【正文】

1. AI制药:大模型厂商跨界入局，MNC大药企持续加码

从资金角度看，当前AI制药存在两股不同性质的资金流：Anthropic、OpenAI、NVIDIA、互联网科技公司等跨界进入，是传统医药体系之外的新增资本，扩大了AI制药的资金供给边界；礼来、赛诺菲、阿斯利康等MNC持续签约，则是传统制药企业内部研发预算向AI能力配置。前沿AI在证明AI 能造出好分子，MNC在证明AI 能更快更省地造分子。两条路径正在快速交汇，AI制药在行业内需和外需增量的双驱动下快速发展。

1.1、大模型厂商参与深度：AI制药由通用能力供给转向研发主流程嵌入

2025年四季度以来，Anthropic、OpenAI、Google DeepMind、NVIDIA、Amazon等前沿模型厂商密集落地生命科学产品与各种解决方案。早期厂商主要将大模型的代码、推理和信息处理能力应用于科研辅助；随着Agent能力增强，AI开始承担靶点分析、分子设计、实验方案生成等更长链条任务，并进一步与自动化实验设备和真实生物数据形成闭环。目前不同厂商选择了不同的产业化路径：OpenAI、Anthropic更偏向输出模型和Agent能力，Google间接通过Isomorphic Labs下场做药，NVIDIA则从算力向生物模型和科研基础设施延伸，字节则直接孵化AI原生Biotech。

科技公司的投入方式正在从软件服务逐步向药物研发基础设施、科学发现能力乃至药物资产本身延伸，AI制药有望成为coding后重要应用方向。

1.2、以Anthropic为例，解析大模型公司布局AI制药路径

早期以Claude辅助文献检索、代码分析和生物信息学任务，2025年Anthropic推出Claude for Life Sciences并通过Claude Science、科学数据库连接器和Agent Skills，将模型嵌入从早期发现到临床、注册等更完整的研发流程；2026年4月，Anthropic以约4亿美元股票对价收购Coefficient Bio，团队并入Anthropic医疗生命科学部门，补全大模型对生命科学的实操理解。2026年6月，公司推出整合60余个科学数据库的Claude Science工作台，并宣布自主运营药物项目，聚焦传统药企因潜在回报不足而投入有限的临床前研究。

2026年8月Anthropic公布的蛋白设计中Claude针对15个蛋白靶点自主设计1,320个denovo binders，最终在14个靶点上获得354个确认binder；多靶点模式下整体命中率达到22.6%–26.7%，单靶点模式最高达到35.1%，明显高于当前蛋白设计约10%–15%的典型水平，其中RBX1靶点命中率达到40%。此外，Claude对原始NMR和LC-MS数据的分析分别在23分钟和19分钟内完成，并与实验室结果基本一致。2026年9月公布的后续结果显示，Claude在不到4周内优化了30多个生物分子模型，使其平均运行速度提高约4倍；在蛋白设计任务中GPU和token综合成本约150美元。大模型的价值不仅在于生成一个候选分子，也在于提高整个研发过程的运行效率与成本节约。

同月推出Model Hardware Standard，推动AI系统直接操控实验设备，让AI从软件协同走向硬件辅助。2026年9月，旧金山湾区湿实验室建成并投入运营。大模型厂商开始向科学发现主体迁移，主动承担研发投入和失败风险。

大药企合作方面，Anthropic已将Claude从通用办公工具进一步导入药企核心研发流程。BMS计划将Claude的Agent能力接入研究、临床开发、生产质量及商业等环节，包括利用BMS内部的分子、临床及科学数据辅助靶点识别和优化，并自动生成临床研究报告、安全性叙述及监管申报材料；与Novo Nordisk则聚焦药物发现，双方将针对Novo科学家和计算团队提出的具体药物发现难题开发定制AI解决方案，并用Claude Science支持生物学推理和研发工作流。

Anthropic的AI制药布局从辅助科研到自主研发，从干实验到湿实验与硬件设备双布局，逐步嵌入到MNC的研发流程中，成为医药研发的常态化支持。其核心价值正在从模型本身向AI驱动的科研闭环迁移。

2、MNC持续加码AI for Science，产业内部AI需求正在加速释放

2026年以来，礼来、诺和诺德等大型药企持续扩大与AI公司的合作范围，交易逐步进入候选药物发现、靶点筛选和临床开发等核心研发环节，AI已经成为MNC研发体系中的实际需求。从当前MNC们公布的AI成效来看，AI在制药工业中的优势在效率提升上显现的最快。效率提高，降低成本，缩短研发周期，对于创新药的高风险管控来说至关重要。

以礼来AI布局为例，解析AI如何嵌入药企研发生态。

在药物研发最前端，礼来首先通过外部AI公司拓展疾病机制和靶点发现能力。例如礼来与Verge Genomics 合作，利用其AI平台从患者数据和疾病生物学中寻找新的治疗靶点；与insitro的合作则利用机器学习整合人群和细胞模型数据，探索代谢疾病的新靶点和治疗机制。与此同时，礼来在2025年与Purdue扩大合作，明确提出利用AI、机器学习和大数据分析探索疾病机制和个体化治疗。

在靶点发现到分子设计阶段，2024年6月，礼来与OpenAI合作，利用生成式AI发现针对耐药病原体的新型抗菌药物。同年，礼来与Isomorphic Labs开展多靶点小分子药物发现合作，借助其AI驱动的结构预测和药物设计能力寻找候选分子。随着外部合作向内部能力沉淀，礼来的重点开始转向利用自身几十年研发数据训练生物医学基础模型。2025年Lilly TuneLab将几十年的内部研发数据训练成AI/ML模型，目前模型已经覆盖小分子和抗体，并用于预测候选药物性质。

Lead优化与临床前开发阶段。2025年9月，礼来与insitro进一步合作，利用礼来几十年积累的临床前数据，训练预测小分子ADMET和PK/in vivo pharmacology的机器学习模型，旨在减少in vivo实验数量、减少实验迭代，并缩短分子优化时间。

从临床前进入临床，礼来与Indiana University正在建设AI-enabled clinical trial infrastructure，应用AI优化临床试验设计、患者招募和临床运营。礼来同时计划利用AI分析基因组和医学影像数据，以发现新的biomarkers、研究疾病进展，并进一步优化患者分层和临床试验设计。此外礼来内部AI项目使医疗写作节省1万小时、医学审阅流程加速200%、累计节省约140万人工小时，极大提高流程运营效率。

生产与CMC阶段。礼来在制造端开始使用数字孪生、AI视检和机器学习。其数字孪生技术已经用于优化药物生产，并帮助提高产量；同时AI视觉检测被部署到自动注射器生产线上。

在常规药物研发流程之外，2025年10月，礼来与英伟达宣布共同建设制药行业规模最大的AI超级计算机，礼来将其定位为服务整个企业AI研发体系。在此基础上也诞生了LillyPod 超级工厂，支撑AI从靶点发现、分子设计到临床及制造的全流程应用。此外2026年礼来最重要的AI布局是与NVIDIA成立的共同创新AI实验室。把AI的计算实验室和礼来的自动化湿实验室连接起来，让AI提出实验、湿实验产生数据、数据重新训练AI模型，形成持续循环。

礼来为代表的AI制药工业发展可以概括成两条线：横向是AI沿药物研发流程不断向前后端渗透，这将是未来药企的常态。纵向则是建立自己的AI算力基础，用自研数据开发AI模型，同时探索AI+自动化的高效研发。

3、AI设计快速生成分子，湿实验成为AI制药竞争的关键环节

AI大模型的分子设计依赖于产出分子实验数据的循环反馈：AI设计→湿实验验证→数据回流→模型迭代→生成更多候选物→进一步增加实验需求。随着模型生成和筛选能力提升，单轮能够进入实验验证的分子数量快速增加，但实验合成、检测和功能验证的通量并未同步提升，传统研发体系难以满足AI时代的大规模、高通量实验需求。实验验证周期仍是制约AI研发效率释放的关键瓶颈。因此，AI制药下一阶段的竞争重点可能不再只是模型参数规模或算法性能，而是高通量合成、检测、实验反哺模型的闭环。AI制药的闭环逻辑放大湿实验需求。

4、投资建议与投资标的

AI大模型的分子设计依赖于产出分子实验数据的循环反馈：AI设计→湿实验验证→数据回流→模型迭代→生成更多候选物→进一步增加实验需求。因此，AI制药下一阶段的竞争重点可能不再只是模型参数规模或算法性能，而是高通量合成、检测、实验反哺模型的闭环。AI制药的闭环逻辑放大湿实验需求。

相关产业链企业有望直接受益于实验验证通量提升。生命科学上游部分相关卖水人情况如下：蛋白表达环节相关上市A股有百普赛斯、义翘神州、近岸蛋白；表征分析环节相关上市A股有皓元医药、毕得医药、阿拉丁；药效验证环节相关上市A股有百奥赛图、药康生物、澎立生物（奥浦迈）。

风险提示

行业需求不及预期；公司业绩不及预期；市场竞争加剧风险等。

参考研报

20260920-华福证券-行业简评-医药生物-大模型+MNC入局AI制药，产业链有望持续受益