創新葯再遇AI投資熱，春秋以后是戰國？

（來源：深藍觀）

李昀 | 撰文

5月13日，劑泰科技在香港交易所掛牌上市，成為「AI藥物遞送第一股」，獲18家基石投資認購，首日大漲126%。

劑泰科技向來被歸在「中國AI製藥四小龍」的梯隊里。其中，晶泰科技於2024年最早上市，也是「18C」下首家上市企業；英矽智能於次年上市，公開發售部分錄得超1400倍超額認購；深度智耀目前已獲數十億美元融資，目前正處於Pre-IPO輪。

這些公司大都成立於2015年左右。彼時，正值中國進入創新葯投資狂潮。科創板、港股18A相繼放開，一級市場大量美元基金和產業資本湧入生物醫藥；與此同時，AlphaGo之后，AI被賦予了巨大的想象空間。而「AI+Biotech」自然成為最容易獲得高估值的交叉賽道。

因此，在這批AI製藥公司的身上，能看到一些共性：高敍事、高估值、但兑現時間較晚、兑現水平目前並不明朗。

一名投資人也聊到當年給AI製藥做估值時的難點：在2020年左右，許多AI製藥公司甚至還無法提供充分真實數據。而上述的AI製藥四小龍，算是在這一點上表現較優的，因此能拿到大量投資。「但由於缺乏數據，浪潮的來和去都特別猛烈，其中死掉的公司也不算少。」

如今，上個時代的AI製藥故事算是即將畫上休止符：那些活下來的公司，已經接近一級融資周期的終點。而與此同時，弗若斯特沙利文數據顯示：全球AI賦能藥物研發支出從2020年的54億美元增長至2024年的137億美元，其複合年增長率為26.1%——這意味着，接下來將有更多AI製藥公司出現，而大浪淘沙勢必也會更加殘酷。

根據CB Insights的數據，到2023年，全球已有200多家初創AI製藥公司處於融資狀態，而到了2024年，這個數字已經翻了一倍多。

在如此繁花叢中，投資人們該如何抉擇？AI製藥公司的形態總體上又發生了哪些變化？上一輪的投資泡沫和二次復甦又為投資人們提供了哪些經驗？

-01-

沉渣泛起還是真實繁榮？

如果是在這個領域摸爬了超過5年的從業者，就不可能不記得在2022-23年左右AI製藥產業的泡沫危機。在此之前，AI製藥的融資車輪幾乎完全靠着AIphafold、Chatgpt、Deepseek等大模型的爆火推動，但無論對於投資者還是創業者而言，這一交叉領域都比AI科技的發展不成熟很多。

2022年，寒冬初現，隨后帶走了這種不成熟模式下的許多企業。有投資人回憶，當年接觸的初創企業中，有超過七成即將面臨現金流斷流。

當年，就連如今作為龍頭的那四家公司也飽受質疑。晶泰科技在2021年時也經歷過50家國際機構融資競標、額度達到8億美元、投后估值達到19.68億美元的盛況。然而，隨着2022年生物醫藥市場環境的失速，公司不得不擱淺了美股IPO的計劃。而英矽智能的四次遞表、屢敗屢戰也能體現出當時行業的艱難。

這其中當然有融資大環境的影響。但拋開這點不談，技術背后缺乏規律性總結、沒有最終產品面世、發展主線和商業化通路模糊，這些都是阻礙AI製藥企業獲得融資的原因。

上述投資人提到，在最早一批AI製藥投資潮里，不少企業的路演內容提到的還是「拿已經知道答案的數據重新餵給AI，由此來測試模型預測的準確性」。即使如此，在泡沫破碎之前，還是有不少投資人相信其中潛力，即使公司模型還沒有展現出任何前瞻性功能。

即使一批企業最終存活並且成功完成融資輪，但上述投資人承認，其中有一定運氣的成分。「如果按照現在的標準去回看，不乏比較嚴重的誤判。」

而從去年開始，AI製藥倖存者們帶着一身傷痕，再次迴歸主流視野。和上一次不同的是，這一次他們獲得了MNC的背書。

在生物製藥的發展史上，MNC往往起着為一項技術的商業化和普遍化承上啟下的作用。

2025年，Isomorphic Labs獲得6億美元融資，並與禮來、諾華建立總額可達30億美元的合作協議。在中國：晶泰科技在2025年與DoveTree簽下總價59.9億美元訂單；英矽智能先后與多家藥企達成管線授權合作，今年也和禮來達成了總價值27.5億美元交易；劑泰科技走的也是平臺授權路線，單個靶點合約金高達1.09億美元。

可以説，上一批AI製藥佼佼者蹚出來的商業模式，為新一批公司的投資趨勢奠定了基調。

另一名產業投資人提到，如今的標的選擇會更關注「可以落地的平臺能力」。相較於公司拿幾次跑通數據驗證成功的案例，投資者更關心的是公司是否有持續推進多個項目、和國內外企業在短期內達成合作並交付的能力。

-02-

從大模型到Agent

AI製藥的發展靠的是一套完整複雜的產業鏈：上游依賴GPU、雲計算、生物數據庫和自動化儀器；中游是AI模型、分子動力學、機器人實驗平臺；下游則連接藥企、CRO、醫院與臨牀資源。而其中，中游的技術水平起着最關鍵的作用。

上述產業投資人提到，從上一次AI製藥投資熱到這一次，中游的投資關注點有從大模型向Agent轉移的趨向。

所謂Agent，本質上是：能夠自主調用工具、執行任務、迭代反饋的AI系統。和此前大模型不同的是：后者只能對輸入的數據進行處理，並完成推理功能；而后者是一套可以進行多步驟計劃的閉環系統，因此也被稱為具有複合功能的「智能體」。

在最近舉行的華人抗體協會年會上，也有演講者提到：目前AI擅長文獻綜述和明確定義的編碼任務，但在需要與世界互動的科學問題上，仍需人類主導，AI作為輔助工具。在這一點上，Agent可以最大降低人為干預和操作，從而進一步提高效率。

最近幾年，一些新涌現的AI製藥公司也將Agent作為主要競爭點。比如，望石智慧主打的是全棧式小分子早研智能體，建設了靶點、分子設計、濕實驗閉環；摩熵數科則擁有近 60 個生物醫藥專用 Agent，覆蓋研發、立項、臨牀、市場全鏈條。

上述投資者也提到，即使目前處於二次投資熱的語境里，但市面上僅提供單一功能大模型的AI製藥公司競爭仍然激烈，因而很難成活。「可以説，如果公司沒有AI和濕實驗室的整合計劃，那麼它已經遠遠被時代落在了后面。在投資上，會被直接pass掉。」

之所以會有這樣的變化，根本原因在於人們在幾年對AI製藥的觀察中發現：模型的生成能力並不必然對齊臨牀成功率。「大模型能力雖然還在提升，但是邊際效應已經出現。從投資者的角度來看，未來的臨牀成功率的提高空間在於如何讓數據反饋更及時、如何把研發流程自動化。」

3月中旬，羅氏宣佈擴展其全球人工智能基礎設施，在美國和歐洲完成了2176個高性能GPU的部署；同月，禮來也正式啟用了其醫藥AI工廠LillyPod，並與英偉達宣佈將在五年內投入超10億美元建立AI聯合創新實驗室。

兩家MNC合作的英偉達BioNeMo平臺採用的是實驗室閉環模式。一旦這種模式能大規模應用，將演變成一種貫穿式系統，且與濕實驗之間形成可驗證的循環。

這也意味着，這一輪的AI熱潮，將迅速從投資熱轉變為真金白銀投入的軍備競賽。初創企業們必須捨得進行系統化搭建，纔不至於與MNC的整體步伐脱節。

-03-

向機制發起挑戰

這一輪AI製藥投資熱，與上一輪另一個不同點在於：資本關注的焦點，正在從生成分子轉向理解生物。

過去幾年，大模型、擴散模型和生成式化學迅速發展，使AI第一次能夠大規模從頭設計藥物分子。許多公司已經不再依賴傳統篩庫，而是直接讓模型生成候選化合物，再通過高通量篩選快速優化。

這意味着，一個重要瓶頸正在消失：高質量分子設計本身，越來越不稀缺。

過去，藥物研發最大的難題之一是找不到合適分子；但現在，AI已經能夠一次性生成、篩選、優化成千上萬個候選結構。於是，行業邏輯開始發生變化。上述華人抗體協會年會上的演講者總結道：未來藥物開發更像從目錄中選部件並組裝，而不再是一次次從零開始重新工程化。

但也正因為如此，新的瓶頸暴露了出來。

行業逐漸意識到：真正困難的，是理解分子在複雜生物系統里究竟會發生什麼。上述投資人提到：「AI模型雖然擅長預測分子性質，卻往往忽略生物活性、組織特異性等動態問題。越是複雜的靶點，這種問題越是顯著。」

他同時提到，就國內目前的公司水平而言，在這一問題上還沒有看到太多令人信服的解決辦法。但這並不影響已經有一部分企業率先展開探索，而一部分投資人也開始敢於押注。

在這一輪的投資熱中，行業意識發生了顯著變化：越來越多人意識到，真正決定藥物成敗的，是對生物系統的理解深度。

因此，越來越多研究開始強調「物理約束AI」。這一方向的核心思想是：把傳統物理模型、生物動力學模型與深度學習結合。因為純AI模型雖然擬合能力強，但泛化性差；它很容易在訓練數據中表現優秀，卻無法適應新的生物環境。而物理模型雖然精度有限，卻擁有更強的可解釋性和外推能力。

類似邏輯也出現在PK/PD領域。IBM Research在2024年的研究中提出，用Physics-Informed Neural Networks結合藥代動力學微分方程，讓模型不僅擬合數據，還必須遵守真實生物動力學規律。

在這種新思維的帶領下，一些代表性的企業開始在市場嶄露頭角：比如以分子動力學為核心技術的Schrödinger，以系統生物學為核心技術的Recursion等，在近些年都獲得了和MNC深度合作的機會。

而在中國，這類企業的發展時間較短，在投資市場上也剛剛開始嶄露頭角。比如華深智藥對物理約束的引入，體現在AI生成分子結構或預測蛋白質摺疊時，強制要求模型遵守諸如力學穩定構象、靜電相互作用等物理化學法則，提高了蛋白質設計的成功率。

當然，一切實質性的技術進展都是從概念開始的。從2021年到2026年，年輕的AI製藥行業已經經歷了兩輪投資周期，業界生態和心態在表象的沉浮之后，也積累了更多內在的經驗。概念並不是投資泡沫的原罪，關鍵在於：行業需要在概念之下發掘出更堅實的錨點。