圖1  從數字設計走向真實試驗的驗證

　　如果把傳統新藥研發比作在黑暗中試一把又一把鑰匙，AI做的第一件事，不是替人把門打開，而是先把「最可能開門」的鑰匙排到前面。

　　2026年，這個故事出現了幾個更強的信號：①3月份，英硅智能與禮來達成合作，首付款1.15億美元、潛在總額約27.5億美元；7月份，其AI輔助發現的特發性肺纖維化候選藥Rentosertib啓動III期臨床。此前，Isomorphic Labs與禮來、諾華的合作潛在總額也接近30億美元。

　　②另一股信號，則更能吸引科技行業的目光。2026年1月，NVIDIA與禮來宣佈在舊金山灣區共建AI聯合創新實驗室，計劃未來五年在基礎設施和研發上合計投入最高10億美元，並把BioNeMo、下一代算力、機器人和「物理AI」帶入藥物發現與生產。6月，Anthropic推出Claude Science，將60多個科學數據庫、科研軟件和算力環境接入一個可審計的科學工作台，並通過NVIDIA BioNeMo Agent Toolkit連接Evo 2、Boltz-2、OpenFold3等生命科學模型。

　　兩家科技巨頭走的是不同路線：NVIDIA同時提供算力底座和實驗基礎設施，Anthropic則試圖成為科研流程的智能入口。它們共同指向一個變化——AI製藥的競爭，正從「誰有一個更好的分子模型」，轉向「誰能把模型、數據、實驗和人的判斷，組織成一套生產系統」。

　　一、AI製藥到底是什麼？不是「AI煉丹」，而是縮短試錯路徑

　　AI製藥通常被稱為AIDD（Artificial Intelligence-driven Drug Discovery），是把機器學習、生成式模型、多組學、物理計算和自動化實驗嵌入藥物研發。它可以參與靶點發現、蛋白結構預測、分子或抗體設計、ADMET預測和合成路線規劃，也開始進入臨床方案設計、患者分層和註冊文檔等環節。

　　通俗地說，傳統研發更多依賴專家逐輪試錯；AI同時考慮活性、選擇性、毒性、可合成性等約束，生成和排序更值得驗證的候選物。科學家負責提問和判斷，實驗負責驗真。

　　因此，AIDD真正的核心不是一次「猜中」，而是一個不斷收緊的閉環：設計（Design）、合成（Make）、測試（Test）、分析（Analyze），然後再設計。沒有溼實驗，模型可能只是在舊數據裏重複舊經驗；沒有AI，實驗資源又容易消耗在低概率方向上。兩者之間的往返速度，才決定研發效率。

　　圖2  AI製藥的核心是「設計—合成—測試—分析—再設計」的閉環

　　二、AIDD能帶來什麼？擴大邊界+提高效率，把失敗前置

　　第一，擴大搜索邊界。AI可以在遠超人工枚舉能力的化學與蛋白空間中尋找新結構，並同時處理多個成藥性目標。

　　第二，把失敗前置，實現反向篩選。分子動力學、自由能計算、ADMET預測和表型模型，能在合成、動物和臨床之前排除一部分低質量候選物。英硅智能公開研究顯示，Rentosertib從靶點發現到臨床前候選物提名約18個月；2025年發表的IIa期研究中，最高劑量組12周肺活量指標出現積極趨勢，但樣本量有限，仍需更大規模試驗驗證。

　　第三，讓研發從「線性接力」變成「高頻循環」。機器人實驗室連續完成合成、純化、檢測和數據回傳，科研智能體據此提出下一輪方案。真正的效率提升，是每輪迭代之間少等待、少丟數據。

　　但生物學不會因為算力變便宜就變得更簡單。AI有一條繞不過去的邊界：疾病生物學、人體差異和長期安全性，無法僅靠計算消除。FDA對藥物研發中AI的關注重點也已從「能不能用」轉向模型在具體用途下是否可信，強調數據治理、風險分級、性能評估和全生命周期管理。

　　三、從會預測到會驗證：行業正卡在最關鍵的一跳

　　AI製藥的發展概括為三個階段。

　　1.0是「預測工具」。代表能力包括虛擬篩選、結構預測、性質計算，AI主要是科研人員的效率插件。

　　2.0是「生成平台」。模型開始從頭生成分子和蛋白，商業模式從軟件訂閱升級到按項目交付、管線授權和聯合研發。

　　3.0是「實驗閉環+臨床驗證」。模型與自動化實驗室連接、連續產生高質量數據，自動試錯迭代；候選物接受II、III期臨床檢驗。平台還要證明覆購、里程碑和持續交付能力。

　　當前AIDD正處於2.0向3.0切換的早期。技術可用性與商業合作已經得到驗證，Rentosertib進入III期是重要節點，但「AIDD能否系統性提高中後期臨床成功率」仍沒有準確答案。把階段說得太成熟，會高估短期利潤；把AI只當概念，又會低估研發範式的變化。

　　四、誰會先受益？不是所有CXO都會一起飛

　　一個常見說法是：AI一次生成更多分子，所以溼實驗需求會按比例暴增。這個推理並不完整。AI也會在虛擬端提前篩掉候選物，單個項目實際合成的分子數量可能下降。產業增量更可能來自三個乘數：可啓動的項目更多、每個項目迭代更快、對實驗質量和數據標準的要求更高。

　　第一層，科研服務與實驗基礎設施率先受益。AIDD的大基建時代，基因與蛋白合成、重組蛋白和抗體試劑、高通量篩選、細胞與類器官模型、自動化實驗設備，都是「模型輸出變成可驗證數據」的第一站。最有優勢的不是單純賣試劑，而是能提供標準化、可追溯、可迴流數據給模型的服務商。

　　第二層，臨床前CRO與一體化CXO承接管線外溢。當候選物推進到藥效、藥代、毒理、安全性評價和CMC，模式動物、DMPK、安評、工藝開發與CDMO需求才會依次釋放。受益節奏取決於AI管線能否真正跨過PCC和IND，而不是模型發布會開得有多熱鬧。

　　第三層，創新藥與AI平台分享最大上限，也承擔最大波動。能把疾病理解、專有數據、算法、自動化實驗和臨床開發連成閉環的公司，可以提高單位研發投入的產出；但單一管線失敗、BD里程碑落空和持續孖展壓力，仍會直接影響估值。

　　因此，判斷一家公司是否真正受益，需要看四個指標：AI相關收入和復購是否可見；實驗數據能否形成專有閉環；PCC、IND及臨床里程碑是否連續兌現；平台能否跨環節交付，而不是只展示模型參數。

　　圖3  AIDD增量沿科研服務、CRO/CDMO與創新藥管線逐級傳導

　　五、從產業趨勢到指數工具：三種風險收益表達

　　如果更看重A股創新藥與研發服務產業鏈的協同，可關注中證創新藥產業指數（931152.CSI），其從主營業務涉及創新藥研發的公司中選取不超過50只代表性股票，選樣範圍也包括創新藥研發產業鏈，適合表達「創新藥+CXO」的組合邏輯。

　　如果更看重港股創新藥平台和管線資產的彈性，可關注中證香港創新藥指數（931787.CSI），純度與彈性更高，但作為港股市場指數，還需留意匯率、境外市場交易以及二級市場溢價風險。

　　如果希望降低單一主題集中度，可關注中證全指醫藥衛生指數（000991.SH），覆蓋面更廣，AI製藥只是其中一條增長線，雖純度較低，但分散度相對更高。

　　需要強調的是，目前這些指數都不是狹義的「AI製藥主題」。它們更適合被理解為創新藥及醫藥產業鏈的不同風險收益表達。真正決定長期回報的，最終仍是臨床數據、產品獲批和商業化能力，而不是公司名稱裏有沒有「AI」。

　　AIDD不會把十年新藥研發壓縮成一次點擊，也不會讓臨床失敗消失。它真正改變的，是讓假設提出得更快、讓失敗暴露得更早、讓實驗數據更快回到下一輪決策。

　　短期看科研服務與實驗基礎設施，中期看管線和里程碑，長期看臨床成功率與上市藥物。AI製藥的價值不在算力峯值，也不在模型參數，而在一款又一款真正抵達患者的新藥裏。

　　風險提示：本文所涉及個股信息僅為客觀信息列舉，不構成對任何個股的推薦。本資料不構成本公司任何業務的宣傳推介材料、投資建議或保證，也不作為任何法律文件。基金有風險，投資需謹慎。文中數據來源於公開資料，可能存在時效性。投資者在投資基金前應認真閱讀基金合同、招募說明書、基金產品資料概要等基金法律文件，全面認識基金產品的風險收益特徵，在了解產品情況及聽取銷售機構適當性意見的基礎上，根據自身的風險承受能力、投資期限和投資目標，對基金投資作出獨立決策。基金過往業績不預示未來表現。市場有風險，投資須謹慎