AI制药进入生死局

作者 | 跳跃的氢键

编辑 | 郑瑶

2026年9月16日，路透社披露，字节跳动已将AI制药业务单独拆分并完成首轮融资：新主体Anew Labs（中文常称“新生实验室”）募资2.9亿美元，投后估值15亿美元。

红杉中国、IDG资本、高瓴领投，五源资本联合领投，高榕创投、春华创投、博裕资本以及中国生物制药、上海未来产业基金等战略跟投。

融资完成后，字节跳动仍保留56%股权。这是字节体系内首个拥有独立资本市场定价的AI制药公司，也是2026年以来全球AI制药领域规模最大的首轮融资之一。

当AI制药从概念验证走向工业化，AI药物发现遵循与字节核心业务不同的行业逻辑和管理方式，它需要的不再是互联网大厂“内部创新项目”的待遇，而是一条与短视频、广告、云计算主营业务隔离、独立融资、独立估值的医药赛道逻辑。

01

互联网大厂扎堆布局：

AI制药带来研发效率革命

传统创新药研发长期受制于“双十定律”：一款新药平均需要10—15年、投入超过22亿美元，而整体临床成功率不足10%。靶点识别动辄三四年，化合物筛选如同大海捞针，临床阶段更面临高失败率。

AI正在系统性地改写这一成本结构。

头部AI制药企业自研管线的I期临床成功率高达80%—90%，远超40%—65%的历史均值。

在不同环节方面，靶点识别与验证环节从传统36—48个月压缩到6—12个月；化合物虚拟筛选从12个月压缩到1—3个月；ADMET毒性预测从6个月压缩到7天；临床方案设计从18个月压缩到4个月。

2026年的AI制药赛道，呈现出“做搜索的、做云的、做GPU的、做药的”同场竞技的奇特图景。

中国五大互联网科技公司已悉数入场，但姿势截然不同；海外科技巨头则分化出更复杂的路径选择。

02

AI制药新范式：平台+生态+数据

2026年1月，在摩根大通医疗健康大会上，英伟达与礼来宣布成立首个AI联合创新实验室，双方计划在五年内共同投入最高10亿美元，落地旧金山湾区。该实验室整合了礼来在生物学、医学和药物开发领域的百年经验，以及英伟达在AI算力、模型构建和加速计算上的优势。

合作的核心基础设施包括三大部分：

一是算力底座，礼来此前启用的LillyPod AI工厂搭载1016颗英伟达Blackwell Ultra GPU，算力达9000 PFLOPS，被称为生物制药行业最强的AI工厂；

二是平台层，实验室基于英伟达BioNeMo开发平台和Vera Rubin架构，构建干湿一体持续学习系统，将智能体湿实验室与计算干实验室连接，实现24/7 AI辅助实验；

三是生态层，礼来通过TuneLab平台向Biotech开放精选AI模型和研发工具，吸引合作方接入，形成“科学家在环”的协作网络。

最关键的逻辑在于数据回流。合作方在平台上生成的训练数据、验证数据和湿实验结果，将反哺礼来与英伟达共同训练的大模型，形成“平台开放→生态扩张→数据汇聚→模型进化→平台更强”的闭环。

这正是“平台+生态+数据”三位一体的AI制药新范式：礼来搭建大平台，英伟达提供算力与模型引擎，Biotech作为合作者贡献数据与验证场景，最终共同提升底层模型的预测能力。

03

中国AI制药的挑战：数据孤岛与主体缺位

字节拆分融资折射出的热闹背后，中国AI制药要真正形成全球竞争力，必须直面两个挑战：

一是数据这一核心生产资料的“孤岛化”，二是能够牵头搭建生态的“Big-pharma缺位”。

挑战一：以高质量临床与研发数据为核心的AI制药，单打独斗、各自为战的模式难以为继，必须搭建统一生态。

AI制药的底层竞争是数据竞争。靶点发现、分子设计、临床试验预测，每一个环节都依赖海量、结构化、可溯源的高质量数据。

全球Top 20药企已100%布局AI合作，Top 21药企的27项AI合作被Anthropic、OpenAI、谷歌三家生态型玩家包揽——头部玩家无一例外选择“结盟”。

英伟达—礼来模式之所以成为新范式，正是因为它把分散在Biotech、CRO和MNC手中的数据汇聚成模型迭代的燃料。没有生态的AI制药公司，将难以与拥有数据飞轮的生态型玩家竞争。

挑战二是中国创新药企业尚处发展阶段，缺乏真正的Big-pharma，没有任何一家企业具备独立建立小型生态的能力。

中国创新药产业的主体是Biotech、中型药企和转型中的传统药企，从企业角度而言与跨国药企相差巨大，默沙东2025年的研发投入达到恒瑞的13倍。

即便加上互联网大厂的AI团队，国内也没有任何单一主体同时拥有全球级临床数据资产、覆盖多个治疗领域的管线、顶尖算力基础设施和对外开放的成熟平台。

因此，中国企业不能简单复制礼来模式，必须寻找适合自己的生态构建路径。

04

破局之道：构建国家级AI制药研发生态体系

在企业层面短期内难以自发形成生态的当下，更应发挥中国的体制优势，由政府统一整合高质量临床数据，构建真正可供AI利用的研发生态体系。

中国的禀赋在全球范围内独一无二。

全国统一医保信息平台覆盖约13.3亿参保人，沉淀了全球规模最大的诊疗与结算数据；公立医院主导的诊疗体系覆盖全部疾病谱和超大样本量患者人群；集中力量办大事的体制优势，在高铁、电网、载人航天等重大工程中反复得到验证。

这些分散在各机构手中的数据一旦被标准化整合，将成为全球最大规模的高质量临床数据资产——这正是AI制药最稀缺、也买不到的生产资料。

当前的主要堵点在于数据“确权难、标准乱、共享少”。临床数据分散于医保、卫健、医院、药企和CRO，格式不一、口径各异；医院缺乏共享激励，企业数据难以回流；隐私合规要求与数据开发利用之间的平衡机制尚未建立。

对此，建议从以下层面系统推进：

1、标准先行：制定临床病历、组学、真实世界数据的统一国家标准，推动电子病历互联互通，对接国际通用数据模型，确保数据“生而可用”。

2、确权激励：建立数据分类分级授权和有偿共享机制，按贡献分配收益，让医院、科室和医生都有动力贡献高质量数据，培育医疗数据要素市场。

3、开放生态：以国家级平台向合规的AI制药平台、创新药企和科研机构有序开放接口，形成中国版“平台+生态+数据”飞轮，并与药品监管审评、真实世界证据（RWE）应用相衔接，让数据生态同步反哺监管科学。

本期素材组图片来源：https://unsplash.com/s/photos/