AI制药2026关键一跃：英矽智能6亿美元牵手武田、BMS押注英伟达超级算力——全球170条AI管线进临床，"双十定律"被改写？

2026 年 7 月，AI 制药圈发生了几件足以写进行业史的事。先是 7 月 2 日，国内 AI 制药龙头英矽智能（Insilico Medicine）宣布与日本制药巨头武田制药（Takeda）达成全球战略合作，总金额最高可达 6 亿美元；紧接着 7 月 8 日，英矽智能又披露其全球首款由 AI 全程设计的小分子创新药 Rentosertib 已启动 III 期临床试验；7 月 20 日，百时美施贵宝（BMS）宣布部署英伟达新一代 DGX Vera Rubin NVL72 超级计算系统，推进所谓"混合智能"新药研发。

如果把时间线拉长看，信号更清晰：截至 2026 年上半年，全球已有 170 余条由 AI 设计或优化的药物管线进入临床，其中十余款冲刺 III 期。全球前 20 大药企绝大部分已与 AI 企业建立合作。AI 制药，正在从"实验室里的概念"跨过"商业兑现"的临界点。

一、三笔标志性交易，揭开"出海"加速度

7 月这波行情里，最扎眼的是交易金额的集中爆发。据公开信息梳理：

• 英矽智能 × 武田制药：6 亿美元上限，依托 Pharma.AI 平台在多个治疗领域联合推进候选药物研发；英矽智能另有与礼来（27.5 亿美元）、施维雅（8.88 亿美元）、SK 生物制药（25 亿美元）的合作，四笔累计潜在总值近 70 亿美元。
• 剂泰科技 × Boulevard Bio：16 亿美元授权其三特异性 TCE 项目，创中国临床前 TCE 单笔海外授权纪录。
• 石药集团 × 阿斯利康：siRNA 药物合作总金额达 17.7 亿美元。

值得注意的是，这些交易的结构已经变了——大药企采购的不再是一个"分子"，而是"持续产出创新资产的能力体系"。从"试水"到"基础设施化"，AI 制药的叙事被彻底改写。

二、英矽智能：从"概念"到"III 期临床"的真实样本

为什么是英矽智能最值得拆解？因为它是目前少有的、把"AI 设计"真正推进到人体试验硬考核阶段的公司。

Rentosertib 是一款针对特发性肺纤维化的小分子药物，从靶点发现、分子设计到临床前候选，核心环节由 Pharma.AI 平台驱动。7 月 8 日披露的 III 期启动，意味着它已经走过最危险的早期阶段。如果最终获批，它将成为"全球首款由生成式 AI 设计进入后期临床的小分子新药"这一叙事的实证。

更关键的是它验证了一条可复制的路径：用生成式 AI 把"靶点→分子→候选"的研发链条压缩，再绑定大药企的全球开发能力完成临床验证。这是一种"AI 原生"的药物发现模式，和过去"先养一个分子再找买家"的思路完全不同。

三、传统"双十定律" vs AI 制药

制药行业长期被"双十定律"笼罩：一款新药平均需要 10 年、10 亿美元，临床成功率不足 10%。而 AI 制药企业给出的对照数据相当诱人——以国内另一家 AI 制药公司德睿智药为例，其核心管线 MDR-001 仅用 8 个月筛选、80 个小分子即得到临床前候选，整体研发周期压缩至 4.5 年，前期投入约 2300 万美元，远低于传统的 8—12 年、3.1—4 亿美元。

当然，这里要打一个补丁：AI 缩短的主要是"早期发现"环节，后期临床、监管、量产的成本和时间依然刚性。AI 不是魔法，它是把"经验试错"变成"可计算的工程化研发"。

四、三条技术路线横评

当前的 AI 制药平台大致分三条路线，核心差异见下方对比信息图：

三种技术路线的核心差异，见下方对比信息图：

1. 生成式 AI 端到端（代表：英矽智能 Pharma.AI） 从一个生物学假设出发，端到端生成靶点、生成分子、预测成药性。优势是"从 0 到 1"的原创性最强，自有管线最多（超 30 条），并已冲刺 III 期临床。

2. 表型图像大数据（代表：Recursion） 不走"先定靶点"的路线，而是用自动化湿实验+计算机视觉，在细胞层面大规模扫描化合物的表型效应，再用 ML 反推机制。管线数量最多（公开超 75 条），适合"广撒网"式的机制发现。

3. 物理模拟 + ML（代表：Schrödinger） 老牌计算化学公司，以自由能微扰（FEP）等物理方法 + 机器学习预测分子性质，主要赋能全球 TOP20 药企和 CRO，平台级输出而非自有管线。

三种路线没有绝对优劣：端到端追求原创与速度，表型路线追求广度与机制，物理路线追求精度与可解释性。大药企往往同时下注多家。

五、BMS + 英伟达：把"混合智能"搬进药厂

7 月 20 日 BMS 部署的 DGX Vera Rubin NVL72，是英伟达新一代 AI 超算，集成 72 块 Vera Rubin GPU，通过 NVLink 高速互联形成巨型共享内存，专为万亿参数模型训练和海量数据推理设计。

BMS 的打法叫"混合智能"：让 AI 系统处理基因组分析、分子模拟等密集数据任务，人类科学家专注决策。这不是"AI 替代科学家"，而是"AI 科学家与研究人员并肩协作"。当药物分子空间以 10^60 量级存在时，纯人力的穷举根本不可行，算力成了新的研发基础设施。

六、诺奖团队的"小"突破：AI 设计核酸酶

7 月 15 日，CRISPR 诺奖得主 Jennifer Doudna 团队在 Science 发表论文，结合 AI 蛋白质反向折叠模型与进化信息约束，设计出高活性非天然微型核酸酶 SynTnpB，在人类与植物细胞中编辑效率最高达野生型的 3.8 倍，且更易通过 AAV 载体体内递送。

这件事的意义在于：AI 不只在"找药"，也在"造工具"——改造基因编辑酶本身。当 AI 能针对性设计更小、更高效、更易递送的基因编辑器，体内基因治疗的门槛会进一步降低。

七、大模型也在"入场"

除了专门的制药平台，通用大模型也在渗透科研。像 DeepSeek 这类开源大模型被用于文献挖掘、假设生成；智谱清言 背后的 GLM 系列也在 AI for Science 场景中被用于分子性质推理与实验设计辅助。Anthropic 更在 7 月初发布了面向科学家和制药企业的专属产品 Claude Science，并宣布启动自主药物研发项目。

底层模型能力的提升，正在成为 AI 制药的"公共底座"——平台公司站在底座上，把行业 know-how 沉淀成专有工作流。

八、对三类人的意义

• 投资者：AI 制药从"故事"进入"管线兑现"阶段，但临床失败率仍高，需区分"平台估值"与"管线估值"。
• 药企从业者：AI 已从"可选工具"变成"研发基础设施"，不懂 AI 协作的团队会在效率上掉队。
• 普通患者/公众：更短的研发周期意味着更多"孤儿病""难治病"有望被低成本覆盖，但也要警惕"AI 神药"式过度营销。

九、诚实边界：AI 不是"药神"

必须泼一盆冷水：AI 制药目前改写的是"早期发现"和"部分临床前"环节，临床 III 期的高失败率、监管审批、量产工艺、真实世界安全性，这些硬约束一项都没消失。170 条管线进临床，不等于 170 款药上市。AI 是加速器，不是免死金牌。

十、FAQ

Q1：AI 设计的药物安全吗？ A：AI 只是加速发现和设计，所有候选药物仍须走完整的临床前毒理、I/II/III 期临床和监管审批，安全标准与传统药物一致。

Q2：普通人能参与 AI 制药投资吗？ A：可通过相关上市公司或生物科技 ETF 间接参与，但临床风险极高，不建议重仓单一未盈利 Biotech。

Q3：AI 会取代药物化学家吗？ A：短期是"增强"而非"取代"。AI 处理海量筛选与预测，人类负责决策、机制解释与临床试验设计。

Q4：中国 AI 制药在全球处于什么位置？ A：处于第一梯队。英矽智能、晶泰科技、剂泰科技等已在出海授权、临床推进上取得实质成果，全球前 20 大药企中多家与中国 AI 制药企业建立合作。

2026 年，AI 制药完成了关键一跃：从论文里的准确率，变成了临床里的病床号。它未必会立刻消灭"双十定律"，但一定会让"十年十亿"的代价开始松动。对整个人类健康而言，这或许是这个十年最值得押注的确定性之一。