英偉達5000萬美金「押注」AI製藥，這一賽道概況如何？

7月12日, 美國AI（人工智能）製藥公司Recursion（NASDAQ：RXRX）宣佈，獲得英偉達（NVIDIA）的5000萬美元投資。計算機技術龍頭企業以如此規模直接投資AI製藥在行業內引起轟動，Recursion股價當日大漲115.29%，其他AI製藥股也普遍上漲。

今年6月，英偉達首次達到了萬億美元市值。由於其擁有設計驅動人工智能的芯片的核心技術，在人工智能熱潮中被視為一大贏家。英偉達直接「下場」投資AI製藥，被解讀為人工智能浪潮，尤其是GPT熱潮進一步席捲製藥行業的重要信號。此前，主要是跨國藥企願意為AI製藥技術平臺高額付費。

AI製藥的基本定義

AI 製藥是將機器學習（Machine Learning）、自然語言處理（Natural Language Processing）及大數據等人工智能技術應用到製藥領域各個環節，進而促進新葯研發降本增效。目前主要應用於藥物研發階段的藥物發現、臨牀前階段，隨着ChatGPT 的不斷應用，AI 向臨牀開發階段的滲透有望持續加快。

AI製藥的發展歷程

人工智能（Artificial Intelligence）的概念在1954 年首次被提出，每一次推動行業高速變革的底層邏輯主要是快速迭代的算法、海量的實驗數據及持續提升的算力。回顧歷史，60 多年的迭代主要分為四個階段：

①1943-1968 年（人工智能發展初期）：人工智能概念提出，發展出了符號主義、聯結主義(神經網絡)，相繼取得了早期矚目的研究成果，如機器定理證明、跳棋程序、人機對話等;

②1968-1995 年（AI 製藥發展初期）：1968 年愛德華（Edward Feigenbaum）提出首個專家系統DENDRAL，該系統具有非常豐富的化學知識，可根據質譜數據幫助化學家推斷分子結構，為計算機輔助藥物設計中化合物轉化為計算機語言設立了雛形，此后，1980s 默沙東開始運用計算機輔助藥物設計（CADD）進行藥物發現，開創了計算化學在藥物研發領域的應用，即早期的AI 製藥；

③1995-2010 年（人工智能快速發展期）：由於互聯網技術的迅速發展，帶來的大量數據推動AI 進一步走向實用化。2000 年初，由於專家系統的項目都需要編碼太多的顯式規則，這降低了效率並增加了成本，人工智能研究的重心從基於知識系統轉向了機器學習方向，2006 年傑弗里及他的學生正式提出深度學習的概念（Deeping Learning），開啟了深度學習在學術界和工業界的浪潮；

④2010-至今（AI+高速發展期）：伴隨大數據、雲計算、互聯網等信息技術及算力的持續突破，以深度神經網絡為代表的人工智能技術高速發展，踴躍出AlphaGo、GPT、AlphaFold 及ChatGPT 等創新產品。其中2021 年AlphaFold 2 在蛋白質結構預測大賽CASP14 中，對大部分蛋白質結構的預測與真實結構只差一個原子的寬度，達到了人類利用冷凍電子顯微鏡等複雜儀器觀察預測的水平，開啟蛋白解析新紀元，為AI 製藥在藥物研發領域的應用帶來了巨大的推動。

AI製藥的三種商業模式

AI 製藥領域的商業模式可分為三種：

①AI SaaS（Software as a Service）服務：主要為客户提供AI 輔助藥物開發平臺（一套標準化的產品/軟件），通過平臺為客户賦能，幫助客户加速研發流程，節省成本與時間；

②AI CRO（Contract Research Organization）服務：通過人工智能的輔助，為客户更好地交付先導化合物或者PCC，再由藥企進行后續的開發，或者合作推進藥物管線；

③AI Biotech：則是以推進自研管線為主，較少進行外部合作的公司。

目前國內及海外多數AI 製藥公司都會在SaaS 服務商、AI CRO 和AI biotech 的商業模式中兼容兩種或者三種。據藥智局及蛋殼研究院統計，2022 年國內製藥公司中，31%的公司兼容其中兩種商業模式，佔比最高。其次為AI Biotech，約25%。第三為AI CRO 約23%。僅選擇軟件SaaS 服務商佔比最低，約8%。源於AI 製藥在算法、算力及數據方面需要較大的投入，且單一路徑發展或有一定侷限，我們預計未來多種商業模式協同發展有望逐步成為趨勢。

而根據高禾投資調研的一些AI 製藥企業反饋，內在驅動力還是更希望發展成為AI Biotech，這要比AI CRO的動力更足，核心原因還是前一種商業模式的天花板更高，某些管線一旦成功，商業盈利前景更加可期，但與此同時，研發投入也更大、風險也更高，投資人則對創業企業在兩種不同商業模式選擇上更傾向於CRO 模式，核心原因則是風險相對較小、可預期性更強。

而實際上，目前市場中大部分的AI製藥初創企業的商業模式介於AI Biotech和AI CRO間，即擁有自研管線且提供CRO服務的「複合型」商業模式，也有像英矽智能和晶泰科技這樣的業內領先企業，憑藉自身優勢進行進一步的橫向多元化商業模式擴張；晶泰科技除自身的AI CRO業務外，其投資孵化的初創企業劑泰醫藥擁有基於晶泰科技的高通量AI製劑平臺搭建的製劑新葯管線。

AI製藥的比較優勢

有哪些

藥物發現+臨牀前研究是AI 主要優化環節。AI 的蓬勃發展並未改變新葯整體的研發流程。我們認為原因在於無論是倫理監管還是實際應用層面，AI 的預測試驗數據短期內均無法代替實際臨牀的實驗結果。因此，AI 的主要優化環節在藥物發現（5000+化合物）和臨牀前（約250 種化合物）環節：通過AI 的虛擬篩選可以替代大規模篩選的濕實驗的方式。

AI 在藥物研發中的作用：提效和創新。藥物發現環節的增效：利用NLP、知識圖譜等核心技術提升靶點搜索發現效率；利用深度學習模型預測化合物性質進行篩選，從而減少進入濕實驗中的化合物數量，從而減少投入成本和壓縮開發周期。臨牀前環節更偏藥理實驗，AI 提升效果不如發現環節顯著，主要通過預測藥物性質、製劑和晶型的設計進行修正優化，據量子位數據，提升效率在10％左右。創新：AI 在數據的維度和廣度上能夠突破人為的偏見，實現在以下應用場景的創新賦能：藥物靶點發現、藥物重定向（巴瑞替尼新冠的EUA）和新型化學結構分子。

根據英偉達公開資料，使用AI技術可使藥物早期發現（涵蓋靶點發現與驗證到先導化合物優化）所需時間縮短至1/3倍，成本節省至1/200倍。

AI製藥的中國玩家

有哪些？

除了本次投資事件的主角英偉達外，目前全球前十的大型藥企都已在AI製藥領域有所佈局，未來或有更多傳統藥企和CRO企業進入該領域大型藥企進入市場的方式主要有三種，一是內部自建AI研發團隊，如諾華和葛蘭素史克是業內較早設立自己的AI部門的藥企；二是對外部AI製藥初創企業進行投資併購，如復星醫藥今年宣佈在合作的同時將向英矽智能提供股權投資；三是與互聯網巨頭或AI初創公司合作，如正大天晴通過與阿里雲合作獲得一種全新的化合物篩選方法、藥明康德和Schrdinger合資成立了FaxianTherapeutics以加速新葯發現等。

隨着國內外大型藥企逐漸意識到AI技術應用在製藥領域的價值，爲了進一步提高新葯研發效率，越來越多的傳統藥企和CRO企業湧入AI製藥領域，全球範圍內AI製藥項目數量逐年遞增。根據Deep Pharma Intelligence的數據，2021年-2022年第一季度全球開展AI製藥項目數量領先的企業以大型外資跨國藥企為主，其中阿斯利康、默克和輝瑞分別以25、19和16項位列前三。

相較於國際市場和外資公司，中國AI製藥行業起步較晚，本土藥企在AI製藥領域的涉足則更為謹慎，但近年來市場的熱度整體仍呈大幅上升趨勢；如2022年1月，復星醫藥與AI製藥初創公司英矽智能達成戰略合作，包括針對四個指定靶點以AI技術開展藥物研發和英矽智能的QPCTL項目合作，項目首付款為1,300萬美元，創造了目前中國AI製藥合作交易首付款的最高記錄。

今年資本市場標誌性的事件則是，則是英矽智能衝刺港股IPO，該公司是一家全球領先的 AI 生物科技公司，在管線開發進程中提供端到端的高效解決方案。報告期內，英矽智能收入主要來自藥物發現服務及軟件解決方案服務。英矽智能已有效地建立由 31 個項目組成的多元化完全內部生成管線，涵蓋 29 個藥物靶點。據招股書，2018 年 -2022 年，英矽智能共經歷 7 輪融資，投后估值從 5440 萬美元升至 8.95 億美元，估值四年增了近 16 倍。

AI製藥領域的核心競爭力主要包括AI技術服務的能力和自研管線的豐富程度；當前中國本土AI製藥初創企業的業務佈局主要集中在藥物研發環節；晶泰科技及其孵化的劑泰醫藥為目前國內本土市場中的頭部企業。另外，還有望石智慧、深度智耀、宇道生物、燧坤智能、元氣知藥、百奧知、冰洲石生物和億藥科技等。

與此同時，現階段國內多家知名CRO公司屢屢攜手AI科技公司，加快創新轉型保持競爭優勢。近年來維亞生物、成都先導、合全藥業、皓元醫藥、美迪西、泓博醫藥、泰格醫藥等國內知名CRO屢屢同AI科技公司達成合作，範圍廣至靶點研究到臨牀試驗。藥物研發外包是勞動密集型行業，近年來國內CRO與AI技術相關的科技公司間的高頻合作，反映了國內CRO巨頭們對AI技術在藥物研發過程中降本增效的作用的認可，此類合作可為國內CRO在愈發激烈的行業競爭中保持成本和響應速度的優勢，對於以算法、算力為核心優勢的科技公司而言，亦是技術驗證與價值轉化的絕佳機遇。

未來更需要關注行業競爭要素：算法為短期壁壘，數據是稀缺資源。

我們按照AI 行業邏輯的框架進行分析，生成三要素分別位算法、算力和數據。① 算法是初期競爭的優勢之一，利用更優的算法獲得更多客户、積累用戶數據並進行自我迭代，從而領先競爭對手，利用馬太效應完成自身壁壘的構建。② 算力：由於互聯網行業的蓬勃發展，行業公司有望通過商業化租用來解決，短期內不存在明顯壁壘。③ 數據：分為公開數據和私有數據。公開數據全球共享，如何更好地利用數據我們認為屬於算法優勢的範疇；而私有數據指的是擁有數字化的大規模的實驗數據，這些實驗數據直接來自於臨牀，往往是不會參與共享的稀缺資源。

責任編輯 |  陳斌