2849
0AI已经能够写代码、做研究，接下来，它能不能帮助人类研发新药？
传统新药研发长期面临所谓的“双十定律”：一款药物从研发到上市，往往需要十年左右的时间，以及十亿美元级别的投入。如果AI能够让研发流程更高效，哪怕只是缩短其中一部分时间，都可能带来可观的商业价值。当下，AI Agent逐渐成熟，开始进入药物发现的核心环节。
在临床前研发阶段，AI参与靶点发现、蛋白质结构预测、候选分子生成与筛选，再通过真实的实验进行验证。实验结果又能反馈给模型，推动下一轮的设计和优化，形成“生成—验证—迭代”的闭环。Anthropic公布的一项研究显示，Claude针对15个蛋白质靶点开展设计，其中14个获得了经实验验证的结合蛋白。尽管这距离新药最终上市仍有很长的路，但AI已经展现出加速药物发现、提高研发效率的潜力。
随着AI制药时代的来临，新的竞争也随之出现：通用大模型公司、专业AI制药企业和传统药企，谁更有机会掌握未来的产业价值？药企多年积累的研发经验和独家数据，是会被AI削弱，还是会成为更重要的护城河？
本期《港股圆桌派》，我们邀请富国基金指数投资部的田希蒙、傅肖依，与主持人单竹岭一起，从AI制药的技术原理聊到产业商业模式都进行了一番硬核探讨：
ü AI制药究竟是什么？它和过去的计算机辅助药物研发有何不同？
ü 为什么AI Agent的成熟，可能成为药物研发的新转折点？
ü 小分子、大分子、靶点和湿实验，分别在药物研发中扮演什么角色？
ü Anthropic和Isomorphic Labs代表着怎样不同的AI制药路径？
ü 当AI能够设计蛋白质，传统药企的研发壁垒还存在吗？
ü 从湿实验到AI-native药企，产业链中哪些环节可能率先受益？
ü AI会改变现有创新药公司的竞争格局，还是打开更大的市场空间？
本期嘉宾
l 田希蒙：富国基金指数投资部指数投资副总监、基金经理
l 傅肖依：富国基金指数投资部基金经理，复旦大学生命科学学院博士
l 单竹岭：富国基金指数投资部基金经理
Timeline
00:52 AI的下一轮应用爆发可能从实验室开始AI发展的几次重要跃迁：ChatGPT推动预训练模型进入大众视野，DeepSeek带来后训练能力的进步，而AI Agent的成熟，让模型从问答走向规划和执行复杂任务。在编程、办公之外，拥有大量专业任务和真实需求的药物研发，可能成为智能体下一阶段值得关注的应用方向。
02:52 AI制药不只是让机器设计一个新分子 过去，AIDD的科研流程主要依赖科学家分阶段推进，AI也更多承担单点预测和辅助分析的任务。随着Agent介入，多个模型和工具可以被组织到同一研发流程中，从低频、依赖人工的验证，逐渐转向高通量、多轮迭代的工作方式。
03:44 传统制药行业的“双十定律”：新药研发往往需要十年左右的时间和十亿美元级别的投入。研发周期长、成本高，也意味着效率提升具有更大的商业价值。无论AI在哪个环节缩短研发时间、降低试错成本，都可能带来可观的收益。
05:1 AI制药的三个特点：首先，药物研发涉及大量数据，适合AI分析；其次，许多研发任务可以通过实验获得相对客观的验证结果，有利于模型持续改进；最后，全球大型药企本身就拥有高额研发预算，也有强烈的提效需求。
08:17 AI当前价值主要体现在哪里？ 药物研发可以分为临床前和临床阶段。前者涉及靶点发现、分子生成、结构优化和实验验证，后者则包括临床试验设计、患者招募和流程管理等工作。AI理论上能够参与多个环节，但从目前产业实践看，其作用主要还是集中在临床前阶段。
09:52 AI制药的四次技术演进 最初主要是计算机辅助药物设计；随后，机器学习和深度学习开始用于分子结构预测；再往后，生成式模型能够直接生成新的候选分子。如今，Agent开始把这些原本独立的能力整合起来。相较于单个模型的性能提升，这一轮变化更强调从预测、生成到验证的完整流程能否被高效组织。
13:15 给AI一个靶点，它能独立完成多少研发工作？ Anthropic的蛋白质设计研究案例：研究人员给Claude设定目标后，AI能够调用专业模型，完成蛋白结构设计、候选序列生成、预测和筛选等多项任务。过去需要专业人员反复协调的工作，现在可以由智能体组织完成。
16:07 小分子和大分子有什么区别，AI为什么特别关注后者？ 小分子药物通常具有相对简单的化学结构，而单抗、双抗等大分子药物主要依赖更复杂的蛋白质结构。结构复杂意味着从头设计难度更大，但随着专业模型能力提升，大分子设计也正在取得进展。嘉宾特别关注蛋白结合实验形成的反馈：通过反复验证结合能力、亲和力和结构表现，AI有机会不断调整设计，提高候选分子的质量。
22:34 Agent能够降低早期探索和试错的成本 让研究人员有机会同时测试更多假设。未来AI制药的价值，可能不只是让已有药物研发得更快，还包括把原本难以触及的靶点纳入研究范围。
24:35 AI制药的两条路线：研发工具+成为药企 当前AI制药公司的发展路径概括为两类：一类以Anthropic的Claude Science为代表，利用通用智能体调用外部专业模型和工具，构建研发工作流；另一类以Isomorphic Labs为代表，更强调自有专业模型与药物研发体系的整合。前者擅长组织工具、提供平台能力，后者则在专业模型和制药研发上积累技术。
28:39 大型药企正在主动拥抱AI 礼来、罗氏等跨国药企已经积极探索AI与药物研发的结合。除了与外部技术公司合作，一些大型药企也开始建设自己的AI研发体系，或者在内部部署智能体平台。
29:50 传统药企最珍贵的数据，可能是那些失败的实验 大型药企几十年积累的内部数据，还包含大量失败的实验和研发尝试。为什么某个分子不稳定、某条研发路径不可行，这些经验同样具有价值。对于需要持续学习和优化的AI模型来说，失败数据能够帮助减少重复试错。药企长期积累的独家数据，可能成为AI时代更重要的竞争壁垒。
30:35 药企为什么担心，合作伙伴最终会成为竞争对手？ 当药企使用外部AI模型研发新药时，可能需要输入大量独家实验数据和研发经验。如果这些信息被用于持续训练供应商的模型，就可能逐步转化为模型公司的能力。尤其当一家AI制药企业既提供技术，又有意自己开发药物时，药企就会担心核心知识被外部合作伙伴掌握。
33:32两种模式可能走向不同终局 对通用大模型公司而言，AI制药可能是一个新的高价值应用场景，通过提供Agent、模型调用和软件服务扩大商业收入。另一类专业AI制药公司，则可能利用自有模型和实验能力，逐步向药物研发管线延伸，最终成为真正的AI-native药企。前者更像技术服务商，后者则希望直接分享新药研发的商业回报。
37:51 AI会取代制药科学家吗？ AI制药虽然在临床前阶段的部分工作中取得了进展，但临床阶段仍然高度依赖人的经验和判断。即使是在分子设计和实验验证中，科学家也需要理解亲和力、稳定性、活性等不同指标，才能正确判断结果并改进研发方向。
39:23 谁最先受益？AI暂时无法替代的湿实验环节 当AI能够更快生成大量候选分子，需要进行实验验证的样本数量也可能随之增长。湿实验需要在真实物理环境中完成，从基因测序、蛋白质相关实验到动物实验，都涉及专业设备、技术能力和服务机构。
40:29 AI制药的投资机会 不同层次的机会：为科研提供智能体和软件的平台型公司，拥有专业模型及研发能力的AI制药企业，以及未来借助AI更高效开展创新药研发的新公司。部分AI-native企业目前仍处于早期融资阶段，距离二级市场投资标的还有一定距离。
44:33 新兴AI药企一定能打败传统药企吗？ 传统药企不仅拥有研发经验，还掌握临床试验、监管申报、生产和商业化等能力，而且它们自身也正在使用AI。新技术未必只对新进入者有利。
46:46 临床前拼效率，临床阶段拼成功率 如果把药物研发拆成两个主要阶段，那么临床前更关注如何加快发现和设计，临床阶段则更关注药物能否真正通过验证。现阶段，AI在提高临床前研发效率方面已经展现出一定价值，但在临床成功率方面能够发挥多大作用，仍然需要更多实践证明。
47:59 AI真正打开的，可能是整个创新药行业的天花板 AI就像给科研人员提供了一张凳子，让大家有机会够到更高处的果实。降低研发成本、扩大候选靶点范围，可能让更多企业参与创新，也为整个制药行业打开新的增长空间。AI制药的长期想象力，或许正在于此。
风险提示：以上内容仅代表基金经理个人的市场理念和观点，不代表对市场和行业走势的预判，不构成投资动作、投资建议或任何形式的收益保证，亦不预示相关基金在当前及未来的具体操作和资产配置。市场有风险，投资须谨慎。本产品由富国基金发行与管理，代销机构不承担产品的投资、兑付和风险管理责任。本产品由富国基金发行与管理，代销机构不承担产品的投资、兑付责任。请投资者关注指数基金投资风险，包括但不限于标的指数回报与股票市场平均回报偏离、标的指数波动、基金投资组合回报与标的指数回报偏离等特有风险。经富国基金评定，本基金的风险等级为R4(中高风险)，适合风险承受能力为C4及以上的投资者，建议投资者详阅基金合同等文件，根据自身的风险承受能力审慎作出投资决策。产品风险等级及适配投资者等级以销售机构评定结果为准。请投资者关注指数基金投资风险，包括但不限于标的指数回报与证券市场平均回报偏离、标的指数波动、基金投资组合回报与标的指数回报偏离、标的指数变更等特有风险。
费率结构：
注：投资者在申购或赎回基金份额时，申购赎回代理券商可按照不超过0.5%的标准收取佣金，其中包含证券交易所、登记机构等收取的相关费用。
