行业投资评级 - 强大于市，维持 [2] 报告核心观点 - AI在制药行业的作用在于增效和创新，其本质是提升而非颠覆基于实验科学的药物研发流程 [4][5] - AI最成熟的落地应用在于临床前研发阶段的降本增效，特别是虚拟筛选，同时AI分子生成具备“Think out of box”的创新价值 [5][18][30] - 从长远商业化看，AI+CRO和AI+Biotech是企业造血盈利的主要趋势，有利于快速创收并迭代自身算法模型 [5] - 算法与数据深度绑定，大规模高质量数据的生产能力是构建长期核心竞争力的关键 [5][6][80] 一、AI在制药中的作用：增效和创新 - AI制药指将NLP、深度神经网络、生成模型等AI技术与传统制药环节结合，以提升新药研发效率和拓展创新空间 [9] - AI技术不会颠覆药物研发基于实验科学的本质，因为AI计算的“虚拟”数据无法替代临床“真实”数据，且临床试验是药物安全性证明的不可替代环节 [12][13][16] - AI发挥降本增效作用的重心在临床前研发阶段，虚拟筛选是重要应用，可快速从上百万化合物中筛选出少量潜在活性化合物，大幅减少真实试验投入 [18] - AI赋能下，药物发现各环节研发费用节约达90%以上，周期大幅缩短：从靶点到苗头化合物阶段，费用从9400万美元降至20万美元，周期从1年缩至2个月；从苗头化合物到先导化合物，费用从1.66亿美元降至40万美元，周期从1.5年缩至4个月；从先导化合物优化到临床前候选药物，费用从4.14亿美元降至200万美元，周期从2年缩至11个月 [22] - AI的创新价值体现在分子生成，能突破传统规则限制，主要落地路径包括靶点创新、分子结构创新和药物重定向 [30] 二、市场规模超百亿美金，分子实体是商业化重点 - 全球AI赋能药物研发费用市场规模从2023年的119亿美元有望增长至2032年的746亿美元，年复合增长率达22.6% [5][71][73] - 自2015年以来，全球AI+新药研发累计投融资达246亿美元，国内融资在2021年达99.6亿元，2024年全球融资总额为58亿美元，其中美国占主导，中国占比约10% [48] - 行业尚未形成统一技术范式，企业参与的环节和算法各不相同，化合物筛选和先导化合物设计是多数企业聚焦的环节 [52][55] - 目前商业模式以AI+CRO和AI+Biotech为主，两者均回归依赖分子实体商业化创收的本质，而SaaS模式因市场容量有限、头部公司或触达天花板，并非好的新入局模式 [58][63][64][67][70] - 测算显示，AI+制药的国内潜在市场价值有望在2028年达380亿元，2033年超1770亿元 [75][77] 三、高质量数据的生产能力是核心竞争力 - 算法（模型）和数据是行业核心技术迭代升级的关键生产要素，其壁垒在于研发人才和成熟的实验平台 [6][79] - 算力并非关键竞争要素，其对整体研发周期影响可忽略，且上游互联网和硬件巨头可提供支持 [80] - 算法的突破需要兼备AI/CADD算法开发能力和药物开发经验的研发人才团队 [80] - 高质量数据的标准是大规模且满足结构良好、完全注释、可重现、鲁棒性等特征，并需多维度、多体系、兼顾成功与失败的训练集 [80] - 大规模高质量数据是行业稀缺资源，因数据要求苛刻且存在“数据孤岛”，实验数据涉及核心利益不共享，因此高质量数据生产能力是长期核心竞争力 [6][80] - 具备高质量数据生产能力的公司需拥有成规模的实验平台、AIDD/CADD计算积累以及能设计针对性实验方案的团队，即试验平台+AI团队+药物研发团队三要素 [82][84] 四、行业格局与相关标的 - 行业容易形成马太效应，技术能够规模化迭代，数据越多算法越完善，从而带来更多合作机会，利好领跑者 [6][85][88] - 报告建议关注领先布局者：英矽智能、晶泰控股、泓博医药、成都先导 [6][91] - 英矽智能采用生成式AI驱动的Pharma.AI平台结合自动化实验室，其进展最快的AI设计分子Rentosertib（靶点TNIK，适应症特发性肺纤维化）已完成2a期临床 [92][96][99] - 晶泰控股是基于量子物理、AI与机器人驱动的平台型科技公司，其平台在药物发现中展现高效率，例如在28天内预测GPX4活性位点药效团并筛选出活性分子 [102][107]