AI 正在重塑药物发现的底层逻辑，一场类似半导体行业 " 瓶颈交易 " 的投资机会正在制药供应链中悄然成形。

10 月 4 日，顶级美元基金 Altimeter Capital 合伙人 Freda Duan 近日发文指出，AI 制药赛道（AIDD）的 " 瓶颈交易 " 正在成形，其结构与此前半导体领域从 GPU 延伸至 HBM、网络、电力的链式行情高度相似。

前沿 AI 实验室的集体入场是最显著的信号。Anthropic 组建了专属生命科学研究团队并建立湿实验室，OpenAI 建立了专为生物学和药物发现设计的 GPT-Rosalind 模型族，字节跳动旗下独立运营的 Anew Labs 已拥有内部药物研发库，同构实验室（Isomorphic Labs）则明确表示将把 AI 设计的药物推进人体临床试验。

与此同时，供应链端的信号同样清晰。DNA 合成商拓斯达生物（Twist Bioscience，TWST）预计 2026 财年和 2027 财年的 AI 药物发现订单将连续实现三位数百分比增长。金斯瑞（GenScript）的 AI 药物发现业务在 2026 财年上半年同比翻倍，渠道调研显示其实际验证产能已达每日约 8,000 个设计，并有望在 2026 年底前提升至 16,000 个。

这一逻辑与半导体行业的瓶颈传导路径高度相似。GPU 稀缺推动了对 HBM 内存、网络设备、电力与冷却系统的依次爆发。

在 AI 制药领域，瓶颈同样在沿产业链向下传递：AI 模型产生设计→ DNA 合成→蛋白生产→实验验证→临床前测试，每个环节都可能成为下一个受益节点。

（供应链数据显示，上游的发现和早期临床前研发环节已经开始感受到实验量增加带来的影响）

前沿 AI 实验室加速布局，制药发现进入范式转换

Freda Duan 在文章中将当前 AI 制药赛道格局描述为一次真正意义上的 " 体制变迁 "（regime change）.

Anthropic 已将生命科学研究提升至战略层级，其湿实验室完成的首个重大项目是利用 Claude 智能体识别了一种与 CRISPR 类 DNA 重复序列相关的、此前未被表征的酶系统。

OpenAI 推出的 GPT-Rosalind 模型族覆盖药物化学、蛋白工程、基因组学及实验工作流程。

字节跳动的前 AI 药物发现部门现已独立运营，更名为 Anew Labs，整合了基础模型、湿实验室验证与自有药物管线，字节跳动仍持有多数股权。

同构实验室（Isomorphic Labs）则明确宣布，其目标是将 AI 设计的药物推进人体临床试验阶段。

值得注意的是，各家机构的商业化路径存在明显差异。

Anthropic目前的定位更接近研究与平台层，明确表示不打算成为传统商业临床阶段的生物技术公司；

字节跳动的 Anew Labs已更接近于拥有自有药物管线的生物技术平台模式；

同构实验室则处于两者之间，明确承诺将自行推进药物进入临床。

这意味着 AI 药物发现的商业化路径正在分叉：授权给大型药企、合作里程碑 + 专利费、或直接孵化独立公司。对于下游供应链而言，无论哪条路径，实验需求的增量都将真实发生。

AI 为何反而推高湿实验室需求

AI 提升了效率，为何反而推高了湿实验室的实验量？答案在于 AI 从根本上改变了假设生成的经济学。

第一，假设生成趋近于零成本，实验验证成为新瓶颈。 传统药物发现中，专家筛选候选分子的成本极高，能够进入昂贵验证流程的只有最高置信度的候选项。

AI 使得设计候选分子几乎不产生边际成本，" 上场机会 " 大幅增加，瓶颈从设计端转移至生物验证端。

第二，失败的实验同样有价值，负样本成为训练数据。 Anthropic 提供了一个典型案例：Claude 设计了 1,320 个蛋白结合子，Adaptyv 将这些数字序列转化为 DNA、表达蛋白并测试结合性，最终只有 354 个成功结合。

但另外 966 个失败案例并未被浪费——什么不表达、什么不结合、什么亲和力差，这些都是有价值的负向标签，用于训练下一轮模型迭代。传统药物发现只问 " 候选 X 有效吗 "，AI 药物发现还额外追问 " 这个实验能教给模型什么 "。

第三，湿实验室正在从制造药物转型为制造训练数据。 TWST 明确表示，其业务正在转向从 AI 设计序列中生成可直接输入模型的结构化实验结果数据。GenScript 的序列到结合数据工作流可在 4 至 7 天内返回结果。

在部分工作流中，客户关心的可能已不是获得物理蛋白本身，而是将结构化实验结果反馈回模型。TWST 和 GenScript 因此愈发接近 " 生物数据铸造厂 " 的角色。

供应链数据印证需求爆发，产能进入快速扩张轨道

文章指出，除了理论逻辑之外，供应链层面已出现可追踪的量化信号。

TWST 预计 FY26 的 AI 药物发现订单增速将达三位数百分比，且 FY27 的订单增长将延续同等幅度。GenScript 的 AI 药物发现业务在 2026 财年上半年实现同比翻倍，其平台对外宣传的工业级验证产能为每日 4,000 个以上设计，配备完整的序列到数据工作流。

渠道调研显示实际进展更快。当前实际产能约为每日 8,000 个设计，并有望在 2026 年底前达到约 16,000 个。

从供应链路径来看，受益环节依次为：AI 模型→序列设计→ DNA 合成（TWST 等）→蛋白生产（GenScript 等）→实验验证→测序（ILMN、TXG 等）→自动化设备→临床前测试（CRO）。

在市场规模方面，若 AI 只是更高效的研发工具，相关支出池为每年 3,000 至 4,000 亿美元的全球制药研发总支出。若 AI 真正扩大了可行药物项目数量，机会将更大，因为它还将带动 DNA 合成、蛋白生产、实验验证和临床前工作的增量需求。

此外，从 AI 公司自身的支出角度也可做出近似估算。若 Anthropic 在 2026 年实现 800 亿美元年化收入，仅将其中 1% 投入 AI 药物发现，便已意味着约 8 亿美元的年度投资体量。

这一次与 2020/21 有何不同

Freda Duan 提醒，对该主题有所了解的投资者会本能地联想到 2020 至 2021 年的 AI 药物发现热潮及随后的崩盘。

Exscientia 的 DSP-1181 分子在不到一年内从发现推进至 I 期临床，但随后因未达到目标机制的 I 期评估标准而终止。彼时的失败有两个明确原因：宏观环境急剧收紧，叠加 " 更快的发现不等于更好的临床生物学 " 被残酷证实。

但 Freda Duan 认为，2026 年的背景与 2020/21 年存在根本性差异，那一轮周期发生在 GPT 出现之前。

2020/21 年的核心逻辑是：用计算减少低价值的湿实验室筛选，AI 是搜索效率工具，目标是减少物理实验量，以更少的合成和更少的测试更快锁定候选药物。

2026 年的核心逻辑截然不同：用 AI 大幅扩展假设空间，再用湿实验室生成真实验证数据。其内在循环为：AI →实验→数据→更好的 AI →更多实验。AI 创造的可用实验数量之多，使物理生物学本身成为瓶颈。

从已有数据来看，2024 年一项研究显示，AI 发现药物的 I 期成功率约为 80% 至 90%，高于行业历史平均水平；II 期成功率约为 40%，与历史平均水平大致相当，但样本量仍有限。

瓶颈将如何沿链传导，以及交易的风险所在

Freda Duan 强调当前的DNA 合成和蛋白生产是最直接的瓶颈节点。

随着更多候选药物被推入临床前阶段，动物实验或将成为下一个受限环节。灵长类动物价格已接近此前高点，CRO 产能持续偏紧，AI 药物发现进一步压入临床前的候选项只会加剧这一压力。

分析认为，这笔交易的潜在持续时间较长，直至 2028 年以后的 I/II 期临床结果出炉，都很难出现根本性的逻辑终结。关键里程碑：

2026 至 2027 年底，Isomorphic 首批 AI 设计药物进入人体临床试验，更多 AI 原生项目推进至 IND-enabling 阶段；

2028 至 2030 年，临床试验结果开始揭示 AI 设计药物是否真正优于传统药物。

近期看，若实验预算停止增长、AI 生成设计无法转化为有效湿实验室结果，或产能过快追上需求，上游 " 镐与铲 " 交易将受压。

长期看，若 AI 药物在发现阶段和 I 期表现亮眼，却在 II/III 期以正常失败率落败，整个投资逻辑将面临根本挑战，这也是为何 II 期临床结果如此关键。

洛杉矶加州大学教授 Quanquan Gu 对这一逻辑作出高度概括：

生物学可能成为 AI 下一个递归自我改进的前沿——在计算机中设计，在实验室中测试，将实验反馈转化为半合成训练数据，改进模型，周而复始。