一文读懂AI医药全貌：年吸300亿元、分明三梯队的AI医药有多火？融资一轮又一轮？一笔国外订单最高达到331亿元，接近传统药企每年的研发投入。在国内市场，保守估计规模将达到2040亿元。BAT字节跳动、华为等互联网龙头企业争先恐后投入竞争。有的企业甚至在一年内完成了三轮大规模融资……△图源：北大前沿交叉研究院量子比特智库，国外名校教授，麻省理工学院博士纷纷加入创业，部分学生已收到国外名牌大学博士offer已退学加入……然而，与资本热潮形成鲜明对比的是行业发展现状：国内今日上市的AI药企为0家，且他们甚至都没有实现盈利；国外AI药企上市后股价狂跌。目前，全球还没有一款人工智能研发的药物成功上市。从各家初创公司的公开资料来看??，管线刚刚进入一期临床试验的只有2家国内公司和8家国外公司。如今行业最初的热情已经过去，质疑声也愈发凸显：AI医药行业究竟是未来投融资的星轨，还是披着技术幌子的PPT泡沫？AI技术本身的数据瓶颈及其在医药领域的作用，真的能挽救传统药企日渐式微的利益吗？AI医药何时真正落地？在采访了数十家机构后，我们写了《AI制药深度产业报告》，试图描述AI医药行业的国内外现状，以及这个行业面临的困难和机遇。AI制药“时间地图”AI制药，更准确地说，应该是“用AI预测药物”。没错，现阶段的AI并没有真正打破传统的医药研发体系，甚至从研发流程来看，AI优化不到40%。这样的定位加剧了AI医药的“矛盾感”：一方面，药物发现是整个药物研发过程的基石，是药物创新最有希望的突破口；另一方面，药物开发中60-80%的临床试验成本，无法通过AI优化。这种矛盾感还体现在人工智能药物的融资情况、技术定价和研发实施上。单看融资情况，你会认为AI医药是一个非常“钱景”的行业。中银证券数据显示，仅2020年，我国AI+医药融资项目数量就翻了一番，当年融资总额同比增长约10倍。此后，全球至少有11家AI药企获得了超过1亿美元的大额融资。而这个数据依然呈上升趋势：△数据来源：中银证券据动脉橙报告，“AI+医药”成为2021年资本最热门的赛道之一，全球融资77笔，总计45.6亿美元（约人民币307亿元），其中12.4亿美元在中国市场募集。同时，AI+药企的生存前景也十分乐观。A轮约53%的公司进入B轮；38%的B轮公司成功进入C轮；46%的C轮公司进入D轮。看看AI公司的变现方式，似乎也有投资潜力。参考仁慈招股书中的数据，单从自主研发管线的价格来看，AI药企设定的首付款和里程碑付款价格并不低，尤其是二期临床试验后，首付款仅此一项就可以达到近亿美元。△来源：QubitThinkTank但结合研发情况，有强烈的矛盾感。比如目前业界还没有AI预测的药物上市，甚至没有进入二期临床的药物上市。同时，AI制药尚未出现突破性的核心技术，能够证明AI药物发现（AIDD）的可靠性和可持续性，能够替代或优化传统的计算机药物发现（CADD）流程。量子位智库数据显示，即使是增长最快的AI预测药物，也只是通过了动物试验，进入了第一阶段的临床试验。在增长最快的AI预测药物中，中国仅有3条管线。虽然国外已有近16个管线进入临床试验，但都还处于一期阶段。△图源：量子比特智库的情况导致2021年以来资本热情逐渐降温：目前国内没有一家AI医药公司完成上市，也没有一家公司实现盈利。至少有7、8家境外上市公司股价暴跌，几乎无一例外。事实上，从以往的经验来看，药物研发本身失败的概率极高，无数新药临床试验的投入最终付之东流，再次增加了AI预测药物上市的不确定性。尤其是这些药物还没有进入二期临床试验，不能保证一定能上市。自1961年“反应素事件”以来，能否验证药物的有效性一直是所有新药上市的最大门槛。如果不能提供可信的安全数据、对患者明确的获益数据等“实质性证据”，该药极有可能在这个阶段夭折。显然，在这段时间里，大部分资本都会观望，直到AI预测的一种药物进入并通过二期临床试验。与传统药企相比，AI药企的规模并不大。在临床试验风险和成本极高的情况下，这种“失败的可能性”要么转嫁，要么只能由企业自己承担。这样，AI药企形成了两大商业模式。首先是转移研发风险的CRO（合同研究组织）模式。公司将“外包”给传统药企或其他公司，利用AI技术预测甲方需要的药品。二是愿意自己承担研发失败风险的自主研发管线模式。公司手握药物和技术专利，一旦上市成功或达到特定的货币化点（如临床前研究），就可以转让或收取专利费赚钱。如何决定做CRO还是做自研管线？一是资金状况。自主研发管线所需资金极高。不缺钱的企业可以直接开发自己的管线；想自研管线但缺乏资金的企业，可以先通过CRO外包赚钱，再将赚来的钱用于自研管线。另一个是定位差异。相比传统药企企业掌握的大量医药相关理论，CRO更适合“跨界创业”玩家，快速推出自己的AI技术招牌；自主研发的管线对制药经验和资源的要求更高。事实上，目前CRO在国内更受欢迎。与之相比，其盈利速度更快，变现模式更清晰，且无需承担后续临床试验的风险成本。另外，对持有AI药物专利不感兴趣，只卖技术服务的公司也只能做CRO。由此衍生出第三种商业模式——专门做技术平台，将AI医药软件卖给其他公司进行预测研发，但目前国内真正收费的公司寥寥无几。显然，AI药企的定位和技术优势将在很大程度上影响其商业模式的选择。目前，入局玩家众多，从国内外名牌大学的博士教授，到互联网巨头和传统药企??，再到资本再孵化，呈现多元化趋势。首先是博士教授的创业案例。名牌大学的教授。以景泰科技为例，是MIT量子物理博士回国创业的典型案例。由于公司的优势在于AI技术，可以利用量子物理的理论研究引领行业，景泰科技明确表示将专注于CRO模式，而不是自研管线。也有大学教授转化研究成果的案例。例如，华神智药由UIUC终身教授彭健创立。此前，在蛋白质分子预测领域取得了相关成果。这家初创公司将专注于技术平台的创建和提供。之后，互联网巨头和传统药企??也纷纷入局。前者在算法算力上有自己的优势，很容易借助互联网本身的影响力迅速扩大自己的“势力范围”。借助算力优势，快速建立上下游关系。后者在药物研发方面经验丰富。在此基础上，成立了AI医药研发团队。例如，阿斯利康、默克、辉瑞和梯瓦与亚马逊、以色列生物基金会共同成立了AIONLabs。最后是资本创业和基金孵化的情况。现金流充足，甚至投资人自己转型AI创业。比如，科银生物创始人王奕凯，曾任锋锐资本副总裁。公司成立后，获得锋锐资本。投资。量子位智库数据显示，2025年AI医药市场规模有望达到72亿，2035年将达到2040亿。一时间，众多玩家涌入AI医药赛道。但从目前的情况和玩家的现状来看，无法仅凭技术实力或资金优势来判断AI药企的发展前景。谁才是真正的玩家，最有希望率先推出首款AI新药的公司？谁能率先将首款人工智能药物推向市场？标准和维度很多，但有四个核心维度是行业绕不开的：01.管线数量和研发进度制药过程复杂，失败率高，从临床审批到审批是一个极其漫长的过程，研究到最终营销。对于现阶段来说，管线数量是实力最直接的体现之一。前面说过，管线分为自研管线和对外合作管线（CRO）。对于自主研发的管线，企业可以在特定节点传递管线结果，如新靶点、候选药物等；他们也可以在CRO的帮助下进入临床阶段。一旦研发成功，获得市场专利，利润将非常可观。但自研管道的风险也很明显：支付方式不明确，同一条管道上会与其他公司竞争。因此，在关注AI药企的自主研发管线时，更需要关注其研发进度和所选药物方向的潜力。相比之下，CRO模式下的合作管线数量是判断一家公司技术实力更直接的方式。CRO是指AI药企完成传统药企的一项特定任务。首次付款后，根据任务的进展情况（如药物发现-合成-完成临床研究）确定合作价格，也称为里程碑付款。据量子位智库测算，国内管线平均首付280万美元，里程碑价格根据具体药物波动较大，建成后甚至可达数百亿美元。谁获得更多合作管线，就意味着其技术实力得到更多药企认可，更多资金投入研发，进入良性循环。参照Exscientia与赛诺菲2022年初在国外的一项合作，首期付款1亿美元，完成任务后，将获得一份52亿美元的“天价合同”，折合人民币约331亿元。元。量子位智库数据显示，2023-2024年将出现一批进入二期临床的AI预测药物，而首个成功上市的AI药物最早将于2026年左右出现。在药物上市前，合作管线的数量和自研管线的开发进度是判断AI药企技术实力的方向之一。02、稳定可靠的数据来源对于AI医药行业来说，除了钱，最缺的就是数据。传统药企普遍不愿意输出作为核心资产之一的研发数据集。不过，在量子比特智库看来，数据对于目前领先的AI药企来说并不是问题，甚至可以取得更具行业竞争力的业绩。因此，如何获得稳定可靠的数据也是判断AI药企竞争力的重要标准。总体而言，获取AI数据的方式有以下四种，其稳定性和可靠性也在逐步提高：（1）公开/第三方数据集对当前AI医药行业意义重大，但时间不长长期利益，无法帮助企业获得核心竞争力。而且现有目标的可用数据越多，勘探越充分，开发价值越薄。(2)虚拟数据这种数据获取方式是AI通过物理建模生成训练数据，通常是基于青霉素等较老的目标来产生数据，短期内没有太大价值，主要为预测模型提供训练数据以提高预测的准确性。（3）自主采集/对外合作数据对于有明确自主研发管线/基础定位的企业，可通过自建团队采集相关数据，或与药企进行数据合作。在国外，成立于2015年的Tempus为医院、肿瘤科医生、肿瘤中心等提供优惠的基因测序、数据结构化、病理图像分析和生物建模服务，并建立了自己的肿瘤基因组学+临床数据库。耗时4年建立了世界上最大的癌症数据库之一，拥有美国近1/3的癌症数据库。我国杨森药厂在2020年与腾邦达成合作，并公开表示合作的主要驱动力不是算法而是数据。(4)通过智能实验室，自主产生实验数据的方式主要是指在实验室进行干实验之外，直接进行湿实验，自主产生数据，形成干湿闭环。与传统湿法数据采集速度慢相比，采用高通量、智能化、自动化、可控、CV识别细胞形态等相关技术，可以大大提高数据采集速度。就生物学而言，干实验是通过计算机模拟和生物信息学方法进行研究。湿实验是在实验室中利用分子、细胞和生理学的试验方法进行研究。干湿实验相结合，将帮助AI制药初创企业在数据方面建立自己的新竞争壁垒。这种认知已经在业界达成了共识。除了生物人才和计算机人才组成的跨团队，这样一个平台的建立还需要强大的硬件支持，包括实验设备和计算资源，以及整合这两种资源的能力。目前，包括百度圣图、景泰科技、影思智能在内的国内领先的人工智能医药企业都拥有这样的实验平台。在资金充足的情况下，国外领先的AI药企已经出现直接收购拥有独家数据和技术的上游企业。例如，Schr?dinger收购XTALBioStructures以扩展自身的结构生物学能力，RelayTherapeutics收购ZebiAI以获得其机器学习能力和大型数据库。因此，正如量子位智库分析的那样，传统药企在数据上整体具有优势，但它们并非来自过去积累的数据，而是拥有完整的实验平台。对于资金雄厚的AI制药初创公司来说，这个门槛并不高，可以快速更新到同级别。03、合作药企的认可随着传统药企智能化团队的建立，算法不一定会成为AI药企的长期竞争优势。如前所述，AI医药并没有打破传统医药行业的研发流程。除了自建实验室平台“无所作为”，AI药企与药企的合作同样重要。因此，合作药厂的数量和这些药厂的行业地位也成为了一个直观的评价标准。目前，领先的AI医药初创企业在与传统医药企业的合作中逐渐呈现垄断。以国外Exscientia为例，披露了与罗氏、拜耳、赛诺菲、葛兰素史克、住友、Evotec等顶级药企的合作。当然，传统药企与AI药企的合作是双向的：药企提供数据库和专业知识，反过来又需要AI药企提供技术。因此，与传统药企的业务合作也成为AI药企最常用的模式之一。据深度医药情报显示，截至2020年，全球44家领先的传统医药企业中，93%完成了合作布局。尤其是罗氏、诺华、辉瑞等全球TOP10药企中，与AI药企的合作平均达到6次以上。除了合作药企的地位和数量认可，AI药企选择的CRO企业也是参考来源之一。在传统医药行业，CRO有着特殊的地位，而这一特点在AI医药行业也会延续。AI药企可以成为传统药企的CRO，但反过来，AI药企也需要自己的CRO，包括数据合作伙伴、化验和实验供应商等，完成申请审批、数据收集、检测等临床任务.对于AI药企而言，CRO的选择将在很大程度上影响其临床项目和商业化进程。04.突破“AI效率提升”的单一特征。众所周知，目前人工智能药物的一个应用场景是提高化合物筛选的效率，但这往往是在已有的靶点和化合物数据库的基础上进行的。但随着药厂内部AI团队的建立，新的AI药企准入门槛不断提高。此外，当前行业重合度较高，大部分公司的管线都已经基于成熟标的。发展。换句话说，利用人工智能来提高药物发现的效率在这个行业并不新鲜。目前，领先的AI药企已经衍生出利用AI探索“医药无人区”的创新能力。因此，对于初创企业而言，在业务场景或技术上有自己独特的切入点是非常重要的。这可能需要AI药企从底层理论出发，包括重新定义医学问题，创造性地运用物理、化学等多学科视角，重新定义药物研发中的场景和问题，用多种原理来弥补药物研发中固有的错误和问题。人工智能模型。不确定性并提高其效率。最后，在这四项评判标准下，哪些选手能够拔得头筹呢？根据量子位智库的全球AI医药格局图，虽然头部玩家多为外资企业，但也可见景泰科技、影思智能等国内玩家：AI医药赛道火爆之后目前，不少国外著名大学的博士教授带着他们的项目和理论回国创业，也在迅速弥补国内医药行业技术创新能力的不足。这一次，在新技术驱动的医药创新浪潮中，中国会不会有世界级的药厂？有趋势，更有潜力。
