創新藥行業的BD行情，已階段性結束。 受AI類股持續的資金虹吸效應影響，創新藥類股整體承壓，頭部上市企業均出現不同程度回呼，就連此前與AI關聯度最高的“AI製藥”賽道，也未能走出獨立行情。 7月9日，港股“AI製藥第一股”英矽智能發佈2026年半年度業績預告。公告顯示，公司預計上半年實現收入約1.025億至1.065億美元，同比大幅增長272.7%至287.3%；淨利潤在3350萬至3950萬美元之間，成功實現同比扭虧為盈；經調整淨利潤預計為4550萬至5150萬美元。 對於本次扭虧盈利的業績表現，英矽智能表示，主要得益於公司持續推動營收增長，同時實現了整體經營效率的系統性最佳化，對外授權、聯合開發及研究合作協議帶來的收入均實現穩步提升。

近日，全球龍頭投行高盛發佈了一篇題為《投資策略：做多中國AI價值鏈》（Trading Strategy: Long China AI Value Chain）的報告。 報高盛分析師Louis Mille在其中明確寫道：“中國AI行業已正式進入我們的視野之中。” 一句話概括報告的核心觀點，就是中國AI資產在市值、營收貢獻與全球資金組態三者間存在嚴重錯配。 根據高盛測算，中國 AI 相關企業總市值約 4 萬億美元，貢獻全球 AI 相關營收的 16% 左右，但全球共同基金科技板塊投向中國的組態比例僅約 1.2%。

2026年5月13日，港交所的鐘聲為一家“送快遞”的公司而鳴。劑泰科技（7666.HK）登陸港股，募資超21億港元，市值逼近300億，創下年內醫療健康IPO紀錄。但這家公司賣的既不是藥，也不是裝置，而是“精準送達”的能力。它被資本稱為“製藥界的SpaceX”，因為它要解決的，正是困擾醫藥界半個世紀的終極難題：找到了能治病的“核彈”，卻常常找不到投送的“導航”。 01 從“找藥”到“送藥”：AI製藥的“下半場”拐點 過去幾年，AI製藥的熱度一直集中在“發現”（Discovery）環節——用大模型預測分子結構、篩選靶點。英矽智能、晶泰科技等先行者已經證明了AI能極大縮短“從0到1”的時間。 但行業很快發現一個殘酷的現實：找到藥，不等於藥能起效。

2026年5月13日，有著“全球AI藥物遞送第一股”之稱的劑泰科技，正式在港交所敲鐘上市。這只新股剛一開盤，股價就直接暴力拉升，較發行價10.50港元飆漲超180%，市值輕鬆突破340億港元，最終報收23.8港元，大漲126.67%。 事實上，早在公開發售階段，劑泰科技就拿下超6900倍的超額認購，創下年內最高紀錄。公司還以近7300億港元的凍資規模，一舉超越曦智科技，強勢登頂2026年港股“凍資王”。 全球最大資管巨頭貝萊德（BlackRock）豪擲5000萬美元領銜，瑞銀、韓國未來資產、日本歐力士、華登國際、高瓴、IDG資本等集團押注。 那麼，這家僅成立6年、尚未實現盈利的公司，是怎麼把故事講通，並讓一眾大佬心甘情願掏錢的？

劑泰科技這次IPO，最吸引市場的數字當然足夠誇張：香港公開發售超購6910.96倍，鎖定資金超過7300億港元，成了2026年至今港股醫療健康IPO裡的「凍資王」。但這件事的重點不只在打新情緒，也不只在AI概念的熱度，而在港股終於出現了一個同時踩中AI製藥、核酸藥物、奈米遞送三條主線的稀缺標的。過去幾年，AI製藥講得最多的是「更快找到靶點、更快篩出分子、更快推進候選藥物」。但藥物研發不是只要找到分子就能成功。尤其是mRNA、RNAi、基因編輯、蛋白藥物這些新一代療法，真正難啃的環節經常出現在後半段：藥物能不能穿過細胞屏障，能不能到達指定器官，能不能降低毒性，能不能把脫靶風險壓下來。劑泰科技切的就是這層。它並不想做一家單純靠某條管線定價的Biotech，而是試圖把AI模型、奈米材料、脂質庫、高通量篩選和遞送驗證整合成一套平台。換句話說，市場現在搶的不是一家「AI講故事公司」，而是一個可能成為核酸藥物時代底層工具箱的公司。 資金搶的不是新股熱鬧 而是AI製藥的下一層基礎設施劑泰科技這次上市，把港股AI醫療的情緒直接打穿了。公司此次全球發行約2.01億股H股，發行價每股10.50港元，集資最多21.13億港元；公開發售回撥後佔20%，一手500股，入場費約5302.95港元，並於5月13日在港交所掛牌。公開發售錄得6910.96倍認購，國際配售則獲得超過280家機構下單，錄得可分配額度82倍超額認購。這已經不是普通新股熱度。它更像一次資金對港股AI醫療稀缺資產的集中搶籌。原因也很清楚。AI製藥過去的核心敘事，多數圍繞「找藥」。英矽智能講AI藥物發現，晶泰科技講AI+機器人實驗室和藥物驗證，劑泰科技切入的是「藥物遞送」。三家公司放在一起，剛好對應AI製藥產業鏈的不同基礎設施層：前端找藥，中段驗證，後端遞送。2026年的資本市場對「AI+醫療」已經沒有那麼好糊弄。單純說自己用了AI，估值很難穩住。資金更願意看見兩個東西：一是AI到底解決了那個剛性瓶頸；二是這個瓶頸能不能變成可收費、可授權、可複製的商業模式。劑泰科技踩中的，正是藥物研發裡很硬的一道檻。核酸藥物、mRNA、RNAi、基因編輯療法的潛力很大，但這些藥物天然脆弱，容易降解，進入人體後還要面對免疫反應、細胞膜屏障、器官靶向和毒性控制。遞送能力如果不夠，前面發現出來的藥物再漂亮，也可能卡在臨床和產業化中間。Moderna在解釋其mRNA技術時就提到，mRNA需要被包裹在脂質奈米顆粒中，以保護其免受體核心酸酶降解，並幫助其進入細胞質。這個表述足夠直觀：遞送不是外包裝，而是mRNA藥物能否工作的前提。劑泰科技要做的，就是把過去高度依賴經驗和試錯的遞送研發，改造成資料和模型驅動的過程。它的核心平台NanoForge整合了大規模脂質庫、AI基礎模型、METiS智能體、量子化學與分子動力學模擬，以及AI驅動的高通量篩選平台，並在此基礎上形成AiTEM、AiLNP、AiRNA三大方案。這一套平台的商業價值，在於它瞄準的不是單一藥物，而是新一代療法共同面對的「送達問題」。招股相關資料顯示，NanoForge可將小分子藥物製劑研發周期從1至2年縮短到3個月，並支援肝臟、肌肉、腫瘤、免疫系統等多個器官或組織的靶向遞送。公司還稱已建構超過一千萬種結構多元化脂質庫，為靶向遞送奠定基礎。如果AI藥物發現解決的是「藥從那裡來」，劑泰科技想解決的就是「藥怎麼到達」。這個位置沒有前者那麼容易講故事，卻更接近臨床和產業化的痛點。 港股AI製藥開始分層

中國正從”世界工廠”，轉變為全球頂尖人才的”創新工廠”。3月29日，一則消息震動全球醫藥圈，AI製藥公司英矽智能宣佈與美國製藥巨頭禮來公司達成了一項重磅合作。其合作首付款高達1.15億美元，總價則達到27.5億美元，約188億人民幣，另外還包含產品上市後的潛在銷售分成。而格外引人矚目的是，這家名為英矽智能的公司，是由一個歐洲人在美國創辦，卻因為無法在美國生存發展，轉而遷移到中國香港，然後依託中國市場才獲得了今日的成功。資料顯示，英矽智能不過300多人的規模，它能撬動如此大的交易，關鍵靠了對AI的前瞻性佈局。在傳統製藥行業，人們用“雙十定律”來形容新藥研發的殘酷。投入10億美元，苦熬10年時間，成功率卻不足1/10。英矽智能則是全球最早利用AI製藥的先行者之一，它自主研發的軟體平台Pharma.AI，包含靶點發現、分子設計與生成、臨床試驗結果預測等模組，實現了全流程的智能化，可大幅縮短藥物研發周期，節省研發成本，提高研發效能。如，傳統方法從靶點發現到確定臨床前候選化合物，平均需要4.5年時間，而英矽智能僅用12~18個月。所需合成的測試分子數量及相應成本，更是降到了傳統方案的1/10。英矽智能創始人Alex因此宣稱，他們的50個人，比得上傳統製藥公司的5000人。多個權威媒體推測，英矽智能與禮來的交易核心是一款臨床前口服GLP-1藥物，也就是當下爆火的減重藥。借助AI的能量，英矽智能將這款藥物做到了“同類最佳”。作為世界上第一家市值兆美元的醫療公司，禮來選擇夥伴的標準極為嚴苛，這次27.5億美元的合作，堪稱行業最頂級的背書，也是傳統製藥巨頭對AI製藥的一次“官方認證”。而英矽智能成功的背後，則是一個歐洲人在美國和中國之間的夢碎與圓夢之旅。在Alex的辦公室裡，擺放著一張照片，照片上的人是中國醫藥巨頭藥明康德的創始人李革。正是這位伯樂，將Alex拉出了創業的泥潭。1979年出生於拉脫維亞首都裡加的Alex，是學霸中的學霸。他在加拿大女王大學攻讀電腦和商業雙學位，在美國約翰霍普金斯大學深造生物技術碩士學位，後來又在莫斯科國立大學獲得物理及數學博士學位。2006年，由於任職的公司被AMD收購，年僅27歲的Alex便實現財務自由，帶著幾百萬美元投入到熱愛的抗衰老研究領域。2012年前後，他注意到AI在圖像、語音和文字識別方面進步飛速，因而萌生一個大膽的想法：如果用數十萬篇醫學文獻、研究項目等資料訓練出醫學領域的AI，是不是能夠加快藥物開發的處理程序。2014年，感覺時不我待的Alex，在美國創立了英矽智能，成為了世界最早的一批AI藥物研發者。▲Alex，圖源：英矽智能創業的前幾年，Alex最常做的事情就是向外界展示AI在製藥行業的能力，但無人相信他的商業模式，更無人願意給他投資。英矽智能因此長期徘徊在低谷，最困難時期，是靠Alex賣了所有房產，才勉強維持運轉。直到2018年，Alex遇到了世界醫藥外包巨頭，中國企業藥明康德創始人李革。起初，李革對於AI技術也不敢信任，但他願意給Alex一個機會：如果英矽能在短時間內用AI演算法，針對一個激酶靶點設計出有活性的化合物，就給予投資。結果，Alex團隊僅用40多天就完成了，傳統模式下需要數年才能完成的任務。見證奇蹟的李革，果斷領投了英矽智能。見證了中國精神與中國速度的Alex，對比審視了美國和中國的創新創業環境，然後決定把未來押注在中國。2019年，Alex將公司總部遷到中國香港，隨後又在上海成立研發中心。讓他下定決心的還包括，中國在整個醫藥創新的產業與市場環境。雖然AI在靶點發現、小分子生成、虛擬篩選等方面擁有超能力，但光靠AI是無法製造出藥物的。中國有從實驗室創新到臨床驗證的全產業鏈，建立了宛如“熱帶雨林”般的生態，能夠更快地將AI發現的成果進行生物學和化學的驗證。中國政府所提供的創新創業支援，以及豐富的人才儲備，就更讓Alex感到超出預期的驚喜。最終，這一切都體現在英矽智能的命運逆轉之上。起初，英矽上海的研發中心只有財務、人事、生物學家寥寥數人。但Alex很快就找到了他的中國合夥人——擁有15年製藥行業資歷，曾在跨國製藥巨頭葛蘭素史克負責小分子藥物研發，還任職過上海美迪西生物醫藥公司副總裁，成功助力公司上市的任峰博士。在任峰的帶領下，僅僅兩年多時間，英矽上海研發中心就建立起近150人研發團隊，成為公司的絕對核心。原先主要提供AI平台服務的英矽智能，也從此擁有了藥物研發能力。▲諾貝爾獎得主邁克爾·萊維特擔任科學顧問，身後兩位分別是Alex和任峰為了更加融入中國市場，Alex還改變公司的組織架構，由他和任峰共同擔任公司CEO，他自己負責AI平台的迭代最佳化，任峰則負責藥物研發業務，一起推動公司駛入了快車道。2021年2月，英矽智能獲得了全球首例完全由AI驅動發現的，針對特發性肺纖維化疾病的新靶點，並設計了全新化合物。兩年之後，針對該靶點開發的候選藥物ISM001-055獲批進入II期臨床試驗，這也是中國第一例由AI研發並進入臨床階段的候選藥物。傳統藥企完成從靶點發現到提名臨床前候選化合物，通常需要4年半的時間，研發費用至少幾千萬美元。而英矽智能的這款藥物僅用時18個月，費用還不到270萬美元。截至目前，英矽智能已經建立了超過30條內部研發管線，其中10個項目獲批臨床試驗，涵蓋腫瘤、免疫、代謝等多個疾病領域。當越來越多的藥企開始正視並取經AI製藥，英矽智能也形成了多元化的商業模式。比如，一些藥企盯上了它的軟體平台Pharma.AI，全球排名前20的製藥巨頭中，已有13家購買了平台軟體的授權，以加速和最佳化自身的藥物研發流程。諸如復星醫藥、賽諾菲等，也與英矽智能達成了戰略合作，共同研發某些藥物。而其最核心的業務模式，則是諸如與禮來合作的BD交易，即將研發中的藥物授權給大藥企。至今，其BD對象還包括Exelixis、美納里尼等藥企，前者獲得了8000萬美元的預付款，後者的交易總額則超過5億美元。良好的業務前景，尤其整個產業的AI加速，也讓資本普遍看好英矽智能的增長潛力。2025年12月30日，英矽智能於港交所主機板成功上市，創下當年港股生物科技類股最大IPO紀錄，首日收盤市值約167億港元。Alex是因為對抗衰老的興趣和研究，走上了醫藥的道路，繼而再成為AI製藥的先驅。如今，當英矽智能已然走上坦途，他又把延緩人類衰老當成了自己的終極目標。而且，他相信，中國最能夠實現這一夢想。因為，這裡有龐大的市場和足夠的資本，有完善且高效的生態系統，有全球罕見的“一站式”資源和能力，支援從0到1的創新，以及從1到N的規模化跨越。▲圖源：英矽智能“在中國，我們可以快速合成分子、進行分子測試、開展小鼠實驗、猴子實驗，推進人類臨床試驗。這也是為什麼如今全球大多數新藥都源自中國。”他說。而若有人對此表現懷疑，英矽智能的成功，本身就是個例子。出生於南非的馬斯克，出生於台灣的黃仁勳等等“外國人”，最終都在美國創業，圓了所謂的美國夢，也助力了美國產業經濟的前進。當中國從“世界工廠”加速轉向“創新中心”，也必將吸引全球頂尖人才，吸引越來越多的“Alex”，到這裡創業，到這裡圓夢，到這裡，讓中國夢成為世界更多人的夢。 (華商韜略)

據IPO早知道消息，中國證監會國際合作司於3月23日披露了《關於劑泰科技（北京）股份有限公司境外發行上市及境內未上市股份“全流通”備案通知書》。這意味著，劑泰科技稍早前已通過保密形式向港交所遞交上市申請，並有望很快披露PHIP檔案並完成掛牌上市。成立於2020年的劑泰科技由美國工程院院士陳紅敏博士以及MIT科學家賴才達博士、王文首博士聯合創立——作為一家人工智慧（AI）驅動奈米材料創新的生物科技公司，劑泰科技專注於利用靶向藥物遞送和發現技術，幫助生命體戰勝疾病和衰老，重獲健康和活力。截至目前，劑泰科技自主開發了全球首個人工智慧驅動的奈米遞送平台NanoForge，並擁有當前全球最大規模千萬級LNP脂質庫——基於NanoForge，劑泰科技打造了三大核心解決方案：AiLNP（AI奈米遞送系統設計平台）、AiRNA（AI mRNA序列設計平台）、AiTEM（AI小分子製劑設計平台），現已具備實現精準靶向肝臟、肺部、肌肉和免疫細胞等8個關鍵器官或組織的LNP遞送能力，在多器官、多組織靶向遞送難題上取得突破性進展，為腫瘤、代謝系統疾病、自體免疫性疾病、神經系統退行性疾病等提供成藥機會，也在器官水平上為生命體抗衰提供可能。其中，劑泰科技的管線MTS-004是中國首款完成III期臨床的AI賦能製劑新藥，有望填補國內PBA治療領域藥物空白，有效幫助漸凍症和吞嚥困難的患者改善生命質量。此外，劑泰科技通過首創的“火箭+衛星”遞送新範式，正在建構“在人體特定器官內高效啟動抗腫瘤免疫”的新一代免疫治療策略，其管線MTS-105通過美國FDA孤兒藥認定，有望成為全球首款mRNA編碼TCE實體瘤療法。成立至今，劑泰科技已獲得晶泰科技、峰瑞資本、原始碼資本、紅杉中國、光速光合、五源資本、中國人壽、人保資本、中國人壽、招銀國際、國壽股權、Monolith、中金資本、太平香港保險科創基金、北京市醫藥健康產業投資基金、大興區產業投資基金等知名機構累計超25億元人民幣的投資。 (荷馬國際香港)

近日，生物科技知名意見領袖Raminderpal Singh博士發表了他對2026年AI製藥的發展預測。Raminderpal Singh擁有超過30年的軟體開發、產品管理和市場推廣經驗，現任20/15 Visioneers全球AI與生成式AI負責人、生物技術公司Incubate Bio的聯合創始人。他曾領導IBM Watson基因組分析業務，並擔任Eagle Genomics微生物組部門負責人。在他看來，進入2026年，AI藥物發現正處於臨床驗證與市場波動的關鍵拐點。未來一年，要麼將證實該行業長達十年的投資邏輯，要麼將迫使行業對預期進行根本性調整。核心觀點：1、III期臨床試驗資料成為決定性考驗：2026年AI藥物能否真正有效，將由III期臨床結果首次大規模驗證。2、監管指南正式落地實施：FDA與歐盟將於2026年確立AI在藥物研發中的高風險應用監管框架。3、投資理性取代市場狂熱：資本正從炒作轉向聚焦頭部企業，行業進入整合與淘汰階段。4、早期發現周期縮短，但臨床階段無加速：AI顯著提速早期研發，但無法突破臨床及監管等剛性瓶頸。5、智能體變革科學工作流程：基於可驗證獎勵的強化學習正催生能自主執行多步科研任務的智能體。6、自主實驗室加速擴張，但仍處於實驗階段：自動駕駛實驗室雖快速部署，尚不能獨立產出經驗證的候選藥物。7、中國AI保持領先地位：中國AI藥企交易佔比持續上升。8、蛋白質結構預測走向成熟，但未能解決藥物發現核心難題：結構預測是必要條件，但不足以確保成藥成功。9、資料質量仍是主要障礙：低品質與碎片化資料仍是AI項目失敗主因，聯邦學習或帶來階段性突破。10、首個AI發現藥物有望獲批：若進展順利，首個AI藥物或於2027年前後獲批，標誌技術合法性確立。預測一：III期臨床試驗資料成為決定性考驗2026年最具影響力的進展將是III期臨床試驗結果，這將決定AI能否大規模產出真正有效的藥物。目前最先進的AI設計藥物正進入關鍵試驗階段，全年預計將有多項臨床資料公佈。這些結果將首次大規模檢驗AI是否能提高臨床成功率，打破製藥行業長期存在的約90%失敗率困境。積極的III期資料可能驗證基於物理學的AI設計在特定靶點上的有效性，有望推動監管申報，並在2027年逐步進入審批階段。然而，從歷史淘汰率來看，出現更多臨床失敗的機率依然較高。一些人士質疑AI是否能從根本上改善臨床結局，他們指出，AI發現的化合物與傳統方法發現的分子在進展率上並無顯著差異。III期資料可能僅體現出試驗周期的縮短，而非療效的提升。預測二：監管指南正式落地實施FDA的AI指南草案有望在2026年定稿，要求申辦者為高風險AI應用制定可信度評估計畫，並提交關於模型架構、訓練資料及治理機制的詳細檔案。歐盟AI法案的高風險條款將於2026年8月2日生效，部分藥物研發AI可能被歸類為高風險應用。這為在監管關鍵應用中使用AI的製藥企業設定了新的合規要求，但監管場景下AI模型驗證的具體要求仍未明確。製藥企業正等待分類標準的進一步明確，以區分“低風險”的早期發現工具與影響監管申報的“高風險”應用。該指南重點關注影響監管決策的AI應用，明確將早期發現排除在外。這意味著目前大多數AI藥物發現應用均不在監管範圍內。預測三：投資理性取代市場狂熱市場預測顯示，AI藥物發現市場規模將從2025年的約50-70億美元增長至2026年的80-100億美元，部分估算表明，生成式AI有望為製藥行業整體帶來每年600-1100億美元的價值。然而，2025年的市場趨勢顯示，小型AI藥物發現企業正面臨生存壓力。多家企業儘管獲得了大量資金支援，仍徹底倒閉；另有企業宣佈裁員20%以上，部分企業則尋求退市。風險投資仍集中在資金充足的頭部企業，而小型企業則舉步維艱。預計市場整合將持續，實力較強的企業將收購陷入困境的資產，而弱勢企業將徹底退出市場。預測四：早期發現周期縮短，但臨床階段無加速AI驅動的工作流程將顯著縮短早期發現周期30%-40%，並將臨床前候選藥物研發時間縮短至13-18個月（傳統方法需3-4年）。抗體設計領域的進展顯示，命中率達到16%-20%，遠超0.1%的傳統計算基準，這是靶點到候選藥物轉化效率的真正進步。然而，臨床試驗持續時間、監管審查周期及生產規模化處理程序仍未改變。生物學特性、患者招募及監管要求構成了AI無法繞過的剛性約束。“藥物研發速度提升10倍”的說法，混淆了臨床前階段加速與整體研發周期的概念——這種誤導性表述損害了行業可信度。AI在早期發現階段展現出可量化的價值，但並未從根本上改變製藥研發的經濟模型。該技術僅縮短了多年研發流程中的一個環節，並未改變瓶頸步驟的效率。預測五：強化學習智能體變革科學工作流程一個重要的新興趨勢是，將帶可驗證獎勵的強化學習（RLVR）應用於訓練能夠自主完成多步驟研究任務的科學智能體。與依賴專家演示資料集的監督學習不同，RLVR通過計算驗證（如程式碼執行或實驗驗證）提供客觀獎勵訊號，指導智能體訓練。目前，多家機構正部署將大型語言模型與強化學習相結合的框架，實現文獻綜述、假設生成、實驗設計、資料分析及結果總結的自動化。這些系統採用多輪互動環境，智能體採取行動、接收反饋，直至完成任務。訓練架構將模型部署與智能體邏輯分離，實現平行執行和規模化部署，避免依賴衝突。關鍵技術創新：該架構由三個要素組成——模型（封裝推理端點）、資源（提供工具實現和驗證邏輯）、智能體（協調互動過程）。這種分離使智能體能夠非同步呼叫模型進行推理、呼叫資源執行工具，打造真正自主的科學助手。實際應用：科學強化學習（RL）環境目前已覆蓋數學、科學文獻研究、分子克隆問題及多步驟科學問題求解。經RLVR訓練的智能體能夠將預訓練階段習得的技能組合成新的工作流程，實現特定科學目標——這是單純監督學習無法實現的能力。關鍵侷限：當前自主系統擅長執行預定義的實驗方案，但在初始假設失敗時，缺乏創造性問題解決能力。人類科學家在戰略決策和處理意外結果方面仍不可或缺。此外，基於RLVR的訓練方法在初期可能學習進度緩慢，後期才呈現陡峭的學習曲線——這種模式需要足夠的耐心和計算資源支援。預測六：自主實驗室加速擴張，但仍處於實驗階段自動駕駛實驗室將迅速普及，多家機構將部署機器人設施，並為自主實驗室籌集大量資金。這些“閉環”系統通過24小時不間斷運行實驗，加速設計-合成-測試-學習周期。AI的應用也將從發現階段延伸至臨床試驗營運領域。然而，自主實驗室尚未展現出獨立發現經驗證藥物候選物的能力。濕實驗室機器人與干實驗室AI的整合在組織層面仍面臨複雜性，需要大量資本投入，只有資金充足的企業才能承受。侷限：儘管強化學習智能體取得了進展，但執行方案與真正科學發現之間的差距依然存在。該技術僅加速了迭代過程，無法替代科學洞察力。預測七：地緣政治緊張背景下，中國AI保持領先地位中國AI藥物發現企業將繼續保持優勢地位，其在全球生物技術授權交易中的佔比已從2023-2024年的21%提升至2025年第一季度的32%。然而，地緣政治緊張、資料安全擔憂及監管審查帶來了巨大不確定性。部分重大合作公告涉及的企業成立時間較短，公開業績記錄有限。西方企業在華投資面臨嚴格審查。風險評估：西方製藥企業在獲取中國AI能力與管理地緣政治、監管風險之間面臨艱難權衡。預測八：蛋白質結構預測走向成熟，但未能解決藥物發現核心難題先進的蛋白質結構預測模型在預測蛋白質、DNA、RNA及配體相互作用方面，較傳統方法提升了50%以上。新模型將能力延伸至結合親和力預測，成為成熟的量產技術。然而，精準的結構預測並不意味著靶點可成藥或分子研發成功。當前模型在處理構象變化方面仍存在困難，且存在持續偏差。競賽結果顯示，新模型在蛋白質-配體相互作用預測上並未顯著優於舊方法。核心洞察：最優應用方式是將AI與基於物理學的最佳化相結合，而非單純依賴預測。結構預測是藥物發現成功的必要條件，但並非充分條件。預測九：資料質量仍是主要障礙對科技高管的調查顯示，68%的受訪者認為資料質量低下和治理不善是AI項目失敗的主要原因。由於成本、隱私法規及資料共享限制，具有生物、藥理學和臨床註釋的高品質、嚴格篩選資料集依然稀缺。聯邦學習平台將逐步興起，通過隱私保護架構整合專有資料。然而，技術挑戰包括跨機構資料標準化、智慧財產權問題及計算基礎設施需求。客觀侷限：行業面臨的根本挑戰並非演算法複雜度，而是資料可獲得性。這一障礙在2026年不太可能完全解決，但聯邦學習方法可能帶來階段性進展。預測十：首個AI發現藥物有望獲批，但並非確定無疑若2026年推進監管申報並獲得FDA優先審查，首個AI發現藥物可能在2026年末或2027年初獲批。更現實的獲批時間範圍是2027-2028年。許多“AI發現”藥物仍涉及大量人類干預，導致成果歸屬難以界定。獲批之時，也不會在一夜之間變革藥物研發，但將驗證AI作為合法發現工具的價值。在獲批之前，整個領域仍處於“概念驗證”階段。無論多少合作、融資或會議報告，都無法替代監管批准和商業成功。結論：審慎樂觀2026年是AI藥物發現的關鍵考驗之年。該領域已從投機性技術發展至早期臨床驗證階段，但承諾與表現之間的差距依然顯著。III期結果將決定AI能否大規模產出有效藥物，而非僅僅縮短臨床前周期。對於我們這些為科學工作流程開發AI應用的人而言，核心資訊十分明確：專注於特定流程的可量化改進，而非宣揚革命性突破。AI縮短了早期發現周期，提高了特定應用的命中率，實現了複雜生物資料分析。能夠自主進行科學推理的強化學習智能體的出現，標誌著自動化能力的真正進步。這些有價值的貢獻，值得行業持續投入。然而，AI尚未解決臨床驗證、監管批准和商業成功的根本挑戰。這項技術是強大的工具，而非萬能藥。 (智藥局)