AI再造司美格魯肽？百億美金涌向AI製藥

AI製藥，臨界點終於來了。

今年中國創新葯出海交易火熱，其中，AI製藥公司正成為一股不容小覷的力量。2025年3月至8月期間，元思生肽、華深智藥海外子公司、晶泰科技等接連完成總金額數十億美金的BD交易。

其中，元思、華深成立僅四五年時間，便在跨國藥企嚴格的BD挑選中取得成績，正是通過AI改寫了大分子藥物研發範式、提高了研發成功率。這些交易也給予了資本市場以信心，時隔三四年，數家AI製藥公司近期重新拿到了融資。

生物醫藥的底層研發範式，正從此前的海量篩選、經驗至上，轉向理性設計、從頭創造。

如果説上一個十年，讓早期藥物發現更快、更準的AI，是「錦上添花」；那如今具備「從頭設計」（de novo design）藥物能力的AI，可以説是「無中生有」。而設計出自然界中不存在的蛋白質、針對難成藥靶點進行藥物設計，正是攻克頑疾的密碼。

最近，看到Chai Discovery、字節跳動等發佈的蛋白質設計生成模型數據后，智源深瀾創始人王承志認為「質的飛躍」就要到了。他在生命科學領域從業二十多年，曾任鎂伽科技首席科學家，「放在去年，我不會下這樣的判斷；但今年AI的能力，讓我意識到生物醫藥領域可能很快會有顛覆性事件發生，快到讓大家沒有太多思想準備。」

峰瑞資本合夥人馬睿也給出了相似的判斷，「現在的勢能是‘創新葯乘以AI’，雖然業內對AI製藥的能力邊界還沒有定論，但我感覺已經波濤洶涌，未來一到三年應該會有翻天覆地的變化。」上一波浪潮中，A輪領投晶泰科技、天使輪領投劑泰醫藥，給他所在的機構帶去了鉅額回報，退出晶泰科技的現金回報倍數（DPI）可達幾十倍。

那麼，生成式AI到底如何改寫新葯研發底層邏輯，可能對創新葯產業帶來怎樣的改變，當前從業者們正從哪些路徑逼近「顛覆式創新」？

AI讓製藥從「大海撈針」到「精準設計」

「AI製藥」的故事，並非沒有經歷過泡沫。2018-2021年間，以小分子藥物開發爲代表的AI熱潮，曾吸金幾百億，卻未能兑現最初的願景。當時，深度學習和虛擬篩選的路徑下，AI可以加速早期藥物發現進程，但篩選出的分子在效力上難以超越現有藥物，或生成的全新分子結構難以合成。這本質上是早期模型「歸納能力」的侷限。

新一波的AI浪潮，是主流AGI技術取得巨大進步后，能力外溢至藥物研發、酶設計等生命科學領域。

首先是AlphaFold 2的出現，它驗證了Transformer架構在理解「生命語言」方面同樣有效，解決了困擾生物學界多年的蛋白質摺疊問題。在AF2出現之前的60年，人類大概學習了20萬個蛋白質的結構，但AF2出現后的兩年間，AI已預測了超過2億個蛋白質的結構，幾乎涵蓋地球上所有已知生命體的多數蛋白質，且高度可信。

其次，David Baker團隊將圖像生成領域的Diffusion（擴散）模型引入生物學，利用「迭代去噪」原理，令全新蛋白質設計的成功率，有了數量級的飛躍。

同時，AlphaFold 3從只能預測單個蛋白質結構，演進到能夠處理蛋白質、核酸和小分子之間複雜的相互作用。這種「全原子級」的建模方式，讓它在數據不夠充分的情況下，具有更強的泛化能力。

當前，國內外有多個團隊正復現並提升AF3的模型預測能力。今年年中，Chai Discovery發佈的Chai-2、Evolutionary Scale發佈的ESM3、字節跳動公佈的Protenix等新模型的涌現，驗證了」從頭開始，生成全新功能分子「的創造力。

「Chai-2最新公佈的數據顯示，針對特定靶點，其生成的候選抗體，命中率顯著高於傳統方法。過去，在百萬級到億級的庫里，才能篩出幾個陽性分子，現在幾十條序列里就可能出現hits。在以前想都不敢想。」王承志告訴36氪，這意味着，「指定靶點表位，生成抗體」的難題，正接近被解決。

傳統的抗體藥物研發，從確定靶點、免疫動物到篩選出有高親和力的有效抗體，是一個漫長的「大海撈針」過程。過去可能要花費3年時間、500萬美元才能解決的抗體分子發現問題，Chai-2等AI模型可以在幾小時內完成，並在兩周內通過生物濕實驗得到驗證。

馬睿也表達了相似的觀點，Chai Discovery可能會顛覆抗體藥的研發範式，此前雜交瘤技術、噬菌體展示及動物免疫等方法，或被從頭（de novo）計算設計大面積取代。如果AI在小分子設計上也能有突破性進展，那「幾乎所有藥物modality都可能被AI賦能。」他直言：一切發生得太快了，以至於真正看到這個圖景的人還不多。

到時，藥化學家要針對某個靶點設計抗體藥時，第一反應可能不再是去免疫動物，而是先用AI模型進行計算、生成、打分，挑選出最有潛力的幾十個抗體序列，合成並進行體外實驗驗證。

這種藥物研發範式的改變，將對創新葯產業鏈條帶來深刻改變。

如今創新葯低垂的果實已被摘完，那些因為缺乏苗頭化合物，而無法被推進的「難成藥」靶點研發，有望靠AI重新激活。從曾經的「有什麼篩什麼」，到AI時代的「要什麼造什麼」，人類有可能攻克一些無藥可用的頑疾，一些副作用極大的藥物，也可能被涌現出的更好分子取代。

王承志認為，AI將大幅縮短臨牀前藥物研發的周期，對腫瘤、自免、代謝等領域適應症都有利好。其中，最早見到曙光的可能是「慢性病」，未來像司美格魯肽這樣百年一遇的「神藥」，出現的頻次會大大提高。反過來，由於AI等計算工具的推廣，傳統的、依賴大規模動物模型的藥物篩選平臺，商業價值會受到一定衝擊。

未來，具有AI能力的biotech會成為跨國藥企的「分子設計中心」、「算力中心」，負責前端高技術密度、高頻次的藥物發現；跨國藥企則更多負責后期臨牀試驗、註冊准入和商業化。雙方會通過管線BD授權、合作研發等模式，共分蛋糕。

錢有限，先干啥？

歷次技術革命，都會帶來行業洗牌，各方都在預測、選擇贏面最大的玩家。臨界點將至，通往未來的路徑並不只有一條。如今，AI製藥領域的參與者，大致呈現出三種形態。

第一類，擁有充足資本、算力的科技巨頭，如Google（Deepmind）、Meta、Xaira（種子輪融資10億美元）、字節跳動等。它們致力於打造基礎生物大模型，創建自己的開源生態、定義行業標準。

第二類，頂尖AI大模型+生物計算科學家領銜的創業團隊，他們有能力在算法的「無人區」進行探索。對基礎模型進行優化改造后，為藥企、生物科技公司提供平臺服務，或自研管線。典型如百圖生科、華深智藥、英汐智能、分子之心、百奧幾何等。

第三類，利用AI研發新葯的「傳統正規軍」。他們不追求自研一個新的基礎模型，而是根據自身對適應症、靶點、管線競爭的洞察，用AI開源模型和強大的濕實驗能力，來加速特定疾病藥物的研發進程。

在馬睿來看，評估AI製藥賽道玩家的核心競爭力，應該是其對模型的理解、修改及演進能力。從很多人利用AF3等開源模型做benchmark的結果來看，依賴微調的開源模型或許可以做到「80分」，但要解決真實研發中的複雜問題，往往需要接近「99分」的表現，只有在算法層面做到極致，纔可能實現跨越式進步。

另一位生命科學領域專家則指出，絕大部分公司無法負擔自研基礎生物模型的高昂成本，與大語言模型相比，生物模型所依賴的數據獲取成本更高。他提到，國內曾有一家巨頭支持的企業，投入數千萬元，合成並測試了上萬條AI生成的抗體序列，並將實驗數據集用於模型訓練。但最終發現，這樣的數據規模，仍遠不足以進入scaling law所描述的高效提升區間。

王承志給出了相似觀點，他認為未來能夠快速、海量產出高質量生物實驗數據的團隊，更有可能擁有高性能AI模型。「過去，自動化、高通量實驗，往往被理解為提高篩選效率。但在AI時代，它們不僅能為研發人員提供實驗結果，還可以高效產生結構化、可迭代數據，直接服務於模型訓練與優化。」

算法、數據，都是AI製藥能力提升的核心要素。儘管各家創始人背景、團隊優勢不同，短期資源投入的側重有一定差異，但AI在製藥領域的產業化路徑愈發接近。即研發出真正有價值的藥物分子，並在當前成熟的BD體系里，獲得買方認可、拿到真金白銀。

「按當前趨勢下，未來所有新葯研發公司都會用AI，只是依賴程度不同；對AI製藥公司來説，只強調模型也不行，最后還是要交付藥物分子，才能被賦予更高價值。」馬睿總結道，」所以我最近一直在講：創新葯就是AI製藥，AI製藥就是創新葯。」

注：文/海若鏡，文章來源：36氪，本文為作者獨立觀點，不代表億邦動力立場。