李昀 | 撰文
王晨 | 编辑
5月13日，剂泰科技在香港交易所挂牌上市，成为“AI药物递送第一股”，获18家基石投资认购，首日大涨126%。
剂泰科技向来被归在“中国AI制药四小龙”的梯队里。其中，晶泰科技于2024年最早上市，也是“18C”下首家上市企业；英矽智能于次年上市，公开发售部分录得超1400倍超额认购；深度智耀目前已获数十亿美元融资，目前正处于Pre-IPO轮。
这些公司大都成立于2015年左右。彼时，正值中国进入创新药投资狂潮。科创板、港股18A相继放开，一级市场大量美元基金和产业资本涌入生物医药；与此同时，AlphaGo之后，AI被赋予了巨大的想象空间。而“AI+Biotech”自然成为最容易获得高估值的交叉赛道。
因此，在这批AI制药公司的身上，能看到一些共性：高叙事、高估值、但兑现时间较晚、兑现水平目前并不明朗。
一名投资人也聊到当年给AI制药做估值时的难点：在2020年左右，许多AI制药公司甚至还无法提供充分真实数据。而上述的AI制药四小龙，算是在这一点上表现较优的，因此能拿到大量投资。“但由于缺乏数据，浪潮的来和去都特别猛烈，其中死掉的公司也不算少。”
如今，上个时代的AI制药故事算是即将画上休止符：那些活下来的公司，已经接近一级融资周期的终点。而与此同时，弗若斯特沙利文数据显示：全球AI赋能药物研发支出从2020年的54亿美元增长至2024年的137亿美元，其复合年增长率为26.1%——这意味着，接下来将有更多AI制药公司出现，而大浪淘沙势必也会更加残酷。
根据CB Insights的数据，到2023年，全球已有200多家初创AI制药公司处于融资状态，而到了2024年，这个数字已经翻了一倍多。
在如此繁花丛中，投资人们该如何抉择？AI制药公司的形态总体上又发生了哪些变化？上一轮的投资泡沫和二次复苏又为投资人们提供了哪些经验？
-01-
沉渣泛起还是真实繁荣？
如果是在这个领域摸爬了超过5年的从业者，就不可能不记得在2022-23年左右AI制药产业的泡沫危机。在此之前，AI制药的融资车轮几乎完全靠着AIphafold、Chatgpt、Deepseek等大模型的爆火推动，但无论对于投资者还是创业者而言，这一交叉领域都比AI科技的发展不成熟很多。
2022年，寒冬初现，随后带走了这种不成熟模式下的许多企业。有投资人回忆，当年接触的初创企业中，有超过七成即将面临现金流断流。
当年，就连如今作为龙头的那四家公司也饱受质疑。晶泰科技在2021年时也经历过50家国际机构融资竞标、额度达到8亿美元、投后估值达到19.68亿美元的盛况。然而，随着2022年生物医药市场环境的失速，公司不得不搁浅了美股IPO的计划。而英矽智能的四次递表、屡败屡战也能体现出当时行业的艰难。
这其中当然有融资大环境的影响。但抛开这点不谈，技术背后缺乏规律性总结、没有最终产品面世、发展主线和商业化通路模糊，这些都是阻碍AI制药企业获得融资的原因。
上述投资人提到，在最早一批AI制药投资潮里，不少企业的路演内容提到的还是“拿已经知道答案的数据重新喂给AI，由此来测试模型预测的准确性”。即使如此，在泡沫破碎之前，还是有不少投资人相信其中潜力，即使公司模型还没有展现出任何前瞻性功能。
即使一批企业最终存活并且成功完成融资轮，但上述投资人承认，其中有一定运气的成分。“如果按照现在的标准去回看，不乏比较严重的误判。”
而从去年开始，AI制药幸存者们带着一身伤痕，再次回归主流视野。和上一次不同的是，这一次他们获得了MNC的背书。
在生物制药的发展史上，MNC往往起着为一项技术的商业化和普遍化承上启下的作用。
2025年，Isomorphic Labs获得6亿美元融资，并与礼来、诺华建立总额可达30亿美元的合作协议。在中国：晶泰科技在2025年与DoveTree签下总价59.9亿美元订单；英矽智能先后与多家药企达成管线授权合作，今年也和礼来达成了总价值27.5亿美元交易；剂泰科技走的也是平台授权路线，单个靶点合约金高达1.09亿美元。
可以说，上一批AI制药佼佼者蹚出来的商业模式，为新一批公司的投资趋势奠定了基调。
另一名产业投资人提到，如今的标的选择会更关注“可以落地的平台能力”。相较于公司拿几次跑通数据验证成功的案例，投资者更关心的是公司是否有持续推进多个项目、和国内外企业在短期内达成合作并交付的能力。
-02-
从大模型到Agent
AI制药的发展靠的是一套完整复杂的产业链：上游依赖GPU、云计算、生物数据库和自动化仪器；中游是AI模型、分子动力学、机器人实验平台；下游则连接药企、CRO、医院与临床资源。而其中，中游的技术水平起着最关键的作用。
上述产业投资人提到，从上一次AI制药投资热到这一次，中游的投资关注点有从大模型向Agent转移的趋向。
所谓Agent，本质上是：能够自主调用工具、执行任务、迭代反馈的AI系统。和此前大模型不同的是：后者只能对输入的数据进行处理，并完成推理功能；而后者是一套可以进行多步骤计划的闭环系统，因此也被称为具有复合功能的“智能体”。
在最近举行的华人抗体协会年会上，也有演讲者提到：目前AI擅长文献综述和明确定义的编码任务，但在需要与世界互动的科学问题上，仍需人类主导，AI作为辅助工具。在这一点上，Agent可以最大降低人为干预和操作，从而进一步提高效率。
最近几年，一些新涌现的AI制药公司也将Agent作为主要竞争点。比如，望石智慧主打的是全栈式小分子早研智能体，建设了靶点、分子设计、湿实验闭环；摩熵数科则拥有近 60 个生物医药专用 Agent，覆盖研发、立项、临床、市场全链条。
上述投资者也提到，即使目前处于二次投资热的语境里，但市面上仅提供单一功能大模型的AI制药公司竞争仍然激烈，因而很难成活。“可以说，如果公司没有AI和湿实验室的整合计划，那么它已经远远被时代落在了后面。在投资上，会被直接pass掉。”
之所以会有这样的变化，根本原因在于人们在几年对AI制药的观察中发现：模型的生成能力并不必然对齐临床成功率。“大模型能力虽然还在提升，但是边际效应已经出现。从投资者的角度来看，未来的临床成功率的提高空间在于如何让数据反馈更及时、如何把研发流程自动化。”
3月中旬，罗氏宣布扩展其全球人工智能基础设施，在美国和欧洲完成了2176个高性能GPU的部署；同月，礼来也正式启用了其医药AI工厂LillyPod，并与英伟达宣布将在五年内投入超10亿美元建立AI联合创新实验室。
两家MNC合作的英伟达BioNeMo平台采用的是实验室闭环模式。一旦这种模式能大规模应用，将演变成一种贯穿式系统，且与湿实验之间形成可验证的循环。
这也意味着，这一轮的AI热潮，将迅速从投资热转变为真金白银投入的军备竞赛。初创企业们必须舍得进行系统化搭建，才不至于与MNC的整体步伐脱节。
-03-
向机制发起挑战
这一轮AI制药投资热，与上一轮另一个不同点在于：资本关注的焦点，正在从生成分子转向理解生物。
过去几年，大模型、扩散模型和生成式化学迅速发展，使AI第一次能够大规模从头设计药物分子。许多公司已经不再依赖传统筛库，而是直接让模型生成候选化合物，再通过高通量筛选快速优化。
这意味着，一个重要瓶颈正在消失：高质量分子设计本身，越来越不稀缺。
过去，药物研发最大的难题之一是找不到合适分子；但现在，AI已经能够一次性生成、筛选、优化成千上万个候选结构。于是，行业逻辑开始发生变化。上述华人抗体协会年会上的演讲者总结道：未来药物开发更像从目录中选部件并组装，而不再是一次次从零开始重新工程化。
但也正因为如此，新的瓶颈暴露了出来。
行业逐渐意识到：真正困难的，是理解分子在复杂生物系统里究竟会发生什么。上述投资人提到：“AI模型虽然擅长预测分子性质，却往往忽略生物活性、组织特异性等动态问题。越是复杂的靶点，这种问题越是显著。”
他同时提到，就国内目前的公司水平而言，在这一问题上还没有看到太多令人信服的解决办法。但这并不影响已经有一部分企业率先展开探索，而一部分投资人也开始敢于押注。
在这一轮的投资热中，行业意识发生了显著变化：越来越多人意识到，真正决定药物成败的，是对生物系统的理解深度。
因此，越来越多研究开始强调“物理约束AI”。这一方向的核心思想是：把传统物理模型、生物动力学模型与深度学习结合。因为纯AI模型虽然拟合能力强，但泛化性差；它很容易在训练数据中表现优秀，却无法适应新的生物环境。而物理模型虽然精度有限，却拥有更强的可解释性和外推能力。
类似逻辑也出现在PK/PD领域。IBM Research在2024年的研究中提出，用Physics-Informed Neural Networks结合药代动力学微分方程，让模型不仅拟合数据，还必须遵守真实生物动力学规律。
在这种新思维的带领下，一些代表性的企业开始在市场崭露头角：比如以分子动力学为核心技术的Schrödinger，以系统生物学为核心技术的Recursion等，在近些年都获得了和MNC深度合作的机会。
而在中国，这类企业的发展时间较短，在投资市场上也刚刚开始崭露头角。比如华深智药对物理约束的引入，体现在AI生成分子结构或预测蛋白质折叠时，强制要求模型遵守诸如力学稳定构象、静电相互作用等物理化学法则，提高了蛋白质设计的成功率。
当然，一切实质性的技术进展都是从概念开始的。从2021年到2026年，年轻的AI制药行业已经经历了两轮投资周期，业界生态和心态在表象的沉浮之后，也积累了更多内在的经验。概念并不是投资泡沫的原罪，关键在于：行业需要在概念之下发掘出更坚实的锚点。
....
欢迎添加作者交流：
李昀：liyun940820
