文章核心观点 - AI for Science（人工智能驱动科学创新）正从技术概念迈向产业硬实力，AI制药已进入开花结果的验证期，并展现出向化学、材料、能源等更广泛科学领域外溢的巨大潜力 [5][8][16] - 晶泰科技作为AI制药与AI for Science的双赛道先行者，通过大规模订单、合作与上市，已成为从“AI加速科研”到“科研反哺产业”的标杆样本 [8] - AI for Science发展的底层逻辑在于，人类智力难以处理微观世界（如生物学、化学）和宏观复杂系统的海量数据，而AI能在此创造巨大价值，其与产业结合有望产生1到100的乘数效应 [18][20][21] - 数据是未来3-5年AI生物制药领域的核心战略资产，构建高质量、快速反馈的数据壁垒至关重要，而中国在临床资源等方面具备显著优势 [24][46][52] - 通过AI视角重新审视现有药物研发流程，能在多肽、小核酸等新药物形态（modality）上打破行业共识，发现新的商业机会 [63][64][69] - 将AI技术创新与中国的强势产业链（如创新药、生物制造、聚变、量子计算）相结合，是捕捉未来十年核心机会的关键 [77][78][79][80] 对AI for Science及AI制药现状的评估 - AI制药进入开花结果期：三年前的质疑已被实证打破，行业进入成果验证阶段 [11][13] - 标志性商业成果：晶泰科技在2025年与礼来达成3.45亿美元合作，与DoveTree达成近60亿美元订单 [8][13] - 行业进展案例：英矽智能的AI生成小分子在特发性肺纤维化治疗II期临床获良好结果；剂泰科技的AI赋能口崩片完成III期临床，成为国内首款 [14][15] - 发展阶段的延伸：AI for Science整体仍处于从0到1的阶段，但AI在制药领域的成功证明了其能力外溢至化学、材料、物理等其他科学领域的可能性 [9][16][17] 晶泰科技的业务实践与战略布局 - 业务布局的四大方向： - 更关注国际化：采取“国际化+中国”的综合策略，例如与礼来的合作 [25] - 关注药物种类多元化：从占市场70%的小分子，扩展到抗体、多肽、基因细胞疗法等生物制品领域，以匹配临床需求和商业化趋势 [25][26] - 探索药物延展领域：布局消费品、化妆品功效成分、食品保健等AI与分子设计能结合的领域 [26] - 构建数据壁垒：自2019年起部署自动化实验集群，持续扩大数据采集规模以建立长期竞争优势 [27] - 平台化定位与核心能力： - 公司定位为技术平台，在可见的未来不会自行做药 [29] - 不仅提供标准化服务，更擅长解决行业“疑难杂症”，例如利用机器人自动化技术攻克固体粉末转移这一行业效率与精度瓶颈 [29][30] - 产品端采取与客户合作开发的策略，以早期技术贡献换取产品未来权益 [30] - 技术能力的跨域迁移：将药物化学领域AI预测准确度达80%到90%的能力，扩展至化工、材料、新能源等领域 [28] AI模型在生物医药领域的应用与前景 - 当前应用与能力边界： - AI模型在药物设计阶段（如小分子、蛋白质设计）已得到充分应用，平均能为临床前药物发现提效20%到80% [21][34] - 更大的挑战与市场在生物学及临床阶段：一款药物研发的临床成功率（I、II、III期概率相乘）可能不到10%，超过90%失败，且75%的研发成本发生在临床阶段，但该领域数据积累少、迭代速度慢 [37] - 模型发展的路径与趋势： - 短期：因数据缺乏，专业知识强化的AI模型是关键，例如物理约束模型、生物学知识加强模型，通过专业引导提升效果（如调整抗体设计模型的掩码策略） [43][44] - 长期：当生物学数据量超过互联网语料数据并出现拐点时，无监督的大模型学习将能自行提取规则，其价值可能远超2012年卷积神经网络在图像识别上的突破 [44] - 模型演进的三条路径：预测分子结构的模型（如AlphaFold）、全原子模型（如RF diffusion3）、结合多组学数据的大模型 [40][41][42] - 垂直与精细化的机会：在临床前细分药物形态（如环肽、口服多肽、小核酸）领域，将问题拆解细致并拥有独特专业团队的模型更具商业机会 [37][39] 数据在AI for Science中的核心价值与获取 - 数据的战略地位：未来3-5年，数据是AI生物制药领域的重要资产，每一次生产力革命本质是对生产资料潜能的重新发现，AI时代要重新发掘过往研究中被丢弃的失败数据的价值 [24][46][48][49] - 数据利用的关键点： - 统一标准与降低成本：通过自动化、机器人方式统一数据标准，降低收集成本 [52] - 探索新工具实现“数据升维”：如多组学技术、快速DNA/RNA合成等，让增量数据浮出水面 [52] - 充分利用中国临床资源：中国庞大的患者群体和临床数据积累，通过合规机制协同推进，具备巨大优势 [52] - 有价值数据的特征：现阶段最具价值的数据是具有高度一致性、标准化，并能实现快速采集和反馈的数据 [55] - 潜在的核心数据类型：目前相对易得的有影像数据、转录组数据、化学合成数据；未来随着成本下降和通量提升，蛋白质组数据可能成为下一代核心数据 [55] AI驱动药物研发的具体创新与实践 - 以AI视角打破行业共识： - 在多肽药物领域：通过AI分析蛋白相互作用，生成约2000个非天然氨基酸（比天然的20种多100倍），以优化多肽稳定性，使其兼具多肽优势与小分子优点，在脑部递送、口服给药（如口服减肥药）方面有潜力 [63][64] - 在小核酸药物领域：将序列设计和化学修饰两个传统上分步优化的过程，整合进同一个生成模型一步完成，从而找到更优且具新颖性的分子，突破现有专利限制 [65][67][68] - 创新探索机制：公司设立晶泰创新中心，投入预算探索有商业前景的新药物形态（modality），这是市场需求与技术支撑共同驱动的结果 [62] AI向材料、能源等交叉领域的迁移与机会 - 技术迁移的共通性：在微观世界，AI能力可在三个层面较快迁移并产生价值：新的分子结构设计、配方优化、工艺开发与放大 [73][74][75] - 跨领域落地的差异与关键：不同产业（如材料 vs. 制药）的验证和数据反馈速度差异很大，技术落地的关键是根据各领域商业化流程定义阶段性里程碑，并构建快速的数据反馈闭环 [75] - 与中国产业链结合的巨大潜力： - AI制药依托中国强势的创新药产业链已获认可 [77] - 聚变领域，中国在制造、材料、电力电子等方面的优势，结合AI对等离子体控制等的助力，有望引领产业发展 [78] - 生物制造领域，中国拥有最大发酵产能，叠加AI与合成生物能力，产业将崛起 [79] - 量子计算领域，AI也是重要变量 [80] - 未来机会：在AI与生物、化学、材料、能源等交叉领域寻找创新，并使其扩散至“十五五”规划的未来产业方向，是未来十年的核心机会 [80]