策略对话专家-创新药出海和AI制药现状

这份报告的潜台词值得买方深思：行业正在经历一次"祛魅"——市场曾把AI制药对标LLM式指数级突破，但现实是蛋白质设计这一领域恰恰是LLM范式最难复制的战场，核心卡点是"数据稀缺"而非"算力不足"。 第一，关键假设的敏感性。报告隐含的最关键变量是"高质量专有数据的可获得性"——分子之心2026年PD-L1案例显示公开数据库丰富时30个分子26个结合（86%），而CD7等数据稀缺靶点几乎无法获得。这意味着AI制药的投资逻辑高度依赖"数据护城河"而非"算法先进"——一旦某靶点公开数据饱和，先发优势可能迅速消失。这一点对管线型公司估值冲击很大。 第二，被低估的风险。报告较少提及但实际重要的风险包括：①AI辅助研发药物的"虚假创新"问题——Fast-follow虽然规避了first-in-class风险，但也意味着估值难以对标原研；②监管层面FDA对AI模型的审计要求正在演化，纯黑箱平台可能被迫披露训练数据，反而削弱护城河；③与传统药企的合作模式（如品泰-辉瑞）多为项目制，难以形成持续大额订单，与市场预期的"软件SaaS订阅"逻辑存在巨大gap。 第三，产业格局修正。从横向看，Schrödinger股价长期跑输biotech指数已部分反映"软件卖不动"的现实；而Recursion近期管线进展缓慢、多次临床失败，与报告中"仅1款创新靶点"的判断一致。纵向看，金斯瑞、药明系等中国CXO承接的是"AI公司的湿实验外包"需求——这是一个相对确定的β，但与AI公司α是两码事，不能混为一谈。 第四，对照历史可比案例。AI制药的现状颇类似2010年代的"电子药监文档/eCTD"或更早的CADD（计算机辅助药物设计）浪潮——工具普及后，行业并未出现颠覆性新药涌现，反而加剧了同质化竞争。买方应警惕"AI溢价"回归传统biotech估值的可能性。 第五，重点跟踪指标：①每季度AI辅助研发新进入临床的药物数量及靶点创新性（区分Fast-follow vs全新靶点）；②金斯瑞、晶泰等蛋白表达/AI制药公司的客户结构变化（是否真的进入AWS/Anthropic等大模型客户名单）；③FDA/EMA关于AI模型在IND申报中可解释性要求的政策动向；④Schrödinger自研管线进展与软件ARR的剪刀差；⑤David Baker、分子之心等学术团队的PD-1/PD-L1/CD3等热门靶点的"数据-成功率"曲线。这是判断行业是"工具革命"还是"估值泡沫"的关键。