文章核心观点 - AI制药行业正迎来"GPT时刻"，生成式AI技术正在彻底改变药物研发的底层范式，从传统的大海捞针式筛选转变为精准的从头设计(de novo design)，大幅提升研发效率和成功率[5][7][8] - 2025年中国AI制药公司密集达成高价值BD交易，总金额超百亿美元，标志着行业进入商业化兑现期[5][6] - 生成式AI模型(如Chai-2、ESM3、Protenix)在抗体设计、蛋白质结构预测方面取得突破性进展，将研发时间从数年缩短至数周，成本从数百万美元降至极低水平[11][12] - 行业参与者呈现三类形态：科技巨头(如Google、字节跳动)开发生物基础模型、AI科学家创业团队优化算法、传统药企应用AI工具加速研发[15] - AI制药将与创新药深度融合，未来所有新药研发公司都将使用AI技术，行业格局面临重塑[13][18] 2025年AI制药BD交易分析 - 晶泰科技与DoveTree交易：首付款5100万美元，潜在里程碑总额58.9亿美元，涉及多款临床前/早期大分子与小分子创新药[6] - 石药集团与阿斯利康交易：首付款1.1亿美元，潜在总额53亿美元，基于石药AI平台开发口服小分子候选药物[6] - 华深智药(海外子公司)与赛诺菲交易：首付款1.25亿美元，潜在总额17.2亿美元，涉及两款双特异性抗体及Synova™平台使用权[6] - 元思生肽与阿斯利康交易：首付款7500万美元，潜在总额34亿美元，开发慢病大环肽口服药物[6] - 四家公司交易首付款总额达3.6亿美元，潜在里程碑总额超163亿美元[6] 技术突破与范式变革 - AlphaFold 2在两年内预测超过2亿个蛋白质结构，而此前60年人类仅解析20万个结构，数量提升三个数量级[10] - Diffusion模型引入蛋白质设计，使全新蛋白质设计成功率实现数量级飞跃[11] - AlphaFold 3实现全原子级建模，能处理蛋白质、核酸和小分子间复杂相互作用[11] - Chai-2模型针对特定靶点生成抗体的命中率显著提升：从传统方法需筛选百万级到亿级分子库，优化至几十条序列就可能出现hits[11] - 抗体发现时间从3年缩短至几小时，验证周期缩短至两周内，成本从500万美元大幅降低[12] 行业影响与未来趋势 - 激活难成药靶点研发：从"有什么筛什么"转变为"要什么造什么"，有望攻克无药可用的顽疾[13] - 大幅缩短临床前研发周期，对肿瘤、自免、代谢等领域适应症产生重大利好[13] - 慢性病领域将最早受益，类似司美格鲁肽的"神药"出现频次将大大提高[13] - 传统依赖大规模动物模型的药物筛选平台商业价值将受到冲击[13] - AI生物科技公司将成为跨国药企的"分子设计中心"和"算力中心"，通过BD授权和合作研发分享价值[13] 竞争格局与核心能力 - 科技巨头：拥有充足资本和算力，开发生物基础模型并构建开源生态(如Google Deepmind、Meta、Xaira、字节跳动)[15] - AI科学家创业团队：具备算法创新能力，优化基础模型并提供平台服务或自研管线(如百图生科、华深智药、英汐智能)[15] - 传统药企：利用AI开源模型结合湿实验能力，加速特定疾病药物研发[15] - 核心竞争力取决于对模型的理解、修改和演进能力，需要达到99分而非80分的性能标准[16] - 高质量生物实验数据产出能力成为关键：国内某企业投入数千万元合成测试上万条抗体序列，但仍未达到scaling law高效提升区间[17] - 自动化高通量实验不仅提高筛选效率，更能产生结构化可迭代数据用于模型训练[17]

行业趋势与范式转变 - AI制药行业正经历从海量筛选经验至上转向理性设计从头创造的研发范式变革 [2] - 生成式AI技术让新药研发从大海捞针转变为精准设计模式 [3] - 2025年3月至8月期间中国AI制药公司完成总金额数十亿美金的BD交易 [1] 技术突破与能力提升 - AlphaFold 2在两年间预测超过2亿个蛋白质结构而此前60年人类仅学习20万个蛋白质结构 [5] - Diffusion模型引入生物学使全新蛋白质设计成功率获得数量级飞跃 [5] - AlphaFold 3实现全原子级建模能处理蛋白质核酸和小分子间复杂相互作用 [5] - Chai-2模型针对特定靶点生成候选抗体命中率显著高于传统方法在几十条序列中就可能出现hits而传统方法需百万级到亿级筛选 [7] 研发效率与成本变革 - 传统抗体药物研发需3年时间500万美元而AI模型可在几小时内完成并在两周内通过湿实验验证 [7] - AI大幅缩短临床前药物研发周期对肿瘤自免代谢等领域适应症产生利好 [8] - 自动化高通量实验在AI时代不仅能提供实验结果还能高效产生结构化可迭代数据服务于模型训练 [12] 市场竞争格局 - AI制药领域参与者呈现三种形态：科技巨头基础生物大模型创业团队传统药企AI化转型 [10] - 评估核心竞争力的关键是对模型的理解修改及演进能力需要接近99分表现而非80分 [11] - 未来所有新药研发公司都会使用AI只是依赖程度不同AI制药公司最终需交付药物分子才能获得更高价值 [12] 商业价值与产业影响 - AI制药公司通过改写大分子药物研发范式提高研发成功率元思生肽华深智药等成立仅四五年便获得跨国药企BD认可 [1] - AI有望重新激活难成药靶点研发从有什么筛什么转变为要什么造什么 [8] - 具有AI能力的biotech将成为跨国药企的分子设计中心算力中心通过管线BD授权合作研发等模式共分蛋糕 [8] - 峰瑞资本通过投资晶泰科技获得现金回报倍数DPI达几十倍 [2]

核心观点 - AI for Science 正在将生命科学与数字互联网两大科技树交汇并加速，大模型对生物系统等复杂系统具有前所未有的理解和生成能力，有望成为加速科学发现的关键引擎 [3] - Foundation Model + AI Agent 正在颠覆传统高成本、慢速的试错式科研流程，将药物研发从平均10年、20亿美元的成本重新压缩与重构 [3][7] - 行业采用「Tech/Bio × Generalist/Specialist」四象限框架梳理玩家，包括Biology Foundation Model、AI Scientist、AI-Native Therapeutics和AI-empowered solution四大类 [4] 研究框架 - 横轴：Generalist vs Specialist，评估公司在生物医药研发流程中的广度和深度，左侧偏单点聚焦，右侧偏全流程技术平台 [8] - 纵轴：Tech vs Bio，评估企业产品侧重平台技术能力还是直接解决生物/临床问题，上方接近技术方案交付，下方需完整开发药物/疗法 [9] Tech × Specialist：Biology foundation model - AlphaFold 3 解决了蛋白质三维结构预测难题，将数月甚至数年的实验缩短为计算机快速预测，并扩展到预测蛋白质与DNA、RNA、小分子等的复合物结构与相互作用 [14] - Isomorphic Labs 由DeepMind分拆成立，已与礼来和诺华签署总里程碑达26.5亿欧元的合作协议，定位为技术平台提供方 [15] - ESM3 旨在打造通用生物基础模型，整合序列、结构、功能三个模态，存在1.4B、7B、98B三种尺寸，展现明显Scaling Law [17][18] - Evo2 是基因组语言模型，在超9万亿碱基序列上训练，拥有100万碱基的超长上下文窗口，能预测变异功能和设计生物序列 [22][23] Tech × Biologist：自动化科研平台 - AI Scientist 通过LLM的推理、规划、工具使用能力，整合文献检索、实验设计、数据分析、机器人控制等环节，将科研从劳动密集型转变为知识和算力密集型 [24][25] - Future House 发布Crow、Falcon、Owl、Phoenix四款Agent，组成多智能体系统Robin，在2.5个月内完成端到端科研循环，发现治疗干性年龄相关性黄斑变性的全新药物方案 [26][34][35][36][37] - Lila Sciences 构建"科学超级智能平台"，已在基因药物设计、新型治疗分子发现、绿色能源技术创新、碳捕获材料设计等方面取得进展 [39] Bio × Generalist：AI-native Therapeutics - AI-native制药公司构建以AI为核心的整合平台，自主研发创新疗法管线，AI不仅仅是工具而是研发范式的基础和引擎 [40] - Xaira Therapeutics 募集约10亿美元启动资金，重点方向包括蛋白质生成式模型、多模态数据工厂和端到端推进管线 [49][50] - Generate Biomedicines 采用"生成生物学"方法，已与安进、诺华签订潜在里程碑超过10亿美元的合作协议，累计融资超过7亿美元 [51][52][53] - Somite AI 聚焦"可编程细胞疗法"，完成4700万美元A轮融资，开发DeltaStem基座模型预测细胞命运转变路径 [54][55][56] - Moonwalk Bio 专注"精准表观遗传编辑"，种子+A轮总融资约5700万美元，开发EpiRead和EpiWrite技术 [57][58][59] Bio × Specialist：AI赋能解决方案 - 实验数据平台批量生成并开源稀缺实验数据，降低AI4sci模型训练门槛，如Tahoe Therapeutics发布的单细胞扰动数据集涵盖1亿细胞/6万次化学-生物扰动 [63][64] - 多组学靶点发现整合DNA、蛋白、显微图像和临床表型等多模态数据，训练跨尺度Foundation Model直接输出新靶点与作用机制假设 [65][66] - 药物重定位将已上市或临床搁浅的药物与新疾病通路快速匹配，可跳过毒理与I期，如Healx的候选药HLX-1502已进入NF-1 II期 [68][69][70][73] - 临床试验加速用AI优化患者匹配，如Unlearn AI的数字孪生技术可将招募期缩短30-50% [75][76] 行业趋势 - 价值正在从传统CRO与药企的"手工试错"转移到掌握数据、模型飞轮与自动化实验室的AI原生公司手中 [78] - 行业进入"算力-数据-算法"驱动的指数级进步时代，四类玩家分别在单点突破、科研流程产品化、新疗法开发和关键环节优化方面推动变革 [78]