Helixon Biotechnology (Suzhou) Co., Ltd

2026年，AI制药行业正在经历一场从讲故事到交答卷的质变。 年初，晶泰科技发布2025年财报，营收8.03亿元，同比增长201%，经调整净利润2.58亿元，率先打破AI制药无法盈利的魔咒。3月，礼来与英矽智能达成总金额27.5亿美金的GLP-1药物全球独家授权交易，1.15亿美元预付款刷新了AI制药BD交易的纪录。两家龙头总市值一度超过550亿港元。 在这片烈火烹油的景象中，一家成立不到三年、团队仅30人、2025年全年营收不足50万人民币的公司，却在过去18个月里连续获得巢生、元禾原点、红杉中国、中金资本和创新工场的多轮投资。2025年12月的Pre-A+轮更是超额认购。 这家公司叫若生智能。 投资人们在一个看似拥挤的赛道里持续加注一家小而美的公司，背后的逻辑不是AI制药这个标签本身，而是一个更具体的判断：制药行业最大的效率瓶颈不在科学发现环节，在工作流程环节。而若生恰好站在了这个瓶颈的解决方案上。一、赛道深度拆解：AI 制药三大路径，壁垒与天花板清晰分化 把今天AI制药赛道上的玩家按核心价值主张分类，可以清晰地看到三条截然不同的路径。它们之间的差异，本质上是对"AI能在制药行业创造什么价值"这个根本问题的不同回答。 第一条路是AI赋能分子设计。代表公司是晶泰科技、英矽智能、华深智药。它们的核心能力是用AI算法加速靶点发现、分子生成和先导化合物优化。晶泰把自己定位为"AI时代的CRO"，英矽走的是"AI-first biotech"路线，华深聚焦大分子药物设计。 这条路已经被验证。晶泰的盈利证明了商业模式可以跑通，英矽的BD交易证明了AI设计的分子能卖出好价钱。但这条路径核心替代的是早期研发环节的CRO服务，而这个环节在全链条中的预算占比实际不高，因此天花板有限。药企最大的成本在临床开发，其次是商业化营销，早期研发虽是起点，但预算规模和支付意愿远不如后两者。 AI赋能分子设计的估值锚，本质上是优秀的CRO公司加了AI溢价。 第二条路是AI驱动临床加速。代表公司是Tempus、Formation Bio和国内的深度智耀。深度智耀2025年营收超7000万元，2026年目标3亿，增长逻辑是把传统CRO需要数周的文档撰写压缩到数小时。 临床开发是药企最沉重的成本中心，一个大三期临床晚结束一天就是几百万的损失，所以，这条路经的天花板比第一条高。但它也有一个结构性局限，临床试验中大量涉及患者招募、医生沟通、现场监查的"线下"环节，AI暂时无能为力。这意味着它无法做到范式级别的替代，充其量只是30%的增量价值创造。 这条路径的估值锚，是介乎传统CRO和科技公司之间的某个位置。 第三条路是AI重塑组织流程。这是若生智能选择的路径。它的核心主张不是"AI帮药企做出更好的分子"或"AI帮药企更快地做临床"，而是"AI直接替代药企里做知识性工作的人"。它把AI Agent定位为"数字劳动力"，对标的是全球400万药企员工的工资预算。 由于药物研发需要的是受过系统专业教育的高级人才，人力成本是药企的核心成本之一。而AI重塑组织流程瞄准的正是数千亿的人力成本，拥有较高的估值天花板。二、重构商业付费逻辑，Noah Agent卖的是结果而非工具 若生智能的核心产品Noah Agent，本质上是一套端到端的自动化执行系统。 传统的医药SaaS卖的是"工具"，比如医药魔方的数据库查询权限、Informa的竞争情报订阅。用户拿到工具后，还需要自己的人去使用、分析和决策。而若生的Agent卖的是"结果"，用户只需要提出问题和提供材料，Agent自动完成数据检索、分析推理、报告撰写全流程，最终交付一份可直接使用的Word、PPT或Excel表格。 这个差别的财务含义比表面看起来深远得多。当你是卖工具的，你的收入天花板是客户的IT软件预算。这个预算有上限，且增长缓慢。当你是卖劳动力的，你的收入天花板是客户的工资预算。预算池规模差了至少一个数量级。 麦肯锡2025年的研究佐证了这一点，制药行业75%～85%的工作流可以被AI Agent增强或自动化。科技巨头如Google和Anthropic已经开始用AI规模化替代初级开发、法务和标准审核岗位，制药行业是下一个。 若生的Agent目前已经在三大场景落地，直观展示了其替代劳动力的效率。 一是创新药立项与商业评估。全球药企每年进行约20万次新药立项评估，传统咨询公司做一份深度药物竞争格局评估需要3至6个月，药企单次外包给咨询公司的费用在5万至50万美元不等，对应约40亿美元的市场规模。Noah Agent可以在数十分钟内完成竞品格局梳理、市场空间测算和销售峰值估值，AI可替代其中约80%的工作量，人工只需审阅和微调。 二是临床研究设计与证据生成。传统模式下，一个三期临床方案的撰写流程是1个月设计加1至2周撰写。若生的Agent可以在10分钟内生成7至8个方案草案，并基于上万份历史方案和审评意见进行智能审核。某头部医院已经在使用这套系统做IIT（研究者发起的临床试验）方案的AI预审。药监局层面，FDA正在推进AI审评员，中国药监局也在探索类似方向。 三是科研论文与学术推广。这是一个"小而美"但利润率惊人的场景。全球每年发表超过200万篇医学论文。传统医学写作外包单篇成本约5万元，若生用AI加实习医生校验的模式将成本压缩至200元（其中AI token费用仅20元），毛利率达99%。某企业已经以2万元一篇的价格采购了这个服务。更关键的是，这个场景本身是药企维护医生关系的"合规通道"。 这三类场景只是若生在2025年Q4首批商业化的产品。到了2026年Q1，公司已将Agent拓展至药企营销材料、销售预测、患者随访等新环节。Agent的场景延展性是它区别于传统SaaS的核心特征，每多接入一个药企工作环节，Agent的能力不是线性增长而是网络效应式的增强，因为它能复用底层的Skills库和数据基建。三、为什么是若生？创始人基因 + 数据 + 技能库 + 轻量化模型策略构筑护城河 AI制药是一个跨学科程度极高的赛道。它需要的不仅是一个懂AI的人和一个懂制药的人在同一个房间里工作，而是同一个人能同时理解两种语言。这种"双语能力"极难通过团队组合来弥补，因为翻译过程中会丢失大量隐性的行业知识。 若生智能创始人王轶楠恰好具备了这种能力，而且不是一般意义上的具备。 他是北大前沿交叉学科研究院博士，在罗氏制药担任过战略规划经理和业务拓展负责人，负责过与五家早期生物技术公司的研发合作签约。在锐格医药担任BD和战略负责人期间，他操盘了RGT-419B（一个临床一期乳腺癌药物）以8.5亿美元首付款、20亿美元总里程碑出售给罗氏的BD交易。这是一个完整的"买方+卖方"BD经验闭环，他既知道大药企如何评估和采购外部资产，也知道Biotech如何包装和出售自己的管线。 这个背景组合在AI制药行业极为罕见。英矽、晶泰、深势、华深等头部公司的创始人创业时绝大多数是AI-native的计算背景。英矽在管线推进阶段引入前药企VP任峰担任CEO，华深引入了朱祯平这样的资深制药专家，恰恰说明了"有AI缺制药"是行业普遍痛点。若生的创始人在起点就补上了这个缺口，且他的BD经验比任何纯技术或纯制药背景的创始人都更贴近"商业化"这个核心命题。 技术壁垒方面，若生正在三个方向快速实现积累 第一是数据基建。若生自建了15个专有医药数据库，覆盖2万多个数据源，从PubMed文献、ClinicalTrials临床数据、全球药监局审批信息到ASCO/ASH等学术会议情报，每日更新。这个数据基建花了团队一年多时间。核心壁垒不在单个数据库的技术难度，而在于对"数据应该如何被标准化、结构化、关联化"的行业理解。传统数据库公司仅处理结构化字段，丢失了大量非结构化信息。若生的Agent直接处理原始数据，保留的信息密度和人处理时完全一致。 第二是Skills库。它本质上是将全球前1%药企专家的思维方法论转化为AI可执行的技能模板。来源包括创始团队的药厂经验、与罗氏和某头部医院的深度共创、从Nature/Cell/Science/NEJM等顶级期刊中以算法自动提取的分析范式、从TD Cowen/Leerink/SVB等投行分析师报告中提取的评估框架。目前Skills库已有数千至上万个模板，单个模板粒度细至五六百个英文单词。这个积累的时间成本极高，且是一线经验的直接转化，难以通过资本投入快速复制。 第三是务实的模型策略。若生不做自有模型也不做微调，直接调用GPT、Claude、Gemini等通用大模型，通过LLM Router根据任务复杂度自动选择最优模型，把有限的资源全部砸在工程化适配上。这个选择在2024年看起来很轻，在2026年回头看，它恰好避开专有模型训练的巨额算力消耗和训练周期跟不上外部模型迭代速度两大致命陷阱。四、双引擎的商业逻辑：现金流养壁垒，壁垒养管线 若生的商业模式可以概括为"双引擎驱动"，B端Agent服务是现金牛，Hub-and-Spoke管线是估值杠杆。两个引擎之间存在正向协同。 B端引擎正在加速。公司2025年Q4正式商业化。2026年Q1确定合作金额已增超过4倍。客户包括罗氏、KPMG、恒瑞、科兴、、腾讯投资等。70%以上的B端收入来自外资公司，客户全部来自行业前50。 B端业务的单位经济模型值得拆解。线上产品毛利率约70%，线下解决方案毛利率更高，一个100万元的合同，成本仅6万元工程师人力加1至2万元算力费用，毛利率超过90%。不过，随着客户量增加，未来售后支持和定制化需求会拉高人力成本。若生的应对策略是只承接具有可复制性的订单，确保第一个客户跑通后能快速横向拓展。罗氏的例子验证了这个策略，首次合作后，罗氏持续产生新的订单，从IIT审核拓展到指南解读等多个场景。 管线引擎是估值中最具弹性的部分。公司采用Hub-and-Spoke架构，母公司持有AI平台和BD中枢，每条管线或适应症类型装入独立子公司，母公司持股约70%，引入擅长该领域的制药专家持股30%并全权负责推进。 这个架构在制药行业并不新鲜（Roivant是鼻祖），但若生的创新点在于用AI Agent替代了Spoke子公司中大量本应由人工完成的知识性工作。传统Hub-and-Spoke模式下，每个Spoke子公司仍需配备相当规模的团队做立项分析、竞争情报、临床方案设计等。在若生的架构中，这些工作由母公司的AI Agent平台统一完成，Spoke子公司只需配备推进管线所必需的制药专家。 从财务角度看，单条管线从0推进到PCC的成本约1000至1500万人民币，从PCC到IND同样约1000至1500万。公司目前计划通过融资推进2-3条管线的建设和运维。 从交易角度看，当前全球专利断崖缺口巨大，BD交易正在向更早期阶段前移。华深智药和德琪医药近一年的案例表明，单条pre-IND管线即可拿下8000万美元以上首付和10亿美元以上总包。若生的第一条管线将选择靶点已初步POC的多抗BIC药物，策略是降低科学风险、快速推进到可交易节点。 更审慎的视角会注意到，管线的BD价值高度依赖于交易窗口期。如果专利断崖引发的BD需求在未来2至3年内被消化完毕，或者行业进入"去泡沫"阶段，pre-IND管线的交易估值可能会显著回落。若生的应对空间在于：Hub-and-Spoke架构本身赋予了交易灵活性，可以直接卖给MNC、卖给NewCo、或者继续推进到更后期的临床阶段，选择权相对充足。五、若生的对手是Claude 如果大模型的通用能力足够强，药企为什么还需要若生的Agent？这个质疑触及了AI应用层公司面临的终极问题，即被底层模型吃掉的风险，但它的实际难度可能远超想象。 首先，医药行业的输出标准与通用AI的输出能力之间存在格式鸿沟。通用模型输出的是Markdown文本，而药企需要的是符合ICH-GCP监管格式的临床方案、可直接向期刊投稿的论文、勾连实时数据的Excel估值模型。这种"最后一公里"的适配，本质上是一种行业know-how的工程化表达。大模型公司可以收购来补足（正如Anthropic收购Coefficient Bio），但在收购发生之前，头部初创公司享有先发窗口。 其次，通用大模型公司在医药领域的信息处理精度，实际上远低于行业外人士的想象。一份临床试验方案的生成，需要准确理解特定疾病领域的流行病学数据、不同分期患者的入排标准、统计学样本量计算逻辑、已获批竞品的临床终点设计等等。这些信息散落在数万个非结构化数据源中，仅靠大模型的通用知识无法准确调取。若生的15个专有数据库和Skills库本质上是一种"信息基础设施"，它的价值在于将大模型的通用推理能力锚定在准确的专业信息上。 第三，在直接竞争层面，国内对标公司（零假设、Bioaz、深度智耀）与若生的战略方向存在明显分化。零假设走OpenEvidence路线聚焦营销端，Bioaz做质检合规Agent，深度智耀定位AI-CRO。三家都切入了一到两个环节，而若生的野心是全链条覆盖加自有管线。从现有客户数据和增长节奏来看，若生在国内药企Agent领域已经占据了一定的先发身位。六、模型跃迁、管线不确定性与规模陷阱 任何投资判断都需要正视反向风险。若生面临的核心风险有三个层级。 第一层是技术替代风险。这是最深层也是最难以预测的风险。2023年GPT-3.5的发布直接催生了若生的创业。如果2027至2028年，新一代大模型的通用推理能力能够零适配地输出符合行业格式要求的专业结果，那么若生基于工程化适配构建的壁垒将被大幅削弱。 第二层是商业执行风险。30人的团队要同时服务B端客户（目前手头7个项目）、开发新产品（AI Scientist论文生成工具3月刚上线Beta版）、搭建管线（已立项双抗和口服环肽两条）、拓展海外市场（正在美国招BD负责人），精力分散的风险客观存在。即使公司强调"只承接可复制性订单"，但从目前客户结构看，罗氏、KPMG、恒瑞合作都带有明显定制化色彩，B端业务的项目制特征终究是一个待解的难题。公司能否在规模化过程中保持"可复制性"的纪律，是收入增速可持续性的关键变量。 第三层是管线科学风险。AI可以提高效率，但不能消除药物开发本身的固有不确定性。若生的第一条管线虽是靶点已初步POC的BIC项目，但从PCC到IND再到临床成功，每一步都有失败概率。不确定性是药物开发的必然风险，公司目前的估值与风险也是匹配的。 若生所选择的路径一旦被证明，对应的市场空间将远超AI制药的主流叙事。做分子设计的公司是在优化一个既定流程，做Agent的公司是在重新定义这个流程本身。前者的回报是效率提升的分成，后者的回报是范式转移的占有。

从 AlphaFold 到 IsoDDE，技术革命真的能颠覆新药研发吗？2027-2028年，将决定 AI 制药是泡沫还是革命 2026 年 5 月 12 日，伦敦。Alphabet 旗下 AI 制药公司 Isomorphic Labs 宣布完成 21 亿美元 B 轮融资，折合人民币约 143 亿元：刷新全球 AI 制药领域单笔融资纪录。Thrive Capital 领投，老股东 Alphabet 与 GV 跟投，新股东包括 MGX（阿联酋）、Temasek 淡马锡（新加坡）、CapitalG（Alphabet 旗下成长基金）和 英国主权 AI 基金。算上 2025 年 3 月那笔 6 亿美元 A 轮，Isomorphic 累计外部融资 约 27 亿美元。 Isomorphic 目前有 17 条 在研管线，覆盖肿瘤、免疫、心血管，但首例人体试验仍要等到 2026 年底。 AI 制药的融资规模已经冲到历史最高点，算法已经跑出 4 条主要技术路线（AF 系列结构预测、ESMFold 单序列、RFdiffusion 扩散设计、Boltz 结构+亲和力统一）。一、21 亿美元 B 轮，AI 制药融资天花板 先拆解这笔融资的细节。 Isomorphic Labs 2021 年从 Google DeepMind 拆分，CEO 是 Demis Hassabis（2024 年诺贝尔化学奖得主之一），总裁是 Max Jaderberg（前 DeepMind 强化学习核心成员）。公司总部位于伦敦，在马萨诸塞州剑桥、瑞士洛桑各设一处办公室。 公司公告明确披露了这 21 亿美元的用途：扩展 AI 药物设计引擎 IsoDDE（Isomorphic Drug Design Engine），同时加速旗下 17 条管线推进临床。 这 21 亿要花在哪？且看Isomorphic 2026 年 2 月 10 日 发布的 IsoDDE 技术白皮书： - 不是 AlphaFold 3 套壳，是从头重写。 Max Jaderberg 接受 Air Street Press 采访时原话："从第一性原理重新设计技术栈，模型开发、推理基础设施、生物可解释性三层协同设计。"IsoDDE 内部包含 AlphaFold 系列 + 自研生成式化学模型，目标是把"prediction"（AF 解决的部分）跨到"design"（AI 自动出分子+预测疗效）。  - 蛋白-配体结构预测精度比 AF3 翻倍以上。在专门测"新口袋 + 新配体"泛化能力的 'Runs N' Poses' benchmark 上，IsoDDE 在最难的子集上 accuracy 2 倍于 AF3。  - 抗体-抗原结构精度高保真区碾压。在 DockQ > 0.8 的高保真区间，IsoDDE 比 AF3 强 2.3 倍、比 Boltz-2 强 19.8 倍。需要 caveat：DockQ 衡量的是结构预测精度这单一维度，Boltz-2 的核心优势是"结构 + 结合亲和力联合预测"，两者能力维度不完全对等；19.8 倍数字也仅来自 Isomorphic 自报白皮书。  - 结合亲和力预测精度超物理仿真 FEP。传统药企用 Schrödinger 那套自由能微扰算 ΔG，单个化合物要跑几小时到几天；IsoDDE 在公开 benchmark 上 accuracy 超过 FEP gold standard，速度快几个数量级。  - 仅用氨基酸序列就能识别新结合口袋。不需要先有 X 射线衍射或冷冻电镜结构，序列直接出 pocket 候选。这是从"做老靶点的 me-too"跨到"啃 undruggable 靶点"的关键一步。  - 湿实验合成需求降一个数量级。Hassabis 给 IsoDDE 的定性："把化合物从想法到合成的迭代次数压缩 10 倍。" 这套技术解释了 Isomorphic 凭什么估值超过其他 AI 制药公司一个段位：它不只跑模型，它在重做整个 drug design 工作流。 股东名单及其豪华： - 老股东 Thrive Capital 加注：Joshua Kushner 旗下成长期基金 2025 年领投 A 轮，2026 年再领投 B 轮，是 Isomorphic 单一最大外部股东 - Alphabet + GV 持续跟投：母公司仍持有控股权 - MGX：阿联酋主权 AI 基金，2024 年成立，已投 OpenAI、xAI、Anthropic 三家美股 AI 龙头 - Temasek 淡马锡：新加坡国家主权基金 - CapitalG：Alphabet 旗下成长基金 - UK Sovereign AI Fund：英国主权 AI 基金，2025 年成立。 也就是说，这一轮 4 个新股东里 3 个是主权或政府背景基金（MGX 阿联酋、淡马锡新加坡、UK Sovereign AI Fund 英国；CapitalG 是 Alphabet 全资子公司不属此列），AI 制药的资本叙事已经从"VC 押注"升级到"主权资金布局 AI + 生物制药交叉领域的国家战略"。 对照其他 AI 制药公司的融资规模： - Recursion Pharmaceuticals（NASDAQ: RXRX）IPO 前累计私募融资约6.3 亿美元，2021 年上市；2024 年与 Exscientia 合并，按合并对价口径累计约10 亿美元量级 -Helixon 华深智药 / Earendil Labs：国内 Helixon 2022 年 6 月完成 A 轮$74.7M（Tracxn 数据，5Y Capital 五源资本领投；摩熵医药记录 2023-06 B 轮 / 2025-08 C 轮 / 2025-12 D 轮但金额均未公开披露）；关联公司 Earendil Labs（独立 Delaware 注册、2024-12 成立、与 Helixon 同一创始人彭健 Jian Peng）2026 年 3 月完成 7.87 亿美元融资（投资方 Dimension Capital / DST Global / INCE Capital / Luminous Ventures / Miracle Capital / Sanofi / Hillhouse+Pfizer 联合基金）。两个实体公开可证累计约 8.6 亿美元（$74.7M + $787M）； -XtalPi 晶泰科技（HK 2228）IPO 前私募约7 亿美元，2024 年港股 18C 第一股净募资8.96 亿港元（约 1.15 亿美元），合计约8.15 亿美元-Generate Biomedicines（未上市）累计私募约7 亿美元，含 Flagship 早期注资 + 2023 年 C 轮 2.73 亿 -Insilico Medicine（HK 3696）IPO 前私募融资约4 亿美元，2025 年 12 月港股 IPO 募资22.77 亿港元（约 2.9 亿美元），合计约 6.9 亿美元。二、AI 制药到底在干啥 一句话概括：AI 制药，就是给计算机喂入几百万个蛋白质结构、上千万个分子数据，让模型预测哪种分子能粘住哪个蛋白、粘上之后人体能否耐受起效。 往细了拆分，AI 在新药研发链条里主要做三类工作。 第一类，靶点结构预测。新药要起效，先得知道药物分子要粘到蛋白质的哪个位置，这块凹陷叫 结合口袋 pocket。过去靠 X 射线衍射或冷冻电镜解析蛋白晶体，一个口袋测算可能要花一年。AlphaFold 系列把这事压缩到几小时，输入蛋白质序列，模型直接输出 3D 结构。 第二类，分子从头设计。de novo 是拉丁文"从零开始"，指不照搬已知分子模板，让模型自己生成新分子。RFdiffusion 这类扩散模型干的就是这个活：给定要结合的目标蛋白口袋，模型从随机噪声起步，一步步降噪生成一段全新的小肽、蛋白或小分子，刚好嵌进口袋里。 第三类，性质预测。一颗药能不能用，要看 ADMET：吸收、分布、代谢、排泄、毒性五大性质。Uni-Mol、GraphSAGE 这类图神经网络专门干这事，预测分子在人体里的代谢路径、是否伤肝伤肾。 目前 AI 制药的瓶颈集中在三个主要问题： - 物理仿真精度仍有差距：结构预测在静态构象上表现较好，但药物结合是动态过程，蛋白和小分子结合后双方都会变形，这一步 AI 的精度还赶不上物理仿真工具自由能微扰（FEP） - 临床表型预测仍是黑盒：分子在试管里能粘住靶点，不代表在人体里能治病。wet lab（湿实验室）数据稀缺，ChEMBL、BindingDB 这类公开数据集统共也就几百万个分子-靶点对，远不够覆盖人类全部疾病靶点 - 训练数据偏向 me-too：公开数据集里多数是已成药的分子，模型学到的是"过去能成的分子长什么样"，所以 AI 设计的分子目前更擅长 fast-follow，first-in-class 的能力还在验证中三、四条主要技术路线的技术骨架 把这 5 年算法变化捋一遍，会看到一条很清楚的脉络：结构预测 → de novo 设计 → 结合亲和力预测，三步逐渐打通。 AlphaFold 系列：从单链到复合物。 AlphaFold 2 2020 年 11 月在 CASP14 上把单链蛋白结构预测的精度推到接近实验级，是这场技术变革的起点。 AlphaFold 3于2024 年 5 月 8 日在 Nature 发表，把模型扩到能同时预测蛋白 - 小分子 - 核酸 - 离子的复合物结构，是首个把这四类对象统一在一个框架里的模型。AF3 论文刚发布时没有公开代码，整个学界反响强烈，最终 DeepMind 2024 年 11 月 11 日 放出代码并允许学术界 upon-request 申请权重，2025 年 2 月 进一步开放为对学术界公开可用（仍需符合 CC-BY-NC-SA 4.0 非商业限制）；截至 2026 年 5 月，商业使用仍需 Isomorphic Labs 授权。Isomorphic Labs 这次 21 亿美元融资里反复提到的 IsoDDE，就是基于 AF3 架构的内部商用化版本。 RFdiffusion：让 AI 自己设计蛋白。 华盛顿大学 David Baker 实验室 2023 年 7 月 11 日在 Nature 发表 RFdiffusion，把文生图领域的扩散模型迁移到蛋白设计上：从随机噪声起步，一步步降噪生成全新蛋白序列。Watson 这篇主论文里，RFdiffusion 在 PD-L1、VEGF-A、SARS-CoV-2 RBD、IL-7Rα、TrkA、EGFR、TNF-α 这 7 个药学相关靶点上做出了实验确证的结合物；同实验室 Vázquez Torres 等 2024 年 1 月在 Nature 626 上把 RFdiffusion 应用到柔性螺旋肽靶点 Bim 和 PTH，做出 皮摩尔级 pM 亲和力 的结合物，纯计算生成、不经实验优化。这等于过去靠杂交瘤和噬菌体展示一轮轮筛出来的高亲和度抗体，现在让模型在显卡上跑一晚上就能出结果。Baker 凭这一系列工作和 Hassabis、Jumper 一起拿了 2024 年诺贝尔化学奖，Baker 获一半奖金，Hassabis 与 Jumper 共享另一半。 ESMFold：另一条思路。 Meta AI 2022 年 7 月放出 ESM-2 / ESMFold，论文 2023 年 3 月发表在 Science，走的路和 AlphaFold 完全不同：直接用蛋白质序列大语言模型，不依赖多序列比对（MSA），单序列输入就能跑出原子级结构，比 AlphaFold 2 快了一个数量级以上。Meta 后来在 2023 年春季 解散 ESMFold 团队（8 月被媒体首次报道），核心成员（首席科学家 Alexander Rives）之后成立 EvolutionaryScale 公司，2024 年 6 月拿到 1.42 亿美元种子轮（投资方 Lux Capital / AWS / Nat Friedman / Daniel Gross / NVentures）。ESM-2 模型本身和 6 亿条宏基因组蛋白结构数据库 ESM Atlas 仍在被全行业广泛使用。 Boltz / Chai / 字节 Protenix：开源大爆发。 2024 年下半年到 2026 年是开源浪潮：Chai Discovery 2024 年 9 月 9 日开源 Chai-1（Apache 2.0，PoseBusters benchmark 77% 略胜 AlphaFold 3）；MIT CSAIL 与 Jameel Clinic 的 Jeremy Wohlwend / Gabriele Corso 2024 年 11 月放出 Boltz-1（MIT 协议，首个完全开源、对标 AlphaFold 3 精度的模型）；2025 年 6 月 6 日 MIT 与 Recursion Pharmaceuticals 联合发布 Boltz-2，最关键的升级是把 结构预测和结合亲和力预测合到一个模型里，发布时用 CASP16（2024 年举办）公开测试数据集做事后验证，140 个复合物上结果优于所有参赛方法（注意是事后用数据集验证，不是实际参赛），速度比传统物理仿真 FEP 快约 1000 倍；字节跳动 AI Lab 2026 年 2 月 5 日开源 Protenix-v1（Apache 2.0），国内首个全面对标 AF3 精度的开源模型，2026 年 4 月又放出 Protenix-v2（464M 参数，强化抗体 - 抗原结构预测）。结构预测的开源大门基本被打开。四、5 年下来，II 期里到底拿出了几个阳性 统计近 3 年公开披露 II 期数据的 端到端生成式 AI 设计 小分子管线，结果很明确：1 胜 1 平 1 负。端到端生成式 AI 设计，指靶点发现和分子从头设计均由 AI 完成。这里需要把 Schrödinger / Nimbus 的 zasocitinib（TAK-279，物理引导式 AI 优化的 TYK2 抑制剂，2025 年 12 月 18 日 Takeda 公布银屑病 III 期阳性）和 Generate Biomedicines GB-0895（AI 工程化抗 TSLP 抗体）单独划出去——它们走的是 AI 辅助优化或抗体工程，不属于"端到端生成式 AI 同时完成靶点发现 + 分子设计"这条最严格的统计口径。 1 笔失败：BenevolentAI BEN-2293。 2023 年 4 月 5 日，在阿姆斯特丹泛欧交易所上市的 BenevolentAI（代码 BAI）公布旗下 pan-Trk 抑制剂 BEN-2293（局部用药，治轻中度特应性皮炎）IIa 期主要终点未达到，次要瘙痒和炎症终点也未达到。公司拿出"体表面积受累 >20% 的子集 EASI 改善有统计学信号"试图解释，但市场没有认可。这家公司过去把 AI 平台叫 Benevolent Platform，主打靠图谱挖掘新靶点，BEN-2293 就是这套平台挖出来的"代表作"。失败之后股价暴跌，2023 年 5 月先裁 180 人，2024 年 4 月再砍 30% 员工、关闭美国办公室，2024 年 12 月 10 日 宣布回归 TechBio 起点、计划从阿姆斯特丹泛欧交易所摘牌，2025 年 2 月 6 日 正式公告 Osaka Holdings 合并并提交退市议案，2025 年 3 月 12 日 最后交易日，2025 年 3 月 13 日 摘牌生效。一家曾经市值 18 亿美元的"AI 制药头部企业"，18 个月走到了准清盘状态。 1 笔弱阳性但最终停止：Recursion REC-994。 Recursion Pharmaceuticals（NASDAQ: RXRX）走的是另一条路：AI 平台用来在已有化合物库里挑老分子做老药新用，REC-994 本身是个超氧化物清除剂，不是端到端 AI 设计的。SYCAMORE II 期 2024 年 9 月 3 日读出数据：62 名症状性 CCM 脑海绵状血管畸形 患者，主要安全终点达标，400 mg 高剂量组 50% 患者 总病灶体积下降，安慰剂组为 28%，差距可观测但统计学意义偏弱。属于"安全过关、有效信号有但不够强"的中性结果。2025 年 5 月 Recursion 宣布停止 SYCAMORE 后续开发，原因是无论维持 400 mg、200→400 mg 切换、还是安慰剂→400 mg 切换组，MRI 和功能学结局都没出现显著改善。早期信号没能撑过长期延长期。 1 笔阳性：Insilico Rentosertib。 2025 年 6 月 3 日，Insilico Medicine 把 GENESIS-IPF IIa 期数据登上了 Nature Medicine（DOI 10.1038/s41591-025-03743-2）。这是首个完全由生成式 AI 同时完成 靶点发现 + 分子设计 的小分子在人体上读出阳性数据：71 名 IPF 患者、22 个中国中心（NCT05938920，登记中心数 22 个、启动入组 21 个）、四组（30 mg QD / 30 mg BID / 60 mg QD / 安慰剂）、12 周治疗。60 mg QD 组 FVC 平均增加 98.4 mL，安慰剂组下降 20.3 mL，组间差异 118.7 mL。IPF 患者每年 FVC 自然下降通常在 100-200 mL，用药 12 周 FVC 没下降反而上涨近 100 mL，临床价值明确。Alex Zhavoronkov / Feng Ren 团队把整个流程走通：靶点 TNIK 由 PandaOmics 平台从公开转录组数据挖出来；分子结构由 Chemistry42（生成式分子设计）跑出来；临床预测由 InClinico 完成。USAN 在 2025 年 3 月把通用名定为 Rentosertib，前缀 Rento- 取自第一作者 Feng Ren。2021 年 IND 申报到 2025 年 IIa 阳性读出，4 年走完了传统药企 6-8 年的流程。 Isomorphic Labs：融资第一，临床还没开始。 这次刚拿到 21 亿美元 B 轮、累计融到 27 亿美元、融资榜单稳居第一的 Isomorphic，临床进度却是榜尾。原计划 2025 年底启动首个 AI 设计药的人体临床，2026 年 1 月 达沃斯论坛上 Hassabis 确认推迟到 2026 年底；17 条在研管线覆盖 oncology / immunology / cardiovascular / neurodegeneration 四个领域，已有数款进入 IND-enabling 阶段，重点啃 undruggable 靶点（这是 IsoDDE 的差异化优势：仅用氨基酸序列识别新结合口袋）。首款拿到 FDA IND 的化合物属于肿瘤管线，但 first-in-human dosing 仍未启动。 BD 进展层层加码：2024 年 1 月 8 日一天内宣布与 Eli Lilly（upfront 4500 万 + 里程碑 17 亿）和 Novartis（upfront 3750 万 + 里程碑 12 亿）两笔合作，潜在总价值近 30 亿美元；2025 年 2 月 Novartis 扩展合作（覆盖更多靶点）；2026 年 1 月 Johnson & Johnson 加入，签署 multi-target、跨模态（小分子 + 抗体）研究协议；2026 年 5 月 12 日 完成 21 亿美元 B 轮，MGX / Temasek / CapitalG / UK Sovereign AI Fund 四家新股东入场。Hassabis 在 B 轮新闻稿里给出的下一站目标："solve all disease"。但首例人体试验真正的检验，还得等 2027-2028 年的 I / II 期读出。 业内争议：AI 加速到底有没有兑现？ Insilico 自报"18 个月从靶点到 IND"，但传统药企从苗头化合物到 IND 平均也要 12-18 个月，AI 加速的部分主要在前段的靶点筛选和分子优化，后段毒理、制剂、临床还是按常规流程走。AI 真正改变的是 discovery 阶段的命中率和并行度：一个 AI 团队 5 个人 18 个月能跑出 1 款 IND，传统模式要 50 个化学家跑 3 年。但成药率，也就是 IND 之后能不能拿到批准，目前还看不到 AI 比传统模式更高的证据，1 胜 1 平 1 负 这个比例和小分子整体的 II 期成功率（约 30-40%）基本持平。五、国产派的差异化：四种路线 + 一条 BD 出海主线 国内 AI 制药 5 年演化出 4 种不同路线，加上石药这种传统大药企的 AI 平台输出，加起来 5 种路径。 英矽智能 Insilico Medicine：端到端管线派。 2014 年成立，2019 年总部从美国搬到上海浦东。Pharma.AI 平台拆三个模块：PandaOmics 做靶点发现、Chemistry42 做分子生成、InClinico 做临床表型预测。Rentosertib 是这套平台跑通的代表作。2025 年 12 月 30 日 港交所主板挂牌（3696.HK），发行价 24.05 港元，募资 22.77 亿港元，是年内最大港股 biotech IPO，礼来、腾讯、淡马锡都是基石投资人。 晶泰科技 XtalPi：量子物理 + 机器人派。 2015 年由 温书豪 / 马健 / 赖力鹏 三位物理学者创立，三人均在 MIT 做过博士后研究：温书豪本人为中科院物理化学博士、马健为浙大物理博士、赖力鹏为芝大物理博士。2017 年总部搬深圳，2024 年 6 月 13 日 港交所 18C 第一股（2228.HK），发行价 5.28 港元，净募资 8.96 亿港元。和 Insilico 不同，XtalPi 主做平台服务而非自有管线，核心是 ID4 平台——量子物理计算 + AI 模型 + 机器人自动化合成，帮辉瑞、强生这类大药企做 CMC 和早期发现。2024 年营收 2.66 亿元，同比增长 52.8%。在深圳光明工厂里布局了 200 多套机器人合成工作站，是国内 AI 制药公司里湿实验室投入最重的一家。 深势科技 DP Technology：分子表征派。 2018 年从北京大学和普林斯顿背景的 孙伟杰 团队拆分，主打 AI for Science 通用平台 Bohrium。代表作是 Uni-Mol，2022 年 5 月发布，论文进 ICLR 2023：直接拿分子的 3D 结构做预训练，不是常用的 2D SMILES 序列或图，200 万分子构象 + 300 万蛋白口袋数据，下游任务（性质预测、对接、构象生成）做到了行业最优水平。 华深智药 Helixon：蛋白设计派 + 出海派。 2021 年 6 月从清华大学智能产业研究院（AIR）拆分，创始人彭健是前 UIUC 计算机科学终身教授。代表作OmegaFold：单序列预测蛋白结构，2022 年初在 CAMEO 评测上多项指标超过 AlphaFold 2。2022 年 6 月 A 轮融资近 5 亿元，五源资本领投。最具代表性的是海外 BD：2025 年 4 月 17 日关联公司Earendil Labs与赛诺菲 Sanofi就两款双特异性抗体（α4β7 × TL1A 的HXN-1002+ TL1A × IL-23 的HXN-1003，针对溃疡性结肠炎、克罗恩病等自免疾病）签下许可协议，1.25 亿美元upfront + 最高17.2 亿美元里程碑 = 潜在总价18.45 亿美元（约 134 亿人民币）；2026 年 1 月 5 日Sanofi 加注第二轮：upfront + near-term1.6 亿美元+ 总潜在25.6 亿美元。两次合作累计潜在金额约44 亿美元（约 310 亿人民币），是国产 AI 制药公司迄今最大的海外 BD 系列。 石药集团 CSPC：AI 平台输出派。 2025 年 6 月 13 日，石药集团（HK 1093）和 阿斯利康 AstraZeneca 公布战略研发合作：1.1 亿美元 预付款 + 最高 16.2 亿美元 研发里程碑 + 最高 36 亿美元 销售里程碑，潜在总价 53.3 亿美元，由石药 AI 双轮驱动平台筛选小分子候选，AZ 拿全球开发与商业化独家选择权。这是 2025 年中国公司在 AI 制药领域签下的最大单，意味着国产 AI 制药的角色从"自有管线开发者"扩展到"平台服务提供商"。 整体来看，国内团队和 DeepMind、Isomorphic Labs还存在AlphaFold 3级别的基础模型代差。国内目前还没有一个团队在结构预测主战场拿出和 AF3 同等量级的开源模型；和 Baker 实验室 RFdiffusion 这类 de novo 设计的工作相比，国内团队一部分还在用 ProteinMPNN / RFdiffusion 做衍生开发。这条代差背后是算力（DeepMind 用 Google 内部 TPU 集群）和顶尖人才密度，短期内不易追平。字节 Protenix 是补位信号，但单这一个团队也撑不起整个国产生态。六、监管：FDA首次出台AI制药指南 2025 年 1 月 6 日，FDA 发布首份针对药物与生物制品监管决策中使用 AI 的指南草案《Considerations for the Use of Artificial Intelligence to Support Regulatory Decision-Making for Drug and Biological Products》。这是 FDA 第一次专门为 AI 在药物开发中的使用制定规则，核心是一套基于风险的可信度评估框架，七步法走完才能用 AI 模型支持监管决策。 时任 FDA 局长 Robert M. Califf 在新闻稿里给出的原话是："在配备适当保障措施的前提下，人工智能具备推进临床研究并加速医疗产品开发、改善患者照护的变革潜力。" 措辞里"适当保障措施"是前置条件，不是修辞，FDA 的态度是"鼓励但不放任"。 要点在于，FDA 这份指南并 不直接管 AI 在药物发现阶段的使用：靶点筛选、分子生成那一段属于研发内部环节，监管不介入；指南管的是"用 AI 跑出来的数据 / 模型作为申报材料的一部分"。CDER 截至 2023 年累计接收过的含 AI 组件的药物申报已超过 500 份，2025 年指南更多是把过去几年的实践整理成明确规则。 NMPA 还没出对应的中文指南，目前国内 AI 设计药（包括 Rentosertib）走的还是常规小分子审评流程。点评 AI 制药或许还没有拿出改变行业的 “爆款”，但它已经把新药研发的前端效率，推到了前所未有的高度。从靶点发现到分子设计，从结构预测到亲和力优化，AI 正在一步步啃下传统制药啃不动的硬骨头。 2027-2028 年，那批即将读出的临床数据，才是检验这场技术革命成色的真正考场： （1）Isomorphic 首例临床； （2）Insilico Rentosertib III 期； （3）Recursion 新一批 AI 辅助管线； （4）国内英矽 / 晶泰 / 华深的后续管线数据读出。 — 全文完 —

英矽最引以为豪的护城河组成部分上，六个风险叠加在一起，不是一个点、一个面的威胁，而是对整个公司竞争壁垒的多角度挤压一、基础模型代际落后：别人用上了4K激光雕刻，英矽还在用五年前的彩印机AlphaFold3和4、RFdiffusion3、Chai-1、Boltz-1，还有字节跳动的Protenix和SeedFold、探序秩元的IntelliFold2——这一大批新一代AI模型，在蛋白质和药物分子如何结合的预测上，已经远远甩开了上一代技术。它们能做到“全原子精度”——什么叫全原子？就是不只是大概告诉你分子骨架长什么样，而是精确到每一个原子在空间中的坐标、每一条氢键的角度、每一个水分子的位置。这种精度在过去是需要用昂贵的冷冻电镜或X射线晶体学花几个月才能看到的。而英矽智能的Pharma.AI平台，核心架构是在2019到2021年间搭建的，用的是当时最好的生成式模型——VAE和GAN。这些技术在当年确实前沿，但到2024年以后，整个行业的标杆已经变成了“扩散模型”和“流匹配”——一种效率更高、效果更好的生成范式。英矽不是不能用这些新东西，问题的实质在于：它的整个管线数据积累和内部工具链都是围绕老架构建的，换引擎没那么容易。市场最直接的担忧是：竞争对手用新模型生成的分子，在电脑上就做得更准、拿到实验室里成功率更高、做出来的药专利保护更严密——这三个“更”叠加在一起，英矽的分子设计在精度、多样性和成药性上被拉开了代差。先解释这个风险在说什么：想象一下，药物研发就像做一把能精准插入靶点锁孔的钥匙。AI的作用是在电脑里先模拟出这把钥匙长什么样，再让化学家去实验室里做出来。这个“模拟钥匙”的能力，过去几年在飞速升级。早年间（2020年前后）的AI模型，能大概告诉你“钥匙”长什么样，但精度粗糙——好比用老式打印机打出来的黑白照片。到了2023-2024年，新一代AI模型登场了——AF3、RFdiffusion3、Protenix这些东西——它们已经到了“全原子4K激光雕刻”的水平，不仅能精确模拟钥匙的每一个齿，还能模拟出钥匙插入锁孔那一瞬间的分子间作用力、氢键角度、疏水区域的精准配合。英矽智能的Pharma.AI平台，核心技术架构是在2019-2021年间搭建的，用的是当时最好的VAE和GAN这类生成式技术。这些技术在当年是最前沿的，但放在今天看，就像别人都用上4K摄影机了，你还在用五年前的1080p设备。这个风险具体如何削弱英矽的竞争力？第一刀，砍在“分子设计精度”上。英矽Chemistry42平台生成出来的分子，在电脑上看起来可能和靶点结合得不错，但拿到实验室里一测，死活结合不上去——因为模型没有精确模拟出结合位点里那几个关键水分子的位置，或者没算准一个关键氢键的角度。新一代全原子模型能把这些细节都算清楚，生成的分子“虚报率”低十倍。这意味着：竞争对手用新模型跑出来的第一批候选分子，质量就比你迭代好几轮的好，实验室成本比你低，推进速度比你快。第二刀，砍在“可专利性”上。这不是技术问题，是商业死穴。AI生成的分子最怕什么？做出来一看，十年前早就被人专利覆盖了。新一代模型之所以在这个维度占优，是因为它们生成的分子“化学空间更广”——能在更多维的参数约束下探索真正的无人区。英矽如果长期用旧架构生成分子，哪怕命中了活性分子，专利律师一查，发现化学空间很狭窄，难以形成强保护——这个大药企在BD尽调时一眼就能看出来，直接影响授权金额和谈判筹码。护城河怎么被削的？英矽最引以为豪的壁垒之一是“我能用AI设计出别人设计不了的分子”。但当竞争对手拿出的分子精度更高、专利性更强、实验室验证更快时，这个壁垒就不是壁垒了——变成了一堵正在被重型挖掘机蚕食的土墙。二、数据壁垒不足：练了一身花架子，没吃过真正的亏做AI制药的人现在有一个共识——真正决定模型好坏的，不是算法谁的更花哨，而是数据谁的更独特。精确来说，最有价值的数据不是那些发表了论文、放在公共数据库里每个人都能下载的“成功案例”，而是两类别人看不到的东西：大量失败的实验结果、以及药企内部几十年来积累的真实临床数据。失败数据为什么比成功数据更值钱？训练过AI的人都知道，一个模型如果只见过“好分子”长什么样，没被足够多的“坏分子”毒打过，它就像一个只见过好人没被骗子骗过的门卫——谁放进来都觉得安全，等进了实验室才发现闯了大祸。临床的负样本——那些因为肝毒、心脏毒性、脱靶效应被淘汰的化合物——才是让模型真正长出“鉴别力”的训练素材。大药企是怎么做的？礼来、葛兰素史克这几家，这几年不再只是给外部AI公司甩几百万美元的小合同，而是在内部建专门团队，用自己过去十几年积累的私有数据训练专属AI模型。这些私有数据包括从未发表过的失败实验记录、真实世界的临床安全性信号、内部化学家迭代优化过程中的抉择逻辑——这些都是AI制药公司用公开数据库永远拿不到的“秘方调料”。英矽智能有什么？它的训练数据主干是公开数据库——PubMed上的文献、PDB蛋白结构库、ChEMBL化学活性数据。BD授权从合作药企那里是拿到了一些数据，但通常都是经过法律合规层层脱敏之后的版本，真正敏感的失败数据和临床安全性细节，药企不可能完整交出。先解释这个风险在说什么：这个道理其实特别朴素。一个好厨子是怎么练出来的？不是光靠在网上看菜谱，是在厨房里被烟熏火燎、做过一万次菜、做糊过三千次、被客人骂过五百次之后，才练出来的。那三千次失败的经验，才是他真正的本事。AI制药完全一样。真正值钱的训练数据不是公开数据库里那些光鲜亮丽的成功案例（“这个分子和靶点结合得很好”），而是那些见不得人的失败数据（“这个分子在电脑上表现完美，但在动物实验里把小白鼠的肝给毒废了”）。英矽的数据从哪来？大头是公开数据库。PubMed上发的论文、PDB里公开的蛋白质结构、ChEMBL里收集的活性数据——这些都是全世界科学家都能用的公开菜谱，不是英矽的独家秘方。BD合作里从药企拿到的数据有吗？有，但药企给你的是经过筛选、脱敏、合规处理之后的“可公开版本”，真正的失败实验、毒性数据、临床翻车记录，人家不可能完整交出来。这个风险如何削弱英矽的竞争力？第一刀，砍在“临床毒性预测”上。这是AI制药最疼的一刀。一个AI设计的分子在细胞实验里表现完美，推进到动物实验，发现肝酶暴增——这个分子就废了。问题是：你的模型为什么没在上千个候选分子里提前把可能肝毒的挑出来淘汰掉？因为模型训练的时候，就没见过足够多的“肝毒”数据。负样本不足的模型，就像一个只见过好人没见过骗子的门卫——谁都放进来，等进了门才发现混进了不该进的。英矽的核心管线ISM001-055目前IIa期结果积极，好事情。但推到III期、样本量放大、患者群体更复杂之后，如果出现早期数据里没见过的安全性信号，追溯源头，很可能就是“模型没被足够多的负样本训练过”。第二刀，砍在“成熟靶点竞争”上。当一个热门靶点（比如某个肿瘤靶点）有十家公司同时在用AI做药，谁赢？不是谁的模型跑分高，是谁对“这个靶点上其他九个对手踩过什么坑”知道得更多。大药企如礼来、GSK自己内部积累了十几年的临床失败数据——他们自建AI团队用这些数据训练出来的模型，对这个靶点的理解深度，是外部AI公司靠公开数据永远追不上的。英矽的BD里就算拿到了药企数据，也是经过层层合规过滤的版本，而不是那种能让模型“顿悟”的原始负样本库。护城河怎么被削的？英矽对外讲的故事是“我们的AI能做药”。但如果你用来“做药”的核心AI引擎，是用全行业都可以吃的“公共食谱”训练出来的，那你做出来的菜，和大药企内部团队用私藏秘方做出来的菜，就不可能是一个水平的。这个数据壁垒的缺口，随着大药企纷纷自建AI团队，会暴露得越来越明显。三、技术路线被全链条包抄：人家都在造整车，你只做发动机药物研发不是只有小分子这一种武器。除了小分子，还有抗体药、RNA药物、基因编辑、细胞疗法、药物递送系统——就像一个武器库，小分子是手枪，抗体药是导弹，RNA是敌方指令篡改器，递送系统是把武器准确运到战场上的运输系统。英矽智能的主营业务，靶点发现到临床前候选化合物优化，最核心的输出一直是小分子——就是那把手枪。但它的竞争对手们在干什么？有些在造全兵工厂，有些在专精造导弹，有的专心做运输系统。造全兵工厂的，AI预测加上机器人实验再加上全链条自动化，从头到尾一条龙。专攻抗体的，至少有一家已经把自己的AI抗体推进到III期临床试验，这是吃药的人能感受到的最实在的进度。做运输系统的，专攻LNP递送技术——这是RNA药物能不能真正到达靶细胞的核心瓶颈。做新一代结构预测的，在全原子精度上持续拉高行业标杆。英矽在这些方向上有布局吗？有相关的内部研发动作，但进度相对有限，目前还没有在这些高价值赛道上拿出足够对外的成果。当整个行业都在往抗体、RNA、基因编辑这些更有技术含量和商业价值的赛道上冲的时候，英矽仍然是一位以小分子手枪为核心输出武器的选手。先解释这个风险在说什么：药物研发不是只有小分子一种武器，还有抗体药、RNA药、基因编辑、细胞疗法、药递送系统。就像一个武器库，小分子是手枪，抗体是导弹，RNA是指令篡改器。英矽的主业是造手枪里的核心零件——靶点发现和分子生成。但它的竞争对手在干什么？晶泰在搭整个军工厂——AI预测、机器人实验、数据分析全链条；华深智药在专攻抗体导弹；剂泰医药在做导弹的运载火箭（LNP递送系统）；探序秩元、字节在做新一代全原子精准制导系统。这个风险如何削弱英矽的竞争力？第一刀，砍在“平台叙事”上。英矽一直对资本市场的标签是“AI药物研发全平台”，但它的“全”主要体现在了靶点发现到临床前候选化合物（PCC）优化这段，最核心的输出是小分子。当整个行业都认为——高价值赛道在抗体、在RNA、在细胞疗法——你作为一个“全平台”，在这几条赛道上几乎没产出，资本会开始怀疑你是不是只在上一场比赛里拿冠军。这个估值的压缩，就是风险里那句“估值逻辑从全平台退化为小分子AIBiotech”。第二刀，砍在“BD天花板”上。大药企来谈授权，想买的是多样化资产——有抗体会先看抗体，有RNA会优先看RNA。如果你的货架上全是小分子，大药企的BD负责人做完一轮筛选后可能会判断，和你做的是窄品类交易，而不是战略级合作。潜在合作金额的天花板，从横向维度上被锁死了。护城河怎么被削的？英矽的护城河标签——“AI驱动的全平台药物发现”，当行业里出现真正意义上的“全链条新玩家”，这个标签本身就在褪色。竞争对手拿一个抗体管线加一个RNA管线加小分子管线，让你在BD桌前显得没那么不可替代。护城河没消失，但竞争对手的护城河比你挖得还宽。四、AI制药2.0：开始要看真金白银，而你的王牌还在“待验证”状态先解释这个风险在说什么：这行前几年是“故事驱动”——我有AI平台、我有独特算法、我的模型跑分世界第一，投资人给了高估值。到了2025-2026年，整个市场审美疲劳了。新叙事变成了“临床数据拿出来”“现金流亮出来”“管线成功率亮出来”。英矽的现状：核心管线ISM001-055是全球第一个AI全流程设计并拿到积极IIa期结果的——值得肯定，这是公认的里程碑。但它还没进III期，没有任何一款AI设计的药物获批上市，公司的收入九成以上来自BD首付款和里程碑，不是药品销售，也不是持续高频的服务费。这个风险如何削弱英矽的竞争力？第一刀，砍在“信任度”上。当竞争对手已经用实际行动证明自己的分子能过III期、能拿FDA批文（比如Generate、Exscientia走的路径），而你还在IIa→III爬坡，这场“AI制药能成药”的终极信任投票，你就还没拿到满分。资本会继续给后发者估值，但溢价幅度会因为“没有III期数据”被扣一个很大的折扣。第二刀，砍在“现金流稳定性”上。英矽的收入是脉冲式的——大药企的BD里程碑今年触发，营收大涨；明年不触发，营收大跌。2023年营收+69.8%，2024年+67.7%，2025年跌了34.5%，就是这种脉冲的实证。资本市场开始要求“持续良好的现金流”时，英矽拿不出来，估值就会承压。护城河怎么被削的？英矽最深层的护城河是“临床验证”——这个标签在IIa期阶段依然是最领先的那一批。但在AI制药2.0时代，市场要的不是“最领先的IIa”，而是“有III期成功记录的公司”。这个护城河目前是半成品，需要进一步浇筑，而竞争对手的混凝土搅拌车已经开到工地了。五、亚洲快追模式：你还在烧钱，别人已经快速迭代先解释这个风险在说什么：AI制药拼到最后不是比谁的模型最高端，是比“谁的试错成本更低，迭代速度更快”。国内对手（比如晶泰、华深、剂泰）在很大程度上不需要承担“全球合规”“跨境VIE架构”等复杂成本，且很多在以更灵活的方式——借成熟开源大模型、实验室外包、利用中国丰富的临床资源做快速验证——进行试错。风险如何削弱英矽竞争力？英矽团队分布全球，要维持一个庞大的全球研发和BD网络，这在AI制药早期阶段是优势，但在降本增效周期里成了劣势。国内对手用更低成本、更快速度推进管线，比如一年内把从靶点推进到PCC（临床前候选化合物），英矽要维持全球标准可能慢一些。护城河被削在哪？英矽早期建立起的全球网络和合规体系，曾经是护城河，但当行业进入烧钱模式需要降本时，这座护城河反而变成了成本结构的负担。竞争对手不是在翻墙，而是在绕墙——用更低成本走另外一条路，追上你。六、BigPharma自建能力：客户在学着自己造车轮大药企曾经是AI制药公司最理想的客户——有资金、有管线需求、有临床资源，愿意为外部AI能力支付高额首付款。但从2024年开始，情况发生了一个微妙但意义深远的转变。他们开始自己造AI。礼来成立了自己的生物大模型团队，不再只是对外采购。赛诺菲搭建了内部AI研发平台。葛兰素史克绑定专属AI模型。这些动作的背后是同一个逻辑：经过前面几年跟外部AI公司的合作试用，大药企内部已经完成了一轮技术评估，得出结论——AI确实是未来，但最核心的靶点和最敏感的数据，应该掌握在自己手里。他们还在对外合作——现在的策略是把核心资产留给内部团队，把边缘靶点或早期概念验证项目外包给外部AI公司试一试。有一个细节很说明问题：某大药企和英矽签的12亿美元总价协议，实际兑现率远低于签约金额。另一个值得注意的是：同一家大药企和另一家外包公司的合同金额显著高于给英矽的——这说明不是这家药企没钱，而是对不同靶点和合作对象有分层策略。英矽的现状是什么？营收高度集中——前五大客户占比超过九成。这是双刃剑：一方面说明客户关系非常深入，另一方面意味着一旦这些大客户的AI战略发生转向，对英矽的收入影响会是结构性的，而不是局部的。先解释这个风险在说什么：大药企曾经是AI制药公司最理想客户，但从2024年开始，情况变了——他们开始自己造AI。礼来成立了自己的生物大模型团队，赛诺菲建了AI研发平台，GSK绑定了自己的专属模型。他们还在对外合作，但开始把核心靶点留给自己内部团队做，把不那么核心的靶点外包给AI公司试水。风险如何削弱英矽竞争力？英矽前五大客户占收入超过90%，一旦这些大客户的自建AI团队在内部通过验证、获得管理层信任，他们对外部授权商的选择标准就会骤然提高——不再给你大额的早期开发费，而是压低首付、压低里程碑，只给你那些“内部团队看不上的靶点”。赛诺菲那笔总价12亿美元的合作，实际兑现率偏低，就是一个预警信号——签约金额不等于入账金额，里程碑触发条件可能非常严苛。当未来BD条款变得更苛刻，英矽的议价权就在系统性下降。护城河被削在哪？英矽原来的护城河之一是“大药企信任网络”，但当大药企自己也开始拥有可规模化产出药物的能力时，信任网络变成了一座正在融化的浮冰，它依然存在，但承载的持续性取决于脚下的冰面还剩多少厚度。