图 1   从数字设计走向真实试验的验证

如果把传统新药研发比作在黑暗中试一把又一把钥匙，AI 做的第一件事，不是替人把门打开，而是先把 " 最可能开门 " 的钥匙排到前面。

2026 年，这个故事出现了几个更强的信号：① 3 月份，英矽智能与礼来达成合作，首付款 1.15 亿美元、潜在总额约 27.5 亿美元；7 月份，其 AI 辅助发现的特发性肺纤维化候选药 Rentosertib 启动 III 期临床。此前，Isomorphic Labs 与礼来、诺华的合作潜在总额也接近 30 亿美元。

②另一股信号，则更能吸引科技行业的目光。2026 年 1 月，NVIDIA 与礼来宣布在旧金山湾区共建 AI 联合创新实验室，计划未来五年在基础设施和研发上合计投入最高 10 亿美元，并把 BioNeMo、下一代算力、机器人和 " 物理 AI" 带入药物发现与生产。6 月，Anthropic 推出 Claude Science，将 60 多个科学数据库、科研软件和算力环境接入一个可审计的科学工作台，并通过 NVIDIA BioNeMo Agent Toolkit 连接 Evo 2、Boltz-2、OpenFold3 等生命科学模型。

两家科技巨头走的是不同路线：NVIDIA 同时提供算力底座和实验基础设施，Anthropic 则试图成为科研流程的智能入口。它们共同指向一个变化—— AI 制药的竞争，正从 " 谁有一个更好的分子模型 "，转向 " 谁能把模型、数据、实验和人的判断，组织成一套生产系统 "。

一、AI 制药到底是什么？不是 "AI 炼丹 "，而是缩短试错路径

AI 制药通常被称为 AIDD（Artificial Intelligence-driven Drug Discovery），是把机器学习、生成式模型、多组学、物理计算和自动化实验嵌入药物研发。它可以参与靶点发现、蛋白结构预测、分子或抗体设计、ADMET 预测和合成路线规划，也开始进入临床方案设计、患者分层和注册文档等环节。

通俗地说，传统研发更多依赖专家逐轮试错；AI 同时考虑活性、选择性、毒性、可合成性等约束，生成和排序更值得验证的候选物。科学家负责提问和判断，实验负责验真。

因此，AIDD 真正的核心不是一次 " 猜中 "，而是一个不断收紧的闭环：设计（Design）、合成（Make）、测试（Test）、分析（Analyze），然后再设计。没有湿实验，模型可能只是在旧数据里重复旧经验；没有 AI，实验资源又容易消耗在低概率方向上。两者之间的往返速度，才决定研发效率。

图 2   AI 制药的核心是 " 设计—合成—测试—分析—再设计 " 的闭环

二、AIDD 能带来什么？扩大边界 + 提高效率，把失败前置

第一，扩大搜索边界。AI 可以在远超人工枚举能力的化学与蛋白空间中寻找新结构，并同时处理多个成药性目标。

第二，把失败前置，实现反向筛选。分子动力学、自由能计算、ADMET 预测和表型模型，能在合成、动物和临床之前排除一部分低质量候选物。英矽智能公开研究显示，Rentosertib 从靶点发现到临床前候选物提名约 18 个月；2025 年发表的 IIa 期研究中，最高剂量组 12 周肺活量指标出现积极趋势，但样本量有限，仍需更大规模试验验证。

第三，让研发从 " 线性接力 " 变成 " 高频循环 "。机器人实验室连续完成合成、纯化、检测和数据回传，科研智能体据此提出下一轮方案。真正的效率提升，是每轮迭代之间少等待、少丢数据。

但生物学不会因为算力变便宜就变得更简单。AI 有一条绕不过去的边界：疾病生物学、人体差异和长期安全性，无法仅靠计算消除。FDA 对药物研发中 AI 的关注重点也已从 " 能不能用 " 转向模型在具体用途下是否可信，强调数据治理、风险分级、性能评估和全生命周期管理。

三、从会预测到会验证：行业正卡在最关键的一跳

AI 制药的发展概括为三个阶段。

1.0 是 " 预测工具 "。代表能力包括虚拟筛选、结构预测、性质计算，AI 主要是科研人员的效率插件。

2.0 是 " 生成平台 "。模型开始从头生成分子和蛋白，商业模式从软件订阅升级到按项目交付、管线授权和联合研发。

3.0 是 " 实验闭环 + 临床验证 "。模型与自动化实验室连接、连续产生高质量数据，自动试错迭代；候选物接受 II、III 期临床检验。平台还要证明复购、里程碑和持续交付能力。

当前 AIDD 正处于 2.0 向 3.0 切换的早期。技术可用性与商业合作已经得到验证，Rentosertib 进入 III 期是重要节点，但 "AIDD 能否系统性提高中后期临床成功率 " 仍没有准确答案。把阶段说得太成熟，会高估短期利润；把 AI 只当概念，又会低估研发范式的变化。

四、谁会先受益？不是所有 CXO 都会一起飞

一个常见说法是：AI 一次生成更多分子，所以湿实验需求会按比例暴增。这个推理并不完整。AI 也会在虚拟端提前筛掉候选物，单个项目实际合成的分子数量可能下降。产业增量更可能来自三个乘数：可启动的项目更多、每个项目迭代更快、对实验质量和数据标准的要求更高。

第一层，科研服务与实验基础设施率先受益。AIDD 的大基建时代，基因与蛋白合成、重组蛋白和抗体试剂、高通量筛选、细胞与类器官模型、自动化实验设备，都是 " 模型输出变成可验证数据 " 的第一站。最有优势的不是单纯卖试剂，而是能提供标准化、可追溯、可回流数据给模型的服务商。

第二层，临床前 CRO 与一体化 CXO 承接管线外溢。当候选物推进到药效、药代、毒理、安全性评价和 CMC，模式动物、DMPK、安评、工艺开发与 CDMO 需求才会依次释放。受益节奏取决于 AI 管线能否真正跨过 PCC 和 IND，而不是模型发布会开得有多热闹。

第三层，创新药与 AI 平台分享最大上限，也承担最大波动。能把疾病理解、专有数据、算法、自动化实验和临床开发连成闭环的公司，可以提高单位研发投入的产出；但单一管线失败、BD 里程碑落空和持续融资压力，仍会直接影响估值。

因此，判断一家公司是否真正受益，需要看四个指标：AI 相关收入和复购是否可见；实验数据能否形成专有闭环；PCC、IND 及临床里程碑是否连续兑现；平台能否跨环节交付，而不是只展示模型参数。

图 3   AIDD 增量沿科研服务、CRO/CDMO 与创新药管线逐级传导

五、从产业趋势到指数工具：三种风险收益表达

如果更看重 A 股创新药与研发服务产业链的协同，可关注中证创新药产业指数（931152.CSI），其从主营业务涉及创新药研发的公司中选取不超过 50 只代表性股票，选样范围也包括创新药研发产业链，适合表达 " 创新药 +CXO" 的组合逻辑。

如果更看重港股创新药平台和管线资产的弹性，可关注中证香港创新药指数（931787.CSI），纯度与弹性更高，但作为港股市场指数，还需留意汇率、境外市场交易以及二级市场溢价风险。

如果希望降低单一主题集中度，可关注中证全指医药卫生指数（000991.SH），覆盖面更广，AI 制药只是其中一条增长线，虽纯度较低，但分散度相对更高。

需要强调的是，目前这些指数都不是狭义的 "AI 制药主题 "。它们更适合被理解为创新药及医药产业链的不同风险收益表达。真正决定长期回报的，最终仍是临床数据、产品获批和商业化能力，而不是公司名称里有没有 "AI"。

AIDD 不会把十年新药研发压缩成一次点击，也不会让临床失败消失。它真正改变的，是让假设提出得更快、让失败暴露得更早、让实验数据更快回到下一轮决策。

短期看科研服务与实验基础设施，中期看管线和里程碑，长期看临床成功率与上市药物。AI 制药的价值不在算力峰值，也不在模型参数，而在一款又一款真正抵达患者的新药里。

风险提示：本文所涉及个股信息仅为客观信息列举，不构成对任何个股的推荐。本资料不构成本公司任何业务的宣传推介材料、投资建议或保证，也不作为任何法律文件。基金有风险，投资需谨慎。文中数据来源于公开资料，可能存在时效性。投资者在投资基金前应认真阅读基金合同、招募说明书、基金产品资料概要等基金法律文件，全面认识基金产品的风险收益特征，在了解产品情况及听取销售机构适当性意见的基础上，根据自身的风险承受能力、投资期限和投资目标，对基金投资作出独立决策。基金过往业绩不预示未来表现。市场有风险，投资须谨慎