過去兩年，AI製藥成為生物醫藥行業最受關注的敘事之一。

市場關注度較高的，是兩類具有代表性的玩家。一類是從成立之初就將人工智能深度嵌入藥物發現流程的「AI原生Biotech」。以英硅智能為例，公司於2025年底登陸港交所，其AI賦能發現的特發性肺纖維化候選藥物Rentosertib已於2026年進入III期臨床。另一類，則是以晶泰科技為代表的AI for Science平台型企業，通過量子物理、人工智能、機器人自動化實驗等技術，為醫藥和材料研發提供平台能力。

但在這兩類模式之外，還有一個值得討論的問題：對於那些已經真正把一個原創藥物從實驗室做到臨床、再做到上市，同時擁有自己的科研團隊、實驗體系和大量一手研發數據的商業化藥企，AI應該怎麼做？是簡單採購一個外部平台，還是把AI真正嵌入企業內部的藥物研發循環？

銀諾醫藥（2591.HK）正在嘗試後一種答案。

這家公司已經完成了從創新Biotech向「研發+商業化」Biopharma的轉變，其自主研發的超長效GLP-1受體激動劑依蘇帕格魯肽α於2025年獲批上市，並於同年進入國家醫保目錄。與AI原生Biotech或對外輸出技術的平台型公司不同，銀諾目前並不把AI本身作為一門獨立生意，而是試圖將自身近二十年形成的數據資產、藥物研發經驗和溼實驗能力，與新一代AI工具重新連接。

理解這種選擇，要先從一個分子的故事說起。

一個分子，近二十年

天然GLP-1具有明確的降糖作用，但在人體內降解很快。如何在保留其生物學活性的同時延長作用時間，是早期GLP-1藥物開發面臨的核心問題之一。

銀諾醫藥創始人王慶華教授長期從事GLP-1及胰島細胞生物學研究。2002年，他與Brubaker教授等在《Diabetologia》發表研究，提示GLP-1的作用並不僅僅是促進胰島素分泌，還涉及β細胞功能、生存及胰島細胞量等更廣泛的生物學效應。

此後，研究進一步轉向一個更具轉化意義的問題：能否通過蛋白工程讓GLP-1變成長效藥物？

2006至2007年前後，王慶華團隊在《Gene Therapy》連續發表GLP-1/IgG-Fc融合蛋白研究，通過將活性GLP-1與免疫球蛋白Fc結構域融合，探索利用Fc延長藥物體內作用時間的可能性。這些工作構成了後來依蘇帕格魯肽α長效融合蛋白技術路線的重要科學基礎。

值得注意的是，這並不是完全依賴經驗試錯的分子設計。

在早期融合蛋白研究過程中，團隊已經使用包括SWISS-MODEL在內的生物信息學工具，對候選蛋白的三維結構進行預測和分析；在後續研究中，又與中國科學院生物物理研究所孫飛教授團隊圍繞胰高血糖素受體（GCGR）、GLP-1受體等Class B G蛋白偶聯受體開展結構生物學研究，嘗試通過蛋白表達、純化和X射線晶體學等方法理解肽類配體與受體的結構基礎。2013年，其中圍繞GCGR胞外結構域表達、純化及初步結構研究的工作發表於《Protein Expression and Purification》。

從今天回頭看，這些工作當然不能被簡單稱為「AI製藥」。但它們反映出一條持續了很長時間的方法學脈絡：藥物設計並不只是靠經驗，也可以藉助計算工具理解結構、縮小搜索範圍，再通過實驗去驗證。

後來，這套工具箱從生物信息學逐漸延伸至計算機輔助藥物設計（CADD）；到了蛋白質大模型、生成式AI和AI for Science快速發展的今天，則進一步演進為AI輔助藥物研發（AIDD）。因此，對銀諾而言，AI更像是原有研發方法的一次技術升級，而不是突然跨界追逐一個新風口。

真正稀缺的，可能不是算力

AI時代最容易獲得的是算力，最難獲得的是什麼？答案可能是數據。公開數據庫和文獻為現代生命科學模型提供了極其重要的訓練基礎，但藥物研發有一個天然問題：人類更願意發表成功的實驗，而失敗的實驗往往留在實驗記錄裏。

一個候選蛋白為什麼失去活性？為什麼某個突變導致穩定性下降？為什麼一個看起來很漂亮的分子最終表達不出來？為什麼另一個分子活性不錯，卻因為聚集、藥代或者其他成藥性問題被淘汰？這些「沒有成為論文」的結果，對於下一輪藥物設計可能同樣重要。

成功的數據告訴模型什麼可能有效；失敗的數據，則告訴模型什麼不要再做」「AI未必能夠消除藥物研發的試錯，但有機會減少低價值的試錯」「不要看它說自己用了多少AI，而要看AI最終做出了什麼藥」

從一個原創候選分子走到上市，需要經歷分子設計、體外活性驗證、動物藥效、藥代動力學、毒理、工藝開發、製劑研究、生產放大，再進入I期、II期、III期臨床和監管審評。

近二十年的依蘇帕格魯肽α研發過程，為銀諾留下的並不只是一個上市產品。它同時留下了一套融合蛋白和多肽研發體系，以及在長期研發過程中形成的大量一手實驗數據和研發知識，其中包括公開文獻中很難獲得的陰性結果和失敗路徑。這可能纔是銀諾進入AI藥物研發真正有價值的起點。

為什麼「買一個AI工具」還不夠

對傳統藥企而言，擁抱AI最直接的方式當然是購買成熟軟件或者與外部AI公司合作。這些工具具有重要價值，但如果希望AI最終形成企業自身的研發能力，僅有工具還不夠。原因在於藥物研發尤其是融合蛋白、多肽和複雜生物大分子的設計，本質上是一個高度依賴具體實驗體系的多參數優化問題。

一個候選分子可能需要同時考慮受體活性、選擇性、蛋白穩定性、溶解性、表達效率、聚集傾向、免疫原性、藥代動力學以及生產可行性等一系列因素。傳統研發方式往往是設計一批分子、合成或表達、做實驗，再根據結果進入下一輪。AI真正能夠創造價值的地方，並不是「一鍵生成一個新藥」，而是幫助研究者在一個極大的序列和結構空間中，更早排除低價值方案，把有限的實驗資源集中到最值得驗證的候選分子上。換句話說：AI未必能夠消除藥物研發的試錯，但有機會減少低價值的試錯。

而要實現這一點，計算設計必須與真正的實驗連接起來。如果AI給出一批候選分子，企業卻無法迅速完成表達、活性、穩定性、PK等驗證；或者實驗完成之後，結果不能重新進入計算體系，那麼AI與實驗仍然是「兩張皮」。模型也就很難真正變得越來越懂這家企業自己的分子。

銀諾的解法：自己的數據，自己的閉環

銀諾目前試圖建立的，是一個內部循環：計算設計 → 溼實驗驗證 → 數據迴流 → 模型評價和校準 → 下一輪設計。它的基礎並不只是某一個AI模型，而是三個層面的組合。

第一層是數據，包括依蘇帕格魯肽α及其他項目長期研發過程中積累的一手實驗數據和研發知識，並逐漸將這些歷史數據轉化為可被計算體系使用的結構化資產。

第二層是計算能力，企業在內部部署計算資源，並引入包括蛋白質大模型、生物信息學、結構預測和生成式AI等工具，同時通過外部科研合作補充算法和工程能力。

第三層，也是最關鍵的一層，是溼實驗； AI產生的設計必須進入真實實驗體系驗證；實驗得到的結果，無論成功還是失敗，都可以重新用於候選排序、模型評價、參數校準以及下一輪分子設計。

這才形成一個真正的「Design-Make-Test-Learn」循環。如果用更通俗的話來解釋：GPU和模型是工具，數據是燃料，而實驗閉環纔是發動機。真正構成差異化的，並不是一家藥企擁有多少GPU，而是「可計算的數據、可驗證的實驗和可以持續迭代的模型」能否真正連接在一起。

AI不單獨賣，價值最終體現在管線上

銀諾AI戰略還有一個值得注意的特點。至少在現階段，公司並沒有把AI平台本身作為一個獨立產品對外商業化。它首先服務於內部藥物研發，從公司已有優勢的融合蛋白、多肽等方向開始，同時向其他藥物形式延伸。這意味着銀諾不會天然產生大量「AI軟件授權」或者「平台服務收入」。

它的AI價值最終要通過另一種方式體現：能否設計出更好的候選分子，能否減少研發過程中的無效迭代，能否讓新的管線更快、更高質量地進入臨床前開發，最終形成真正具有競爭力的藥物資產。

如果這些目標能夠實現，商業價值最終體現的可能不是AI平台本身，而是一條條由AI參與設計和優化的管線，以及由此產生的BD、臨床和商業化價值。這也意味着，對這套模式的評價標準其實更加簡單，也更加嚴格：不要看它說自己用了多少AI，而要看AI最終做出了什麼藥。

為什麼是現在？

外部環境確實正在發生變化。

蛋白質結構預測、蛋白質語言模型、生成式AI以及自動化實驗技術正在快速跨越「能展示」到「能使用」的門檻，AI for Science也正從概念逐漸進入真實研發場景。

但對銀諾而言，真正重要的變化可能發生在公司內部。

依蘇帕格魯肽α在2025年獲批並實現商業化，隨後進入國家醫保目錄；根據公司2025年度公開業績，銀諾當年實現收入約1.315億元，主要來自依蘇帕格魯肽α在中國的銷售。

這意味着公司第一次真正走完了從基礎研究、分子設計、臨床前研究、臨床開發、註冊審批到商業化的一整條藥物研發鏈條。與此同時，新的代謝疾病和創新藥管線仍在不斷產生新的實驗數據。

從這個角度看，今天建設AI研發能力，與其說是因為「AI風口來了」，不如說是因為一家完成了從Biotech向Biopharma轉型的公司，終於擁有了足夠的數據、實驗體系和真實研發問題，可以讓AI進入自己的核心生產流程。

第三條路徑，最終還是要由藥物回答

AI製藥並不存在唯一正確的商業模式。AI原生Biotech可以從算法和平台出發建立藥物管線；AI for Science公司可以向全行業輸出技術能力；大型製藥企業也可以通過自建、合作和投資形成不同組合。銀諾所代表的「第三條路徑」，則更接近另一種邏輯：一家已經擁有自主藥物研發體系和商業化產品的製藥企業，將長期積累的專有數據、溼實驗能力和新一代AI模型重新連接起來，用AI反過來推動下一代藥物發現。它真正值得關注的，並不是「又一家藥企開始做AI」。而是一個已經把原創分子從實驗室帶到市場的團隊，開始嘗試讓近二十年的研發數據重新參與下一代藥物的設計。

當然，AI並不會改變藥物研發最基本的規律。藥物仍然需要實驗驗證，仍然需要經過臨床試驗，也仍然面臨漫長周期和高度不確定性。因此，銀諾這條「第三路徑」是否真正成立，最終也不應該由模型數量、GPU數量或者AI概念來證明。

答案只能由未來的分子和管線給出。

如果幾年之後，一批由這種「數據—模型—實驗」閉環設計和優化的候選藥物真正走出實驗室、進入臨床，那麼今天這場關於「商業化藥企如何做AI」的討論，纔會得到最有說服力的答案。