•2026年，AI制药公司高溢价的情况还将持续;

•多家硅谷基金布局AI制药更倾向于平台技术;

•AI加速新药研发不等同于投资可以更快退出;

•就像大分子领域的AlphaFold，业界希望在生成式小分子以及其他药物形态中能出现类似的颠覆性工具。

过去5年，全球AI生物科技公司风险投资交易金额显著高于业内其他公司。据数据提供商PitchBook发布的一份报告，2024年，从创立之初就采用AI技术的生物科技公司风险投资交易金额中位数为2650万美元，几乎是非AI同行(1400万美元)的两倍。2025年前三个季度，这两个数据分别为2180万美元和1370万美元。2024年投前平均估值分别为7800万美元和4000万美元，差异最为显著。(见下图)

这一差距凸显了AI投资环境的热度，也反映出投资者对AI有望提升新药研发效率、改善临床成功率的普遍预期。对包括北极光创投合伙人于芳在内、在今年JPM会场密集交流走访的多位中国医疗投资人而言，上述变化在现场呈现出更直接、更清晰的体感。为进一步了解这一趋势，研发客就相关问题对其进行了采访。

“AI制药公司高溢价的情况应该还将持续。从2026年开始，MNC和投资机构正式用钱投票加速奔跑拥抱AI制药。MNC同AI技术平台公司的合作较一年前力度更大、应用场合和任务更清晰了。一方面，在各个垂直科学领域生成式模型(GenAI)逐渐出现和成熟，另一方面，以蛋白质模型为代表的垂类基座模型开始进入针对特定行业/场景、深度优化的应用落地阶段。”

大会期间，于芳和团队一起走访了包括Sutter hills、 Arch Venture等在内的多家布局AI制药的美国硅谷顶级风投机构。当这些机构被问到“相比较广泛意义上AI领域，投资在制药的回报显然是更低的，为什么还会投资”时，他们的回答竟然出奇一致：对AI制药而言，投资人更看重的是技术平台与AI带来的长期前景，而非单一管线价值——平台具备持续产出管线的能力，意味着更多的回报机会与更大的收益空间。

当然她也提示，不同市场的资金属性差异会带来不同的决策框架。“显然，他们可以投入的资本量级带来了不一样的投资逻辑，有一些在中国市场并不完全适用。”

本届JPM大会上，英伟达与礼来宣布斥资10亿美元联手打造“最强”AI制药实验室，将AI制药推向了新的竞争维度。礼来此前就已密集出手，仅2025年就进行了超过十次对外的相关合作。

大会前夕，还有GSK宣布与Noetik达成合作，利用Noetik业内首创的虚拟细胞模拟技术加速新药研发进程;不止于此，双方还将合作生成定制化的人类空间数据集，开展以人类为核心的生物学模拟研究。

回看过去一年间，赛诺菲、诺和诺德、艾伯维等MNC也纷纷加码布局。

在监管层面，FDA局长Marty Makary在JPM大会上提出了加速新药临床和监管进度的一系列变革举措，广泛涉及AI技术的深度参与。“这些举措较一年前FDA的AI应用策略有了质的飞跃，更贴近最新的AI技术发展状况和产业痛点。”

从2024年开始，于芳和团队判断AI对制药行业的影响更可能体现在长期的结构性变化上，于是他们再次密集走访了海内外几十家AI制药企业。作为长期深耕科技领域投资的VC之一，北极光创投在过去几年间也先后投资了多家“AI+”公司，包括AI+小分子变构领域的宇道生物、AI+表型筛选大分子药物的信华生物，以及多家基于算法的智能医疗器械公司等。

更快获得投资回报?

从靶点发现、化合物筛选到临床前验证，AI的介入可以将原本需要数年的工作压缩至数月。根据波士顿咨询公司的最新报告，AI生成的药物分子在I期临床试验中成功率高达80%~90%，远超传统的50%;其预测，总体新药研发成功率将从目前的5%~10%提高到9%~18%。

对于投资机构而言，缩短研发周期和提高成功率会不会带来投资退出周期的加速?这是否是吸引资本涌入AI制药赛道的原因?

对此，于芳认为投资退出周期与药物研发周期并非公式化的对应关系，但总体会有正向加速的作用。

制药行业的投资退出并不需要等到药物完全上市，在研发过程中的IPO、并购、BD合作等环节都可能实现退出。现在很多AI制药公司不追求完整的研发闭环，而是以快速产出管线为核心，可能在IND甚至PCC阶段就将管线出售，或者通过平台与大药企合作获得分成，因而AI对投资退出的影响还要看这些公司选择的商业模式。

在她看来，AI对退出节奏的影响更像是“加分项”，核心仍在于其是否能带来研发范式的变化。

她以AI工具自身的演进路径解释其中的逻辑：“AI对制药的改变不是线性的，就像ChatGPT1.0和2.0无人问津，直到3.0才实现爆发;AlphaFold 1.0在2018年就已出现，但真正产生行业影响是在2.0版本问世后。AI技术的迭代具有累积效应，会经历一个爬升期，在某个关键节点实现阶梯式突破，而且现在看来，迭代的速度越来越快。”

围绕“关键节点”的判断，她进一步表示：“技术累积会快速带来垂类基础模型的出现，类似于Alphafold moment，来解决其他领域的重大问题，整个行业就会再上一个大台阶。”

未解难题蕴含投资价值

AI究竟能解决制药领域的哪些问题?又有哪些问题是当前技术无法突破的?

第一类是人类能解决但耗时耗力的问题。AI的作用是提升效率。文献检索、数据整理、部分湿实验验证等工作，原本需要分析师或研究员花费大量时间完成，现在通过大模型或专用AI工具，可以在短时间内完成。

但在交流过程中她也提醒，此类方向其商业化壁垒或许有限。“这类应用的壁垒较低，现阶段不能够作为一种商业模式来支持一家公司了。再说回Alphafold的例子，今天已经默认大家都要用了，因此也早已算不上优势，反而如果没有融进工作流，会成为很大的劣势。”

第二类是目标明确但以人的现有能力无法解决的问题，现阶段这类问题往往很具体，也被其视为更具投资价值的部分。“用AI不能是许愿式的。怎么给AI定义好的问题，并且为解决问题提供定向数据，决定了多大程度上基础算法能帮我解决问题。”

以制定旅游计划的例子类比：如果让AI制定一个去土耳其旅游的开放式计划，结果可能会不尽如人意。但如果明确要求行程天数，中间哪几天途径哪些个地方，并给出预算，AI大概率能给出较为理想的方案。AI制药也是同理，指令越具体解决问题的概率越高。制药界当前应主要从这个方面发力，人和AI配合好，用明确具体的指令让AI来解决制药过程中的关键问题。

而第三类是人类尚未了解和定义的问题，目前这还属于“奢侈品”，短期内难以解决，比如神经退行性疾病的全新治疗路径、未被发现的疾病靶点机制等，但这才是AI未来最有想象空间的地方。

不过，当前已有企业在做虚拟细胞、通过AI进行RNA组学分析等前沿探索，这些工作的积累未来有可能转化为实际的成药价值。

AI制药三大投资标准

谈及投资AI制药的考量时，有三个核心标准被提到：第一，企业自我发现、整理和产生数据的能力必须规范;第二，AI解决的问题必须是真实且关键的;第三，如果定位为制药公司，必须具备扎实的做药能力。

围绕“数据能力”这一项，企业需要进一步解释其在竞争壁垒中的地位，并强调差异来自自有数据的独特性与可持续性。“真正的差异在于企业能否产生独特的局部数据。如果一家公司能通过自己的方法论生成公开数据中没有的高质量数据，并基于这些数据训练出解决成药关键问题的模型，那它的差异化优势就非常明显了。”

她同时提到，很多高价值数据集中在大型药企或医疗系统手中，大公司与有AI能力的小公司合作，往往是为获得更优的垂直模型或解决明确且具体的问题。“问题的大小并不重要，哪怕只是解决工业链条中一个很小的关键环节，只要能突破人类经验的局限，就具备投资价值。”

相应地，她也提示应对“全流程一键式”叙事保持谨慎。行业经历过2021年前后AIDD浪潮的经验和教训，创业者和投资人都更理性，再加上AI工具的开源化降低了使用门槛，即使是有炒作嫌疑的公司，其门槛也在抬高。

在团队维度，是否理解制药逻辑与临床需求仍是关键分界线。“有些AI团队很厉害，但不懂制药的逻辑，不知道临床需求是什么，这样的公司很难在制药领域走得远。”在具体项目评估中，其关注点也会落在团队是否具备制药背景、是否理解监管要求等要素上。

事实上，当下无论是整个AI行业还是细分的AI制药领域，很多从业者是学术界、工业界两边通吃，且普遍比较年轻。这种“两边做”的模式并非坏事，反而能成为不错的优势，比如可以借助高校的资源开展前沿性工作。

对于投资节奏与预期管理，她进一步强调：“我们投资的是长期价值，并不苛求被投企业短期内就能拿出颠覆性成果，更看重其技术路径的合理性和累积效应。我们相信AI对制药的变革是必然趋势，只是需要时间等待突破点。”

对于投资机构而言，目前最大的挑战是AI技术的进步太快了，如何快速学习。在这一点上，于芳坦言，投资人还是有非常大的差距的，即便现在公开学习工具非常多，但是技术进步太快了。“有一种永远在手忙脚乱追赶的感觉，不敢说理解，只能说尽可能了解各个算法的逻辑是解决什么问题的，争取能够和创业者有高质量的对话。”

此外，跳出生物制药领域，在更广阔的范围内对算法和发展趋势做理解和借鉴，也有一定帮助。在基础认知具备后，仍需要回到一线进行密集交流验证。“实地走访企业，与创业者深入沟通，这是提升认知最快的方式。”

业界期待怎样的爆发点

AI制药的下一个爆发点会在哪里?哪些里程碑事件将成为行业信心的重要支撑?

首先，需要更多AI生成的分子进入临床并展现出优势。目前AI参与研发的药物进入临床的还是少数，而样本量太少无法充分验证技术的有效性。投资人希望看到更多企业能在短时间内产出高质量管线，以此验证研发效率提升这一假设。

其次，就像大分子领域的AlphaFold，业界希望在生成式小分子，以及其他的药物形态中能出现类似的颠覆性工具。

最后，需要有AI成功解决人类无法解决问题的闭环验证案例。“比如，通过AI技术成功开发出针对不可成药靶点的药物，或者通过虚拟细胞模拟精准预测了临床试验结果，这些案例的出现将彻底改变行业对AI的认知。这类案例可能不需要太多，只要有一两个得到充分验证，就能极大提振行业信心。”目前，已有不少企业在布局相关领域，也已经出现了积极的信号。

当前AI制药的发展瓶颈主要集中在数据孤岛与质量问题、干湿闭环验证的缺失、算法的局限性等方面。对此，已经有公司在探索如何打破这些瓶颈。例如，为打破数据壁垒，礼来去年推出了TuneLab平台。该平台是MNC首次向外部生物技术公司，尤其是中小型药企，大规模开放其内部多年积累的先进AI模型和专有数据洞察。截至2025年12月，已超100家Biotech公司入驻。

一旦这些瓶颈逐步突破，爆发点也可能会随之出现。

AI制药的发展不会一帆风顺，可能还会经历泡沫与回调。当技术积累到临界点，当更多临床成果得到验证，AI制药将成为改变人类健康命运的重要力量。“国内的创新药生态已经相对成熟，在AI制药领域具备成本和人才优势，我们愿意陪伴优秀的团队一起等待和探索新的爆发点。”她总结道。