复刻“半导体时刻”？AI制药版的“瓶颈交易”正在成形，谁是下一个“卖铲人”

10月4日，顶级美元基金Altimeter Capital合伙人Freda Duan近日发文指出，AI制药赛道（AIDD）的"瓶颈交易"正在成形，其结构与此前半导体领域从GPU延伸至HBM、网络、电力的链式行情高度相似。 前沿AI实验室的集体入场是最显著的信号。Anthropic组建了专属生命科学研究团队并建立湿实验室，OpenAI 建立了专为生物学和药物发现设计的 GPT-Rosalind 模型族，字节跳动旗下独立运营的 Anew Labs 已拥有内部药物研发库，同构实验室（Isomorphic Labs）则明确表示将把 AI 设计的药物推进人体临床试验。 与此同时，供应链端的信号同样清晰。DNA 合成商拓斯达生物（Twist Bioscience，TWST）预计2026财年和2027财年的AI药物发现订单将连续实现三位数百分比增长。金斯瑞（GenScript）的 AI 药物发现业务在 2026 财年上半年同比翻倍，渠道调研显示其实际验证产能已达每日约8,000个设计，并有望在 2026 年底前提升至 16,000 个。 在AI制药领域，瓶颈同样在沿产业链向下传递：AI模型产生设计→DNA合成→蛋白生产→实验验证→临床前测试，每个环节都可能成为下一个受益节点。 Anthropic已将生命科学研究提升至战略层级，其湿实验室完成的首个重大项目是利用Claude智能体识别了一种与CRISPR类DNA重复序列相关的、此前未被表征的酶系统。 字节跳动的前AI药物发现部门现已独立运营，更名为Anew Labs，整合了基础模型、湿实验室验证与自有药物管线，字节跳动仍持有多数股权。 这意味着AI药物发现的商业化路径正在分叉：授权给大型药企、合作里程碑+专利费、或直接孵化独立公司。对于下游供应链而言，无论哪条路径，实验需求的增量都将真实发生。 第一，假设生成趋近于零成本，实验验证成为新瓶颈。传统药物发现中，专家筛选候选分子的成本极高，能够进入昂贵验证流程的只有最高置信度的候选项。 第二，失败的实验同样有价值，负样本成为训练数据。Anthropic提供了一个典型案例：Claude设计了1,320个蛋白结合子，Adaptyv将这些数字序列转化为DNA、表达蛋白并测试结合性，最终只有354个成功结合。 但另外966个失败案例并未被浪费——什么不表达、什么不结合、什么亲和力差，这些都是有价值的负向标签，用于训练下一轮模型迭代。传统药物发现只问"候选X有效吗"，AI药物发现还额外追问"这个实验能教给模型什么"。 第三，湿实验室正在从制造药物转型为制造训练数据。TWST明确表示，其业务正在转向从AI设计序列中生成可直接输入模型的结构化实验结果数据。GenScript的序列到结合数据工作流可在4至7天内返回结果。 在部分工作流中，客户关心的可能已不是获得物理蛋白本身，而是将结构化实验结果反馈回模型。TWST和GenScript因此愈发接近"生物数据铸造厂"的角色。 TWST预计FY26的AI药物发现订单增速将达三位数百分比，且FY27的订单增长将延续同等幅度。GenScript的AI药物发现业务在2026财年上半年实现同比翻倍，其平台对外宣传的工业级验证产能为每日4,000个以上设计，配备完整的序列到数据工作流。 在市场规模方面，若AI只是更高效的研发工具，相关支出池为每年3,000至4,000亿美元的全球制药研发总支出。若AI真正扩大了可行药物项目数量，机会将更大，因为它还将带动DNA合成、蛋白生产、实验验证和临床前工作的增量需求。 此外，从AI公司自身的支出角度也可做出近似估算。若Anthropic在2026年实现800亿美元年化收入，仅将其中1%投入AI药物发现，便已意味着约8亿美元的年度投资体量。 Exscientia的DSP-1181分子在不到一年内从发现推进至I期临床，但随后因未达到目标机制的I期评估标准而终止。彼时的失败有两个明确原因：宏观环境急剧收紧，叠加"更快的发现不等于更好的临床生物学"被残酷证实。 2020/21年的核心逻辑是：用计算减少低价值的湿实验室筛选，AI是搜索效率工具，目标是减少物理实验量，以更少的合成和更少的测试更快锁定候选药物。 2026年的核心逻辑截然不同：用AI大幅扩展假设空间，再用湿实验室生成真实验证数据。其内在循环为：AI→实验→数据→更好的AI→更多实验。AI创造的可用实验数量之多，使物理生物学本身成为瓶颈。 从已有数据来看，2024年一项研究显示，AI发现药物的I期成功率约为80%至90%，高于行业历史平均水平；II期成功率约为40%，与历史平均水平大致相当，但样本量仍有限。 随着更多候选药物被推入临床前阶段，动物实验或将成为下一个受限环节。灵长类动物价格已接近此前高点，CRO产能持续偏紧，AI药物发现进一步压入临床前的候选项只会加剧这一压力。 2026至2027年底，Isomorphic首批AI设计药物进入人体临床试验，更多AI原生项目推进至IND-enabling阶段；2028至2030年，临床试验结果开始揭示AI设计药物是否真正优于传统药物。 长期看，若AI药物在发现阶段和I期表现亮眼，却在II/III期以正常失败率落败，整个投资逻辑将面临根本挑战，这也是为何II期临床结果如此关键。 生物学可能成为AI下一个递归自我改进的前沿——在计算机中设计，在实验室中测试，将实验反馈转化为半合成训练数据，改进模型，周而复始。