接连落地的重磅交易，将AI制药推至医药BD（商务拓展）领域的聚光灯下。近日，剂泰科技与礼来（LLY）达成战略合作，英矽智能与施维雅（Servier）的合作取得首个早期药物发现里程碑，AI驱动的核心技术与管线资产正成为跨国药企竞相布局的焦点。

根据医药魔方NextPharma数据库，截至目前，已有超过1500条药物管线涉及AI的辅助开发以及AI设计。随着应用范围扩大、合作交易持续落地，AI制药的下一道关口也愈发清晰：能否将研发效率的提升，转化为经得起临床验证的疗效与安全性。

跨国药企加码AI制药

从早期的“采购技术工具”，到如今的“重金押注研发平台与自研管线”，跨国药企正用真金白银为AI制药投下“信任票”。

10月20日，英矽智能发布公告称，其与法国制药集团施维雅开展的多年期AI药物发现合作已达成首个早期药物发现里程碑，触发一笔未披露金额的里程碑付款。该合作于2026年1月5日公布，潜在总额最高8.88亿美元。10月19日，被称为“全球AI药物递送第一股”的剂泰科技宣布与礼来达成战略合作，围绕组织特异性LNP（脂质纳米颗粒）递送技术开展研发。

其他跨国药企也在争相落子。10月，阿斯利康与AI公司insitro达成了战略药物发现合作与许可协议，针对代谢功能障碍相关脂肪性肝炎（MASH）与心肌病开展新靶点和创新疗法的发现工作；赛诺菲今年1月与华深智药的海外公司Earendil Labs达成潜在金额最高25.6亿美元的合作……

医药魔方创始人周立运对记者表示，跨国药企加码AI制药，核心驱动力在于其自身早期研发效率与创新能力的不足，以及对AI长期颠覆潜力的战略押注。“MNC（跨国药企）更看好AI长期的布局。”他指出，AI能否真正重塑制药逻辑仍需时间验证，但“绝对不能错过”。

国海证券基于医药魔方数据库AI技术交易量测算，2020年至2025年，全球AI技术交易数量年均复合增长率达30.7%，远高于医药总交易的0.4%。截至2026年7月18日，全球AI交易173起，已达2025年全年的119.3%，医药总交易仅完成2025年的71.5%；按已披露口径，中国贡献了全球约63%的交易总额，以及约79%的首付款。国海证券认为，全球AI制药交易进入加速期，中国正在成为重要增量供给方。

周立运分析认为，中国AI制药资产当前的竞争力主要体现在早期药物发现的工程化能力上：能够更快、更便宜地形成可交易管线。据其判断，中国已在全球药物早研环节占据较大份额。但产业主体仍以快速跟进（fast follow）为主，原创能力不足，高质量实验数据基础仍是短板。

商业化路径多元并进

密集成交的背后，国内AI制药企业的商业化路径各有侧重。

英矽智能是中国AI原生药企的代表之一。依托端到端生成式AI平台Pharma。AI，公司既对外授权自研管线资产，也围绕合作方指定的靶点开展联合研发。大额交易贡献的业绩也开始切实反映在财报表现上：今年上半年，英矽智能实现总收入1.063亿美元，同比增长287.2%，其中药物发现及管线开发业务收入1.031亿美元，占比约97%，推动公司实现上市以来首个半年度盈利。剂泰科技则选择从“药物递送”这一关键细分环节切入。其自主搭建的NanoForge平台已积累超过1000万种脂质结构，形成“平台合作+产品合作”双轮驱动模式。

传统药企在AI浪潮中的角色同样呈现分化。石药集团选择将自有AI平台与递送技术一并对外授权，今年已与阿斯利康达成多笔相关合作。齐鲁制药等药企则选择向外采购AI研发能力，其与英矽智能达成药物研发战略合作，英矽智能将利用自主搭建的Pharma.AI平台，聚焦用于代谢疾病领域的新颖小分子药物设计与优化，齐鲁制药集团将负责后续开发与商业化工作。

中科计算技术西部研究院研究员、图灵-达尔文实验室副主任赵宇对记者表示，目前国内AI制药公司的商业模式主要有三类：一是技术平台输出型，这类模式现金流相对稳定，能快速验证技术价值，也是不少公司起步阶段的选择。二是自研管线型，这条路线对AI能力的验证最彻底，但资产重、周期长，需要较强的资金耐力。三是IP联合研发型，该模式输出的核心是对疾病的深度认知和靶点决策依据，对疾病建模的精度要求最高，也最能体现AI在药物研发中的认知附加值。

对于传统药企而言，赵宇认为，最显著的变化是产业链上出现了新的主体，协作模式由此发生了本质变化。AI公司通常从疾病机制出发，用计算模型提出靶点并推进到PCC阶段；而药企在保有临床资源、注册经验和商业化网络等传统优势的同时，也在通过内部建设、合作共建等方式积极向早期研发和AI能力端延伸。双方的优势领域有交叉、有重叠，但协同的空间反而更大。这种协同早已超越简单的外包采购关系，走向深度的能力互补。

临床验证成为关键节点

AI对制药行业的改造，已开始从工具层面触及研发逻辑本身，而变化越深，就越绕不开临床验证这道关口。

“近期AI给制药行业带来的最核心的变化是：AI开始从‘算药’走向‘算病’。”赵宇认为，随着“计算医学”被正式写入《医药工业发展“十五五”规划》，行业对这个问题的认知正在快速收敛。AI带来的价值远超简单的效率叠加，它实质推动的是研发逻辑的根本切换。当“计算医学”从学术概念变成国家战略规划的一个关键词，说明行业共识已经形成：AI重塑制药的核心，早已超越让旧流程跑得更快的范畴，它正在用新的认知框架重新定义什么是值得推进的药物。

更深层的考验在于临床终点验证。想要突破Ⅱ期临床关口，AI技术仍需迭代。赵宇认为，要过Ⅱ期，AI要从“卷分子”转向“卷疾病”，核心是一次范式迭代，也就是提倡的从FIC走向FID。FID看的是这个疾病是不是第一次被真正解决。研发起点要从“已知靶点配新分子”倒过来，变成“从疾病出发找该干预的节点”。这背后对应的是化学模型和生物学模型二元模型协动：化学模型回答“如何干预”，生物模型回答“干预哪里、为什么有效、对谁有效”。两者不是替代关系，是前后衔接。

“AI制药的核心卡点不在分子设计，而是药效评价和高质量实验数据。”周立运认为，AI设计出大量分子后，仍需回到细胞、动物和临床试验中验证疗效，药效评价卡住，AI迭代就快不起来。在他看来，真正的突破口在于AI药效评估模型，尤其是基于类器官的AI药效评价算法。此外，没有高质量的实验数据就不会有高质量的算法。

在赵宇看来，未来三至五年，AI制药的核心竞争力将主要体现在两方面：一是面向专病的AI-ready数据底座的积累。多组学、空间组学、真实世界临床数据、实验失败数据，能不能围绕具体疾病汇聚成结构化、可计算、带因果标注的高质量专病数据资产，是所有上层能力的起点。二是面向疾病的AI-ready数据闭环能不能做成稳定可运转的平台能力，并且具备面向产业的交付属性。