你有没有想过一个反直觉的问题：

AI制药越发达，是不是意味着实验室里的瓶瓶罐罐就越少？

答案恰恰相反。

国金证券最新发布的《AI制药行业深度报告》里，藏着一个极其反常识的结论：AI模型的精度，高度依赖高质量、可迭代的实验数据来训练和校正。AI生成出的候选分子，依然需要实验合成与活性验证才能进入下一阶段。

换句话说，AI越聪明，它需要的“实验老师”就越多。

同一轮实验要验证更多候选分子、产出更多数据，推动实验需求总量持续上行。据Twist Bioscience披露，截至2026年3月，它在湿实验阶段已累计完成20万+蛋白表达、13万+抗体检测，并据此生成超过700万数据点。

这就是“干湿闭环”（Dry-Wet Loop）：AI设计预测（干实验）与自动化合成测试（湿实验）反复联动，让模型以实验结果持续自我校正。

今天，我们就用这篇文章，把这份研报掰开揉碎，讲清楚三件事：

为什么传统制药已经“卷不动”了？AI到底是怎么把研发周期砍掉70%的？以及，为什么说“湿实验服务商”才是这轮AI制药浪潮里最确定的“卖铲人”？

一、传统制药的“三座大山”：10年、20亿美元、90%的失败率

在聊AI之前，得先搞清楚传统制药到底有多难。

研报开篇就点明了：一个候选药物从靶点确认到最终获批，平均研发周期超过10年，单药累计投入逾20亿美元。

更扎心的是这个漏斗：

• 发现与筛选阶段：5000—10000个候选化合物，每个分子成本约350万美元。
• 临床前阶段：约250个分子进入，每个成本约1500万美元。
• I期临床：约5个分子，每个成本约1500万美元。
• II期临床：约2个分子，每个成本约4亿美元。
• III期与批准阶段：最终1个分子获批，每个成本约19亿美元。

每一个环节，都在烧钱、烧时间、烧运气。而且，失败是常态。一旦失败，启动成本就是8773万美元，自付费用1778万美元，资本化为零。

这就是为什么全球药企都在拼命寻找“降本增效”的解药。

二、AI制药的“工具时代”：从AlphaFold说起

AI和药物研发的结合，不是一夜之间发生的。

研报梳理了一条清晰的技术里程碑线：

从图灵提出“通用机器”概念，到1997年深蓝击败国际象棋冠军，再到2016年AlphaGo击败李世石。2020年，AlphaFold2在蛋白质结构预测上取得突破，2024年更是摘得诺贝尔化学奖。

这标志着AI对医药产业的变革，已经从理论走向现实。

但早期的AI制药，更多是“工具属性”：用AI做分子筛选、做蛋白结构预测、做ADMET评估。它解决的是“效率问题”，但没有解决“成功率问题”。

真正的转折，发生在AI从“工具”变成“引擎”的那一刻。

三、AI制药的“引擎时代”：MNC用500亿美元投票

研报里最震撼的一组数据，来自全球AI制药的交易市场。

据医药魔方数据库统计，2026年上半年，全球已披露AI技术交易的首付款已达18亿美元，交易总金额更是突破500亿美元，双双大幅超越2025年全年水平。

500亿美元是什么概念？相当于一个中型跨国药企一年的全部研发预算。

而这笔钱，只是“买门票”。

从2024年起，全球大型药企（MNC）就开始密集入场。2026年，布局被推向新高潮：

• 2026年1月：施维雅与英矽智能达成合作，首付款3200万美元，潜在总额最高8.88亿美元。
• 2026年3月：礼来与英矽智能达成合作，首付款1.15亿美元，潜在总额最高27.5亿美元。
• 2026年1月：礼来与英伟达联合投入最高10亿美元，在旧金山湾区创立AI联合创新实验室。
• 2026年4月：默沙东与Google Cloud达成多年期合作，最高10亿美元，在研发、生产、商业运营等各部门部署AI。
• 2026年5月：BMS将Claude Enterprise定位为全球运营的共享智能平台，赋能3万+员工。

头部药企已经把“AI能力”视作与靶点、管线同等重要的战略资产。交易从单点技术授权，走向平台级并购——收购具备成熟大模型能力的AI公司、共建实验室、整合药物发现平台。

为什么MNC这么急？研报点出了两个核心原因：一是应对专利悬崖，二是缩短回报路径。自研周期长、风险高，并购能快速获取已验证的技术、成熟团队和既有数据资产。在AI商业化验证逐步兑现的背景下，并购整合与生态绑定，仍是未来1—2年的主旋律。

四、AI到底能省多少钱？省多少时间？

这是所有药企老板最关心的问题。

研报给出了弗若斯特沙利文的测算：

时间上：

• 药物发现阶段：节约70%—90% 的时间。这是最可观的。
• 临床前研究：节约50%—80%。
• 临床研究：节约50%—60%。

成本上：AI制药在药物发现与临床研究阶段的参与，有望为制药公司节省约50%的成本，对应体量约540亿美元。

具体到环节：

• AI将蛋白质折叠预测的准确度提升至84%。
• AI可以将化合物筛选的密度提升20%。
• 基于AI的毒性预测准确率达到75%。
• AI模型可按92% 的准确度对化合物进行分类。

到2032年，全球AI赋能药物研发费用的市场规模将攀升至约746亿美元，2026—2032年预计年复合增长率达25.7%。

五、AI制药的“命门”：临床成功率，早期亮眼，后期待考

AI能省钱、能省时间，这已经没什么争议了。但能不能提高临床成功率，才是决定AI制药天花板的终极问题。

研报非常诚实地给出了IQVIA的统计数据：

2020—2022年：

• AI赋能药物在I期临床的成功率为74%，传统路径约50%。
• 但在II期临床，AI赋能药物成功率仅13%，传统路径为31%。

2023—2025年：

• AI赋能药物I期临床成功率为75%，传统路径为49%。
• II期临床，AI赋能药物为27%，传统路径为28%，基本持平。

结论很清晰：AI在早期临床（I期）已经显露出积极信号，提效明显；但进入II期后，因样本量尚不足以形成统计判断，AI赋能的优势目前难以确证，仍需更多管线数据累积验证。

研报还举了一个具体的案例：Anthropic在2026年8月发布报告，Claude针对15个靶点设计蛋白结合物，14个取得成功，单设计的结合成功率为22%—35%，而当前蛋白设计项目的典型成功率仅为10%—15%。

这说明，AI在“设计”层面的能力已经很强，但“设计出来”不等于“临床成功”。从分子到药物，中间隔着毒理、药代、临床疗效、安全性等无数道关卡。AI能帮你更快地走到起跑线，但能不能跑完全程，还得看后面的硬功夫。

六、最反直觉的生意：AI越强，湿实验越忙

这是整份研报里最值得细品的部分。

干湿闭环（Dry-Wet Loop），是现阶段AI制药最核心的应用范式。

它的逻辑是：AI设计预测（干实验）→ 自动化合成测试（湿实验）→ 结果反馈给AI → 模型自我校正 → 再设计、再测试。

为什么AI越强，湿实验需求越大？

研报给出了两个原因：

第一，AI模型的精度，高度依赖高质量、可迭代的实验数据来训练与校正。没有实验数据，AI就是“无源之水”。你给它的数据越多、越准，它才能越聪明。

第二，AI生成出的候选分子，仍需实验合成与活性验证才能进入下一阶段。AI可以一天生成几千个分子，但最终能进入临床的，可能只有几个。这中间的巨大筛选工作量，全压在湿实验上。

同一轮实验要验证更多候选、产出更多数据，推动实验需求总量持续上行。

研报用Twist Bioscience的案例来说明这个趋势。Twist是全球合成生物学龙头，凭硅基DNA合成平台在“写DNA”上建立起精度、规模与速度三重壁垒。截至2026年3月5日，Twist在湿实验阶段已累计完成20万+蛋白表达、13万+抗体检测，并据此生成超过700万数据点。

更关键的是订单数据：Twist管理层预计，2026年AI相关订单有望实现三位数同比增长，2027年有望再次实现三位数增长。

这就是“卖铲子”的逻辑。在AI制药的淘金热里，最稳的生意不是自己挖金子，而是给挖金子的人提供铲子和筛子。湿实验服务商，就是AI制药时代的“铲子商”。

七、产业链全景：谁在给AI制药“卖铲子”？

研报把产业链公司分成了三类：

第一类：湿实验服务商（卖铲人）

Twist Bioscience：合成生物学龙头，硅基DNA合成平台，AI相关订单预计2026、2027连续两年三位数增长。

金斯瑞生物科技：AI订单快速增长，可实现4天从序列到Model-Ready。2026年9月与礼来的AI/机器学习药物发现协作平台Lilly TuneLab达成合作，提供湿实验服务，助力其快速生成实验数据，将AI预测转化为生物学验证数据。公司在高通量平台实现突破，序列到数据的交付周期可缩短至四天，行业交付时效领先。

百普赛斯、药明生物：同样是湿实验服务的重要参与者。

第二类：AI制药公司（挖金人）

英矽智能：2026年与施维雅、礼来连续达成大额合作，Pharma.AI平台是核心资产。

剂泰科技、晶泰科技：国内AI制药的代表性企业。

第三类：实验室服务（基础设施）

药明康德、康龙化成、美迪西：为AI制药提供从药物发现到临床前研究的全流程实验室服务。

这三类公司，构成了AI制药的完整生态。挖金人承担高风险、高回报；卖铲人享受确定性增长；基础设施提供底层支撑。

八、AI还在驱动更多“NDA密集型”应用落地

研报还提到了一个容易被忽略的趋势：AI正在驱动更多DNA密集型应用落地。

以Twist为例，它的平台正在赋能多元应用场景：

第一，AI生成CRISPR核酸酶。对CRISPR-Cas序列全域进行建模，设计功能更强、特异性更高的基因组编辑器。

第二，以模型筛选mRNA表达的最佳3'UTR。基于深度学习的ML驱动3'UTR设计，优化mRNA的稳定性与表达效率。

第三，打造Lab-in-the-loop（实验在环）蛋白设计与优化工作流。以AI设计与湿实验验证闭环，赋能治疗性抗体的设计与优化。

这些应用，每一个都需要大量的湿实验来验证和迭代。AI越深入，实验需求越旺盛。

九、风险提示：别只看贼吃肉，要看贼挨打

研报在最后列出了五类风险，每一条都值得认真对待：

技术与临床风险：AI模型泛化能力不足，核心管线II/III期临床数据不及预期甚至失败；AI生成分子存在“可设计但难以合成”、体内脱靶毒性等问题。

数据风险：高质量生物标注数据稀缺、数据版权争议、实验数据标准不统一，数据回流闭环搭建难度高于预期。

监管风险：AI生成药物的申报、数据溯源、模型审计要求持续更新，审评标准变化带来不确定性。

商业化风险：药企付费意愿不及预期，BD合作谈判难度上升、分成条款承压。

产业与成本风险：算力、自动化实验室资本开支高；交叉学科人才稀缺；行业持续内卷，工具类业务价格下行。

这些风险不是“纸上谈兵”。AI制药的II/III期临床数据能否兑现，是决定这个赛道能不能从“故事”变成“业绩”的关键。在I期数据亮眼、II期数据待验证的当下，保持谨慎乐观，比盲目狂欢更重要。

十、总结：AI制药的终局，不是取代实验，而是让实验更“聪明”

这份研报的核心逻辑，可以概括为三句话：

第一，AI制药已经从“工具”变成了“引擎”。500亿美元的交易总额、MNC的密集布局、25.7%的市场增速，都在证明这不是概念，是正在发生的产业变革。

第二，AI越强，湿实验越忙。干湿闭环是现阶段最核心的范式，AI模型的精度依赖实验数据，AI生成的分子需要实验验证。湿实验服务商，是这轮浪潮里确定性最强的“卖铲人”。

第三，临床成功率是最终的试金石。I期数据亮眼，II/III期待验证。AI能帮你更快地走到起跑线，但能不能跑完全程，还得看药物本身。

AI制药的终局，不是让实验室消失，而是让实验室变得更“聪明”、更“高通量”、更“数据驱动”。

在这个过程里，谁能提供高质量的湿实验数据，谁就能拿到AI制药时代的“入场券”。

你看好AI制药吗？你觉得“卖铲子”的生意和“挖金子”的生意，哪个更值得投？欢迎在评论区聊聊你的判断。

数据来源：国金证券《AI制药行业深度报告（一）：从工具到引擎，加速卡位催生湿实验机遇》（分析师：甘坛焕、方程嫣）

本文仅供参考，不构成投资建议。AI制药行业处于早期阶段，具体投资决策请结合专业判断。