制药行业对AI的讨论已持续十余年。过去，怀疑与观望是主流情绪。但在2026年的这个初春，风向已截然不同。

英矽智能联合首席执行官兼首席科学官任峰在接受写意君采访时指出，制药行业对AI的关注与期待已达到空前高度。过去的讨论常围绕“AI能否真正赋能研发”展开，持审慎态度者众；如今，“AI将深刻变革药物研发”已成为普遍共识，讨论焦点已彻底转向这场变革“将于何时、以多大规模发生”。

共识的迁移，其背后是关键临床进展的接连落地。

最典型的案例就来自英矽智能，其自主研发的分子Rentosertib（ISM001-055）已经完成了Ⅱa期临床试验。该药物用于治疗特发性肺纤维化，是全球首个基于人工智能发现靶点（TNIK）并由生成式AI设计的在研药物，从靶点发现到提名临床前候选化合物仅用时18个月，成本约260万美元，显著体现了AI在提速、降本、创新方面的潜力。

同样取得关键进展的还有德睿智药。2025年12月，德睿智药宣布，其由AI辅助设计研发的口服减重新药MDR-001正式启动Ⅲ期临床试验，成为中国首款进入该阶段的AI设计药物，同时也是全球范围内极少进入临床Ⅲ期的AI药物资产。

“AI的核心价值远不止于降本增效，更在于系统性地提升研发成功率，以及攻克传统新药研发难题。”德睿智药创始人兼首席执行官牛张明对写意君指出，德睿智药AI平台的部分核心优势在于能在研发早期通过数据模型预测药物分子的有效性、安全性风险（例如毒性问题），并且提供部分可解释性功能。从而避免或减少在耗费巨大资金与时间进入后期临床阶段后遭遇失败。

监管机构也正以前所未有的主动姿态迎接这场变革。美国FDA药品审评与研究中心（CDER）已于2024年成立专职AI委员会；FDA在2025年更是发布了《利用人工智能支持药品和生物制品监管决策的考量因素指导草案》，旨在统筹和推动AI在药品审评中的规范使用。

“AI制药的突破，和很多前沿技术一样，是一个持续迭代的过程。”任峰指出，“如果说过去几年的成果更多集中在某些成熟的治疗领域，那么近一两年，我们看到在两个关键维度上的显著突破。”

首先是modality的延伸。过去，AI制药的应用高度集中于小分子领域，而现在，抗体、多肽、寡核苷酸乃至更复杂的ADC（抗体药物偶联物）领域，都开始活跃着AI的身影。“一个直观的感受是，新成立的AI制药公司，很多都专注于用AI设计大分子药物，”任峰表示，“AI的赋能范围正在快速扩张。”

2025年，礼来与Creyon Bio达成合作，目标直指AI驱动的靶向RNA寡核苷酸疗法；迈威生物与英矽智能携手，旨在利用AI赋能ADC药物的各个环节，从新型毒素开发到新靶点挖掘。

途深智合也是这条新赛道上的探路者之一，其自主研发的AI一体化蛋白质设计平台，可以对酶、抗体、多肽等生物大分子进行改造与从头设计。

途深智合创始人王宇光对写意君表示，之所以选择聚焦抗体设计，是因为其通用性更强，更容易实现标准化，针对不同靶点与疾病设计的单抗或双抗，可以在同一体系内完成迭代与优化，从而大幅降低资金与时间成本，也更易于体现技术优势。

“当然，能否成功推出优质的候选分子，最终仍取决于人工智能技术本身的能力。我们采用的人工智能与自动化实验室结合的‘干湿闭环’迭代系统，不仅能高效产出有效结果，还能生成大量高质量数据。只要保持一定的通量，这些数据会持续提升模型性能，形成数据飞轮效应，使模型在设计有效分子方面越来越强。”

其次是技术内核的深化。任峰认为，大语言模型等底层技术的发展带来了一个关键变化。“随着算法和模型的进化迭代，AI的‘推理’能力正在增强，并越来越多地融入药物研发。现在的AI制药更多结合了数据分析和复杂推理，这让系统有了一种‘自我进化’的潜力。”

2026年初，英矽智能发布的大语言模型训练框架Science MMAI Gym，正是这一方向的尝试，旨在让通用大模型理解复杂的科学语言与逻辑，从而更专业地处理药物发现任务。

当AI在临床前阶段证明其价值后，征服临床“深水区”便成为顺理成章的下一站。

一项对PhRMA会员企业的调查显示，临床研究的花费约占制药公司总药物开发成本的69%。在AI的介入下，这个数字可能会逐步缩小。

例如，Unlearn.AI推出“数字孪生”技术，可以为每位临床试验患者创建虚拟对照，从而减少30%的患者招募需求。

2025年ASH年会发布的一项研究显示，在关于罕见病真性红细胞增多症的试验中，Dyania Health发布的AI平台Synapsi可以在一周之内完成对900多名患者的全面评估，并筛选出22名符合条件的患者，但如果以传统方法，平均每4个月才能纳入一名合格患者。

Define Venture的调研显示，大型药企对AI的态度已从“试点”转向“战略要点”。约85%的受访企业领导人正在加大AI投资。更关键的是，尽管该行业历来崇尚自主研发，但如今仅30%的公司表示坚持完全自研，其余大部分倾向于混合或优先外部合作的策略。

Haystack Science的合伙人Andrew Marshall分析指出，大型药企虽然已经逐步完成了内部的AI基础设施，但他们依然渴求外部的“解决方案”，特别是那些能整合多模态数据集的解决方案。

在此趋势下，一种新的研发分工正在形成，制药企业将早期发现项目外包给专业的AI生物科技公司，而制药企业则更聚焦于临床开发、监管事务与商业化。甚至，一些中型生物科技公司也开始引入外部AI平台，以弥补自身技术团队的不足。

总而言之，AI已经逐步渗透到了药物研发的全链条，从发现靶点，到分子设计，再到加速临床研发，这是一个从点到线，再到面的演进过程。当资本、技术与产业需求在多维度上共振，AI正在重新定义药物从实验室到患者手中的整条路径。

在全球AI制药的版图上，中美构成了竞争的主轴。

根据国际金融论坛（IFF）发布的《IFF全球人工智能竞争力指数报告》和世界知识产权组织（WIPO）数据库统计，中国和美国汇聚了全球近七成的AI人才，产出了近七成的AI技术专利。

那么，在这场顶尖竞逐中，中国的差异化竞争优势究竟何在？

供应链与成本效率最直观的刚性优势。

“尽管许多生物技术流程环节复杂，但由于国内相关配套较为齐全，能够支持从研发到生产的各环节衔接与整合，这种易于整合的生态，是中国市场的一个显著特点。同时，在成本控制上，我们相比海外发达市场也具有竞争力。供应链与成本的双重优势，促使越来越多的大型药企愿意为此买单。”王宇光表示。

如果说供应链与执行效率是“硬件”上的优势，那么在数字基建与科研人才上的积淀，则构成了支撑AI制药快速迭代“动力源。

德睿智药CEO牛张明认为，中国AI制药的优势首先体现在数据生成与使用的综合成本上，通过中国生物制药临床前CRO行业产生新数据的成本显著低于国外同行，这个优势在互联网领域已经得到验证，国内很多头部互联网企业的崛起，都得益于这种成本效率的优势。

除此之外，中国的优势还体现在两个方面。一是稳健的数字基建设施，充足的能源供应与算力布局，确保了AI研发所需的高强度、低成本计算力；二是深厚的人才与科研积淀。庞大的顶级科学家与工程师队伍能够持续驱动底层算法的迭代与优化，为AI模型的进化提供支持。

这些优势共同作用，最终内化为一项核心竞争力，即远超同行的快速迭代效率。

“我们在‘湿实验’的推进速度上，相比海外有显著优势，”任峰指出，“因此，我们实现‘干湿闭环’的整体效率很可能更高。”这意味着，从算法设计到实验室里的分子验证，中国的转化与反馈链路更短、更快，这在高度依赖数据驱动的研发模式中，直接转化为时间与决策优势。

最终，所有优势需要落脚于将技术转化为现实解决方案的能力。“虽然我们在一些前沿基础模型上可能与海外存在差距，但中国人在技术应用方面做得非常好。我们擅长将这些技术灵活、有效地应用到具体的现实场景中去。”任峰表示。

过去，一个药物靶点从被发现到最终成药，其过程往往以“十年”为单位来衡量，其中充满了不确定的漫长等待。而如今，在实验室里通过AI设计和筛选出的候选分子，正以更快的节奏、更清晰的路径走向临床。这不仅关乎速度，更预示着研发过程本身正变得前所未有的清晰与可控。

真正的分野，也由此展开。

当技术红利逐渐普及，未来的竞争核心将不再是否使用AI，而在于如何驾驭AI。未来的胜负手，在于谁能用AI率先破解复杂的疾病机制，谁能将算法真正转化为一款又一款成功上市的新药。