AI制藥，臨界點終于來了。

今年中國創(chuàng)新藥出海交易火熱，其中，AI制藥公司正成為一股不容小覷的力量。2025年3月至8月期間，元思生肽、華深智藥、晶泰科技等接連完成總金額數(shù)十億美金的BD交易。

其中，元思、華深成立僅四五年時間，便在跨國藥企嚴(yán)格的BD挑選中取得成績，正是通過AI改寫了大分子藥物研發(fā)范式、提高了研發(fā)成功率。這些交易也給予了資本市場以信心，時隔三四年，數(shù)家AI制藥公司近期重新拿到了融資。

2025年部分AI制藥公司BD交易

生物醫(yī)藥的底層研發(fā)范式，正從此前的海量篩選、經(jīng)驗至上，轉(zhuǎn)向理性設(shè)計、從頭創(chuàng)造。

如果說上一個十年，讓早期藥物發(fā)現(xiàn)更快、更準(zhǔn)的AI，是“錦上添花”；那如今具備“從頭設(shè)計”（de novo design）藥物能力的AI，可以說是“無中生有”。而設(shè)計出自然界中不存在的蛋白質(zhì)、針對難成藥靶點進(jìn)行藥物設(shè)計，正是攻克頑疾的密碼。

最近，看到Chai Discovery（openAI投資）、字節(jié)跳動等發(fā)布的蛋白質(zhì)設(shè)計生成模型數(shù)據(jù)后，智源深瀾創(chuàng)始人王承志認(rèn)為“質(zhì)的飛躍”就要到了。他在生命科學(xué)領(lǐng)域從業(yè)二十多年，曾任鎂伽科技首席科學(xué)家，“放在去年，我不會下這樣的判斷；但今年AI的能力，讓我意識到生物醫(yī)藥領(lǐng)域可能很快會有顛覆性事件發(fā)生，快到讓大家沒有太多思想準(zhǔn)備?！?/strong>

峰瑞資本合伙人馬睿也給出了相似的判斷，”現(xiàn)在的勢能是‘創(chuàng)新藥乘以AI’，雖然業(yè)內(nèi)對AI制藥的能力邊界還沒有定論，但我感覺已經(jīng)波濤洶涌，未來一到三年應(yīng)該會有翻天覆地的變化?！鄙弦徊ɡ顺敝?，A輪領(lǐng)投晶泰科技、天使輪領(lǐng)投劑泰醫(yī)藥，給他所在的機(jī)構(gòu)帶去了巨額回報，退出晶泰科技的現(xiàn)金回報倍數(shù)（DPI）可達(dá)幾十倍。

那么，生成式AI到底如何改寫新藥研發(fā)底層邏輯，可能對創(chuàng)新藥產(chǎn)業(yè)帶來怎樣的改變，當(dāng)前從業(yè)者們正從哪些路徑逼近“顛覆式創(chuàng)新”？

AI讓制藥從“大海撈針”到“精準(zhǔn)設(shè)計”

“AI制藥”的故事，并非沒有經(jīng)歷過泡沫。2018-2021年間，以小分子藥物開發(fā)為代表的AI熱潮，曾吸金幾百億，卻未能兌現(xiàn)最初的愿景。當(dāng)時，深度學(xué)習(xí)和虛擬篩選的路徑下，AI可以加速早期藥物發(fā)現(xiàn)進(jìn)程，但篩選出的分子在效力上難以超越現(xiàn)有藥物，或生成的全新分子結(jié)構(gòu)難以合成。這本質(zhì)上是早期模型“歸納能力”的局限。

新一波的AI浪潮，是主流AGI技術(shù)取得巨大進(jìn)步后，能力外溢至藥物研發(fā)、酶設(shè)計等生命科學(xué)領(lǐng)域。

首先是AlphaFold 2的出現(xiàn)，它驗證了Transformer架構(gòu)在理解“生命語言”方面同樣有效，解決了困擾生物學(xué)界多年的蛋白質(zhì)折疊問題。在AF2出現(xiàn)之前的60年，人類大概學(xué)習(xí)了20萬個蛋白質(zhì)的結(jié)構(gòu)，但AF2出現(xiàn)后的兩年間，AI已預(yù)測了超過2億個蛋白質(zhì)的結(jié)構(gòu)，幾乎涵蓋地球上所有已知生命體的多數(shù)蛋白質(zhì)，且高度可信。

其次，David Baker團(tuán)隊將圖像生成領(lǐng)域的Diffusion（擴(kuò)散）模型引入生物學(xué)，利用“迭代去噪”原理，令全新蛋白質(zhì)設(shè)計的成功率，有了數(shù)量級的飛躍。

同時，AlphaFold 3從只能預(yù)測單個蛋白質(zhì)結(jié)構(gòu)，演進(jìn)到能夠處理蛋白質(zhì)、核酸和小分子之間復(fù)雜的相互作用。這種“全原子級”的建模方式，讓它在數(shù)據(jù)不夠充分的情況下，具有更強(qiáng)的泛化能力。

當(dāng)前，國內(nèi)外有多個團(tuán)隊正復(fù)現(xiàn)并提升AF3的模型預(yù)測能力。今年年中，Chai Discovery發(fā)布的Chai-2、Evolutionary Scale發(fā)布的ESM3、字節(jié)跳動公布的 Protenix等新模型的涌現(xiàn)，驗證了”從頭開始，生成全新功能分子“的創(chuàng)造力。

”Chai-2最新公布的數(shù)據(jù)顯示，針對特定靶點，其生成的候選抗體，命中率顯著高于傳統(tǒng)方法。過去，在百萬級到億級的庫里，才能篩出幾個陽性分子，現(xiàn)在幾十條序列里就可能出現(xiàn)hits。在以前想都不敢想。“王承志告訴36氪，這意味著，“指定靶點表位，生成抗體”的難題，正接近被解決。

傳統(tǒng)的抗體藥物研發(fā)，從確定靶點、免疫動物到篩選出有高親和力的有效抗體，是一個漫長的“大海撈針”過程。過去可能要花費3年時間、500萬美元才能解決的抗體分子發(fā)現(xiàn)問題，Chai-2等AI模型可以在幾小時內(nèi)完成，并在兩周內(nèi)通過生物濕實驗得到驗證。

馬睿也表達(dá)了相似的觀點，Chai Discovery可能會顛覆抗體藥的研發(fā)范式，此前雜交瘤技術(shù)、噬菌體展示及動物免疫等方法，或被從頭（de novo）計算設(shè)計大面積取代。如果AI在小分子設(shè)計上也能有突破性進(jìn)展，那“幾乎所有藥物modality都可能被AI賦能?！彼毖裕阂磺邪l(fā)生得太快了，以至于真正看到這個圖景的人還不多。

到時，藥化學(xué)家要針對某個靶點設(shè)計抗體藥時，第一反應(yīng)可能不再是去免疫動物，而是先用AI模型進(jìn)行計算、生成、打分，挑選出最有潛力的幾十個抗體序列，合成并進(jìn)行體外實驗驗證。

這種藥物研發(fā)范式的改變，將對創(chuàng)新藥產(chǎn)業(yè)鏈條帶來深刻改變。

如今創(chuàng)新藥低垂的果實已被摘完，那些因為缺乏苗頭化合物，而無法被推進(jìn)的“難成藥”靶點研發(fā)，有望靠AI重新激活。從曾經(jīng)的“有什么篩什么”，到AI時代的“要什么造什么”，人類有可能攻克一些無藥可用的頑疾，一些副作用極大的藥物，也可能被涌現(xiàn)出的更好分子取代。

王承志認(rèn)為，AI將大幅縮短臨床前藥物研發(fā)的周期，對腫瘤、自免、代謝等領(lǐng)域適應(yīng)癥都有利好。其中，最早見到曙光的可能是“慢性病”，未來像司美格魯肽這樣百年一遇的“神藥”，出現(xiàn)的頻次會大大提高。反過來，由于AI等計算工具的推廣，傳統(tǒng)的、依賴大規(guī)模動物模型的藥物篩選平臺，商業(yè)價值會受到一定沖擊。

未來，具有AI能力的biotech會成為跨國藥企的“分子設(shè)計中心”、“算力中心”，負(fù)責(zé)前端高技術(shù)密度、高頻次的藥物發(fā)現(xiàn)；跨國藥企則更多負(fù)責(zé)后期臨床試驗、注冊準(zhǔn)入和商業(yè)化。雙方會通過管線BD授權(quán)、合作研發(fā)等模式，共分蛋糕。

錢有限，先干啥？

歷次技術(shù)革命，都會帶來行業(yè)洗牌，各方都在預(yù)測、選擇贏面最大的玩家。臨界點將至，通往未來的路徑并不只有一條。如今，AI制藥領(lǐng)域的參與者，大致呈現(xiàn)出三種形態(tài)。

第一類，擁有充足資本、算力的科技巨頭，如Google（Deepmind）、meta、Xaira（種子輪融資10億美元）、字節(jié)跳動等。它們致力于打造基礎(chǔ)生物大模型，創(chuàng)建自己的開源生態(tài)、定義行業(yè)標(biāo)準(zhǔn)。

第二類，頂尖AI大模型+生物計算科學(xué)家領(lǐng)銜的創(chuàng)業(yè)團(tuán)隊，他們有能力在算法的“無人區(qū)”進(jìn)行探索。對基礎(chǔ)模型進(jìn)行優(yōu)化改造后，為藥企、生物科技公司提供平臺服務(wù)，或自研管線。典型如百圖生科、華深智藥、英汐智能、分子之心、百奧幾何等。

第三類，利用AI研發(fā)新藥的“傳統(tǒng)正規(guī)軍”。他們不追求自研一個新的基礎(chǔ)模型，而是根據(jù)自身對適應(yīng)癥、靶點、管線競爭的洞察，用AI開源模型和強(qiáng)大的濕實驗?zāi)芰?，來加速特定疾病藥物的研發(fā)進(jìn)程。

在馬睿來看，評估AI制藥賽道玩家的核心競爭力，應(yīng)該是其對模型的理解、修改及演進(jìn)能力。從很多人利用AF3等開源模型做benchmark的結(jié)果來看，依賴微調(diào)的開源模型或許可以做到“80分”，但要解決真實研發(fā)中的復(fù)雜問題，往往需要接近“99分”的表現(xiàn)，只有在算法層面做到極致，才可能實現(xiàn)跨越式進(jìn)步。

另一位生命科學(xué)領(lǐng)域?qū)＜覄t指出，絕大部分公司無法負(fù)擔(dān)自研基礎(chǔ)生物模型的高昂成本，與大語言模型相比，生物模型所依賴的數(shù)據(jù)獲取成本更高。他提到，國內(nèi)曾有一家巨頭支持的企業(yè)，投入數(shù)千萬元，合成并測試了上萬條AI生成的抗體序列，并將實驗數(shù)據(jù)集用于模型訓(xùn)練。但最終發(fā)現(xiàn)，這樣的數(shù)據(jù)規(guī)模，仍遠(yuǎn)不足以進(jìn)入scaling law所描述的高效提升區(qū)間。

王承志給出了相似觀點，他認(rèn)為未來能夠快速、海量產(chǎn)出高質(zhì)量生物實驗數(shù)據(jù)的團(tuán)隊，更有可能擁有高性能AI模型。”過去，自動化、高通量實驗，往往被理解為提高篩選效率。但在AI時代，它們不僅能為研發(fā)人員提供實驗結(jié)果，還可以高效產(chǎn)生結(jié)構(gòu)化、可迭代數(shù)據(jù)，直接服務(wù)于模型訓(xùn)練與優(yōu)化。

算法、數(shù)據(jù)，都是AI制藥能力提升的核心要素。盡管各家創(chuàng)始人背景、團(tuán)隊優(yōu)勢不同，短期資源投入的側(cè)重有一定差異，但AI在制藥領(lǐng)域的產(chǎn)業(yè)化路徑愈發(fā)接近。即研發(fā)出真正有價值的藥物分子，并在當(dāng)前成熟的BD體系里，獲得買方認(rèn)可、拿到真金白銀。

“按當(dāng)前趨勢下，未來所有新藥研發(fā)公司都會用AI，只是依賴程度不同；對AI制藥公司來說，只強(qiáng)調(diào)模型也不行，最后還是要交付藥物分子，才能被賦予更高價值。“馬睿總結(jié)道，”所以我最近一直在講：創(chuàng)新藥就是AI制藥，AI制藥就是創(chuàng)新藥。”