AI制药范式转移中湿试验数据角色如何变化及上游受益逻辑？

在AI制药的新范式中，湿试验数据的角色已从传统的“终点验收”转变为模型内部的“价值校准信号”。传统监督微调方法容易导致模型过拟合，泛化能力不足。而引入直接偏好优化（DPO）算法后，实验测定的稳定性数据作为偏好标签，直接回流至生成模型的训练中，重塑模型对分子优劣的底层判断。这种机制使得湿试验成为提升模型理解“什么是好分子”的关键反馈环节，而非简单的结果确认。

这种范式转移直接改变了上游供应链的需求逻辑。根据杰文斯悖论，AI技术大幅降低了药物发现的边际成本与时间周期，导致研发主体能够以更低成本进行更大规模的分子筛选与设计。效率的提升并未减少实验总量，反而因试错门槛降低而刺激了验证需求的爆发。AI Agent的应用进一步降低了设计门槛，使得高通量虚拟设计成为常态，进而要求后端湿试验环节具备更高的通量与更快的反馈速度。

在此逻辑下，上游受益最确定的细分赛道包括：一是基因合成与蛋白表达服务商，它们是干湿闭环中“构建-测试”环节的核心执行者，直接受益于迭代频率的提升；二是体外检测与分析服务机构，负责产出高质量的实验数据以反哺模型；三是动物模型体内验证机构，随着前端筛选分子数量的增加，体内药效评估需求同步传导；四是基础试剂与耗材供应商，湿试验规模的扩大直接拉动了对培养基、层析介质等基础物料的需求。具备自动化数据生产能力及高质量数据交付能力的企业，将在这一轮产业变革中占据核心地位。