AI制药的"DeepSeek时刻"前夜：从融资哑铃到分子验证爆发
AI 制药正站在临界点突破前夜。中邮证券最新报告《AI4S（二）》给出了一个清晰的图景：AI 巨头集体押注、资本逻辑彻底转向、湿试验数据地位重塑——一个新范式正在成型。
AI 制药：巨头们的”战略主航道”
2026 年以来，谷歌、Anthropic、英伟达、字节、OpenAI、微软、Meta、亚马逊全部下场。
谷歌双线并行：DeepMind 做基础科研工具（AlphaFold、Gemini for Science），Isomorphic Labs 做独立 AI 制药公司——2026 年 5 月 B 轮融资 21 亿美元，是 AI 制药史上最大单笔私募融资，累计融资超 27 亿美元，与礼来、诺华合作潜在总额近 30 亿美元。
Anthropic 三管齐下：4 亿美元收购 AI 生物科技初创 Coefficient Bio；开设实体湿实验室自主产生实验数据；推出 Claude Science（贝塔版）——面向药物研发的 AI 科研工作台，类比软件工程领域的 Claude Code。
英伟达把 BioNeMo 扩展为开放式开发平台，支持实验室闭环（lab-in-the-loop）工作流，还与礼来共建 5 年最高 10 亿美元的实验室。字节 AI 整体年资本开支超 2000 亿元，规划 60 亿元建设 AI 原生医院。
对比 Coding 已进入”自主工程师团队”的高渗透阶段，AI4S 在药物研发中仍处于突破临界点的前期——而这恰恰意味着更大的空间。
资本逻辑变了：从”为模型定价”到”为药物资产定价”
2026 上半年全球 AI 药物发现融资 TOP10 合计 31.83 亿美元。Isomorphic Labs 断层登顶，TOP2 企业合计拿走 90.7% 的资金。
更核心的变化在估值底层：明确拥有自研候选药物、具备干湿实验闭环能力的 5 家企业，拿下了 95.6% 的融资额；纯算法工具、纯软件服务型平台的融资量级普遍停留在千万美元级。
一句话：资本已经不再为”模型能力”买单，只为”药物资产与落地进度”买单。头部平台的资金壁垒快速筑高，早期纯技术型项目的融资窗口正在持续收窄。
为什么湿试验是”限速步骤”
药物研发的本质是实验科学——通过实验数据反馈，提升理解、迭代分子设计规则。对比 Coding 通过计算形成自我迭代，药物研发迭代的限速步骤在于湿试验：投入实体化合物产生真实试验数据。
报告中最重要的技术细节是 DPO 算法的跨领域迁移：把 NLP 中用于对齐大语言模型与人类偏好的 DPO（Direct Preference Optimization），完整迁移到蛋白质设计场景——蛋白骨架结构对应 prompt，氨基酸序列对应 response，实验测定的稳定性数据（ΔΔG）对应偏好标签。
效果：ProteinDPO 在单点+双点突变稳定性预测上 Pearson R 达 0.44-0.48，超越 ThermoMPNN 的加法预测（0.41），能捕捉多点突变之间的非线性互作效应；在去除同源蛋白的 S669、FireProt 基准上泛化表现突出，而 SFT 微调模型跨数据集反而低于基线——证实 SFT 发生过拟合，ProteinDPO 学到了可泛化的通用规律。
关键变化在于：湿实验数据从”终点验收”变成了”价值校准信号”，直接回流到生成模型训练中，改变模型对”什么是好蛋白”的底层判断。这与大语言模型”通用预训练→目标对齐”的发展轨迹完全同构。
杰文斯悖论：AI 提效降本，反而催生更多验证需求
AI 赋能下药物发现研发费用节约 90%+：target→hit→lead→PCC 三阶段传统资本支出 94/166/414 百万美元，AI 缩减至 0.2/0.4/2 百万美元；周期由 1/1.5/2 年缩减至 2/4/11 个月。
Anthropic 的 Claude 在蛋白质从头设计上展示了突破：354 个湿实验验证成功、总命中率 27%（传统平均约 20-25%），排名第一的设计命中率 49%，开发周期由数周/数月缩短至 1-2 天。
效率提升降低了资源使用成本，从而刺激需求增长——杰文斯悖论在 AI 制药行业复现：Twist 和金斯瑞对 2026H2 及未来 AI 赋能药物发现的订单均保持三位数百分比的指引。
市场空间：受益于 AI 赋能的药物发现全部总潜在市场约 180 亿美元，其中 AI 催生的需求业务 2030 年提供 10 亿美元增量（抗体发现服务 +5 亿美元/+25%，蛋白表达 +5 亿美元/+45%）。
对银行的启示：三条可迁移的逻辑
第一，“数据孤岛=核心壁垒”的逻辑与银行同构。高质量数据生产能力是 AI 制药的核心竞争要素——数据不共享、价值密度高。银行的数据资产同样如此：谁把数据基建做扎实，谁就拥有 AI 时代的壁垒。
第二，“干湿结合”对应银行”模型+真实业务反馈”。AI 模型必须依赖真实湿试验数据反哺迭代，不能只靠合成数据。银行的 AI 应用也应建立真实业务数据回流闭环，而不是关起门来训练。
第三，杰文斯悖论视角重新审视 AI 投入 ROI。AI 提效降本会催生更多验证/测试需求——银行不应只看”AI 替代人”的短期 ROI，还要看到”降低门槛→需求放大”的长期价值。
AI 制药正在等待它的”DeepSeek 时刻”——当量变积累足够，质变就会发生。对银行而言，同样的临界点逻辑，值得提前布局。