制药行业新视角：科技巨头投入加大，AI制药行业迎来快速增长期

全球临床管线扩容与资本交易活跃

全球处于临床阶段的AI药物管线数量呈现显著增长态势，从2017年的4条增至2026年6月的约179条，其中已有9条进入III期临床阶段。在适应症分布上，肿瘤领域占比约46%，为第一大应用方向。伴随管线的推进，大型药企对AI技术的采购意愿持续增强。2026年上半年，全球公开披露的AI药物研发合作交易约174起，总金额达到约203.5亿美元。付款结构正逐渐向“低首付+高里程碑”演变，反映出买方更加看重阶段性验证成果。目前，全球前20大药企已100%建立AI合作关系，AI技术已成为新药研发链条中的标准配置。

市场规模预测与行业演进阶段

按照窄口径统计，全球AI药物发现市场2023年收入约为14.94亿美元，预计2030年将达到91.70亿美元，对应2024至2030年的复合增速约为29.6%。若将广义市场中AI参与的研发费用纳入统计，数值可达百亿美元级别。行业的真实价值不仅在于软件订阅费，更在于赋能管线资产所带来的期权价值。基准情形下，AI药物发现软件与服务市场未来五年有望保持25%至35%的复合增速。

从行业发展历程来看，AI制药经历了三个主要阶段。2015年至2020年为概念期，初创企业大量涌现，产出以论文和专利为主；2021年至2024年为第一波临床验证期，少数分子进入临床但多数遭遇挫折；2025年至2026年则迈入概念验证兑现期，AI分子密集读出积极数据，部分平台公司开始实现盈利。未来2至3年是AI制药临床数据的密集读出期，若III期数据顺利兑现，行业将进入渗透率跃升的新阶段。

产业链图谱及价值流向迁移

AI制药产业链可划分为上游、中游与下游三个环节。上游主要包括算力基础设施（如GPU、云计算服务）、科学数据资源（如PDB蛋白结构库、ChEMBL化合物库）以及基础模型层。中游为AI制药能力层，涵盖软件/SaaS工具商、AI驱动的药物发现服务商与AI原生Biotech。下游则是支付方与价值兑现方，包括提供合作首付款与里程碑的大型药企、采购AI模块化服务的传统CRO以及科研机构。

当前产业链的价值流向正在发生关键变化，行业正从单纯的“卖工具”模式（即软件授权与服务费）向“卖管线”模式（对外授权、里程碑付款、销售分成）迁移。价值中枢逐渐从上游算力与软件向中游的“平台+管线资产”上移。产业链的核心矛盾集中在“数据”层面：上游公开数据日趋同质化，中游企业必须通过自有湿实验闭环产生专有数据，特别是文献中稀缺的失败负样本，才能持续迭代模型并构筑竞争壁垒。掌握“模型—实验—数据”飞轮的企业将在产业链中占据话语权。

核心竞争要素：数据壁垒高于算法与算力

在评估AI制药公司的核心竞争力时，算力、算法与数据三要素的壁垒属性存在显著差异。算力是AI制药的入场券，蛋白结构预测、分子生成等均需大规模GPU集群支持，但算力可通过云端租用普惠化获得，不存在独占性，自建集群的意义更多在于速度与成本优势而非护城河。

算法方面，行业经历了从判别式预测到生成式设计，再到科学智能体自主规划实验的三代演进。然而，开源生态正在快速侵蚀纯算法壁垒，例如字节跳动开源的Protenix成为首个在严格对齐条件下达到AlphaFold3水平的完全开源模型。算法领先的窗口期已从数年缩短至数月，单靠模型叙事难以长期支撑估值。

相比之下，数据是最深且最难复制的护城河。公开数据库人人可用，真正稀缺的是高质量扰动组学数据、专有湿实验数据及失败负样本。例如，晶泰控股智能机器人实验室每月稳定产出5万余条反应产率数据与30万条过程数据，累计沉淀逾50万条真实实验记录，其中约80%为公开文献中稀缺的失败负样本。此外，与药企长期合作沉淀的专有数据协议同样构成重要壁垒。综合来看，竞争要素的壁垒排序为：数据大于算法大于算力。

四类参与主体的竞争优势与短板

产业链中的参与主体主要分为四类，各自具备不同的竞争优势与局限。CXO企业拥有湿实验通量、合成与放大产能、GMP合规体系以及客户信任，但缺乏自主IP，在价值分配中占比较低。科技公司具备算力、资金与基础模型能力，但在生物医药know-how与临床体系积累上相对不足。传统药企拥有临床开发、注册能力及商业化渠道，是AI的最大买方，但组织惯性较大，AI文化迭代速度偏弱。AI制药公司则具备先发平台与数据资产、干湿闭环能力，但资金消耗大，收入高度依赖BD交易，临床能力仍待补充。

从受益时间轴来看，短期内（1至3年），CXO与AI平台公司最为受益。AI设计的160余条临床管线背后是海量候选分子的合成与放大需求，无论最终哪家成功，CXO均按服务收费，具备最高的确定性。中期（3至5年），具备“湿实验闭环+管线资产”的AI制药公司市场份额将进一步提升，纯软件公司受开源与通用大模型侵蚀最为严重。长期（5年以上），行业大概率形成分层协作格局，科技公司提供基础设施，AI制药公司专注药物资产创造，药企完成临床与商业化，跨界整合能力将成为关键。

AI对新药研发各环节的效率提升

整体量化数据显示，AI将临床前（靶点到候选化合物）周期从行业平均的4.5年压缩至12至18个月，时间节省约70%；研发成本节省45%至60%，每款获批药物可节约3亿至4.5亿美元。在具体环节中，靶点发现耗时从约4.5年缩短至6至18个月；分子设计与筛选从1至2年缩短至数周至数月；晶体与晶型预测从数月实验缩短至数天计算；ADMET与毒性预测环节的湿实验减少50%以上；合成路线设计实现秒级推荐；临床患者招募入组速度提升约65%。不过，当前AI的效率红利主要集中于临床前阶段，进入临床阶段后的人体药效与毒性不确定性尚未被AI显著压缩。

科技巨头入局加速产业化进程

科技巨头的深度介入正在重塑行业格局。以谷歌Isomorphic Labs为例，其核心资产为AlphaFold系列模型，2024年初与礼来、诺华签订总额近30亿美元的合作，2026年5月完成21亿美元B轮融资，创下全球AI制药单轮融资纪录，首个AI设计分子的人体临床计划于2026年底前启动。字节跳动则采取从基础模型到管线验证的路径，2025年开源的Protenix达到顶尖精度，2026年联合清华发布全原子通用生成模型AnewOmni，并在难成药靶点完成湿实验验证，随后启动拆分与独立融资，标志着AI for Science正式进入产业化阶段。

巨头入局带来双重影响。一方面，开源模型大幅降低了行业技术门槛，中小玩家可低成本获取一流结构预测能力，同时巨额融资抬升了全球AI制药资产的估值锚。另一方面，纯算法公司的商业空间被显著挤压，倒逼其向湿实验闭环与管线资产转型。整体而言，巨头倾向于做“操作系统”，垂直公司做“应用与数据”，共生关系大于替代关系。

虚拟细胞与下一代研发基础设施

AI虚拟细胞（AIVC）是以多尺度、多模态神经网络构建的细胞计算模型，旨在实现“计算机内实验”。参照五级发展框架，当前虚拟细胞整体处于L2至L3阶段，距离L4全流程自主仍需3至5年时间，瓶颈主要在于数据覆盖度、评测标准与因果推断能力。其应用前景包括计算内扰动筛选、药物响应预测以及适应症拓展，远期有望经“虚拟细胞—虚拟组织—虚拟器官—数字孪生人”链条支撑计算试验，从而压缩临床阶段的成本高地。2024年底以来，相关领域里程碑事件频发，包括《Cell》发表AIVC构建纲领、Tahoe-100M数据集发布以及中国启动虚拟细胞国家级研究计划等。目前在投资端，虚拟细胞仍以主题性机会为主。

CXO作为“卖铲人”的确定性与升级效应

AI制药公司普遍轻资产运营，其产出的海量候选分子必须经由第三方进行合成、表征、筛选与放大，这使得CXO成为确定性最高的受益环节。订单数据已验证这一逻辑，药明康德2025年营收创历史新高，在手订单充裕；成都先导结合AI筛选可将早期研发周期缩短约80%；2025年CRO机构采购AI模块化服务的外包合同额占比已提升至约24%。

同时，AI对CXO行业也产生了替代与升级双重效应。高通量筛选等传统重复性服务正被AI直接替代，纯人工密集型CRO面临压力。而具备“AI能力+自动化实验室+数据沉淀”的AI原生CXO则以更高毛利与更快周转抢占市场份额，推动行业集中度提升。总体而言，CXO是胜率最高的受益环节，而弹性最大的标的则集中在AI原生CXO与平台型公司之中。