AI落地Best Practice · 企业与业务成品 · 2025-09-02

AI驱动下的医药产业端变革—基于华兴伙伴的洞察 | 华兴观点

AI正重塑全球医药产业格局,中美政策加持下AI制药迎来爆发式增长。

核心内容:

  1. 中美AI医疗政策布局与全球竞争态势
  2. AI制药领域里程碑式商业合作案例
  3. 从机器学习到生成式AI的四次技术跃迁

人工智能正以不可逆转之势深刻重塑全球科研范式与医疗生态。政策维度的战略布局正为AI在科研与医疗领域的应用注入强劲动力,其中国家层面的顶层设计尤为关键。2025年8月26日,国务院印发《关于深入实施“人工智能+”行动的意见》,不仅提出至2027年实现新一代智能终端、智能体等应用普及率超70%的目标,更明确将医疗保健、生物科技列为AI融合重点领域,标志着我国以战略级行动推动AI与科研医疗深度结合;同期美国发布《赢得AI竞赛:美国AI行动计划》,通过投资自动化云实验室、开放高质量数据集等90余项政策强化技术主导地位。这种全球性战略聚焦,叠加中美AI模型性能差距逐渐缩小的竞争态势,使得AI在科研与医疗领域的深度应用,成为培育新质生产力、重塑全球创新格局的关键变量。

医药产业层面,以AI制药行业为例,已迎来爆发式增长的里程碑时刻,商业化价值加速兑现。2025年6 月,阿斯利康与石药集团达成52.3亿美元战略合作,凭借AI引擎驱动的药物发现平台刷新中国AI制药BD 纪录;仅两个月后,晶泰控股与DoveTree的59.9亿美元“AI+机器人”新药研发合作,进一步验证智能技术对药物研发效率与成功率的颠覆性提升。这些交易背后,是AI从靶点筛选到临床试验的全流程赋能,标志着智能研发模式已获得商业市场的认可。从基础研究到临床应用,从技术突破到产业落地,人工智能正以“技术-产业-政策”的三角驱动模式,开启科研与医疗创新的全新时代。

AI在科研与医疗领域的深度应用,根植于其技术体系的持续迭代。从早期依赖人工设计规则的传统模式,到生成式、多模态AI的应用,如今具备自主感知、决策与执行能力的Agent智能形态,AI技术已完成多轮关键突破,为科研效率提升与医疗场景革新奠定核心基础。

2012年以前:机器学习时代——统计算法与先验知识驱动

此阶段AI以传统统计算法为核心,需依赖人工提取特征与领域先验知识,在医疗数据处理、科研变量分析等场景中应用范围有限,难以处理复杂非结构化数据(如医学影像、生物分子结构)。

2012-2017年:深度学习时代——数据驱动的模式突破

随着深度神经网络技术成熟,AI进入数据驱动阶段,可直接从海量数据中自主学习特征,在医学影像识别、基因序列初步分析等领域实现精度提升,但其性能高度依赖标注数据质量,跨场景泛化能力较弱。

2017- 2022年:大模型时代——Transformer框架的核心赋能

2017年谷歌提出的Transformer框架,凭借自注意力机制解决了传统模型的长程依赖问题,为大模型发展提供关键支撑;其中AlphaFold2借助该架构实现蛋白质结构预测精度达实验水平,2024年相关成果获诺贝尔奖,直接加速药物研发与疾病机制研究进程。

2022年起:生成式AI及多模态模型时代——从 “识别” 到 “创造” 的医疗科研突破

2022年ChatGPT发布标志生成式AI进入大众视野,其从“理解现有数据”向“生成新内容”的能力,为科研与医疗领域带来全新可能;而多模态模型的快速迭代则进一步打破数据类型边界,为科研与医疗领域带来 “跨模态融合创造”的全新可能。当前生成式AI已能辅助科研人员设计新型候选药物分子、模拟病理生理过程,同时在医疗场景中可快速生成个性化诊断建议初稿,显著缩短科研周期与医疗服务响应时间。

2025年起:AI Agent——自主决策的科研医疗 “智能助手”

2025年被视为“AI Agent元年”,比尔・盖茨曾指出“未来5年内将进入AI Agent时代,其将改变人与计算机交互方式、颠覆软件行业”。当大语言模型的竞争进入白热化、开源模型的进展日新月异,实现“科技平权”的时候,人们不得不重新思考相关公司的破局之道,而AI Agent在垂直行业的应用显然是个巨大的、有待挖掘的机会。

近期Coscientist(Google发布的AI科研助手)、ChemCrow(化学智能体)等成果的出现、海外独角兽OpenEvidence的火爆,以及国内企业的萌芽(如晶泰科技的内部产品“AI项目经理”、若生科技的Noah AI),显示出AI Agent在制药行业的广阔前景。

AI Agent将重塑药物研发的工作流程,最终促成行业进入数据驱动、工作流驱动、并且高度自动化的新阶段。

从院外的产业端视角来观察AI医疗的趋势,我们可以观察到AI作为一个不断拓新的技术,在研发环节和药物形态上不断突破并取得进展,并结合诸如分子动力学、自动化实验室等技术,在不断破解底层“Science”的密码。并逐渐拓展到除了药物本身以外的更多下游应用形态。在此过程中,AI医疗企业作为参与方,也完成了从工具提供者到产业共建者的华丽转身。展望未来,我们观察到具身智能和机器人技术的外溢在医疗领域不断拓展软硬结合的应用,以及Agent作为释放员工价值的新形态,正赋予行业更大的想象力。

趋势一:技术不断渗透——AI制药在各类新形态药物、各个研发环节的持续渗透

随着生成式AI等新技术的不断渗透、包括mRNA、多肽在内的新形态药物的逐步成熟,以及AI制药企业与传统药企在药物开发及临床环节的合作加深。AI制药应用的场景在变得更广、更深,体现在:

随着生成式AI等新技术的不断渗透、包括mRNA、多肽在内的新形态药物的逐步成熟,以及AI制药企业与传统药企在药物开发及临床环节的合作加深。AI制药应用的场景在变得更广、更深,体现在:

在临床前环节打开了新的技术栈,并延伸至临床阶段:例如在靶点发现及验证环节,包括AlphaFold以及其类似的算法正在实现对于蛋白质结构和动力学的建模,虽然尚不能实现对于冷冻电镜的替代,但得以从原理上开始探索蛋白质瞬时结构之外、动态的互作机制,预测药物分子与靶点蛋白质结合后蛋白质结构的变化过程,推断药物与靶标蛋白结合的稳定性,从而提升AI药物设计的精度和效率(例如高维医药自主构建的全球最大人类蛋白质互作网络,显著提升成药性预测效率,为攻克“不可成药靶点”等难题提供了创新路径);在临床环节,国内头部AI制药企业基于自身和药企的大量合作,已经开始探索临床患者分层、临床结果预测、实验设计及优化,乃至虚拟患者的相关技术。有望突破AI仅能在临床前环节发挥作用,而无法切入价值巨大的临床环节的“魔咒”。

由小分子药物向大分子乃至新形态药物拓展:尤其在蛋白质领域日新月异的进展,AI得以对此前难以进行建模的蛋白质结构及功能预测、此前公开数据集不足的新形态药物领域实现渗透。例如在抗体药物领域,新技术正在实现蛋白质的从头设计(De novo design)以及抗体的性质预测;在mRNA领域,序列的设计及优化、递送材料(如LNP)的设计正在逐步出现AI赋能的解决方案,例如剂泰医药聚焦AI驱动的纳米材料设计,其自主开发的AI纳米基座大模型及AiLNP、AiRNA、AiTEM三大平台,已实现肝、肺、肌肉、心脏等多器官靶向递送突破。

趋势二:底层密码破解——AI+分子动力学+自动化实验室赋能下的AI4S

AI4S代表了科学研究第五范式的兴起,它通过人工智能技术处理和分析大规模科学数据,揭示数据间复杂关系,帮助科学家更快更准确地理解生物系统中的复杂现象。在医疗领域,这一变革尤为显著,AI4S新范式通过整合多源异构数据、构建精准预测模型和实现高通量实验验证,将传统“试错法”转变为“理论预测-模拟验证-实验优化”的智能化研发流程。

分子动力学模拟是破解生命底层密码的关键工具,它能够在原子级别上模拟生物分子随时间推移的运动和行为。传统分子动力学模拟受限于计算资源和算法效率,难以模拟足够长的时间尺度和足够大的系统,而AI的引入改变了这一…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/AIyiliao/2025090262471.html