Leman Biotech Co., Ltd.

“这是价值事务所的第2168篇原创文章”在《价值事务所》此前诸多文章和视频中所长都讲过，我们一定要对AI相关的机会给予绝对的重视，只要给予一定的时间，AI基本板上钉钉地会颠覆几乎所有行业，实现对全球GDP结构的重构。20年前，人们说互联网改变世界，现如今，我们说AI改变世界，从技术原理来讲，AI对世界的改变其实远胜于互联网，所以，实在没有理由不关注AI。在之前分析AI相关机会的文章中，所长更多给大家介绍的是卖铲子类企业，如进行光电转换的光模块、AI的基础云计算、云计算的硬件构建数据中心……核心就在于现如今AI还处于较早期，我们很难去预测什么样的终端应用可以杀出来，可上游卖铲子的关联行业的确定性几乎是毋庸置疑的。这就好比当年疫情期间，谁能率先做出新冠特效药赢得市场是个未知数，但上游头部CXO却一定可以在此期间受益，押注特效药是高分题，选CXO却是一个相对的低分题。但如果非要把眼光转向终端应用，其实也有相应的标的可看，但也并不能乱看，也是有相应技巧的，这里所长先给大家讲一两个标的，然后再来同大家探讨里面的技巧。今天我们先来研究AI制药领域的晶泰控股。晶泰控股的起家业务是AI药物发现，很有意思的是，其创始人并非医药行业人士，而是三位物理学家。也许正是如此，晶泰才会成为弗若斯特沙利文报告中描述的“全球少数几家同时掌握量子物理计算、AI 技术和自动化湿实验室能力的药物及材料科学研发企业之一”。2016年，2015年成立的晶泰科技在辉瑞举办的全球晶体结构预测竞赛中取得了极好成绩，准确预测了晶体结构，从而获得辉瑞的青睐，这促使辉瑞与晶泰在新冠疫情期间达成了关于新冠小分子口服药Paxlovid的合作。合作的结果也非常圆满，Paxlovid的最佳结晶药物形式确认时间正常而言最短都需要几个月，长则数年也有可能，通过与晶泰的合作被缩短成了短短六周。后续Paxlovid的巨大成功全球人民都看见了，这无疑给晶泰打了个极好的广告。如果大家也对所长看的企业、行业专家交流纪要感兴趣，可以加入《价值宝库》查看。《价值宝库》是所长团队精心打造的投研资料库，每天会上传100+内容，绝大多数都是大家最为关心的一手调研纪要，此外还有各种研报、突发/热门事件分析、宏观政策及市场解读等内容。总之，只要是对咱们有用的，所长能找到的，都会上传到里面。截至目前，公司已与全球前 20 大药企中的 17 家建立长期合作关系，2020-2023年，其客户整体留存率分别为53.8%、67.5%、51.4%、64.9%，这个数据可以说非常好。2025 年更是斩获了与 DoveTree 总额近 60 亿美元的管线合作，因此这些年业绩增长非常迅猛。下图为晶泰科技2026年1-3月的业务合作落地案例。2025全年，公司实现营收 8.03 亿元，同比+201.2%，经调整净利润 2.58 亿，首次实现盈利，而去年同期则是亏损 4.57 亿。如果仅仅是因为晶泰控股现在开始盈利了，手上握了一大堆订单，还拥有一些很有实力的客户，那并不值得所长现在来研究它，毕竟正如本文开篇所述，现如今AI还处于较早期，我们很难去预测什么样的终端应用可以杀出来，这个时候，哪怕终端应用端企业前景再好，所长可能都更愿意去看上游卖铲子的关联行业。那么，晶泰控股凭什么现在能走进所长的视野呢？而所长认为，在现如今一众引起人们关注的AI应用端企业中，晶泰控股还真可能是走到很后面的一家。01价值事务所不一样的晶泰控股答案就在于，虽然离AI大范围普及还早，晶泰控股规模还小，但却已跳出了绝大多数 AI 应用企业卖工具、做服务的单一增长逻辑，而是以自身的AI相关技术能力为锚点，通过深度孵化、联合创立、全链条绑定的模式，与产业内最具颠覆性潜力的创新企业形成深度利益共同体，把自己同产业链进行了强捆绑。这里我们不妨先看两个案例，2026年1月7日，晶泰宣布孵化企业 ReviR 溪砾科技的小分子药物RTX-117 获得国家药监局临床试验批准，已于2026年3月2日完成首例患者给药，正式进入 I 期临床阶段。这个RTX-117是国内首款针对腓骨肌萎缩症（CMT）的 1 类创新药。罕见病领域向来是传统创新药研发的雷区，很少有企业愿意碰，核心在于靶点验证难、分子设计门槛高、成功率极低，同时市场还小。所以，如果不是有新的技术手段出现，能大大增强研发效率，那就只有等慈善家了。此前《价值事务所》有介绍另一家AI制药企业英矽智能，英矽智能瞄准的方向也是罕见病，之所以敢发起冲锋，正是因为其利用AI大幅缩短了新药发现时间，核心产品ISM001-055从靶点发现到临床前候选药物提名整个研发流程大约只用了18个月的时间，而正常来说应花费4-5年。当然这不是重点，只是为了说明在AI的帮助下，相关药企可以更多向罕见病领域发起挑战了，所长真正想说的重点是ReviR是晶泰孵化的企业。在近期披露的2025财报中，晶泰控股也讲到了同莱芒生物的合作，莱芒生物是现如今Biotech中的当红炸子鸡，在复发 / 难治性淋巴瘤、白血病及中重度系统性红斑狼疮（SLE）等重大疾病领域，其代谢增强型 CD19 CAR-T 疗法在 IIT 研究中以常规剂量 1‰的极低剂量，实现数十位患者 100% 完全缓解（CR）；2026 年 3 月，首例采用「极低剂量 + 免清淋」方案治疗的套细胞淋巴瘤患者完全缓解。同月，代谢增强型 CD19 CAR-T 成功获得美国 FDA 关于复发或难治性 CD19 阳性的 B 细胞血液肿瘤适应症的新药临床试验申请（IND）批件。目前，莱芒生物正在中美两地同步推进多项新药临床试验申报，相关管线覆盖肝癌等多个实体瘤适应症。晶泰控股正是莱芒生物的联合创立方，莱芒系列成果的背后，处处都有晶泰的深度赋能，晶泰在财报中提到莱芒生物的第一句话是这样讲的：赋能莱芒生物 AI + 代谢重编程技术平台，在多个重大疾病领域取得系列临床突破。你看，这就是晶泰控股最不一样的点了，他不是自己亲自下场去做创新药研发，相对英矽智能、溪砾科技、莱芒生物等风险自然小很多，更多是像药明康德一样给相应企业提供AI制药服务，同时通过投资间接入场，如此，不仅可以通过股东身份锁定相应企业的服务订单，还能够获得被投企业上市、管线BD转让/卖身、药物上市销售等诸多回报。截至2025年底，公司已赋能及孵化5+条创新管线进入临床或IND-enabling阶段，覆盖肿瘤、自免及神经退行性疾病等高价值领域，验证全链条研发能力。当然啦，晶泰控股要能做好这点，核心还得是自身技术实力足够硬才行，不然人家才不会找他，目前他的技术在行业内确实比较领先，形成了量子物理 + AI + 机器人的全闭环技术体系。不同于行业内大多依赖已有实验数据训练的 AI 大模型，晶泰的技术根基是基于第一性原理的量子物理计算，其AI能从原子和电子的量子力学相互作用出发进行模拟，在训练数据匮乏的场景下生成高精度虚拟数据，部分解决了 AI 制药数据依赖但又数据不足的行业痛点。在此之上，晶泰搭建了由超 200 个 AI 垂类模型构成的算法引擎，通过多模型组合为不同管线提供定制化解决方案，叠加其建立了全球领先的规模化机器人自动化实验平台，可以稳定生成高质量、高通量的研发数据，干湿实验融合使算法预测与实验验证能够实时反馈、持续迭代，最后形成了自我强化的技术闭环。还是那句话，技术可以一时领先却很难一时领先，但如果借助一些暂时领先的优势形成了对产业链的深度捆绑，甚至让自己成为产业内不可或缺的一环，最后可以跟着产业一起进步，同时获得产业更多的蛋糕，那就是更长期、更深的护城河了。而这正是晶泰控股目前在做的，在近期的投资者交流中，晶泰控股提到了自己投资参与的逻辑，一是聚焦AI能发挥核心作用的领域，无论是自主孵化、深度合作的企业，还是外部投资标的，均优先选择AI可解决核心难题、提升研发效率的项目，如果是传统方法能解决问题的就不会参与，这其实就是在想办法将自己的优势、长处都发挥出来，更聚焦。二是多元化布局，投资新药研发、Al for Science领域中具有前景但自身不计划重点投入开发的技术方向，如Al药物递送、Al for materials，这其实是一种通过投资布局完善产业生态的做法。而对于被孵化企业，晶泰控股的赋能主要体现在两个核心方面。技术层面，根据不同企业的核心需求，提供定制化的AI模型和工具链支持，助力企业解决研发中的核心技术难题，同时持续接收企业的研发、临床数据，反哺AI平台优化，形成正向循环。资源层面，共享资本市场资源，帮助被孵化企业对接投资人，助力企业融资和发展。而在商业决策方面，晶泰控股会坚持帮忙不添乱的原则，不过度干扰被孵化企业的商业规划，更多是从技术上提供支持，尊重企业自身的发展节奏和商业选择。02价值事务所写在最后行文至此，想必大家应该能部分明白，为什么在一众 AI 应用标的里所长唯独会把晶泰控股拎出来细讲。所长一直讲的是AI 产业尚处早期，终端应用胜负太难预判，与其去赌九死一生的爆款应用，不如抓确定性更高的上游卖铲子环节。晶泰控股之所以值得，核心就是他规避了像英矽智能一样亲自下场去做药的风险，却又通过诸多捆绑可以分得最终的果实，最终形成了技术服务赚稳定的现金流+合作管线里程碑付款与销售分成、管线孵化与股权收益并行驱动风险可控、兑现弹性大、确定性强的复合商业模式，把高风险的创新药研发做成了进可攻、退可守的确定性生意。总之，甭管是不是AI浪潮，能在复杂多变的行业生态下走到最后的企业，从来都不是靠一时的技术或者效率领先，而是能借助已有的一些优势让自己成为产业里不可替代的生态位，跟着整个行业一起成长，这也是晶泰控股值得所长跟踪的核心原因。 发布于：重庆

本 文 目 录 1、跨行业比较视角下分析AI制药的困局 2、医药基金经理内部分享:AI制药，砸下重金为何收效甚微? 3、让AI造一款新药，有多难? 4、AI制药该如何突破当前困境听听资深行业人怎么说 一、跨行业比较视角下分析AI制药的困局 （原创 Dr.X 夏玉坤的VC手记） 不管你是否承认，AI制药相较于AI在其他行业的落地，确实处在更尴尬的位置。过去二十年，AI与互联网、内容推荐、金融风控等领域的整合颇为成功；但当AI进入制药工业，企业价值却长期停留在PPT和愿景里。几个在纳斯达克上市的AI制药公司——Recursion、Absci、AbCellera……有一个算一个，它们今天的资本体量和市场定价权都很难和其他行业的头部AI平台相提并论（例如，上述公司市值加一起甚至连Palantir的零头都不到）。今天有哪个AI平台敢说自己已经成了某个MNC离不开的基础设施？几乎没有。 我一开始想把题目写成《跨行业比较视角下分析AI制药的困局和解法》，后来把解法两个字删掉了。原因很简单：这个困局真正的解法并不是谁坐在桌前拍脑袋拍出来的，而是被一次又一次昂贵的失败逼出来的——失败发生在哪里，下一轮资源就会绕开哪里；什么路径在现实里跑得通，它就会成为标准答案。 本人没有能力给出什么解法，只试图根据我的观察，把AI制药的困局说清楚。 问题出在哪里？我认为答案不能只在医药圈里找。把这些问题放到互联网、消费科技这些已经验证AI能创造丰厚价值的行业里横向一比，很多看似是技术问题的东西，本质上其实是行业逻辑的硬约束。 第一部分：几个典型行业的分析和比较   我们先不谈AI。我更想做一件事：把生物医药研发放到两个读者更熟悉的行业里横向对照——互联网平台（以阿里为代表）与消费科技硬件（以小米为代表）。目的只有一个：把行业的生产函数拆开，看看不同的行业中价值到底是怎么被生产出来的。（这里的生物医药行业特指以创新研发为主的创新药，不包含中药、传统仿制药体系、CDMO等赛道） 很多人之所以希望对AI制药像互联网经济一样颠覆传统行业，本质上是把医药当成了另一个可以被数据化、被工程化、被快速迭代的行业。但早有人指出，医药行业积累的海量数据看起来似乎非常适合AI切入，但它们并不是流动性资产，而是同时被隐私伦理、合规审计、IP竞争以及跨部门所有权等多重枷锁锁住，要让数据真正动起来，本身就是一场复杂的组织工程和社会工程。而且问题还不止于此：当你把互联网、AI和医药这三个行业真正拆开来看，会发现它们的产业逻辑根本就不在同一个坐标系里。 1. 价值来自哪里：到底卖的是什么？ 很多人把药理解成了一个商品，把药物研发理解成了一个工程流程。但三个行业真正交付的东西完全不同。 小米：卖的是可规模化的体验+生态。好用+性价比+设计感的手机，靠规模压供应链成本。更深层次，把手机作为入口，后面接系统体验、内容/会员、广告、金融、IoT生态，拉长生命周期价值。也就是说：硬件是小米的流量抓手，生态形成复利。 阿里：卖的是交易与履约的基础设施。公司的核心业务并不是直接卖货，而是让交易更容易发生。其收入变现来自抽佣、广告流量、商家服务、以及云与企业服务。 创新药：卖的是证据包+准入资格。创新药企业的产品是化合物或者抗体吗？我认为并不是。创新药研发的核心是把一个高度不确定的科学假设，通过一整套制度化的证据生产流程，逐步变成监管和社会愿意承认的事实。创新药企头两年设计分子，后面六年主要在测试、验证与排除。表面上看，后面六年像是在做没有创造性的工作，但从行业逻辑看，那恰恰是医药真正的生产过程——生产出来的是这个分子的可被验证的疗效与安全性数据，以及由此带来的（潜在的）监管准入、指南认可与支付买单。也就是说，创新药行业的产品不是分子，是而证据驱动的准入资格。 总结一下，互联网、消费科技更像在组织硬件、数字、资金、信息的高流动性要素，让它们更快形成交易；而医药的价值链更像生产证据—获得准入—完成支付。小米和阿里是在迭代产品；创新药是在闯关生产证据。每过一关，证据把一大块不确定性切掉，资产价值跳跃式变化；一旦关键节点失败，很多投入会直接沉没甚至归零。 2. 行业的不确定性在哪里：你的研发在消除什么风险？ 行业之间最本质的差异在于其面临的不确定性类型不同，所以消除方式不同。 小米的不确定性：需求与竞争（人会变、竞品会卷）。例如，消费者偏好变化快、竞品迭代快、渠道与库存波动、供应链约束。其消除方式通常为产品的快速迭代、供应链/库存精细化、营销渠道试错。这类行业的产品的反馈回路较短，通常几周到几个月能闭环。 阿里的不确定性：生态治理与系统博弈（规则怎么定、两侧怎么平衡）。风险来自于服务质量、消费者体验、假货刷单治理、宏观周期、竞争与监管，其消除方式通常为良好的规则体系、数据化运营、履约与服务能力。这类产品的特性为可实验、可回滚，其迭代和验证周期更快，甚至按天就能看到指标变化。 创新药行业的不确定性：本质上是分子的机制与因果在人身上到底成不成立。这些风险的消除方式也非常模式化，就是我们熟悉的临床前动物实验——临床1期、2期、3期试验——监管审评，这本质上就是用高成本、长周期、高度模式化的证据链条去逐步降低不确定性，很多环节不可跳步。这个链条的特征就在于反馈回路极长（5-10年），且证据受到伦理与合规约束。 综上所述，小米/阿里主要面对的是需求、行为、竞争与治理的不确定性，因此可以用高频、低成本实验快速收敛；而创新药主要面对的是机制因果与安全边界的不确定性，这既不高频又不低成本。 3. 研发和迭代的逻辑不同 小米手机等消费硬件（汽车、耳机、电脑）的研发逻辑通常为产品定义—供应链排产—渠道反馈—销量，通常在几个月或1-2年的时间内闭环。某一代产品判断失误的代价不小，但大多数时候可修正、可通过下一代弥补。 阿里巴巴则拥有更极致的快迭代——因为几乎一切都可在线实验、可回滚。平台业务的研发逻辑是持续在线优化，按天按周就能看到效果的变化。失败可以回滚，试验成本相对低，所以组织会天然倾向于用高频实验来迭代和开发。这类产品是一套永远在运行和升级中的系统。 生物医药领域的研发有点怪，必须创新，但同时又更需要保守。做创新药当然需要创新，靶点、机制、递送、分子设计、临床策略，总得有新意，否则凭什么定价、凭什么脱颖而出。但它又必须非常保守，原因不在于药企胆小，而在于医药研发的试错方式有硬约束。大多数创新点只能集中在1–2个关键变量（例如新靶点或新递送），其余环节尽量沿用被验证的路径，否则系统性不确定性会爆炸。因此，创新药研发不存在先上线—再快速迭代的玩法。显然你不可能先花2个月设计一个demo分子出来让患者吃了看看会发生什么，再根据后果快速改分子设计、改剂量、改终点。很多关键试验一旦启动，方案、终点、入组标准等往往需要锁定，每一次调整都意味着监管沟通、伦理审查，代价巨大。 所以创新药研发是一种非常特殊的平衡术：既要靠创新挣出超额回报，又要靠保守拿到制度化承认。虽然这个行业名字里有“创新”二字，但其实很多环节是极为保守的。 把这些放回到AI制药的语境，就能解释为什么这么难整合。在互联网和消费科技里，AI往往直接作用于一个高频、可观测、可回滚的业务环节，价值可以用短周期指标验证，组织愿意先用起来再优化。在医药里，很多AI创业者想要进入的是证据链与决策链，它影响的是关键判断，而关键判断牵涉合规责任与生命风险。药企更关心的不是你模型多先进、迭代多快，而是你能不能把你的输出嵌入他们的生产体系中，例如结果是否可追溯、是否能形成可被监管与临床接受的论证，出了问题责任边界怎么划定。 第二部分：整合的困局   一个新的生产力工具如何进入行业的研发体系，能被采购、能被复用、能被追溯，出了问题有人背锅，最终成为基础设施？在互联网和消费科技里，这件事经常发生得很自然；但在医药里，它往往卡得很死。 我用一个粗糙但很管用的式子把整合难度压缩成三件事： 整合摩擦≈验证成本×风险责任÷反馈速度 （这个公式是我自己发明的，不是太严谨） 把这套公式放到互联网/消费科技里，会发现这两个行业几乎处处占便宜——验证成本低，线上指标天然就是标尺，做个AB测试就能看到效果；风险责任相对可控，出错通常是体验损失或收入波动；反馈速度极快，按天按周就能迭代，失败还能回滚。所以它们对新多新技术的态度都是先用起来再说，跑出指标就铺开应用，跑不出就撤回。 而一旦进入创新药研发，这三个变量几乎同时变坏。 首先是验证成本：药企真正生产和交易的不是一个单纯的化学结构式，而是围绕疗效与安全性形成的证据包。但AI 的输出往往更像建议、排序、提示，它当然可以启发研究，但很难天然变成监管与临床认可的证据链条。前文我们讨论过创新药的研发流程，其实药企花在分子设计上的时间和成本并不多，绝大多数精力放在了临床前和临床阶段的测试和排雷。只要这些问题没有被解决，你的AI平台就很难快速进入制药工业的关键路径。 其次是反馈速度：很多AI平台说可以提高命中率、缩短周期、降低成本，但一个分子好不要用的验证周期太长了，即使你的AI药物设计天下无双，效果也往往要到很后面的临床节点才看得见，往往需要跨项目、跨年份的大样本量。互联网可以用高频在线实验来验证工具的有效性，但医药绝大多数关键环节没有廉价的对照试验。现在很多MNC确实在与一些头部AI平台合作试点，但往往是尝鲜和fear of missing out的心态，虽然有时候结果看起来不错，但无法在组织内部证明可以带来可复制、可持续的确定性收益，于是就很难从试点走向标准化采购，更别提成为基础设施了。 最后是风险责任：在医药里，机器学习专家希望AI扮演的角色更像决策输出而不是体验优化。互联网AI出错，通常是增长损失；医药AI出错，有时会带来极其严重的、挽回成本极高的安全性风险、合规风险和声誉风险。在关键决策链上，没人愿意为一个尚未被证据证明、责任边界又不清晰的外部系统背锅。此外，药企的采购习惯更偏向买项目、买结果，这个行业极少有通用平台订阅这种模式的先例。 第三部分：AI+Biotech怎么降低整合阻力？   这部分写写更现实的问题：在药物研发这片有点怪异的生态体系中，AI应该以什么身份切入？ 下面是我拼凑起来的几点思绪，谈不上全面，仅仅是自己的一点思考，希望能够与各位创业者一起探讨： 第一条建议是：选验证成本低+反馈快的切入点。你要找的并不是科学上最重要的环节、价值链上最关键的环节，而是最容易被验证的环节。凡是能在几周到几个月内，用明确指标把价值跑出来的地方，才有机会从试点走向标准化。这些环节最好不需要等到临床终点才能验证，不需要跨部门大动干戈，不需要碰最敏感的数据，也不需要让注册/合规承担新增风险。很多AI公司一上来就想碰靶点发现、分子设计、临床成功率，但也恰恰是反馈最慢、验证最贵、责任最大的位置。你只要把切入点找错了，整合摩擦会大到客户连试都不愿意让你试。 第二条建议是：优先选择客户决策链条短的环节。药企最真实的阻力，往往不是技术不行，而是谁也不愿意做第一个拍板的人。决策链越长，越容易死在流程里。你的切入点应该尽量落在一个部门就能决定、一个预算口就能支付、一个负责人能承担的场景里，如果能直接to C那就更好了——哪怕它在科学上看起来没那么性感，甚至非常土。对于创业公司而言，先拿下一个能滚动复购的小闭环，比拿到一堆看起来很大的战略合作更重要。 第三条建议是：尽量不要从提高决策准确度入手，尽量从提升体验、效率等角度入手。也就是说，先别急着证明你能更聪明，先证明你能更省事。正如前文所讨论的，在药物研发领域，更聪明往往意味着进入证据链与决策链，不管你的真实技术水平如何，你必须证明我比你更对，以及你要解释我为什么更对，总是要面临验证成本高、责任风险大、反馈速度慢等状况。而提升体验通常可以落在更低风险的位置和非关键路径，例如减少人为重复劳动、减少等待时间、降低操作错误等。这类价值往往非常直观，也更容易用短周期指标证明：节省了多少人时、缩短了多少交付周期、降低了多少返工率、减少了多少合规风险暴露点。先从让人更舒服地把活干完做起，你才有机会逐步进入更关键的链条。先把组织路径打通，再慢慢谈诗和远方。 第四条建议，也是最容易被技术背景的创业者忽略的一条：搞懂需求在哪里，要意识到你的平台能解决某些问题并不意味着用户有强需求。在医药行业，能解决问题的工具太多了，但真正能产生收入的工具极少。客户见到你产品之后会不会产生一种冲动——你这个平台多少钱？我现在就转账，把一个正在折磨我的痛点立刻砍掉。客户的这种冲动往往来自三个条件：痛点足够具体（一定要很具体，不是“提高研发效率”这种口号，而是说用了你的AI，客户能够在2分钟内解决某个任务一个月的工作量）、收益足够可见（不用等两年，几周内、最好一天内就能看到变化）、迁移成本足够低（不需要涉及跨部门的工作流和数据）。如果你的产品必须靠长篇大论教育客户，那基本意味着你选的切入点验证成本太高，整合摩擦太大。 当你先在低验证成本、低责任风险、快反馈的场景里活下来，并且在组织里形成可复制的采购与使用路径，你才有资格往更关键的证据链、决策链深处走。否则你会发现，越想一步到位改变研发决策，越容易永远被挡在门外。 先别想着改命，先学会变得能用。 二、医药基金经理内部分享:AI制药，砸下重金为何收效甚微? （原创 基哥 百亿基金经理内参） 近期，“木头姐”带领她的ARK研究团队发布了名为《Big Ideas 2025》的报告，长达148页，深入探讨了当今不断发展的五个技术创新平台。 其中，在多组学测序方面，报告指出，在海量多组学数据的支持下，结合可编程生物学的驱动，运行自主实验室的AI系统可能会显著降低药物研发全流程的成本，从而改变这个长期停滞的制药行业的回报状况。 无独有偶，某重仓该板块的基金经理在近日的一场内部交流会上，也分享了其对 AI 医疗，尤其是 AI 制药领域的看法。（因录音转文字，可能会存在部分错误） 核心观点如下： 2014 年起，全球生物制药研发热，AI 在生物医药领域愈发重要，国内算力和算法问题逐步解决。 制药流程涵盖多阶段，药物类型多样，AI 在多环节有应用，但目前主要是辅助，尚无全流程成功案例，提升效率效果不显著。 算法方向渐趋一致，算力不是瓶颈，数据少制约发展。数据质量差，老药新用数据易获取，新靶点及新药研发数据挑战大。 AI 在小分子领域应用更顺，大分子生成有困难。药企多从公开数据获取信息，公开数据有质量问题。 技术上，蛋白预测、对接难，数据少；商业模式上，AI 制药成本高、CRO 服务盈利难。大模型目前效果不明显，收费合理时客户愿尝试 AI，AI 能减少实验分子、提供新思路，应用于 CRO 行业利弊共存 。 原文如下： 自 2014 年起，全球生物制药研发热潮涌起，与此同时，随着阿尔法 go 和 ChatGPT 等工具的出现，AI 在生物医药领域的重要性与日俱增。 曾经让人们忧心忡忡的算力和算法问题，如今随着DeepSeek 等开源算法工具的出现，在中国已逐步得到解决。 在制药过程中，制药流程一般涵盖靶点发现、药物发现、药物优化、工艺优化、临床试验等阶段，药物类型多样，包括小分子化学药、大分子的蛋白、RNA、基因治疗、细胞治疗等。 AI 在靶点发现、药物发现、优化及工艺优化等环节都有涉足，临床方面也有公司借助 AI 进行病人筛选和临床数据解读。不过，目前 AI 制药大多还处于辅助阶段，还没有端到端的成功案例。 虽然在蛋白结构预测、分子对接、性质优化、ADMET 预测、合成方法设计、细胞培养及纯化策略选择等方面有应用，但在大幅提高开发效率上效果还不太显著，和传统制药在时间上差异不大。 说到算法、算力和数据在 AI 制药中的关键作用，在算法方面，早年研究较为宽泛，2015 年起基于语言模型如 LSTM 开展工作，2017 - 2018 年开始很多人在小分子和大分子设计上使用 transformer 模型，方向逐渐趋于一致。 算力在 AI 制药上并非大瓶颈。而数据方面，有标签的数据太少是最大的痛点，严重制约着效率提升及端到端药物研发。 要确保数据质量和多样性以支持大模型训练，干湿闭环结合真实世界验证是很有必要的。 数据质量一直是生物医药行业的难题，生物医药期刊实验结论可重复率低，每批数据的产生受受试对象、检测方法、生物本身波动等多种因素影响。 对于研究较多的靶点，像 PD - 1、HER - 2，数据相对真实且量大，有利于大分子 AI 应用。但新靶点数据存在挑战。 目前在老药新用方面数据支持相对容易，全新的 first - in - class 药物研发数据挑战则很大。 目前 AI 在老药新用方面相对容易，因为有较多数据支持。在 first - in - class 药物研发上，虽然难度大，但已有团队在尝试。 比如 Baker 实验室及其公司 sarra，基于 transformer 和 diffusion model 生成大小分子药物，这是做 first - class 药物的方向之一。 其逻辑是通过预测靶点结构，确定影响蛋白质的机制和结合面，反推药物结构。不过目前通过此方式成功设计出来的大分子药较少，小分子药相对较多，因为小分子原子少、计算容易、筛选成本低，可通过结合面预测合成类似物进行筛选。 AI 在小分子领域应用相对更顺利，因为小分子原子少、结构相对刚性，计算容易，可通过高通量筛选得到更确定性答案。 而大分子是蛋白结构，原子多且具柔性，在溶液中构象动态变化，难以同时预测准确，目前在通过 AI 直接生成有做药能力的大分子方面存在困难，但可先通过传统方法获得阳性大分子候选数据，再训练优化模型得到不错的大分子药物。 如果以抗体为例，Baker 实验室做全新蛋白结构设计，其序列若通过 OS 数据库获取，需对数据调优，洗掉脏数据，以此做 process model ，生成的序列可能在训练数据规则内。 大家认为以人的数据生成普遍模型，再从中 generate 数据，大概率会靠近人的特性。但对于 AI 做蛋白设计，其生成序列的天然性一直是讨论热点，不过总体认为通过上述方式生成的抗体在成药性上问题不大，与传统方法筛选出的抗体相比，成药性更接近天然。 要是蛋白分子对接能做好，对大分子做药或从头设计药来说是重大突破。像 David Baker 等用数学 model 生成抗体等，最大问题是蛋白的柔性及结合位置构象变化大，仅做静态结构模拟远远不够。 目前阿尔法四三在蛋白相互作用方面做得不好，若有公司能在该方向取得进展，将是很大突破，但具体谁先成功还不确定。 药企进行药物开发时，大部分数据源从公开数据集获取，如 gam express、NCBI 等有大量数据，以前在美国学校还可 access 美国人类基因组数据，中国也有相关人类基因组数据获取途径，此外还有企业自身的 property 数据。 公开数据存在质量问题，受实验室操作、实验环境等影响大，且在疾病信息传导路径中起关键作用的上游数据变化量小、表达量少，难以被测出来，不利于发现新靶点和利用数据。 但通过数据清洗可一定程度改善。与医院私密数据相比，公开数据可能不是最核心的，但经过处理后仍有重要价值，同时自己进行数据设计和模型搭建也很关键。 药企对健康行业如手环或手表的数据需求不大，这类数据在药物开发中作用不明显。 在药物研发后续工作中，药物靶点及特性可能受人群基因型、种族、性别、年龄等影响，AI 可用于患者筛选，通过考量覆盖机型等因素选择合适人群。 在临床试验设计方面，AI 可根据召回患者情况，更合理地设计剂量、每期临床试验方法，提高药物成功几率。 在整个医疗领域终端应用方面，靶点发现上，美国 autun wise 较知名，国内相关公司较少。 药物发现与设计方面，David Baker 的公司、修定格等有潜力做 d novo 药物设计，多数公司做药物优化，如国内金太在 ADMVT、free energy proportion 方面较出名，与 first 有长期合作；大分子方面，b cat 在 CDR 区优化等方面表现较好。 临床方面相关公司较新。生产方面，美国有公司通过看细胞照片判断细胞是否适合生产，国内大湾生物可通过细胞数据或影像优化细胞培养。工艺方面，西门子在细胞工艺发酵过程引入相关工作。 底层服务方面，NVIDIA 集成很多工具。国内金泰是 AI 上市药企，在 reformation 等方面较出名；inc inc ical medicine 在靶点筛选等方面有较多工作；分子之心在大分子基于已有序列改造，提高成药性和亲和力方面有成功经验；百图四五年前开始做免疫知识图谱、药物发现等方向，但目前还未听到成功案例及相关更新。 从挑战来看，技术层面，蛋白结构动态预测难、分子对接难、标签数据少，特定靶点 AI 模型泛化能力不好。商业模式方面，AI 制药企业自己做药成本高，且临床成功率与是否用 AI 关系不大；提供 CRO 服务赚钱有限，客户付费意愿低；提供 AI 服务收 milestone 和 royalty 等较难，除非是非常特别的药物和靶点。 短期内，技术挑战难以完全解决，商业模式也需不断探索完善。 在药物发现上，大模型以及 deep seek 目前效果不大。小分子和大分子药物很早前就引入 transformer 相关模型，基于语义表达开展工作，如小分子用 ipc 式子表达、大分子把氨基酸当 token 用 transformers 模型。大家会用类似 gbt 或 deep seek 的模型架构，但不会直接用，而是用化合物库（如 ipc）或抗体数据库（如 OS）的数据训练模型。 大模型如 GPT、deep seek 这类通用文本模型，在总结文章、建立实体关系模型、靶点发现中读文献找 hint、建立知识库和知识图谱方面有帮助，但不是关键。 在化合物库和抗体序列处理上，会将其当作类似语言模型处理，但直接应用 GPT 或 deep seek 进行药物研发较难想象，更重要的还是自身训练的大模型、筛选模式和选取高质量数据的方式。 如果收费合理，客户愿意尝试 AI。目前保证成功的抗体或小分子优化 package 收费在几万到 10 万美元，使用 AI 可能增加 10% - 20% 费用，客户基本可接受。 但纯以 AI 提供服务，收取 milestone 和 royalty 难度大，因药物研发成功率低，整体投入大，客户不愿承担风险。 AI 最擅长在已有与靶点结合的 candidate 基础上，生成很大空间，看生成的化合物或大分子是否有相同结合能力，进行大小分子虚拟筛选和大分子虚拟筛选及药物优化。 与传统结构生物学家设计相比，AI 能提供更大空间，给出高潜力结合分子情况。例如在药物优化中，AI 生成序列约 20% 有结合力，其中约 10% 结合力更好，相比传统饱和点突变等方法，可大幅减少实验分子数量，提高效率。 在 AI 药物优化循环中，结构生物学家可辅助判断 AI 设计的分子，但因 AI 设计的分子与原本差异大，结构生物学家判断也有难度。 所以结构生物学家和 AI 都会进行设计，AI 设计的分子通过实验验证是否结合更高效。在药物优化中，传统方式需大量分子实验，AI 可减少实验分子数量，虽然不能保证每次 AI 表现都优于结构生物学家，但提供了新工具和不同序列类型，有很大价值。 从设计和表达纯化费用看，AI 减少实验分子数量可能使整体收入减少，但降低了制药门槛，可能带来更多生意。 在时间方面，虽然从 DNA 到 IND 部分工作时间可压缩，但该阶段时间和费用在整个药物研发中占比不大，更关键的是 AI 能提供更多解决思路和增加设计丰富度。 整体而言，AI 应用于 CRO 行业对推动医药行业发展是利好，可能带来更多需求，但在成本和时间压缩上空间有限，且在减少人力方面可能存在冲突。 三、让AI造一款新药，有多难? （原创 李傲华 时代财经APP） 伴随着AI（人工智能）大模型引领的创新浪潮席卷全球，生物医药产业正面临新一轮的机遇期。而ChatGPT的横空出世，更为本就备受瞩目的AI制药再添一把火。 据AI咨询机构Deep Pharma Intelligence统计，截至2022年12月，全球800家AI制药公司获得的总投资额达到59.3亿美元，9年间增长了27倍。而今年第一季度，已有超过28笔对AI制药公司的投资，平均投资额为3800万美元。 截至目前，尚未有基于AI技术发现和设计的新药获得上市批准，但随着资本不断加码，以及技术的升级迭代，AI制药行业将会迎来新的发展机会。 “AI技术在生物医药领域的突破只是时间问题，这个趋势不可逆转。尽管可能需要3年、5年，甚至10年，但我相信，AI技术一定会在生物医药和生物科技领域发挥重要作用，尤其是可以极大提高生物医药在早期阶段的研发效率。”在5月26日举行的首届广州国际生物医药产业大会期间，晶泰科技联合创始人、董事长温书豪在接受时代财经专访时表示。 打破新药研发困境 新药研发是一个极其耗时耗力的过程。一款全新靶点、全新机制的新药，其研发需要经过靶点发现、靶点验证、先导物发现，以及先导物优化等阶段，这个过程可能需要验证、筛选数十万个化合物。 德勤发布的《2021年医药创新回报率评价》显示，2021年生物制药创新平均内部回报率（IRR）为7%，这已经是近7年来最好的水平。2021年，创新药管线到上市前的平均成本达到20亿美元，而创新药的平均预期峰值销售额为5.21亿美元，如果剔除新冠疫苗的影响，这一数字仅为3.55亿美元。 AI具备强大的数据分析和深度学习能力，可以快速处理和解析大量的生物化学信息，帮助科学家筛选出合适的化合物，设计优化药物分子结构，从而缩短研发周期，节约研发成本。 东吴证券研报指出，相较于传统药物研发环节，AI制药可显著缩短研发周期（部分研究显示可平均缩短1/2-2/3），同时提高药物研发成功率和投资回报率。 “在研发投入回报率相对较低的行业背景下，药企对于提升研发效率的需求非常迫切，而数字化和智能化很可能是最行之有效的解决方案。”温书豪表示。 图片来源：图虫 近年来，AI制药已经成为制药领域的新晋热门赛道，头部选手已有相当规模。 5月25日，英矽智能宣布，公司自主研发的USP1小分子抑制剂ISM3091已获得美国食品药品监督管理局（FDA）新药临床试验申请（Investigational New Drug Application，IND）批件，用于在实体瘤患者中开展I期临床试验。 ISM3091的分子是由英矽智能自有分子生成平台Chemistry42辅助下生成，这是英矽智能首款在人工智能赋能下发现并进入临床阶段的抗肿瘤候选药物，也是英矽智能第三款进入临床阶段的AI辅助设计药物。 英矽智能于2021年6月启动USP1项目，仅用了9个月合成和测试不到80个化合物，便成功提名了临床前候选化合物ISM3091。 中国制药业也在积极拥抱AI。疫情期间，AI技术便被应用到新冠口服药的研发中。 晶泰科技CSO张佩宇在首届广州国际生物医药产业大会“AI与自动化制药”分论坛上就指出，中国的新药研发已经进入3.0时代，这个阶段讲究的是全球化、差异化。要做到全球化和差异化，人工智能和自动化技术是目前最看好的方向。 2018年，晶泰科技宣布与辉瑞签订战略研发合作，融合量子物理与人工智能，建立小分子药物模拟算法平台。晶泰科技的AI预测算法帮助辉瑞显著缩短了新冠口服药Paxlovid（奈玛特韦片/利托那韦片）的研发周期，2021年12月，Paxlovid成为第一款获得美国FDA批准的新冠口服药，被迅速推向市场。 据张佩宇介绍，在AI技术的赋能下，辉瑞和晶泰科技双方的科学家仅用了6个星期，便完成了药物固态研发，以快速的计算预测与试验结果相互印证、准确匹配。而在传统的药物研发模式下，这个过程可能需要花费数月时间。 晶泰科技是一家以人工智能和机器人实验驱动创新的科技公司。温书豪告诉时代财经，几乎所有的欧美大药企都在探索、推进AI技术与药物研发的结合，近年来，这一趋势在中国的医药行业也越来明显。在集采、医保谈判等行业政策的背景下，企业必须设法确保药物具备全球竞争力，这意味着必须进行创新，并且要以更低的试错成本、更高的效率来实现创新突破。 “AI技术的应用，可以降低药物研发成本，因此AI药物研发是一条必然之路，也是行业未来的趋势。”温书豪称。 “死亡之谷”挑战 新药研发是一场九死一生的冒险，绝大部分的候选药物最终都会倒在临床试验阶段，因此这也被称作医药研发的“死亡之谷”。根据全球生物技术行业组织BIO、Informa Pharma Intelligence以及QLS联合发布的报告，2011-2020年期间，9704个药物临床开发项目中，从1期临床到获得美国FDA批准上市的成功率平均为7.9%。 创新药物最终需要进入现实世界，才能实现治疗疾病、拯救生命的意义。尽管AI在医药研发领域创造了许多令人惊叹的纪录，但AI与制药业的结合并非坦途。 据智药局统计，截至2022年年底，全球获批临床的AI药物管线有80条，其中有41条推进到1期，约占总数的一半；推进到2期的管线有29条。 但截至目前，仍然没有任何一款由AI发现的新药物获批上市。 2020年1月，英国AI制药企业Exscientia开发的用于治疗强迫症的候选药物DSP-1181获得临床批件，这是一款由人工智能平台设计并进入临床试验的药物。2022年7月，在宣布进入临床阶段一年多以后，DSP-1181被Exscientia的合作方日本住友制药停止开发，原因是1期临床研究未达到预期。 今年4月，另一家AI药物研发公司BenevolentAI也宣布，其用于治疗特应性皮炎的局部泛 Trk抑制剂BEN-2293的IIa期临床试验没有达到次要疗效终点。 AI未来要如何帮助、改变制药业，能否帮助创新药研发穿越“死亡之谷”，支持创新药企业以更低的试错成本做出市场价值最大、对患者最有用的药物，仍有诸多问题亟待解答。 “AI是一个工具，工具你就得用好它，这也是最关键的一点，你要找好问题、找对问题，如果这个方向找错了，后面很多工作就是无用功，这要基于专业人士长期的积累和自己独特的认识。”浙江大学百人计划研究员、莱芒生物联合创始人郭雨刚在上述分论坛上表示，“怎么用好AI这个工具，需要研究者非常深入的思考来提炼的。” 这也意味着，目前AI制药还无法脱离人的共同参与，制药专家在这一过程中仍发挥无可替代的作用。 “有时计算机设计出来的分子，合成反而困难，甚至是难以逾越的障碍，比如某些共价键没法合成出来。尽管出现这个情况的概率比较小，但这也说明，药物研发不能完全交给AI主导。”温书豪对时代财经指出，AI的发展速度确实非常快，它能够进行大规模的数据连接，拥有强大的计算能力，这些都是人类难以企及的优势。但不可否认的是，在当前阶段，人类的经验、专业知识以及灵感对于问题的解决仍然非常重要，单纯只靠算法是无法完成的。 “AI与自动化机器人实验技术结合，作为高效而可靠的研发工具和底层‘新基建’，需要与人类科学家的行业经验结合，才能发挥出最大的创新赋能。”温书豪称。 四、AI制药该如何突破当前困境听听资深行业人怎么说 （易贸生物精选） 近年来，随着AI应用技术的不断成熟、资本市场的不断投入，以及受国内外新冠病毒疫情形势影响，AI制药已步入快速发展期。自2023年以来，辉瑞、拜耳、勃林格殷格翰、安进这样的国际药企均积极加码AI制药领域。此外，谷歌也保持着对AI赋能医药的热情，甚至连英伟达这样的半导体公司也携大型生物分子语言模型和超级计算机强势入局这一领域。 头部药企和科技大厂纷纷拥抱AI技术，而AI药企们也在不断升级迭代自己的技术平台，AI制药到底有着何种魅力，它的未来又在何处？ 为此，我们采访了同济大学生命科学与技术学院生物信息系长聘教授、博士生导师刘琦，晶泰科技联合创始人、首席创新官赖力鹏，天壤XLab负责人苗洪江，以及德琪医药CSO单波，一起聊一聊AI在药物研发中的用途和优势、对AI制药的期待、以及未来有哪些问题需要突破。 Q AI在药物研发中能解决什么问题？具有哪些优势？ 刘琦：AI制药可以提升药物研发的效率，加速药物研发的各个环节，但是不能改变药物研发的底层逻辑。 赖力鹏：主要提供两个帮助，一是为关键研发决策提供信息，减少实验试错，第二个就是为生成式算法提供新颖思路，探索更大药物空间。其优势体现在信息的全面性，成本低效率高。 苗洪江：无论是大分子还是小分子药物，还是各种创新疗法，AI已逐步揭示其在药物开发各环节的重要性。从靶点发现、大分子设计、小分子虚拟筛选、先导优化、合成路径探索、ADMET分析，到临床实验设计，都可以看到AI的赋能。全球领先药企如强生、葛兰素史克、罗氏等也在积极拥抱AI带来的助力。 其中，AI在设计大分子上，特别是设计蛋白质中具有很强的优势。一方面，AI的介入极大提高了天然蛋白突变优化的效率，之前需要十几轮实验才能实现的目标，在我们的AI模型指导下只要3到4轮甚至更短就能完成；另一方面，我们现在可以仅基于靶标结构或目标功能，从头生成全新的候选分子，有望摆脱天然蛋白挖掘或动物免疫实验等传统方法的概率性限制，转而采用可预测和可编程的AI计算方式，实现特异性强、安全性好、可调节性高的候选大分子药物设计。 单波：新药研发周期长、投入大且风险高，而AI制药在降低研发成本、缩短研发周期、提高研发成功率等方面均展现出了优势和潜力。就拿药物靶点发现来说，AI具备强大的数据分析和深度学习能力，可以快速处理和解析大量的生物化学信息，帮助科学家筛选出合适的化合物、设计优化药物分子结构等。 Q 未来希望AI解决什么样的问题？ 单波：目前AI技术的应用主要还是在新药研发最开始的阶段，在其他环节中的应用仍尚未完全成熟。希望未来AI能够成功赋能新药研发的各个环节，从药物发现、临床前研究再到临床研究，甚至药品生产，为新药研发的多个环节提供助力，这也将大大提升制药行业的整体创新能力。 Q AI制药技术还有哪些问题需要突破？ 刘琦：未来如ChatGPT等大模型技术有望在药物（小分子，大分子）的有效表征层面有所突破。同时有望整合海量的文本数据来加速药物研发。药物研发领域不缺乏数据，但是缺乏有效标注的样本，缺乏药物和表型之间关联的注释信息。大模型学习和小样本学习的结合是药物研发领域AI技术的突破方向之一。 赖力鹏：优势体现在信息的全面性，成本低效率高。一个关键问题是如何低成本获得高质量数据，以及多模态数据的融合。 苗洪江：AI技术在生物医药领域的应用仍然处于早期阶段，它在药物研发的各个环节展现出的增益效果也有较大差异。因为还没有一款由AI完全设计的药物完成临床检验，所以AI制药技术的支持者和质疑者都在期待着奇点事件的到来。 当然，AI制药技术的发展和应用还存在许多待解决的问题。首当其冲的就是高质量数据的有限性和获取难度。在蛋白质大分子药物的开发过程中，尽管我们已经积累了数十万的实验结构和近百亿的序列数据，使AI在先导分子设计上展现出优异效果，但后续的特异性和成药性数据却十分稀缺，极大的限制了计算的准确率和可用性，研发人员不得不依赖大量周期长、成本高的生物化学实验验证，使整个开发流程再次进入瓶颈期，阻碍了迅速的迭代优化。为解决这个问题，我们正探索预训练大模型的迁移学习、零样本及低样本学习能力，同时，智能化、自动化的高通量实验室也可能为这个问题提供新的解决方案。 其次，AI算法的可解释性也是我们需要长期探索的问题。由于生物医学、生物制药领域存在周期长、投入高、影响深远等特征，对于可解释性的要求远高于其他领域，随着AI模型复杂度的日益提升，评估和量化模型的可解释性变得越来越困难。我们需要建立更强的关联性，建立模型推理逻辑与表征结果间更好的关联，增加医药研发人员对模型的理解和信任，使AI技术更好的赋能生物制药。 突破这些挑战需要跨学科领域专家的深度合作，包括生物学、计算机科学、生物化学和药理学等。我们期待大家通力合作，真正实现按需设计蛋白质，加速大分子创新药的研发进程。 总结 AI制药在研发中具备降低成本、缩短周期、提高成功率等多种优势，但主要还是运用在新药研发最开始的阶段，其他环节中的应用仍尚未完全成熟。在未来的探索中，高质量数据的有限性和获取难度、AI算法的可解释性、大模型学习和小样本学习的结合是都是药物研发领域AI技术的需要突破的方向。 end 本公众号声明： 1、如您转载本公众号原创内容必须注明出处。 2、本公众号转载的内容是出于传递更多信息之目的，若有来源标注错误或侵犯了您的合法权益，请作者或发布单位与我们联系，我们将及时进行修改或删除处理。 3、本公众号文中部分图片来源于网络，版权归原作者所有，如果侵犯到您的权益，请联系我们删除。 4、本公众号发布的所有内容，并不意味着本公众号赞同其观点或证实其描述。其原创性以及文中陈述文字和内容未经本公众号证实，对本文全部或者部分内容的真实性、完整性、及时性我们不作任何保证或承诺，请浏览者仅作参考，并请自行核实。

来源：价值事务所在《价值事务所》此前诸多文章和视频中所长都讲过，我们一定要对AI相关的机会给予绝对的重视，只要给予一定的时间，AI基本板上钉钉地会颠覆几乎所有行业，实现对全球GDP结构的重构。20年前，人们说互联网改变世界，现如今，我们说AI改变世界，从技术原理来讲，AI对世界的改变其实远胜于互联网，所以，实在没有理由不关注AI。在之前分析AI相关机会的文章中，所长更多给大家介绍的是卖铲子类企业，如进行光电转换的光模块、AI的基础云计算、云计算的硬件构建数据中心……核心就在于现如今AI还处于较早期，我们很难去预测什么样的终端应用可以杀出来，可上游卖铲子的关联行业的确定性几乎是毋庸置疑的。这就好比当年疫情期间，谁能率先做出新冠特效药赢得市场是个未知数，但上游头部CXO却一定可以在此期间受益，押注特效药是高分题，选CXO却是一个相对的低分题。但如果非要把眼光转向终端应用，其实也有相应的标的可看，但也并不能乱看，也是有相应技巧的，这里所长先给大家讲一两个标的，然后再来同大家探讨里面的技巧。今天我们先来研究AI制药领域的晶泰控股。晶泰控股的起家业务是AI药物发现，很有意思的是，其创始人并非医药行业人士，而是三位物理学家。也许正是如此，晶泰才会成为弗若斯特沙利文报告中描述的“全球少数几家同时掌握量子物理计算、AI 技术和自动化湿实验室能力的药物及材料科学研发企业之一”。2016年，2015年成立的晶泰科技在辉瑞举办的全球晶体结构预测竞赛中取得了极好成绩，准确预测了晶体结构，从而获得辉瑞的青睐，这促使辉瑞与晶泰在新冠疫情期间达成了关于新冠小分子口服药Paxlovid的合作。合作的结果也非常圆满，Paxlovid的最佳结晶药物形式确认时间正常而言最短都需要几个月，长则数年也有可能，通过与晶泰的合作被缩短成了短短六周。后续Paxlovid的巨大成功全球人民都看见了，这无疑给晶泰打了个极好的广告。截至目前，公司已与全球前 20 大药企中的 17 家建立长期合作关系，2020-2023年，其客户整体留存率分别为53.8%、67.5%、51.4%、64.9%，这个数据可以说非常好。2025 年更是斩获了与 DoveTree 总额近 60 亿美元的管线合作，因此这些年业绩增长非常迅猛。下图为晶泰科技2026年1-3月的业务合作落地案例。2025全年，公司实现营收 8.03 亿元，同比+201.2%，经调整净利润 2.58 亿，首次实现盈利，而去年同期则是亏损 4.57 亿。如果仅仅是因为晶泰控股现在开始盈利了，手上握了一大堆订单，还拥有一些很有实力的客户，那并不值得所长现在来研究它，毕竟正如本文开篇所述，现如今AI还处于较早期，我们很难去预测什么样的终端应用可以杀出来，这个时候，哪怕终端应用端企业前景再好，所长可能都更愿意去看上游卖铲子的关联行业。那么，晶泰控股凭什么现在能走进所长的视野呢？而所长认为，在现如今一众引起人们关注的AI应用端企业中，晶泰控股还真可能是走到很后面的一家。01价值事务所不一样的晶泰控股答案就在于，虽然离AI大范围普及还早，晶泰控股规模还小，但却已跳出了绝大多数 AI 应用企业卖工具、做服务的单一增长逻辑，而是以自身的AI相关技术能力为锚点，通过深度孵化、联合创立、全链条绑定的模式，与产业内最具颠覆性潜力的创新企业形成深度利益共同体，把自己同产业链进行了强捆绑。这里我们不妨先看两个案例，2026年1月7日，晶泰宣布孵化企业 ReviR 溪砾科技的小分子药物RTX-117 获得国家药监局临床试验批准，已于2026年3月2日完成首例患者给药，正式进入 I 期临床阶段。这个RTX-117是国内首款针对腓骨肌萎缩症（CMT）的 1 类创新药。罕见病领域向来是传统创新药研发的雷区，很少有企业愿意碰，核心在于靶点验证难、分子设计门槛高、成功率极低，同时市场还小。所以，如果不是有新的技术手段出现，能大大增强研发效率，那就只有等慈善家了。此前《价值事务所》有介绍另一家AI制药企业英矽智能，英矽智能瞄准的方向也是罕见病，之所以敢发起冲锋，正是因为其利用AI大幅缩短了新药发现时间，核心产品ISM001-055从靶点发现到临床前候选药物提名整个研发流程大约只用了18个月的时间，而正常来说应花费4-5年。当然这不是重点，只是为了说明在AI的帮助下，相关药企可以更多向罕见病领域发起挑战了，所长真正想说的重点是ReviR是晶泰孵化的企业。在近期披露的2025财报中，晶泰控股也讲到了同莱芒生物的合作，莱芒生物是现如今Biotech中的当红炸子鸡，在复发 / 难治性淋巴瘤、白血病及中重度系统性红斑狼疮（SLE）等重大疾病领域，其代谢增强型 CD19 CAR-T 疗法在 IIT 研究中以常规剂量 1‰的极低剂量，实现数十位患者 100% 完全缓解（CR）；2026 年 3 月，首例采用「极低剂量 + 免清淋」方案治疗的套细胞淋巴瘤患者完全缓解。同月，代谢增强型 CD19 CAR-T 成功获得美国 FDA 关于复发或难治性 CD19 阳性的 B 细胞血液肿瘤适应症的新药临床试验申请（IND）批件。目前，莱芒生物正在中美两地同步推进多项新药临床试验申报，相关管线覆盖肝癌等多个实体瘤适应症。晶泰控股正是莱芒生物的联合创立方，莱芒系列成果的背后，处处都有晶泰的深度赋能，晶泰在财报中提到莱芒生物的第一句话是这样讲的：赋能莱芒生物 AI + 代谢重编程技术平台，在多个重大疾病领域取得系列临床突破。你看，这就是晶泰控股最不一样的点了，他不是自己亲自下场去做创新药研发，相对英矽智能、溪砾科技、莱芒生物等风险自然小很多，更多是像药明康德一样给相应企业提供AI制药服务，同时通过投资间接入场，如此，不仅可以通过股东身份锁定相应企业的服务订单，还能够获得被投企业上市、管线BD转让/卖身、药物上市销售等诸多回报。截至2025年底，公司已赋能及孵化5+条创新管线进入临床或IND-enabling阶段，覆盖肿瘤、自免及神经退行性疾病等高价值领域，验证全链条研发能力。当然啦，晶泰控股要能做好这点，核心还得是自身技术实力足够硬才行，不然人家才不会找他，目前他的技术在行业内确实比较领先，形成了量子物理 + AI + 机器人的全闭环技术体系。不同于行业内大多依赖已有实验数据训练的 AI 大模型，晶泰的技术根基是基于第一性原理的量子物理计算，其AI能从原子和电子的量子力学相互作用出发进行模拟，在训练数据匮乏的场景下生成高精度虚拟数据，部分解决了 AI 制药数据依赖但又数据不足的行业痛点。在此之上，晶泰搭建了由超 200 个 AI 垂类模型构成的算法引擎，通过多模型组合为不同管线提供定制化解决方案，叠加其建立了全球领先的规模化机器人自动化实验平台，可以稳定生成高质量、高通量的研发数据，干湿实验融合使算法预测与实验验证能够实时反馈、持续迭代，最后形成了自我强化的技术闭环。还是那句话，技术可以一时领先却很难一时领先，但如果借助一些暂时领先的优势形成了对产业链的深度捆绑，甚至让自己成为产业内不可或缺的一环，最后可以跟着产业一起进步，同时获得产业更多的蛋糕，那就是更长期、更深的护城河了。而这正是晶泰控股目前在做的，在近期的投资者交流中，晶泰控股提到了自己投资参与的逻辑，一是聚焦AI能发挥核心作用的领域，无论是自主孵化、深度合作的企业，还是外部投资标的，均优先选择AI可解决核心难题、提升研发效率的项目，如果是传统方法能解决问题的就不会参与，这其实就是在想办法将自己的优势、长处都发挥出来，更聚焦。二是多元化布局，投资新药研发、Al for Science领域中具有前景但自身不计划重点投入开发的技术方向，如Al药物递送、Al for materials，这其实是一种通过投资布局完善产业生态的做法。而对于被孵化企业，晶泰控股的赋能主要体现在两个核心方面。技术层面，根据不同企业的核心需求，提供定制化的AI模型和工具链支持，助力企业解决研发中的核心技术难题，同时持续接收企业的研发、临床数据，反哺AI平台优化，形成正向循环。资源层面，共享资本市场资源，帮助被孵化企业对接投资人，助力企业融资和发展。而在商业决策方面，晶泰控股会坚持帮忙不添乱的原则，不过度干扰被孵化企业的商业规划，更多是从技术上提供支持，尊重企业自身的发展节奏和商业选择。02价值事务所行文至此，想必大家应该能部分明白，为什么在一众 AI 应用标的里所长唯独会把晶泰控股拎出来细讲。所长一直讲的是AI 产业尚处早期，终端应用胜负太难预判，与其去赌九死一生的爆款应用，不如抓确定性更高的上游卖铲子环节。晶泰控股之所以值得，核心就是他规避了像英矽智能一样亲自下场去做药的风险，却又通过诸多捆绑可以分得最终的果实，最终形成了技术服务赚稳定的现金流+合作管线里程碑付款与销售分成、管线孵化与股权收益并行驱动风险可控、兑现弹性大、确定性强的复合商业模式，把高风险的创新药研发做成了进可攻、退可守的确定性生意。总之，甭管是不是AI浪潮，能在复杂多变的行业生态下走到最后的企业，从来都不是靠一时的技术或者效率领先，而是能借助已有的一些优势让自己成为产业里不可替代的生态位，跟着整个行业一起成长，这也是晶泰控股值得所长跟踪的核心原因。