加码AI自主实验室！独家拆解罗氏205页报告，亮出AI制药全部底牌

9月28日，罗氏在伦敦召开Pharma Day投资者日，宣布已开始建设自主AI实验室，并将在研发上追求“AI自主可控”。

这份长达205页的投资者报告，近四分之一的篇幅给了AI。仅Genentech（基因泰克）研究与早期开发负责人Aviv Regev一人，就讲了近40页。

罗氏承诺，2030年前最多有20个新分子实体（NME）上市，大多数药物的峰值销售额潜力超过30亿瑞郎。

支撑这一目标的六大核心能力之一，就是“Data & AI”，意思是“用数据和生成式AI提高流程效率”。

钱也已经安排好了。

罗氏表示，到2026年底将把约20亿瑞郎（约24亿美元）的研发节省重新分配，其中一部分投向“未来能力”，重点投向Lab-in-the-loop和类器官。

更值得关注的是，这份报告清晰地量化了AI在罗氏研发中的作用：过去三个季度，罗氏40%的管线决策有AI贡献。

不仅如此，罗氏还拆解了每个研发阶段的AI贡献，还附上了大量具体案例和数据。这样的披露并不多见，值得细读。

要知道，大药企押注AI多年，拿出来的大多是合作公告和单点案例。像这样按季度追踪、还分了研发阶段和贡献等级的披露，并不多见。

本文将基于罗氏Pharma Day投资者报告，详细拆解罗氏的AI战略，并给出了总结。

从中我们也可以看到，跨国药企衡量AI的重点，已经不再是AI帮助节省了多少成本、设计了多少分子，而是AI帮助改变了多少重要决策。

这份报告同时也为整个AI制药行业提供了一份重要参考：面对AI自主可控，哪些能力大药企会沉淀在内部，哪些能力它们仍然愿意花钱买。

（注：为了方便阅读，本文对报告进行了翻译，如需原文件请点击文末“阅读原文”）

AI制药的本质：Lab-in-the-Loop

AI如何进入生物医药？

罗氏旗下基因泰克研究与早期开发（gRED）负责人Aviv Regev给出的答案是：Lab-in-the-Loop。（干湿实验室闭环）

即实验室和临床数据用来训练AI模型，模型再对靶点、治疗分子等做出预测，预测结果回到实验室验证，新产生的数据又用来重新训练模型，使其越来越准。

罗氏从2020年起就把这一策略写进了研发战略，并按三步推进：

2020–2022年 打基础：收购抗体AI公司Prescient Design，启动与Recursion的合作，成立生物学AI部门BRAID等；

2023–2024年，扩大规模：与英伟达、AWS、A-alpha Bio合作，收购自动化软件公司Herophilus，在自有数据上训练出第一个大语言模型；

2025–2026年，转型：上线AI工厂，引入Medra物理AI和Anthropic的MHS，开展OpenAI试点，启动自主实验室加速器。

六年下来，AI已参与罗氏全部大分子项目和一半小分子项目。

组织上也做出了重大调整：最初由多个独立团队（BRAID、Prescient）组成，之后整合为基因泰克计算科学团队（gCS），最终成为同时服务于罗氏两大研究部门的计算科学卓越中心。这是在整个集团范围内推广AI、而非只做试点项目的组织前提。

如今，罗氏表示要搭建自主实验室，并将实验室的自主程度划分为六个级别：

L0（完全手动）、L1（自动化仪器）、L2（工作流互联）、L3（AI辅助工作流）、L4（领域自主）和L5（全实验室自主）。

目前大多数制药实验室仍处于L1阶段，部分达到L2阶段，仍然高度依赖人的参与。药物发现的生物学过于复杂，目前尚无药企在整个实验室层面实现自主。

在这一页上，罗氏列出了两个合作伙伴：Medra和Anthropic。

Medra是一家物理AI（实验室机器人）公司，Medra的系统已经接入基因泰克的实验室信息管理系统和机器学习基础设施，自动执行实验，并根据结果持续迭代优化。

Anthropic则在2026年8月发布了模型硬件标准（MHS），让AI智能体可以直接发现并安全操作实验室和生产设备，基因泰克是其早期合作方之一。

罗氏的Lab-in-the-Loop闭环，则覆盖了从靶点发现、先导化合物发现、先导化合物优化到临床候选药物的每一个环节。

40%管线：用AI改写研发链条

那么，AI到底给罗氏带来了多大的效率提升？罗氏给出了一系列量化数字，非常值得参考。

值得一提的是，研发端所有AI数字讲的都是速度和质量，没有一个直接说明AI为研发节省了多少经费。

2025Q4–2026Q2，罗氏40%的管线决策有可追踪的AI/计算贡献，Q2单季达到44%。

罗氏还将AI的贡献进一步细分：关键性贡献占41%，支持性占48%，参考性仅占10%。

换算下来，AI起关键作用的决策约占全部管线决策的16%，这已经是一个不小的数字。

对一家年研发投入超过120亿瑞郎的公司来说，这意味着大约每六个管线决策里，就有一个与AI直接相关。

靶点发现：从“年”到“周”

罗氏的靶点发现建立在“病理生物学图谱”之上，即把临床、组织、空间、细胞、分子和遗传数据整合进同一个疾病模型。

目标是发现新的药物靶点、生物标志物、药物分子以及新的联合疗法等。

第一张IBD图谱从构建到部署用了1年，后续4张神经科学图谱只用了6周。目前图谱已覆盖肿瘤、COPD、IBD、阿尔茨海默、多发性硬化、帕金森、ALS、AMD等疾病。

两年内，罗氏进入先导发现阶段（LI）的项目数量增加了155%。

在此之上，靶点评估Agent TargetNexus会对每个候选靶点从疾病生物学、成药性、安全性到竞争格局做全面评估，目标是今年参与80%的管线研究决策。

分子：筛选空间扩大约10万倍

分子端的数字最密集，核心是两件事：把筛选从实验室搬到虚拟空间，把优化从按月迭代变成按周迭代。

例如，表型筛选的瓶颈一直是通量。罗氏实验室实际筛过的化合物约22万个，而Enamine化合物库可探索的空间约900亿。

罗氏的解法是用表型数据训练基础模型，再让模型在虚拟空间里筛。在一个mTOR/PI3K通路项目中，模型虚拟筛选了40亿个分子，最终合成400个，经三轮实验验证，得到了具有新骨架的确认命中。

AI结构生物学模型让首个骨架的发现时间缩短80–90%；在一个骨架跃迁案例中，35分钟内即可生成并筛选约10万个结构，分子效力提升约40倍。

进入优化阶段后，节奏进一步加快。小分子优化已按每周一轮的节奏做主动学习，实现了ADMET的迭代循环。

罗氏还给药物化学家配备了AI智能体，打通了基础模型与工具、技能、数据与背景信息等，加速决策。

抗体方面，一个新靶点项目从先导发现到临床候选用时18个月，速度提升2倍，免疫原性风险也更低。

罗氏还展示了其内部AI智能体平台的界面：一个名为“抗体设计师”（antibody-designer）的智能体，定位是自主完成抗体设计与优化，可调用12个工具、2项技能，并能直接查询罗氏内部的药代数据和项目组合。

这说明，智能体已经全面进入药企研发的实际工作流。

临床：一个II期“疗效”被重新评估

这一部分几乎没有被媒体报道，却是整场最具说服力的案例。

罗氏用2000多张历史试验影像，训练了一个预测地图状萎缩（GA）病灶生长的模型，并用它对已结束的II期试验Mahalo做协变量校正。

结果显示，AI将原本约20%的“疗效”判定为假阳性，校正带来的精度相当于把试验规模扩大一倍多。

Mahalo是罗氏在研药物lampalizumab治疗GA的II期试验。当年II期显示病灶增长减缓约20%，罗氏据此推进了大规模III期，结果III期失败。

言下之意是，如果当时就有这个模型，罗氏可能在II期就能看出信号不可靠，不必投入一场大概率失败的III期。

而Clinic-in-the-Loop是一个比单个实验室更大的闭环，意味着让临床数据回流：临床试验里积累的影像数据，被AI转成新的疾病指标，再回头去找新的靶点。

这也意味着，罗氏用AI搭建了一个从疾病理解、靶点选择、分子设计、临床试验再回到疾病理解的完整飞轮。

这是大药企最难被复制的优势。

毕竟大规模的临床数据，只有做过大量临床试验的药企才有。AI公司可以有更好的算法，但拿不到这批数据。

AI自主可控：数据与能力留在自己手里

这是罗氏AI战略中非常重要的部分。

随着英伟达、OpenAI、Anthropic等科技巨头接连进入生物医药，罗氏特别强调了AI自主可控（AI independence）。

这部分内容很容易被理解成罗氏将减少外部合作。

但原文的表述是：AI independence: owning the loop, learnings, improvements——掌握闭环、掌握学习成果、掌握持续改进。

这也在一定程度上解释了，大药企为什么不直接把核心环节交给AI公司。

因为闭环里积累下来的经验，包括数据、模型迭代、失败记录，都是它们的资产，交给外部就等于把优势让出去。

下面这张图清晰地展示了罗氏自建与合作的边界。在需要自己掌握的六大能力中，有两项直接指向数据。

罗氏还专门启动了Foundational Datasets计划：不服务于任何具体项目，只为训练模型而规模化生产数据，目标是“虚拟细胞”和“虚拟组织”。

罗氏建设自主实验室，则是这套逻辑的延伸。实验越自动化，数据产出就越快、越标准，闭环也转得越快。

Recursion曾是最有代表性的AI原生药企之一，在罗氏的AI时间线上被放在“数据生成”那一行，角色更接近为大药企供应数据产能的伙伴。

在算力层面，罗氏和英伟达合作，其混合云AI工厂拥有超过3500块英伟达Blackwell GPU，并在美国和欧盟各新建一个数据中心，是已公开的药企中规模最大的。

这也意味着一个新的趋势：随着巨头持续加码AI、强调数据的自主可控，初创公司更现实的位置，是提供大药企缺少的数据、实验能力或资产。

在AI战略上，罗氏则将其分为三个层级：日常AI、流程重塑以及颠覆性构想。

对AI制药行业意味着什么

基于上述内容，我们可以做一个简单的总结。

第一，MNC评价AI的标尺正在改变。

罗氏衡量AI的方式，已经从“AI设计了多少个分子”变成“AI改变了多少个决策”。对AI制药公司而言，展示“平台生成了多少分子”将越来越没有说服力，帮客户做对了哪些决定才是新的谈判语言。

第二，智能体全面进入研发流程。

罗氏在报告中多次展示了研发智能体：抗体设计智能体（12个工具、2项技能）、靶点评估智能体TargetNexus、小分子研发智能体等。

智能体的意义在于，将工具、技能以及与内部数据的连接。对于外部公司而言，更现实的角色或许是提供高质量的工具和数据，使其能够接入制药公司自身的智能体系统，而不是要求其切换到全新的平台。

第三，临床决策是下一个空白地带。

在罗氏的数据中，II期阶段只有25%的管线决策带有AI贡献，即便是罗氏，在最贵的决策环节也还没有成熟工具。

而GA案例恰恰证明了这个环节的价值：AI协变量校正改变了II期试验的结论，精度相当于试验规模扩大一倍以上。试验设计、协变量校正、患者分层，都是尚未被充分占领的方向。

读完这份报告，最直观的感受是：罗氏在AI上投入很重，但说话很克制。

它给出了40%这个数字，也同时说明，其中AI真正起关键作用的只有16%左右；到了临床II期，AI基本还只是参考。

但可以确定的是，大药企已经开始具体地衡量AI的价值。这一数据，将成为行业宝贵的参考。

—The End—