核心概念与市场影响 - “实验室循环”的核心特征是连续、自主的迭代，自动化是必要条件但非充分条件，其关键在于AI或智能体无需人工翻译即可直接与硬件通信、解释数据并决定下一步实验[2][15][20] - 更高的自动化将使仪器市场分化，可靠性和正常运行时间成为关键竞争差异点，因为实验室连续运行且人工干预减少，微小故障即可导致整个工作流程中断[3][36] - 液体处理器和基于微孔板的读数仪将是“实验室循环”最直接的受益者，而质谱法等较慢的分析仪器虽不会消失，但会在工作流程中后移或用于并行循环中的深度表征[4][41][42] 对药物研发与AI的影响 - 成功的AI最终应减少每个候选药物所需的实验数量，但短期内，AI原生药物发现公司正在运营高容量“数据工厂”，大型药企通过合作和许可进行增量投资，这可能在长期效率提升实现前增加总实验需求[5][54][57] - AI可能产生更多临床候选药物，但目前无法预测临床试验的失败率，而临床试验仍是最大且最昂贵的开发瓶颈；预测分子与靶点结合比预测其在人体内的所有相互作用和副作用要容易得多[6][64][65] - 长期目标是实现“AlphaFold时刻”，即模型从今天的实验中学习，从而能识别出更小、更有前景的化合物集用于未来测试，若成功，所需科学工作量应会大幅下降[45][46][47] 投资建议与行业格局 - 伯恩斯坦对Waters、Agilent、Guardant和Natera给予“跑赢大盘”评级，对Avantor、Illumina、Revvity和Thermo Fisher给予“与大盘持平”评级[8] - 在“实验室循环”环境中，仪器选择将更少依赖科学家个人偏好，而更看重性能；例如，Hamilton在液体处理领域因其专利锁定技术带来的极高可靠性而占据优势，其系统在约14年的运营中几乎从未出现过掉枪头的情况[32][33][34] - 现有生命科学工具公司（如Thermo Fisher、Waters、Agilent）在研发上的投入远低于销售和行政开支（例如Thermo Fisher的销售和行政开支与研发之比约为8比1），它们并未为自动化实验室设计专用硬件，而是试图将过去几十年开发的仪器推销给并非为其设计的应用场景，这为颠覆者创造了机会[76][77]