2026.10.10 | AC | Pharma | AI in Drug R&D & CXO

摘要

AI在医药研发中的价值，应区分“研发提效”与“临床成功率提升”。现阶段，部分案例已体现出缩短早期研发周期、减少无效实验的潜力，但相关结果仍受到起点选择、项目筛选及样本规模的限制。现有临床证据更多提示分子可开发性的改善，尚不足以证明AI能够系统性提高临床成功率，单个项目成功也不能直接等同于可重复的平台能力。

对CXO而言，AI更可能带来业务结构分化，而非全行业同步受益。基础合成筛选、数据录入及常规统计编程等标准化服务，可能面临工作量压缩与价格压力；湿实验验证、复杂分子工艺及差异化临床执行等环节，则有望承接新增需求。效率收益能否留在服务商端，关键取决于供给稀缺性、技术与合规门槛，以及收费模式能否摆脱单纯按工时计价的约束。

投资判断应聚焦技术效率能否转化为持续收入与定价权。长期竞争力的识别，需要关注专有数据、自动化湿实验闭环、临床验证与可重复收入，而非仅看模型能力或合作规模；同时区分首付款、附条件里程碑与实际收入，避免将合作总金额视为已兑现价值。对CXO的筛选，则应重点考察其是否布局验证、复杂工艺及差异化交付等潜在受益环节，并具备获取效率收益的能力。

一、应用现状：AI已经进入哪些研发环节？

从靶点发现、分子设计、虚拟筛选，到临床试验设计、患者招募及工艺优化，哪些场景已有实际应用，哪些仍处于探索阶段？

· 已成熟、已工具化： 蛋白结构与结合模式预测（AlphaFold 数据库累计预测超 2.14 亿个蛋白三维结构，已成行业标配——但开源工具难成壁垒）、分子生成与虚拟筛选、患者招募与匹配（首次配置时间从 1–3 小时压缩到 10分钟，AI 筛查准确率 80%–90%）、数据管理与监查（E2E 系统 AI 可覆盖项目总数据 70% 以上，录入一致率 90% 以上，节约成本约 34%）。

· 部分成熟、快速推进： 靶点发现（Rentosertib 的 TNIK 靶点此前从未与纤维化建立关联，是首个临床概念验证，但仍是单点案例）、ADMET 与成药性预测、临床试验设计（有平台称可将整体试验周期缩短 10–20个月、方案设计与修订时间压缩约 50%，属供应商口径）、工艺开发与生产（有 CDMO 称复杂抗体 CMC 由 13 个月压缩至 9.5 个月）。

· 仍在探索： 临床终点与疗效预测。目前没有任何平台被证明，能从靶点假设预测临床疗效的准确率显著优于人类假设生成。

如何评价应用效果：是缩短单一环节时间、降低实验成本，还是提高候选药物质量与临床成功率？这些指标分别需要什么证据？

l缩短单一环节时间。靶点到PCC（临床前候选化合物）从传统的约4.5年缩短到12–18个月（来源：英矽智能年报口径），是头部AI公司反复引用的数字，且已有艾普司韦（6个月锁定候选分子）、Rentosertib（靶点到PCC约18个月）等具体案例支撑。但必须注意两个陷阱：一是起点选择偏差——"靶点已确定"到"候选分子确定"这一段被压缩得最明显，而靶点本身是否成立、适应症是否选对，风险并未减少；二是选择效应——AI公司倾向于选择本身更"可计算"的靶点与更成熟的机制，这让效率提升看起来更好。

l降低实验成本。多家AI原生公司声称单个候选分子的临床前研发成本约1,000万–3,000万美元，对照行业平均5,000万–1亿美元。这类数字难以审计。更可辩护的说法是"减少无效试错"：艾普司韦案例中合成验证分子数从百余个降至9个，这是可核查的实物工作量下降。ARK Invest在《Big Ideas 2025》中给出的推演更为激进——AI深度融入后新药上市时间缩短至8年（-40%）、总成本降至6亿美元（-75%）、临床前成本从11亿美元降至1.3亿美元。需要明确：这是情景推演而非实证结果。

l提高候选药物质量与临床成功率。BCG对24个AI发现分子的分析显示，I期成功率约80%–90%，远高于历史水平40%–65%；但II期成功率约40%，与行业历史水平（29%–40%）基本相当。这一分层极其关键：它说明AI真正改善的是分子的"可开发性"（drug-like properties）——更干净的结构、更少的脱靶、更可预测的临床前到临床转化；而它尚未改善的是靶点与人类疾病生物学之间的因果关系。据PitchBook初步分析，AI原生生物科技公司的II期成功率约40%，而业内平均约29%，优势方向存在但幅度有限，且样本量不足以下定论。

二、对CXO的影响：效率提升如何转化为商业价值？

AI会怎样改变研发服务的工作量、人员结构和交付方式？哪些标准化服务可能面临价格压力，哪些服务有机会提高附加值？

l 被压缩的一侧（按人力通量计价）：化合物合成与纯化通量、基础活性筛选、EDC数据录入与病历转录、患者初筛名单整理、初级CRC标准化监查、初级统计编程（模板套用）。这一侧的特征是工时下降、单价承压、岗位收缩，且效率节省大概率被让渡给客户。

l被放大的一侧（按结果与难度计价）：湿实验验证通量（基因合成、蛋白表达与纯化）、复杂分子工艺（多肽、ADC、PROTAC）、差异化临床方案与全球多中心执行、真实世界数据与AI推理基础设施、自动化实验工站与数字孪生、注册申报与合规智能。这一侧的特征是需求总量、技术门槛、客单价同步上行，效率与溢价可以并存。

l人员结构的迭代已经在发生。行业专家电话会的一致看法是：AI为CRO带来劳动力成本基数的结构性下行，但初级岗位将减少约10%–20%、整体人员或减少10%–15%，同时资深员工的角色从"执行主力"转为"AI输出的验证者"。这个转变的深层含义常被低估：如果初级岗位不再承担"练手"功能，行业的资深人才供给管道会被截断——这是一项两三年内不显现、五到十年后极其昂贵的隐性成本。斯坦福大学的一项研究已经发现，在AI高度暴露的职业中，22–25岁早期职业者的相对就业下降约16%，而资深员工基本稳定。

l 交付方式层面，最实质的变化是"实时化"。2026年4月，FDA推出RTCT（Real-Time Clinical Trials）实时临床试验改革试点，允许电子源数据实时上传与流式审评；EMA同步落地eCTD 4.0，强制临床数据全链路溯源。这意味着临床试验正从"静态分段审批"转向"动态实时数据监管"。对CRO而言，这既是要求（必须建设端到端的数据链路与审计追踪），也是机会（具备E2E能力的服务商可以切入药企的核心决策链条）。

当项目交付提速，效率收益由客户还是服务商获得？按工时收费、按项目收费及按成果分成的模式是否会发生变化？

l 产能过剩、服务同质化的环节（临床数据管理、初级监查、常规统计编程、基础合成筛选）：AI节省几乎会被全额竞争掉，甚至出现"提效但降价"。艾普司韦案例中合成验证量从百余个降至9个，指向的正是这一类收入的下行风险。

l 供给稀缺、具备合规或技术门槛的环节（多肽/ADC/复杂偶联工艺、全球多中心临床执行、安评、差异化数据资产）：AI提效与价格上行可以并存，效率收益更多留在服务商一侧。

l 当AI能够在数分钟内完成过去需要数月的挖掘工作，"按工时（FTE）收费"就变成了一个自相矛盾的定价方式——效率越高，收入越低。这构成了收费模式迁移的根本动力，与战略偏好无关。

AI制药公司与传统CXO将如何分工：自主建设实验能力、外包合作，还是共同开发管线？

l AI原生药企采用"虚拟药企"模式，外包依赖度接近100%。核心团队只有算法与生物学家，从hit到IND再到GMP生产全部外包。这类客户的订单结构与传统大药企显著不同：客户数更多、单体更小、来源更分散，稳定性反而更好。这也解释了为什么AI热潮的确定性受益者首先是上游"卖水人"。

l头部CXO自建AI与自动化能力，把AI变成接单能力而非成本项。晶泰科技在全球部署超300台机器人实验工站，机器人实验室覆盖80%以上常见药化反应类型，每周自主推进上万次化合物合成实验；药明生物推出PatroLab平台，用拉曼光谱实现实时非侵入式监控40余项关键工艺与质量指标，单批次数据密度较传统方法提升近1,000倍。

l 共同开发管线的混合模式。平台方提供计算与早期发现能力，CXO提供验证与工艺能力，药企提供临床与商业化能力。这一模式的价值分配仍需通过里程碑结构来体现，而非简单的一次性服务

三、竞争壁垒：模型之外，什么决定企业的长期优势？

l 是"专有湿实验数据 × 自动化闭环验证能力 × 临床转化经验"的三元组合

专有数据、实验验证能力、疾病理解和临床转化经验，各自发挥什么作用？

l专有数据。通用大模型的数据来自互联网文本，而药物研发需要的是标准化、可追溯的湿实验数据——化合物与靶点的结合数据、毒理数据、患者真实世界反应数据。这类数据互联网上没有，只能自己产生或购买。晶泰科技的百万级虚拟分子库与百万级分子修饰案例（来源：晶泰控股2025年年度业绩公告）、Recursion的2.7PB以上表型成像数据（来源：第三方研究报告二次引用，需核实原文）、Tempus覆盖全美大量肿瘤患者的检测数据网络（全球前20大肿瘤药企中19家为其客户，2025年收入12.7亿美元，来源：公司披露及第三方研究），本质上都是同一类资产：数据本身已成为独立可定价的资产，而不只是算法的附属品。Tempus与阿斯利康等公司达成的3年期、2亿美元基础模型数据授权，就是这一判断的直接证据。

l自动化闭环实验验证能力。光有数据不够，还需要能够低成本、快速地把预测结果拿到湿实验里验证，再把结果回流训练。这是"数据×速度"的乘数关系。晶泰科技2025年首次实现年度盈利（净利润1.346亿元，经调整净利润2.582亿元），但盈利的主要驱动力是智能机器人解决方案业务（自动化化学合成服务，收入2.65亿元、同比+62.6%）与药物发现解决方案（5.38亿元、同比+418.9%），而非单纯的算法授权——这恰好印证了壁垒判断：真正能变现的，是"AI＋自动化设备＋服务"的组合。

l疾病理解与临床转化经验。这是最容易被技术叙事掩盖、却最难被替代的一层。BCG的数据清晰地划出了边界：AI改善I期成功率（分子可开发性），但没有改善II期成功率（靶点与疾病的因果关系）。后者需要的是疾病生物学理解、适应症选择、临床终点设计与患者分层能力——这些能力的载体是人，不是模型。

如何区分可重复的平台能力与单个项目的偶然成功？

l 第三方复购与扩容。这是唯一可靠的信号。诺华与Isomorphic Labs的合作从3个程序扩展到6个——合作扩容比任何新闻稿里的形容词都更有说服力；反之，合作静默到期则是最强的负面信号。

l 同一起点、多个终点的成功率。单个项目的成功可能是运气或选择偏差；需要看同一平台在多个不同靶点、不同适应症上是否都能产出可推进的分子。

l 数据的排他性。模型训练依赖的是自有湿实验数据，还是公开数据库？如果是后者，那么它的"能力"实际上可以被任何竞争者复制。

l 迭代速度是否依赖实验反馈闭环。若模型迭代主要靠算力堆叠而非实验数据回流，那么它的进步速度将受限于公开数据的更新速度，而非自身的执行能力。

四、未来判断：哪些进展可能改变行业预期？

未来1—3年，最值得跟踪的是临床数据、重复合作、平台收入，还是研发效率的可比验证？

l 全部都要看，多维分析

哪些企业有望形成持续竞争力？哪些技术、临床或商业化信号会使原有投资判断发生变化？

l ·拥有自有的、持续产生数据的湿实验设施（而非完全依赖外部合作方验证），且该设施已实现自动化与规模化。

l ·数据具备排他性（自有数据库或独占授权），而非主要使用公开数据集。

l ·模型迭代依赖实验反馈闭环，而非纯算力堆叠——即"单位时间有效试错次数"能够持续提升。

l ·至少有一条管线进入临床验证，同时平台能够持续产生可重复收入。只讲平台，市场会担心它最终变成一家研发服务公司；只讲管线，估值逻辑又会退回传统Biotech。

l ·具备把AI能力转化为定价权的能力——即在稀缺环节交付，而非在过剩环节竞争。

l在CXO一侧，能够持续受益的特征同样清晰：业务落在验证通量、复杂工艺、差异化临床执行、上游耗材与自动化基础设施这些"被放大"的环节；具备全球交付与合规能力（在生物安全法案等地缘变量下，"政治安全溢价"正在成为真实定价因子）；以及拥有足够厚的资产负债表来承接里程碑/分成式定价。

五、潜在风险

Ø AI临床价值证伪风险。

Ø CXO订单结构恶化与价格战复燃风险。

Ø 核心公司收入质量与现金跑道风险。

Ø 地缘政治与监管合规风险。

Ø 人才供给管道断裂的长期风险。

Ø 数据资产合规与权属风险。

以上内容根据公开资料及调研数据整理，可能存在不全面的情形，请自担风险。