及早期研发、临床试验两大阶段，不同参与主体如大型药厂、CRO等对AI for Science的应用需求存在差异，AI可在多环节实现赋能。在早期研发阶段，应用覆盖三大核心场景：

a. 靶点发现环节：传统药物研发遵循靶药模型，靶点通常为蛋白质，AlphaFold通过蛋白折叠技术从蛋白一级序列预测三维结构，是该领域极具代表性的早期技术成果，直接推动行业井喷；

b. 亲和力预测环节：该领域是传统CAD工作的延续，当前技术可同时实现小分子、蛋白的亲和力预测，代表技术包括RFdiffusion等，但暂未对传统CADD形成决定性替代，底层物理逻辑差异是核心约束；

c. ADMET预测环节：该环节主要演算药物在人体内的毒性及时空分布，传统方法以QSAR模型、薛定谔、CADD软件内置方法为主，当前基于机器学习、深度学习的成熟产品已经落地，代表产品包括Chemical 42。

·临床应用与新趋势：AI在临床环节可应用于病人生组、工艺优化等场景，AI for Science核心聚焦科学层面的价值赋能而非工业流程优化。当前领域呈现双向融合的发展逻辑：一方面是传统CADD等技术从唯象、唯物基础向AI方向迭代延伸，另一方面是大语言模型从语言逻辑思考层面向科学应用方向渗透，二者交汇融合下，大语言模型通过agent调用底层平台成为当下最新的热门研发方向。

2、AI for Science企业商业模式与竞合

·行业企业发展阶段：AI for Science企业可按发展时间划分为三类，各阶段技术特征与核心问题清晰：

a. 第一类是AlphaFold爆发前后诞生的传统CADD企业，已应用机器学习等早期AI技术开发工具，但未采用最新AI技术；

b. 第二类是深度学习引入生物信息学、化学信息学后成立的工具类软件企业，主要研究蛋白从一维序列到复杂三维结构的分子构造，初期仅实现有模板的分子生成、成药性预测、老药新用预测等小范围创新，直至蛋白结构预测及相关分子生成模型落地才迎来技术系统性爆发；当前这类企业仍处于发展早期，需大量实验验证效果，核心考核标准是AI生成的新型化学结构、蛋白大分子结构最终能否产出突破现有认知的药物；

c. 第三类是去年年底到今年上半年大模型能力接近人类逻辑、甚至超越人类统筹巨量知识的性能后诞生的大模型+智能体类企业，谷歌新推出的相关企业、Cloud Fins等知名AI企业均已转向该赛道，当前该类企业仍有核心待解问题：智力提升与制药效果是否为对等或线性增长关系、自动化实验能力是否为制药核心关键，目前三类AI技术均未触达制药核心场景。

·产业链主体竞合关系：垂类AI for Science工具厂商与大模型厂商之间竞合远大于竞争，核心关系为上下游衔接的调用与被调用关系：大模型具备复杂逻辑能力，可有效调动下游垂类工具提升运行效率，双方协作空间广阔。二者仅在传统工具的大模型适配改造环节存在竞争，核心争夺点为改造后工具对药物生产的适配效率。目前产业链话语权与利益分配格局尚未明确，大模型未来是退居辅助位置还是成为产业核心角色仍未可知，需不同知识禀赋的多元市场主体在融合过程中开展竞合，最终形成合理的利益分配方式；纯粹的早期非逻辑类单项专业模型与大模型的竞争点极少，整体协作逻辑通顺，可有效打通产业链各环节。

·变现模式与行业壁垒：行业主流变现路径清晰：垂类AI for Science企业依托对科研流程的理解、积累的药物研发相关数据，调用第三方大模型的逻辑能力开发适配不同药物品类的研发工具，向药企销售工具实现收益，大模型厂商也可通过token调用获得收益。行业核心竞争逻辑为单位token的有效研发行为产出量，而非调用token的总数量。医药领域存在极高的know-how壁垒，不同药物品类均有专属技术壁垒，大模型公司切入该领域的难度远高于文本处理、办公等通用场景，需要大量试错，试错成本极高且存在运气影响。购买临床/药物研发数据仅能解决已知环节的know-how问题，可在一定时间内形成相对竞争优势，但药物研发的核心挑战是面向未知问题，现有实验数据相对广袤的化学空间体量严重不足，对于新的药物研发问题支撑有限，旧有药物数据适用性窄，品种差异性容易引发全系统研发失败。

3、AI for Science应用场景与未来方向

·短期需求释放场景：现有AI工具的逻辑组织性、复杂问题分解解构能力远超过人类在巨量知识场景下的处理能力，将率先在科研场景快速落地：一是在科学观点梳理、文献调研领域将迎来大幅提升，可对现有科研推理、假说验证形成直接支撑，过往科学假说多由核心科学家提出思路后由其他人员证伪，而AI依托强大的推算能力、全知识图谱覆盖优势，可从海量信息细节中找到新的研究突破口。二是在蛋白研究领域，当前生物信息学、化学信息学底层结构研究仍有不足，人类尚未完全理解自然界编码形成有效序列的深层机理，也未掌握快速生成适配复杂结构变化、符合复杂机理要求的序列的技术，未来将在Alpha Fold、RF Diffusion等现有模型的基础上进一步向下探索，重点攻坚宏观需求向底层代码序列转化相关技术。

·中长期技术突破方向：中长期来看AI for Science有两大核心探索方向：一是小分子领域的需求落地，当前该领域存在明显技术鸿沟，人类尚无法将“需要具备特定化学性质的药物/分子”这类需求描述有效转化为对应的分子实体，类比当前技术已经成熟的文生图模型来看，具备三维几何特征的非平面空间分子生成技术仍有待突破，是未来中长期亟待攻坚的核心方向。二是更前沿的微观分子设计领域，微观分子的特性不仅取决于静态结构，还受动态结构、力学锁死、空间原子移动带来的电子链传递、生物功能性等多重因素影响，如何在已有生物体之外再现这类生物功能是核心研究方向；不过该领域目前较为小众，相关研究积累、具备相关技术能力的科研人员数量均较少，尚未达到系统性放大的阶段，当前只能依靠科研人员的智慧或偶然发现实现突破。

4、AI for Science市场空间与中美对比

·行业市场空间：AI for Science是具备颠覆性的全新增长点，市场空间将远超现有药物产业整体产值。AI技术加入后，传统药物可研发领域将大幅扩容，社会对药物研发的预期也将进一步提升，AI药物的发展将远优于当前传统药物，在单品价值、药物品种两个维度均将实现多倍增长，是极具价值的发展方向，相关赛道估值天花板远高于当前水平。但目前AI for Science产业生态仍需进一步构建，具备核心价值的相关公司数量较少，产业成熟度仍有待提升。

·中美竞争优劣势：中美在AI for Science领域的竞争格局延续大语言模型领域的既有态势，双方优劣势差异明显：

a. 中国竞争优势：首先在人力成本、固定算法优化、电力及运维等基础构建层面具备显著优势；其次拥有全球最多的CRO资源；同时国内科研院所、高校对AI技术的接纳度高，未来在AI for Science领域有望与美国齐头并进甚至实现反超，为国内算力短板的突破带来全新跃升契机。

b. 中国竞争劣势：核心短板集中在GPU芯片等AI基础硬件层面，与美国仍存在一定差距，导致AI训练的硬件成本更高；同时脱离现有训练框架的AI训练人才转型成本较高，存在短期转型痛点。

c. 美国竞争优势：产业发展主要依托大公司主导，对研发方向、未来产业格局的预判更为超前，具备独特的产业发展逻辑，更容易争取同领域企业家、产业共同体的资源支持，该层面国内目前仍处于相对劣势。

5、AI制药提效效果与落地瓶颈

·AI制药提效情况：企业提效进程自信息化阶段就已启动，AI进一步放大了提效效果。提效逻辑体现在信息存储与处理模式的迭代：传统企业信息多以Excel、PPT形式存储在本地设备，信息化阶段相关信息会汇入电子实验笔记本，AI时代则进一步转化为AI可读取的标准化文档，大幅减少人工操作量。AI提效的核心价值在于释放高级研发人员的时间：传统绘制单个分子的Excel表需要20分钟甚至更长，同时伴随复杂思考，AI生效后仅需几秒即可完成，可将一线药物研发尤其是team leader层级的高级研发人员从机械性事务中解放出来，使其有更多时间聚焦药物研发方向判断而非事务性操作，可优化高级量化专家20%-50%的单人研发时间。

·研发能力跃迁与瓶颈：生成模型为药物研发尤其是大分子领域带来了研发能力跃迁，突破了传统研发的能力上限。传统大分子研发仅能替换核心关键位点的氨基酸，单点位替换有20种可能，若替换三个位点则有20的三次方种组合，实验上几乎不可行；当前以RF diffusion、protein MPNN为代表的生成模式，大范围替换点位的准确率极高，可规避替换后蛋白散架、无法正常折叠的问题，实现研发能力跃迁。不过能力跃迁后仍需配套控制工具约束模型变动范围，当前核心问题是如何将算力聚焦到目标产物上，该路径虽有难度但不存在无法跨越的门槛。

关于湿实验的瓶颈争议，湿实验效率未提升会拖累整体药物研发的逻辑并不成立：近五到十年间，大型药企、全球头部CRO的药物合成产能极大，但并未有效转化为获批药物，可见瓶颈并不在物理生产限制。传统湿实验采用散弹法，不同批次细胞受操作人员、实验室差异影响批间差极大，药企积累的历史数据存在错误、笔误难追溯的问题，数据价值提炼成本极高。随着实验室自动化机器人、高通量设备的落地，湿实验数据逐步向成规模、成批次可被AI研究的方向发展，当前AI对湿实验的改造刚起步，影响滞后于干实验，核心需要降低数据测量成本。整体来看，湿实验是重要环节会对干实验形成限制，但最核心的限制仍是带头科学家的药物研发设计能力：药物研发是N个不同方向零到一创新的集合，纯粹靠AI基于概率判断复制前人经验，在新药研发中的作用仍存在不确定性，人类对知识的理解偏向性依然具备价值。

·数据闭环构建进展：今年上半年已有不少企业开始尝试构建AI制药流程的可验证数据闭环：将制药流程可验证化后，形成的后续数据反哺投喂模型，优化模型参数权重，再反哺研发流程形成正向循环。验证分为两个层级：最基础的是工作流完整性验证，仅需验证工具正常运行、程序代码自验通过即可；常规流程下工具的能力边界可穷举，只要算力足够就能获得满意结果，无需人工介入。仅在研发管线设计环节需要专业人员介入：如何将原始文献等初始需求转化为一系列agent架构、固定化研发管线是当前的核心难点，不过小分子研发围绕蛋白和小分子亲和力展开、大分子如抗体、ADC等研发套路化特征明显，相关流程可被AI反复验证以增强能力。当前落地层面，仅少数企业有能力实现物理世界的研发接入，相关服务商要么转型为一体化服务商同时布局工具研发和药物研发，要么等待更多药厂以开明态度和AIDD企业、大模型入局企业形成合作共同体，才能推出更廉价有效的行业解决方案。

6、AI制药创新能力与产业投入

·AI靶点创新逻辑：新靶点找寻与靶点有效性验证属于两套不同逻辑，其中靶点有效性的核心判断标准包括三方面：一是靶点机制明确，最好为二项式开关，若蛋白活性区间为中间激活、两端抑制则不适合作为靶点；二是靶点蛋白为细胞信号通路的汇聚点；三是靶点被抑制后不会出现信号通路旁路逃逸，避免无效抑制或需联合用药的问题。疾病尤其是癌症的发生符合多次打击理论，初期单个基因突变可被细胞修复或其他通路代偿，随着突变积累细胞无法修复就会出现恶性化，对应肿瘤不同分期。当前单细胞扰动等技术已取得突破、成本有所下降，可用于虚拟细胞研究中获取信号通路变化数据，支撑有效靶点挖掘。AI技术的应用可降低高价值难发现靶点的挖掘门槛，将原本的“高垂果实”转化为可低成本获取的“低垂果实”，但由于信号通路涉及的蛋白、亚型、病变变体数量极多，靶点挖掘属于NP难问题，依然需要一定运气、药企的经验沉淀与人工判断，干实验与湿实验需要相辅相成，不可相互替代。

·行业人才供给情况：当前AI制药行业的人才供给存在明显约束，主要体现在两方面：一是现有资深从业者对AI的接受度不足，不少具备丰富经验的药化专家对AI技术不感兴趣甚至持排斥态度，无法成为AI工具的应用主体，相关应用需求需由新一代从业者承接；二是新人才的成长周期较长，新进入行业的从业人员需要经过2年学校训练+1年企业磨练才能具备相应能力，即便是转行进入行业的人员，其生物学、药理学基础知识与AI技术的融合也需要较长磨合周期。资本可以实现快速投入，但人才培养、产业配套体系搭建、体系成熟后的成本下降需要多环节同步推进，无法单纯依靠资金投入在短期内实现突破，现阶段AI输出的所有结果依然需要有经验的专业人员判断，人才约束是行业中期发展的核心限制因素之一。

·行业资本投入现状：当前AI制药领域的资本投入存在两个明显的结构性问题：

一是资源过度集中，资本大多流向少数热门赛道，导致赛道内出现同质化零和博弈，在行业仍处于发展早期、可探索技术方向极多且探索成本较低的阶段，过早的资源集中形成的顶端优势会对更具价值的新兴技术探索产生抑制作用，不利于行业长期创新；

二是资本投入的广度不足，过去五到六年AIDD领域的相关高校实验室规模并未出现十倍级扩张，人才培养的社会单元没有实现有效扩容，难以支撑更多年轻人进入行业。更合理的投入路径应该是先扩大资本投入的广度，支持更多原始创新方向的探索，在充分探索形成明确的高价值方向共识后，再择优集中资源推动重点方向的发展，过早决出单一标杆主体对行业长期发展并不利。

7、AI制药标杆企业与技术路径

·海外标杆企业情况：当前AI制药行业内不同企业技术路径差异较大，相关技术尚未得到市场大范围验证应用，头部标杆企业也未始终保持竞争优势：谷歌等海外科技巨头相关业务信息披露程度较低，国内企业仍处于跟踪最新AI技术的阶段并未实现技术引领，标杆企业Recursion在获得大额融资后也未出现明显的工具性改良。目前海外代表性企业的核心技术路径可分为两类：a. Recursion依托高分辨率、不同时空维度的细胞信号图片数据开展相关研究，需借助AI模型完成图片分析工作；b. 诺贝尔奖获得者David Baker加盟的Sarah公司由Gene Tank负责人牵头投资设立，聚焦单细胞扰动数据构建虚拟细胞，后续将沿虚拟细胞到虚拟器官、虚拟人体的路径发展，目前相关探索仍处于早期阶段。

·现有落地应用方向：当前可落地的AI制药技术中，RF Diffusion这类蛋白生成工具解决了人类无法有效通过蛋白一级序列推导三级序列的难点，可通过更小的蛋白肽段生成更强粘合性的亲和性片段，以此设计抗体。这类AI技术生成的蛋白序列可规避原有按序列相似度确权的专利壁垒，仅通过修改序列即可获得效果相近甚至更优的分子实体，是行业当前常用做法，但这类应用价值不高，并未开拓全新的疾病治疗路径。当前AI技术已经支撑起医美、肥料等领域的大型蛋白、复杂靶点研究，ADC等方向的应用已经可以被药厂实际使用，不过行业尚未出现系统性改变医药研发方式的变革，药物演化仍是漫长过程，目前仅能看到相关苗头，尚未形成可催生下一代药王的明确逻辑。现有AI辅助研发的临床药物仍属于人类现有知识背景范围内的效率加速，未脱离传统药物设计模式，范式性创新仍有待出现。