【正文】

1、让AI制药迎来行业关键节点，市场空间广阔

AI for Science（AI4S）-AI4S是以人工智能为核心驱动力，通过机器学习、知识推理和自动化技术深度嵌入科学研究全流程，构建“假设生成—实验验证—理论迭代”智能闭环的新范式。

AI制药（AIDD,即AI drug discovery）是指将NLP、深度神经网络，生成模型等AI技术与与传统制药环节相结合，通过数据交叉比对、加速筛选、从头生成等方式，提升新药研发效率，拓展药物创新空间的技术应用。在技术上会同时涉及计算生物学、计算化学、计算物理等方面。在引入了AI进行虚拟筛选之后，除了大幅提升化合物的筛选效率，也形成了新的药物研发方式——干湿结合。这一特点不仅在新药研发领域表现突出，也正有望成为计算生物学等计算模拟领域的新范式，为过往依赖于实验的研究及应用带来新的思路。

截至2024年，在临床前管线中，AI驱动管线已经占到了一半。而在管线总量中，AI驱动管线也已占到10%，并还在以双倍于整体下降的速度增长，未来将可见的对整个新药研发领域起到关键作用。除去目前良好的增长态势外，在结合制药行业特色及行业现状后，量子位分析师认为AI制药还有望迎来下一轮、乃至第三轮爆发式的增长，将具体取决于2023-2024年和2026年左右的两个关键时间节点。

人工智能医药研发具备较大发展潜力。根据Global Market Insight的数据统计，药物研发在全球医疗AI市场中的份额最大，占比达到35%。同时BCC数据显示，AI在医疗健康产业所有应用场景中，新药发现的市场规模和增速均占据第一位，估算2024年市场规模达到31.17亿美元，2018-2024年间复合增速达40.1%。

2、从药研到AI4S：技术迁移性强、空间广阔

2.1、AI+药物研发：在AI加速下，早期药研环节时长能够缩短近一半

传统药物研发遵循“海选-合成-测试”的漏斗模型，通常至少10年才能实现药物资产商业化，需经过1）4-6年药物发现过程，包括25个月靶点到苗头化合物阶段、25个月苗头化合物到先导化合物阶段、10个月先导化合物优化阶段；2）1-2年临床前候选化合物阶段；3）6-7年临床试验阶段；4）0.5-2年的监管审批。AI和物理计算通过切入靶点发现苗头化合物筛选-先导化合物优化-临床前研究几个关键环节优化早期药研的效率。

AI在缩短研发周期已得到多项实证支持：1）晶泰助力辉瑞加速新冠肺炎口服药PAXLOVID研发，通过AI算法与实验验证结合，仅用6周就确认药物优势晶型，加快上市速度。2）Insilico Medicine在特发性肺纤维化项目中实现从靶点发现到临床前候选化合物提名仅用时18个月，仅合成了79个分子即完成。3）Exscientia与住友制药合作，在不到12个月的时间开发出用于治疗强迫症的新兴小分子候选药物DSP-1181。

不断取得的突破性进展也给AI制药的未来带来了空前的想象力。根据CB Insights数据，人工智能技术与生物制药领域的结合不仅将药物发现、临床前研究的时间缩短接近40%还可以节约临床试验阶段约50%-60%的时间。每年近260亿美金的化合物筛选成本和约280亿美金的临床实验费用也可以通过AI制药技术节省出来。我们认为，面对创新药研发领域日趋激烈的同质化竞争，AI技术在药物研发过程中带来的诸多底层创新无疑也展现出了巨大的价值。

2.2、技术演进：从辅助设计到生成创造的跨越，主流AI制药公司各有所长

AI制药技术经过基于物理规则的传统CADD时代、到早期数据驱动的AI/ML时代、再到基于表征学习的大模型与生成式AI时代。核心是平衡计算效率和精准度，以及从辅助设计到全新设计。

1）早期物理计算依赖规则模拟，精确但是缓慢。例如通过虚拟筛查处理100万个分子，在打分最高的1000个分子中通过分子动力学模拟提纯。耗时且计算成本高，在单个CPU上筛选10亿种化合物，每个配体平均15秒对接时间，需要475年，较先进的大规模筛选平台同时利用1万个CPU也需2周左右完成10亿种化合物对接。

2）AI算法带来的是速度与精度的平衡。例如在通过量子力学计算的高精度数据集上训练神经网络，可以保持接近量子物理精度的同时将计算速度提升数个量级。

3）生成式AI核心是扩宽人类已知空间。上述技术主要围绕于人类已知化合物空间进行筛选、模拟、预测，而生成式AI能够生成全新分子结构，生成的新结构可能属于从未见过的结构但是理论上拥有高活性、低毒性、高合成性。

自动化湿实验的核心是提效及形成数据闭环。不论是传统虚拟计算还是AI设计，最终都需要湿实验验证，通过机器人自动化工作站能够7天*24小时的进行实验验证，同时产生成功和失败的标签数据用于迭代AI算法。

当前全球主要AI制药公司在核心技术上的侧重点不同，晶泰控股具备更全栈的能力。1）物理学计算+AI：晶泰控股、Schrodinger。2）侧重生物学表型筛选：Recursion；3）生成式AI为核心：Insilico Medicine、Isomorphic Labs。以数据壁垒、技术广度评估，晶泰控股具备优势。

3、AI制药产业链及国内部分相关企业简介

3.1、AI制药产业链

在产业链上游，制药数据为重要核心，但由于AI制药所需要的数据高度复杂，能否在产业链上发展出相应的第三方，也会在很大程度上影响行业后续的整体发展与进入门槛；产业链中游主要包括AI制药创企、传统药厂（即大型药厂自研团队）和互联网公司，下游主要是各大药企及授权代理商。

3.2、国内部分相关企业简介

AI药物研发——晶泰控股：2025年8月，晶泰科技正式宣布与由哈佛传奇教授Gregory Verdine创立的DoveTree公司达成最终合作协议，合作总金额高达59.9亿美元（约合人民币435亿元），成为2025年中国AI制药领域金额最大的BD交易之一，彰显了国际顶尖科学界对中国AI药物研发平台的认可。

AI药物研发——成都先导：利用公司已经积累的DEL筛选项目的大量数据集，构建靶点-万亿化合物的亲和力预测模型，赋能高质量苗头化合物发现环节；完成了DEL+AI+自动化的DMTA分子优化能力基础设施建设。

AI药物研发——泓博医药：公司于2019年设立了CADD/AIDD技术平台。DiOrion是公司AIDD团队独立自主开发的一站式早期药物发现平台涵盖新药早期研发全流程，采用模块化设计，将项目立项调研、化合物设计、专利分析、活性评估及成药性研究整合至同一系统。

AI药物研发——药石科技：技术团队基于机器学习和全局优化算法开发了生成式AI创新药物分子发现平台（PoLiGo），该平台包含多个功能性模块，如：全新结构生成、基于已有结构的骨架跃迁、结构相似性搜索等。与此同时开发了成药性筛选优化平台、基于深度学习算法的激酶谱选择性预测平台（KinomePro-DL）。

AI制药企业——英矽智能，凭借自建的Pharma.AI平台实现了端到端全流程的AI应用，并有20多种临床候选化合物，其中10种已经获批IND（新药临床研究）。2023年6月，公司的TNIK候选药物完成了临床IIa期的首例患者给药。2025年7月，该候选药物的2期临床数据在Nature杂志发表，实现了AI制药行业首个临床概念验证案例。

4、投资建议与风险提示

尽管人工智能在药物发现与研发领域展现出广阔前景，我们认为其整体仍处于早期应用阶段。当前，生物制药公司已在靶点发现、分子设计及候选物筛选等环节引入AI工具，系统性提升研发成功率与生产力。

从生物制药价值链看，短期内，我们认为价值最确定的应用仍集中于药物发现及高度重复性的研发任务（如分子筛选、结构预测、申报文档处理等）；中长期，行业正尝试将AI延伸至临床试验设计与执行效率提升、成功率改善，以及个性化药物开发。长期看，其在提升研发成功率、降低成本并拓展可开发疾病空间方面的潜力，可能构成生物制药行业过去数十年中最具结构性的技术变量之一。

监管体系亦在同步演进。FDA正在全机构范围内部署AI工具以提升审评效率，2025年推出的内部系统Elsa，有望缩短新药审评周期；同时，FDA于2025年初发布草案指南，以提升用于药品和生物制品申报的AI模型可信度，为行业规模化应用提供制度基础。从。

风险提示

技术迭代风险、市场竞争风险、数据获取风险、商业应用风险、盈利风险、政策监管风险等风险。

参考研报

20260103-湘财证券-英矽智能港股挂牌，AI制药潜力大

20251229-申银万国-晶泰控股（02228）深度：稀缺AI4S领军，空间广阔

20251221-华福证券-AI医疗应用商业化加速，重视AI医疗底部机会

20251218-招商证券（香港）-2026年医疗科技行业展望：AI提效、资本开支复苏与医疗器械政策趋稳

20251211-国金证券-AI制药系列1：创新切入，赛道几何，看全球AI制药寻宝图

20250824-东吴证券-AI制药产业兑现，重点推荐晶泰控股等

20250805-方正证券-“人工智能+”驱动医疗产业革命，AI医疗进入百花盛开时刻

20250718-国开证券-“AI+医疗”商业化进程有望加快