导读：
东方富海博士后工作站秉承研究发现价值、研究引领投资的理念，对投资实务进行前瞻性研究。“富海洞察”专栏致力于发布工作站系列研究报告，供读者交流探讨。本文是AI赋能生命科学的相关研究，为工作站出品的第32篇报告。
2024年，诺贝尔化学奖授予了利用人工智能（简称“AI”）预测蛋白质结构的科学家David Baker、Demis Hassabis和John Jumper。这是一个明确信号：AI已从工程与计算机领域跨界，深度嵌入基础科学研究。在生物医药这一关乎人类健康与生命的关键领域，AI for Science（简称“AI4S”）不再仅仅是加速药物发现的“辅助工具”，它正在从根本上改变我们理解生命、干预疾病的方式。从AlphaFold2揭开蛋白质折叠之谜，到生成式AI创造全新生物分子，一场由AI4S驱动的范式革命正在席卷整个生物医药产业链。本文将从AI4S的历史脉络切入，深入剖析其在生物医药领域的垂直应用，结合最新政策法规演进与资本市场动向，最终展望这场变革将引领我们走向怎样的未来。
1 AI for Science的演化史
AI for Science（简称“AI4S”）并非一蹴而就，它是计算科学、生命科学与人工智能深度融合的必然产物。AI4S的演进可清晰地划分为三个阶段：概念导入期、大规模基础设施建设期、成熟应用期。这一划分不仅反映了技术演进的客观规律，也揭示了从“单点突破”到“平台化发展”的范式跃迁。三个阶段的概况如图1所示。
▲图1. AI for Science（AI4S）演化三阶段
2007年，图灵奖得主Jim Gray提出了科学研究的四类范式。随着AI的发展与渗透，当前的科学研究正向第五范式AI4S演变。科学研究 范式的演变如表1所示。
▲表1. 科学研究范式的演变流程
AI4S思想的首次出现可追溯至2016年前后。在AlphaGo首次战胜人类冠军而引发全球轰动之际，科学家们已经开始尝试将机器学习等 AI工具用于科学问题的求解之中。2018年，鄂维南院士首次提出“人工智能驱动的科学研究”（即AI for Science，简称“AI4S”）这一概 念，被国内外学者认为是科学研究的“第五范式”。
2020年前后，AI4S正式步入人们的视线。DeepMind推出的AlphaFold2在CASP14大赛中轰动世界，其评估蛋白质三维结构预测准确 性的核心指标（GDT-TS）平均得分达到92.4，接近实验精度。鄂维南院士与学生组成的深度势能团队所孵化的DeePMD项目，凭借 “机器学习+物理模型+高性能计算技术”，首次实现第一性原理精度下亿级原子分子动力学模拟，并获得了当年的高性能计算应用最高 奖——戈登·贝尔奖。
这一阶段的核心特征是概念可行性得到初步验证，主要参与者为科学界，目标是定义适合AI求解的关键科学问题并实现算法突破。 成果呈散点状分布，尚未形成系统性的工程化生态。
AlphaFold2和DeePMD等成果证明了AI4S的可行性后，领域迅速转入基础设施建设期。核心任务从单点突破转向通用平台构建，包括 针对主流任务的训练器、通用模型和数据-算法-算力一体化平台。
一系列“AI原生”的工业级软件开始在药物设计、材料模拟等领域萌芽。AI4S将使我们对药物、材料、能源等领域的理解更加“理性化”，让复杂的科学问题逐步转化为可计算、可工程的系统性问题。AlphaFold2的开源建立了统一的生态接口，使AI从辅助实验升级为替代传统模拟方法。2023年，DeepMind发布的AlphaFold3首次实现对DNA、RNA、小分子、离子等多种生物分子的精准建模；同年，华盛顿大学David Baker团队开发的RFdiffusion模型能够从零生成功能性蛋白质，标志着AI从预测已有结构迈向创造全新结构。
当基础模型和平台工具趋于成熟，行业的主要问题被清晰定义之后，AI4S将迎来大规模应用期。这一阶段将由工程师主导，面向行业研发用户，核心特征是AI从“预测助手”跃迁为“设计者与探索者”。
这个阶段蕴含着两大变革性机遇。其一是“新计算工具定义新研发流程”，它将彻底改变传统科研中“盲目试错”的模式，代之以“大规模计算设计-定向化实验验证”的理性闭环。其二是“软件定义硬件”的深度融合，当AI4S的模拟能力足够强大，它将与自动化实验机器人结合，重新定义“研发”与“制造”的边界。
AI4S的长期愿景是“发现新的科学原理”。AI不仅能解决已知问题，还能从数据中学习未知规律，反哺科学本身，这正是AI4S区别于以 往任何计算工具的地方。
如果说AI4S的历史演进揭示了这场范式变革的来龙去脉，那么它在生物医药领域的垂直应用，则最直观地展现了这场变革的深度与广度。AI4S在生物医药领域的应用已覆盖从基础研究到临床转化的全链条。根据技术路径和应用场景的差异，可将AI4S的垂直应用划分为药物研发、基因组学、合成生物学、自动化智慧研发实验室等板块。这些板块相互支撑、层层递进，共同构成了AI4S重塑生物医药格局的技术体系。
药物研发是AI4S应用最成熟、商业化最成功的领域。传统药物研发面临“双十定律”的困境——十年时间、十亿美元投入，而临床成功率不足10%。AI4S正在从靶点发现、分子设计、临床前评价到临床试验全流程重塑药物研发范式。
靶点发现是药物研发的起点。传统靶点发现依赖文献调研和低通量实验，周期长、成功率低，已知疾病相关蛋白靶点中约被认为是“不可成药”的。在靶点发现中的应用体现在基因调控原理发掘、疾病与健康人群多组学对比、基于自然语言处理的文献挖掘三个层次。英矽智能的PandaOmics平台整合多组学数据分析与自然语言处理，能够在短时间内从海量数据中筛选出潜在靶点。对于“不可成药”靶点，基于分子动力学模拟与AI增强采样技术可捕捉蛋白在纳秒到毫秒级时间尺度下的构象变化，发现静态晶体结构中不存在的隐秘口袋。
苗头化合物发现与先导化合物优化是药物分子设计链条中紧密衔接的两个关键环节。传统路径高度依赖高通量筛选和化学家的经验试错，命中率不足1%。AI将这一过程从串行的“接力模式”转变为并行的“协同模式”，使分子设计进化为“生成预测优化”的高效闭环。在苗头发现阶段，的应用涵盖虚拟筛选、分子生成、药效预测与多靶点筛选等层面。在先导优化阶段，通过活性优化、选择性优化、构象调控与多参数协同优化，将分子设计从静态筛选转向动态学习，自由能微扰方法对结合自由能进行精准评估，AI的介入将高精度标注数据与3D 分子表征结合，实现对亲和力的快速预测。
成药性优化是候选分子从“具有活性”迈向“可用于人体”的关键环节，涵盖理化性质、生物代谢、安全边界与制剂可行性的多学科挑战。活性、溶解度、膜透过性等属性间往往存在相互冲突，高质量ADMET标签数据稀疏且存在样本偏倚。AI在成药性优化中的核心任务包括快速识别潜在风险、协同优化多个指标、提前判断工艺与制剂可行性、形成闭环实验反馈。
在临床前验证阶段，AI技术正推动研究向更精准、更智能的范式转变。原本依赖体外实验的hERG通道抑制检测可被AI构建的深度毒性预测模型替代，动物PK实验正逐步由AI增强的PBPK模型承接。
2.基因组学
基因组学是AI发挥数据驱动优势的核心领域。随着测序技术快速发展，全球基因组研究所产生的数据最高将达到40EB，人类进入了“全基因组可及”的时代。
DeepMind开发的Enformer模型可整合远至100k碱基范围的序列进行基因表达和染色质状态预测，通过结合远端序列相互作用信息，提高从序列到基因表达量的预测精度。2026年1月，DeepMind正式发布了AlphaGenome，该模型进一步将输入序列长度提升至100万碱基，可处理非编码区，同时保持单碱基级别的预测精度，首次实现基因表达、转录因子结合、染色质折叠等多种模态的统一建模，为解析非编码区致病突变提供了前所未有的技术工具。
3.合成生物学
合成生物学通过工程化修改和重设计生物系统使之产生新功能，被中国“十四五”规划列为科技前沿攻关方向，“十五五”又将生物制造列为未来产业发展重点。AI正以系统级建模、强化学习与生成算法重塑合成生物学核心环节。
酶工程与蛋白质设计是合成生物学的核心组成部分。酶工程的核心任务如酶定向进化高度依赖专家经验与重复性实验。AI通过深度学习、强化学习与生成模型，可自动生成合成路径、筛选高性能酶突变体并实现自我迭代。分子之心作为国内领先的AI蛋白质设计平台，其自主研发的蛋白质大模型能够根据功能需求从头设计全新蛋白质序列，整合深度学习、分子动力学模拟与高通量湿实验验证，形成“设计-构建-测试-学习”闭环，已推动AI设计的工业酶和蛋白药物进入临床前开发阶段。在产业应用层面，分子之心已与多家生物医药企业达成合作。
传统代谢通路设计常常呈现“黑箱式”不确定性，实验验证需通过大量试错完成。AI模型能够模拟复杂生物反应系统，精准预测设计路径的可行性、效率与稳态行为，显著提高设计起点质量。
发酵过程优化长期依赖人工经验。AI通过实时监测发酵状态并动态调节参数，突破传统工艺瓶颈，保障规模化生产的工艺稳定性。AI打通“设计-构建-测试-学习”之间的信息闭环，构建高度自动化的工程平台，将工程中的实时反馈快速转化为制造执行，加快从实验室到工厂的转化路径。
4.自动化智慧研发实验室
自动化智慧研发实验室是AI4S从“计算”走向“实验验证”的关键载体。它将AI智能体与自动化实验设备结合，形成“干湿闭环”的研发范式。
智慧实验室的构建通过四个层次的逐步搭建与集成，由自动化走向智能化。单模块自动化聚焦关键步骤，实现操作高度标准化；工作站自动化将多个子模块整合为“即插即用”的实验黑盒；系统自动化通过轨道系统、物流机器人将多个模块串联成无人流水线；智慧自动化是最高阶段，AI主动生成实验假设并控制机器人执行。实验数据实时回流AI模型进行再训练，形成“设计-执行-反馈”的自学习系统。
智慧实验室强调“数据即产物”，致力于打造从采集到存储全链路结构化、可追溯、可被AI直接调用的原生数据体系。通过机器人执行标准化操作，消除人工操作引入的批次间差异和主观误差，系统自动记录每次操作，为每份检测样本自动关联精确的培养历史、处理时间和试剂批次，使海量实验数据不再是孤立的数值，而是带有丰富、准确元数据标注的高质量数据集。
3商业模式：从“卖工具”到“价值共创”
当前AI for Life Science（简称“AI4LS”）领域已逐步形成多种商业生态路径，代表不同企业战略定位与技术能力边界。平台型、管线型与协同合作的模式构成互为补充的生态网络，共同推动AI在生命科学全流程中的融合升级。如图2所示，这些模式不仅存在于药物研发领域，在基因组学、合成生物学和智慧实验室等板块同样形成了各具特色的商业化路径。
在药物研发领域，平台型企业构建通用性AI模型，通过SaaS或定制化服务赋能传统药企与科研机构。晶泰科技作为全球智能药物研发平台的领导者，凭借量子物理、AI与机器人实验深度融合的技术优势，构建了从虚拟设计与筛选到湿实验验证的完整技术链。管线型企业则将AI平台直接驱动项目向临床转化。英矽智能的Pharma.AI平台形成从靶点识别到候选化合物生成的闭环系统，Rentosertib（ISM001-055）仅用18个月完成药物分子发现全流程；合作研发模式成为主流交易形式，交易结构为“首付款+里程碑付款+销售分成”。深势科技与美迪西生物签署协议，构建基于AI4S的早期药物发现及评估一体化AI平台。晶泰科技合作伙伴覆盖全球前20大药企中的17家。2026年1月，晶泰科技与东阳光药达成数亿元战略合作，围绕“AI+机器人”药物研发平台展开系统性合作，共建覆盖药物研发全生命周期的AI药物研发引擎。
在基因组学领域，商业模式呈现出“数据服务化、服务产品化”的特征。多组学数据平台模式的核心是构建大规模、标准化的基因组、蛋白质组、代谢组等多组学数据库，并通过AI分析平台提供数据挖掘和知识发现服务，企业通过数据授权、分析服务订阅或项目合作实现商业化。这类平台通常采用“数据共享+商业授权”的混合模式，学术研究免费或低成本获取，商业应用则收取授权费用。
合成生物学与生物制造领域的商业模式呈现出从“技术输出”到“产品输出”的多元格局。技术平台服务模式的核心是构建AI驱动的菌株工程和酶催化设计平台，为化工、医药、食品等行业客户提供定制化菌株开发、酶制剂优化等技术服务。分子之心作为国内领先的AI蛋白质设计平台，专注于从头设计具有特定催化活性、热稳定性或结合亲和力的全新蛋白质序列，为工业酶、蛋白药物、诊断试剂等领域提供定制化设计服务，其商业模式涵盖项目开发费、技术授权费以及联合研发的里程碑付款。产品开发与自研管线模式则是企业利用自身AI平台开发高附加值生物基产品，通过自建产能或合作生产实现规模化销售，获取产品销售收入。跨界协同模式指的是合成生物学企业正与化工、能源、材料等领域企业深度协作，共同开发生物基替代产品，此类合作通常采用“技术入股+销售分成”的长期合作模式。
自动化智慧研发实验室领域的商业模式以硬件销售、系统集成和“研发即服务”三类为主。硬件销售与系统集成模式的核心是提供单模块自动化设备、工作站或全流程自动化系统的销售和部署服务，客户包括药企、CRO、科研院所和检测机构。研发即服务模式则将自动化实验能力封装为服务，客户无需自建实验室和自动化设备，只需提交实验需求即可获得标准化、高通量的实验数据，这类企业通常拥有自营的自动化实验室集群，面向药企和科研机构提供实验外包服务。生态共建模式则是企业通过与药企、CRO、设备商共建联合实验室或合资公司，深度嵌入客户研发体系，形成长期战略合作关系。
图2显示，从商业模式演进的内在逻辑来看，AI4LS企业正在从单一的“卖工具”走向多元化的“价值共创”。早期阶段，企业主要通过软件授权获取收入，客户支付的是“工具使用费”而非AI创造的价值本身。随着行业成熟，合作研发模式使AI企业能够分享药物上市后的长期收益，促使企业不仅要追求算法的先进性，更要关注分子的成药性和临床价值。平台型合作模式进一步将双方合作上升到战略层面，使AI企业深度嵌入药企的研发体系，持续为多个项目赋能。
▲图2. AI for Life Science（AI4LS）的商业模式
2026年3月，晶泰控股发布2025年年报，全年实现营业收入8.03亿元，年内利润1.35亿元，实现扭亏为盈，成为AI4S领域首家实现全年盈利的港股上市公司。其中，药物发现解决方案业务收入同比增长418.9%至5.38亿元，AI4S智慧解决方案业务收入同比增长62.6%至2.65亿元。这一里程碑事件标志着AI制药行业正式从“技术验证”阶段迈入“价值兑现”阶段，为商业模式从“卖工具”到“价值共创”的演进提供了实证支撑。
4资本市场：从狂热到理性的价值回归
AI在生命科学领域的投资热度经历了显著波动，各细分板块的资本流向呈现出差异化的逻辑演进。据沙利文统计，2019年至2021年，AI+药物研发领域融资快速攀升，2021年全国相关创业公司共有67起融资事件，融资总额约31.5亿美元。2022年热度开始降温，全年融资事件降至49起，金额约6.3亿美元。2023年全年融资事件仅为14起，金额仅约为1.5亿美元。这一回调并非行业衰退的信号，而是资本从“广撒网”转向“重点培养”的理性回归。2024年投融资事件回升至25件，投融资总额较2023年提升44.8%，投融资轮次主要集中在早期阶段，A轮及之前占比52%，种子轮和天使轮占比28%。
药物研发领域是AI4LS融资最活跃、交易规模最大的板块。2025年成为中国AI制药商业化的分水岭，中国医药出海授权交易总额达1356.55亿美元，交易笔数157起。石药集团与阿斯利康达成潜在185亿美元合作，晶泰科技与DoveTree Medicines达成约470亿港元（59.9亿美元）合作。2025年中国市场授权合作交易数量榜上，晶泰科技与英矽智能分列冠亚军，中大型生物科技公司成为重要买家。买方结构发生转变，AI制药企业成为交易主角。资本尤其青睐具备自研管线或已验证合作模式的企业。晶泰科技于2023年在港交所上市，融资约10亿港元，成为AI制药领域首家港股上市公司。英矽智能完成C轮、D+轮、战略融资、E轮多轮融资，IPO前累计募资超4亿美元。
基因组学与个性化医疗领域的资本市场表现出“应用驱动”的特征，资本更青睐具备临床落地能力和商业转化路径的企业。华大基因于2017年IPO融资超5亿元，上市后持续通过定增募资支持AI辅助肿瘤早筛业务研发。康圣环球于2021年IPO融资超20亿港元，后与Biostate AI合资成立的RNA-AI精准医疗平台，是资本推动“数据-AI-临床”闭环的典型案例。
合成生物学与生物制造领域的资本市场呈现“早期布局、多元退出”的特征，资本既关注平台型技术企业，也青睐具备产品化能力的公司。Ginkgo Bioworks于2021年通过SPAC交易募集25亿美元上市，当时估值高达175亿美元，成为全球合成生物学领域融资规模最大的企业之一，与辉瑞、默克等建立超100项合作。凯赛生物于2020年科创板IPO融资超50亿元，成为国内生物制造领域融资规模最大的企业之一。
自动化智慧研发实验室领域的资本市场呈现出“硬件驱动、服务延伸”的特征，资本青睐具备核心技术自研能力和完整产品矩阵的企业。安捷伦于1999年上市，通过多次并购构建了完整的自动化实验解决方案能力。赛默飞世尔通过持续并购整合，成为全球实验室自动化领域龙头企业。晶泰科技于2023年在港交所上市，募集资金中约30%用于自动化实验室建设。
跨领域平台型企业正成为资本新宠。随着AI4LS技术的通用性日益凸显，能够跨越医药、材料、能源等领域提供AI赋能解决方案的平台型企业正成为资本追逐的对象。这类企业通过技术复用、场景拓展、生态共建，将在一个领域成熟的AI模型和计算平台推广到新的应用场景，形成多元收入来源和更强的抗风险能力。晶泰科技从药物研发起步，逐步拓展至材料科学、新能源等领域。礼来与英伟达于2026年初宣布共同投入超10亿美元建设联合实验室，正是资本与产业共同押注AI4LS平台化未来的典型案例。这类平台型企业能够通过跨行业复用技术资产降低边际成本，通过多场景收入对冲单一行业周期波动，因而在资本市场获得更高估值。
在资本逐渐回归理性的背景下，投融资逻辑正在发生深刻转变。相比早期对算法突破或概念创新的单点关注，当前资本更加青睐具备结构化能力的企业，即拥有可验证的技术路线、可扩展的平台架构、可对接产业需求的实际应用路径。资本尤其青睐具备明确技术壁垒、清晰应用场景、可行商业化路径、良好产业协同能力的企业。
根据Biotech AI Report 2026的调研，80%的公司机构计划在未来12个月内增加AI预算，其中23%预计将预算翻倍或更多。尽管市场对单笔交易的评估更为审慎，但对AI在生物医药领域的长期价值依然保持高度信心。数据瓶颈已成为行业共识，这一挑战正推动资本更加关注具备数据积累能力和干湿闭环能力的企业，而非单纯依赖算法创新的团队。中国AI4LS资本市场正在完成从“概念驱动”到“价值驱动”的成熟转型。
5未来展望
AI for Science对生物医药的重塑，本质是一场研究范式的革命。传统“假设-验证”模式受限于人类认知偏见和实验效率，而AI时代转向“数据-模型-预测-验证”的新范式，AI能够探索远超人类想象力的化学空间和生物机制，在提高效率的同时拓展科学边界。
未来5-10年，AI4LS的应用将从单点突破走向全流程闭环。“干湿闭环”成为主流——AI提出设计、机器人湿实验验证、结果回流优化，使“设计-制造—测试—分析”从月级缩短到日甚至小时，前提是数据基础设施完善及复合型人才的涌现。数据成熟度决定AI成熟度，未来的竞争不是奔向最好的模型，而是奔向最好的“数据到决策”循环效率。
从商业价值看，AI制药行业正从“技术验证”迈入“价值兑现”。晶泰科技成为AI4S领域首家实现全年盈利的港股上市公司。从更长远的时间尺度看，终极愿景是借助AI发现新的科学原理，证明AI不仅解决已知问题，更能反哺科学进步。
当前，人工智能技术在生物医药产业的应用已进入实质性落地周期，核心场景和可量化价值已被验证。伴随技术应用的持续深化，资本与商业模式趋于理性与成熟。这是由跨学科协作、理性资本和人类对生命奥秘的持续探索共同促进的。当人工智能与生命科学深度融合，人类不仅是疾病的治疗者，更将成为生命蓝图的设计者。未来已来，AI的浪潮正在以不可阻挡之势，席卷整个生物医药领域。
参考文献：
[1] 北京科学智能研究院. 科学智能（AI4S）全球发展观察与展望2023版. 2023.
[2] 沙利文. 2025中国AI4LS行业发展蓝皮书. 2025.
[3] 国金证券. AI系列深度（二）：AI for Science应用端落地快速开启. 2025.
[4] Google DeepMind. AlphaFold: Five years of impact. 2025.
[5] 医药魔方. 2025中国医药出海授权交易报告. 2026.
[6] 晶泰控股. 2025年年度业绩公告. 2026.
[7] Benchling. Biotech AI Report 2026.
