AI制药告别算法叙事：资本追问盈利与技术落地真章
内容导读当技术叙事的潮水逐渐平息，AI制药正站在一个重新校准的节点上。资本的态度从追捧转向审视，行业的核心议题也随之从“能否颠覆”转向“如何落地”。在这一背景下，对技术边界、商业逻辑与产业适配性的冷静梳理，显得相对重要。
资本退潮：从听故事到算细账
艾媒网（iiMedia.cn）获悉，2026年9月20日，在2026张江药谷大会暨上海国际生物医药产业周——“资本聚势·生态共筑”上海国投生物医药产业生态大会上，AI制药的泡沫与真金成为圆桌讨论的焦点。
上海未来产业基金投资总监李春园在会上表示，“风口浪花来得快退得也快，最后能留在沙滩上的，永远是那些把技术做进管线、把价值算进账本的人。”多位与会嘉宾一致认为，当大模型算法走向“民主化”，资本市场不再为算法打榜和概念叙事买单。
真实的算力消耗、垂直的专有数据、临床瓶颈的突破能力，以及可验证的商业盈利路径，成为衡量企业生存价值的核心标尺。这一表态的背后，是AI制药赛道历经数年高歌猛进后，资本耐心的收窄。
凭借算法优势和算力故事，一批AI制药初创企业轻松获得高额融资，估值脱离管线进展与营收能力狂奔；然而，随着全球生物医药融资环境趋冷，以及部分明星AI药物在临床阶段遭遇挫折，投资人开始用最务实的财务模型审视这项新兴技术。
张江药谷作为中国生物医药创新的地标，此番会议上的资本表态，为整个行业敲响了理性的警钟：AI制药的“叙事溢价”时代正在落幕，取而代之的是对盈利时间表和真实技术贡献的严苛追问。
角色之辩：颠覆者还是效率工具
在AI与生物医药融合成共识的当下，行业需要直面技术如何去伪存真、落地如何步步为营的痛点。智核汇生物科技有限公司创始人温翰提出，AI本质上是拟合任意高维函数的工具，但落地需要回归“算账”逻辑——如果需要的数据量和资金投入足以用传统方法解决问题，AI制药的合理性便不复存在。
然而，在特定垂直赛道上，AI的价值显现得不可替代。以靶向RNA小分子药物研发为例，由于靶标具备动态性与特殊的化学空间，传统高通量筛选几乎走不通，AI在此处扮演的正是“从0到1”的关键角色。
正是这种在特定细分领域的不可替代性，构成了AI制药市场规模持续扩张的底层逻辑。iiMedia Research（艾媒咨询）发布的数据显示，近年来，中国创新药出海迎来爆发式增长。2024年以来，中国创新药License-out（对外授权）交易频现天价，金额屡创新高。相较于传统研发，AI技术可将药物发现周期缩短近40%，研发成功率从12%提升至14%，预计2026年全球AI制药市场规模将达29.94亿美元。这一系列数据不仅印证了行业的增长潜力，也为AI在制药领域的应用价值提供了客观注脚。
而在成熟药企针对已有明确成药路径的靶点开发中，AI更多承担的是分子优化、成药性预测等“加速器”功能。多位嘉宾指出，初创平台试图切入传统方法无法企及的领域，这正是AI技术最大的想象力所在；但若仅仅停留在优化现有流程，其创造的边际价值难以支撑高昂的估值与持续研发投入。
事实上，过去两年全球AI制药领域遭遇了多起临床失败案例，使得资本市场对“AI发现分子”到“临床成功”之间的鸿沟有了更清醒的认知。业界逐渐认识到，AI并非魔法，其预测精度仍受限于训练数据的质量与生物复杂性本身，夸大技术替代性的叙事在当前环境下显得脆弱。
因此，区分“锦上添花”与“雪中送炭”的应用场景，建立可量化的投入产出比评估体系，是AI制药企业在资本收紧周期中证明自身必要性的首要任务。李春园进一步强调，行业需要警惕将传统统计学方法包装为AI概念的现象，真正的技术壁垒体现在对生物复杂系统的理解深度与数据闭环的构建能力上，而非停留在算法模型的参数规模竞争。
落地之困：算力安全与工程化瓶颈
相较于初创平台的灵活性，成熟大药企对AI技术的引入面临着更为现实的工程与安全约束。信达生物AIDD部门于去年组建，其核心职责明确为“输出好靶点、输出好分子”。
信达生物AIDD高级总监陈珊透露，在推进过程中，最大的阻力并非来自传统药化团队的排斥，而是底层基础设施与算力安全。传统企业出于数据安全与知识产权保护的考量，对公有云算力持高度警惕态度，目前仅允许在极小范围内试用；整个私有化数据中心直到今年年中才搭建完成，导致AI辅助药物发现的结果产出比预期晚了半年到八个月。
这一案例暴露出AI制药在产业端落地的真实困境：算法模型之外，算力部署、数据治理、安全合规构成了沉重的隐性成本。
在中国《数据安全法》《个人信息保护法》以及人类遗传资源管理条例的多重约束下，药企对研发数据的出境与上云顾虑重重，这使得AI模型的训练与部署需要在严格的合规框架内进行，进一步拉长了技术落地周期。
陈珊的案例并非孤例，它反映了整个传统制药行业在数字化转型中的典型阵痛：既要追赶技术浪潮，又不愿以牺牲核心数据资产为代价。尽管面临基础设施周期的拖累，AI在3D分子空间探索上的优势正在工业界显现。
陈珊分享道，传统药化科学家在设计中往往需研读大量专利分子、想象药效基团，经过50至60个分子的多轮迭代才能摸索出方向；而AI能一次性学习上千个专利分子，目前信达内部的分子产出比例已达20%由AI生成、80%由药化团队完成。
这一比例不仅预示着AI正从辅助工具向核心生产力演进，也折射出大药企对新技术“既渴望又审慎”的复杂心态——只有跨越企业内部流程整合、数据孤岛打通与信任建立的鸿沟，AI才可能真正嵌入制药工业的主价值链。
未来之路：本地部署与长期复购
在药企与外部AI技术公司的合作模式上，一场关于“云端还是本地”的博弈正在展开。陈珊直言，大药企出于安全性与合规性考量，排斥云端或单纯调用API的模式，更青睐本地部署。这意味着，一个AI原生企业若能够将AI模型及其持续迭代的能力进行本地部署，形成长期的复购关系，从技术平台角度而言，会是一个比较现实的商业模式。
这一判断为当前处于探索阶段的AI制药企业提供了一种思路：单纯依靠公共数据和通用算法构建的模式面临较大挑战，深入理解制药工业的合规要求、安全诉求与管线逻辑，并将技术嵌入药企的内部价值链，有助于换取可持续的订单与收入。
值得注意的是，这种“本地部署+持续服务”的模式，实际上也在重塑AI制药企业的成本结构与收入曲线。相比早期按项目收费的轻资产模式，嵌入药企内部的AI供应商需要承担更重的前置实施成本，而一旦跨过信任门槛，其客户粘性与续约率则可能相应提升。
在这个意义上，AI制药的竞争从实验室里的算法精度比拼，延伸到了对制药工业Know-how的理解、对客户合规需求的响应能力，以及将技术转化为注册性临床价值的全链条服务实力。李春园的判断亦与此呼应，他指出“风口浪花来得快退得也快，最后能留在沙滩上的，永远是那些把技术做进管线、把价值算进账本的人。”
展望未来，随着资本耐心逐步收窄，AI制药赛道或将经历一轮结构性调整。临床验证能力薄弱、缺乏垂直领域专有数据、仅依赖算法包装的企业，可能面临更大的出清压力；而拥有高质量数据资产、具备工程化落地能力，并能与药企形成长期共生关系的参与者，更有机会在退潮后的市场中构建可持续的商业模式，推动人工智能从制药产业的“概念装饰”逐步转化为“价值基石”。
内容导读
