一款新药过去要烧掉 10 年光阴、砸进去 10 亿美元，最后成功率只有 10% 左右。这个让药企又爱又恨的老公式，正在被 AI 改写。

2026 年 6 月，全球由 AI 设计或优化的新药管线已经达到 179 条，其中 9 个推进到了最关键的 III 期临床。波士顿咨询的数据显示，AI 生成的药物分子进 I 期临床的成功率高达 80% 到 90%，远高于 40% 到 65% 的历史平均水平。

国内政策也在猛推这一波。2026 年《政府工作报告》首次把生物医药列为 " 新兴支柱产业 "，《国民健康 " 十五五 " 规划 "》把 AI 赋能医药升格为国家战略任务。工信部等七部门的方案提出，到 2027 年要打造 100 个以上数智应用场景、建成 100 个以上数智药械工厂。

钱也在往里涌。晶泰科技 2025 年拿下近 60 亿美元合作订单，英矽智能半年内和施维雅、礼来、SK、武田接连签单，潜在总价值接近 70 亿美元。长江证券预测，2026 年国内医疗 AI 产业规模预计超 400 亿元，2030 年有望超 2000 亿元。如果是狭义的 AI 制药口径，2025 年中国市场规模 19.83 亿元，2031 年有望达到 121 亿元。

AI 到底改变了新药研发的哪几步？经济参考报采访的专家说得很直白：靶点发现、虚拟分子生成、先导化合物筛选、临床前毒性预判这四大环节的周期被压缩，传统模式下靶点验证加分子初筛普遍要 1 至 2 年，依托 AI 虚拟库检索和生成式模型，现在 3 至 6 个月就能搞定。

但要泼一盆冷水。现阶段 AI 的定位仍是研发增效工具，不是传统实验体系的替代品。动物实验、人体临床这些硬流程绕不开，AI 筛出的好分子，大部分最后还是会倒在临床环节。

国内企业切进这条赛道，打法分得很清楚。有的是自己搭 AI 系统，有的是借外力，有的干脆把 AI 做成服务卖出去。下面这十家，代表了三条主要路径。

恒瑞医药是这条路上的代表。2026 年两会期间，恒瑞医药董事长孙飘扬在接受新华网专访时明确表示，人工智能已经从单点应用逐步融入研发全流程，企业在靶点发现、分子设计、成药性预测及优化等关键环节取得积极进展。

恒瑞的逻辑很直接：几十年攒下来的真实实验数据，就是喂给 AI 最好的养料。模型在内部持续迭代，反复试错的损耗就降下来了。

复星医药走的是另一条路，打磨了一套叫 PharmAID 的数智体系，覆盖药物早期评估、靶点预判、分子修饰，一直延伸到临床试验和上市后数据追踪，已经 25 个以上的项目依托这套系统落地。

泽璟制药、华东医药、长春高新也都在这条路上。

泽璟的 AI 更多承担辅助筛选，先把候选分子范围缩小，再交实验室验证，把资源倾斜给高潜力化合物。

华东医药的特点是务实，AI 深度绑定现有管线，不单独开辟独立业务板块，服务已经敲定的药物开发方向。

长春高新比较特别，别人用 AI 找分子，它用 AI 调工艺，把 AI 用在 siRNA 序列设计、高浓度生物制剂工艺调试、长效生长激素工艺改良这些后端环节。

自建体系的好处是自有数据能持续反哺模型，但前期资金和人力投入压力巨大，不是谁都玩得起。

这条路上的两家典型代表，一个抱上了华为云，一个抱上了晶泰。

翰宇药业和华为云达成全面合作，把华为的盘古药物分子大模型，和自身在多肽领域二十多年的产业积累结合起来。翰宇本身就是全球少数具备多肽原料药大规模产业化能力的厂商，大模型负责算，它负责把算出来的结果做成真实的药。

甘李药业选了晶泰控股，引入对方的多肽方向 AI 研发平台，聚焦代谢疾病领域。甘李没选择从零组建 AI 团队，直接接入成熟外部平台，省下了自主搭建消耗的时间，快速把技术落到多肽管线上。

百济神州是第三类，海外收入占比超过六成，跨国多中心临床积攒了海量的多区域试验数据。AI 不仅帮它筛分子，还同步提升跨国临床试验的数据处理效率。

借外力的好处是见效快，但技术迭代的节奏得看合作方脸色。

药石科技和美丽迪西，是把 AI 变成对外输出工具的 CRO 代表。

药石科技的主业覆盖药物早期发现到商业化生产全链条。它搭建了 DNA 编码化合物库、片段库、大规模可合成虚拟分子库以及成药性大模型。传统分子库靠化学合成一点点扩，成本高周期长，现在用虚拟大模型在计算机里先生成海量分子，筛出具备合成可行性的再进实验室，可供客户挑选的分子样本池一下子就丰富了。

美迪西作为临床前 CRO，打造了 AICRO 一站式研发平台，提供蛋白结构模拟预测、医药信息清洗提取等服务。很多中小药企根本没预算自己组 AI 研发部门，直接采购 CRO 的 AI 服务，从前期结构模拟到后续动物实验数据整理，一站式交付。CRO 的最大优势是算法产出的构想能立刻衔接内部实验室验证，形成闭环。

CRO 的客户面宽，行业 β 收益确定，但竞争也会逐步加剧，未来比的是谁能构建 " 湿实验闭环 " 的真正壁垒。

第一道是数据质量。AI 制药高度依赖训练数据集，一旦原始数据不完整、存在偏差，模型输出可靠性就大打折扣。医疗机构、药企、CRO 之间数据标准割裂，" 垃圾进、垃圾出 " 的风险长期存在。

第二道是验证鸿沟。AI 可以快速批量生成候选分子，但湿实验、临床试验的验证通量远跟不上 AI 计算速度。算得快、验得慢，分子在试管里排队。

第三道是盈利模型还没跑通。港股 AI 制药龙头晶泰控股 2026 年上半年预计归母净亏损 2.15 到 2.75 亿元，行业至今没找到让人放心的盈利模型。

2026 年被业界视为 AI 制药的 " 试金石之年 "，是全球 AI 制药史上最密集的临床数据读出年份。接下来真正值得盯的，不是哪家又发布了新平台、新模型，而是由 AI 参与设计的候选药物能不能顺利跨过 I 期、II 期临床关卡。经得住临床试验检验的项目，才能兑现技术带来的价值。

十家企业的三种路径，代表了国内 AI 药物研发的主要落地范式。在这条赛道上能最终跑出来的，必然是 AI 算法能力和药物研发经验两者兼备的那一波玩家。

# 热爆趣创赛 #