中信建投：AI4S系列报告2·干湿闭环构筑数据壁垒，大分子有望抬升产业天花板

2026-10-13 · 亿赢配资

AI4S 正由模型能力竞赛迈向产业化临界点，技术、产业、需求、政策四重共振，价值锚点由模型能力向科研生产力、数据资产与系统化生物设计升维。科研 Agent 由回答问题升级为拆解目标、调用专业模型并衔接实验，推动 AI 从单点工具跃迁为执行复杂研发任务的科研生产力，Science Token 等按量计费模式打开平台化变现空间；模型生成候选速度快于实验验证能力，

AI4S 正由模型能力竞赛迈向产业化临界点，技术、产业、需求、政策四重共振，价值锚点由模型能力向科研生产力、数据资产与系统化生物设计升维。科研 Agent 由回答问题升级为拆解目标、调用专业模型并衔接实验，推动 AI 从单点工具跃迁为执行复杂研发任务的科研生产力，Science Token 等按量计费模式打开平台化变现空间；模型生成候选速度快于实验验证能力，实验产能与反馈周期成为研发效率的主要约束，掌握真实数据入口者借干湿闭环沉淀数据飞轮，焦点由模型性能转向实验吞吐量、数据质量与反馈效率；AI 能力由小分子向抗体、蛋白及核酸等大分子延伸，研发由生成单一候选升级为贯通成药性优化、递送与体内验证的系统化成药设计，有望打开产业价值空间。

四重共振驱动AI4S迈向产业化临界点。 技术端，生成式生物设计由单分子预测拓展至完整基因组；产业端，通用模型厂商延伸至湿实验，MNC横向结盟共建研发基础设施；需求端，候选供给放大合成与高通量验证需求，上游服务商率先兑现；政策端，AI制药、高质量数据集和科研基础设施纳入体系化布局，技术、资本、订单与政策形成合力。产业价值锚点正由单一模型能力向科研生产力、数据资产与系统化生物设计升维，主要体现在三方面：

（1）范式演进：Agent延伸研发链条，TaaS打开价值空间。 Agent正由回答问题升级为拆解科研目标、调用专业模型并衔接真实实验，使算法、数据和设备形成连续工作流。Science Token将模型、算力、任务编排与 机器人 实验封装为标准化服务，客户按调用量付费，平台则可将可复用的科研能力转化为持续、高频的平台收入。

（2）壁垒深化：干湿闭环构筑数据飞轮，湿实验室沉淀数据资产。 模型生成候选的速度已快于实验验证能力，实验产能、成本和反馈周期成为研发效率的主要约束。科技巨头通过自建湿实验室及连接CRO、自动化实验平台，掌握真实数据生产入口；实验结果持续回流训练，形成“设计—验证—反馈—迭代”的自强化飞轮，竞争重点也由模型性能转向实验吞吐量、数据质量和反馈效率。自动化湿实验室有望成为物理AI落地的重要场景。

（3）边界拓展：从“选分子”走向“造体系”，大分子有望抬升产业天花板。 小分子仍是数据基础、建模工具和临床验证最成熟的主战场；蛋白结构预测、蛋白语言模型与生成式生物学的发展，则推动抗体、蛋白及核酸药物迈向预测驱动和可编程设计。由于序列、结构、成药性、递送与体内效应高度耦合，大分子AI将从生成单一候选升级为多目标协同优化的系统化成药设计。

一、四重共振，AI4S迈向产业化临界点

AI技术跨越工程化临界点，从预测单一分子走向设计复杂系统

全球首次利用语言模型Evo 1和Evo 2，实现完整噬菌体基因组的生成式设计。2026年8月6日，斯坦福大学、Arc Institute和Broad Institute等机构的研究人员在《Science》发表研究论文。研究团队以天然噬菌体ΦX174为模板、以大肠杆菌E. coli C为目标宿主，利用Evo 1和Evo 2设计完整噬菌体基因组，随后完成化学合成与实验验证，获得16个能够感染宿主并复制的噬菌体，表明生成式设计已由单个蛋白或基因扩展至完整病毒基因组。Evo 1和Evo 2是基于大规模DNA序列进行自监督预训练的基因组语言模型，训练数据包含约270万个噬菌体基因组，模型由此学习核苷酸、基因组成及远距离调控关系。研究团队以不同病毒分类信息为提示生成DNA序列，结果显示，Evo 1约19%–33%的序列被识别为病毒，Evo 2提升至34%–38%；生成序列与天然序列相似度较低，却具备接近真实噬菌体的编码密度、基因组成和蛋白结构特征，表明模型并非简单复制训练数据，而是已初步具备从头生成新型噬菌体基因组的能力。该项工作标志着生成式生物设计的尺度第一次从单个蛋白、基因和小型基因回路进一步推进到了完整、能够独立执行复杂生命周期的基因组。

全球首个INT Ⅲ期阳性，AI赋能个体化mRNA疗法获得验证。8月19日，默沙东与 Moderna 联合宣布，其个体化 mRNA 癌症疫苗 intismeran（V940/mRNA-4157）联合 KEYTRUDA，在 III 期 INTerpath-001 试验中同时达到无复发生存（RFS）与远处转移无进展生存（DMFS）两大终点。这是全球首个取得阳性 III 期结果的个体化新抗原疗法（INT），也是 mRNA 癌症疗法的历史性验证。（1）在药物设计端，AI驱动新抗原筛选。算法分析患者肿瘤与血液样本的NGS数据，识别肿瘤特异性突变，筛选最多34个高潜力新抗原，并结合临床与免疫原性数据持续迭代。（2）在生产交付端，自动化制造与AI排程协同。根据筛选结果生产编码最多34个新抗原的个体化mRNA，并以自动化和机器人技术提升生产效率；Maestro贯通临床、生产、质控与物流，通过AI动态安排患者批次，保障规模化并行生产和按期交付。

2.科技大厂纵向延伸、MNC横向结盟，AI4S进入基础设施共建阶段

通用模型大厂加速布局生命科学，从模型能力延伸至湿实验闭环。Anthropic正全面加码AI4S，并将AI4S定位为继编程之后的核心战略场景。公司自2025年组建医疗与生命科学部门以来，先后发布Claude for Life Sciences与Claude Science，并通过收购Coefficient Bio、引入AlphaFold核心负责人John Jumper，补齐专业人才与研发能力。同时，Anthropic与百时美施贵宝、诺和诺德及顶尖科研机构展开合作，并自建湿实验室，逐步构建覆盖模型能力、科研工作流与湿实验验证的AI4S全栈体系。此外，OpenAI推出生命科学专用模型GPT‑Rosalind；字节通过Protenix与Anew Labs向AI制药模型及自研管线延伸。2026年6月，字节将Anew Labs拆分独立运营，其9月完成2.9亿美元首轮外部融资，投后估值达15亿美元，字节仍持股56%并保持控股；微软则以Microsoft Discovery整合科学Agent、专用模型与自动化实验室。科研场景成为大模型能力落地的重要方向，AI4S正成为科技巨头争夺的下一战略增长极。

头部MNC正加速与科技厂商共建AI研发基础设施。礼来于2025年10月与NVIDIA建设药企专属AI超算和AI Factory，2026年1月进一步宣布未来五年投入最高10亿美元共建AI联合创新实验室；同时，TuneLab连续引入Chai Discovery的前沿模型，以及Twist、金斯瑞、Ginkgo和Charles River等湿实验伙伴，推动模型预测、实验验证与数据回流。诺和诺德于2026年4月与OpenAI建立企业级合作，将AI用于药物发现、复杂数据分析和运营提效；8月与AWS共建AI创新中心，引入科学Agent与云基础设施；9月再与Anthropic合作，将Claude Science用于生物学推理和药物发现。BMS则于2026年5月与Anthropic达成战略合作，将Claude覆盖研究、临床开发、生产、商业化及企业职能，建设全公司的共享智能平台。

4.国家战略升维，AI4S进入体系化布局

政策重心前移，从支持创新药成果，升级为系统建设AI驱动的医药研发范式。 2026年9月，工信部等十部门印发《医药工业发展“十五五”规划》，将医药高质量数据集、可信数据空间、垂类大模型与智能体、AI制药高价值场景纳入行业顶层任务，并推动AI覆盖药物发现、临床研究、工艺优化、质量管理和智慧监管等环节。规划提出，到2030年首创新药（FIC）占全球比例达到25%以上、创新药产业规模年均增长20%以上。

国家战略持续升维，AI4S与生物医药进入体系化布局。 国家“十五五”规划《纲要》将生物医药列入战略性新兴产业，并提出着力打造新兴支柱产业，进一步提升其在科技创新与产业发展中的战略地位。国务院《关于深入实施“人工智能+”行动的意见》则将“人工智能+科学技术”置于六大重点行动首位，明确探索AI驱动的新型科研范式，推动科学大模型、高质量科学数据集和智能化科研基础设施建设，加速“从0到1”重大科学发现，为AI制药发展提供上位政策支撑。

二、价值锚点升维，从模型能力向数据闭环与生物设计延伸

1. Agent延伸研发链条，TaaS打开价值空间

Agent延伸研发链条，干湿实验闭环加速形成。早期模型主要解决结构预测、活性评分等局部问题，跨工具衔接与实验决策仍由科学家逐步完成。近期系统则由通用模型拆解目标、调用专业算法并分析结果，再将候选交由真实实验检验；新增数据用于修正假设、调整下一轮设计，并支持专业模型优化。与AI Coding可快速运行测试不同，科研反馈涉及样本、设备、实验周期和数据标准，物理验证环节决定了迭代速度。随着计算端能够提出更多候选，高通量合成、检测与自动化实验的重要性相应提升，产业竞争也扩展到科学数据、专业工具、任务编排与实验设施的协同能力。头部厂商正加快科研Agent产品化。例如，Google推出基于Gemini的多智能体系统Co-Scientist，由假设生成、反思、排序和演化等Agent协同工作，并可调用ChEMBL、UniProt及AlphaFold等专业工具；Anthropic则推出Claude for Life Sciences与Claude Science，通过Connectors和Agent Skills连接科研文献、生物信息工具及实验数据，并组建内部生命科学实验室，对Agent提出的生物学假设开展真实实验验证。罗氏构建以科研Agent为核心的Lab-in-the-Loop体系，串联基础模型、药物设计、合成测试与实验反馈，并联合英伟达、Recursion、Anthropic及Medra推进AI工厂和自主实验室建设。

Science Token有望成为AI4S能力标准化输出的重要载体，进一步打开商业变现空间。传统AI4S公司主要依靠定制研发项目、软件授权和管线里程碑变现，项目周期长、收入波动大，难以充分体现模型、数据和自动化实验平台的复用价值。随着科研Agent开始自主拆解任务并高频调用专业模型、数据库和实验设备，Science Token有望成为统一的资源计量与结算单位。客户按实际使用量付费，无需一次性采购整套平台；服务商则可将算法、数据、算力和实验能力转化为持续的平台收入，并通过调用量增长实现规模化扩张。2026年7月，晶泰控股推出XtalPi Science，将200多个专业模型、Genius Agents、科研工具及机器人实验资源封装为可按需调用的Science Token，统一记录数字预测、任务编排和湿实验执行，推动公司从定制项目服务商向科研基础设施平台升级。9月，科理新序则从科学基础模型切入，提出以小分子、蛋白质和核酸等原生科学模态构建Science Token，并探索按照解决科研任务所消耗的Token收费，同时根据数据稀缺性、任务难度和科研价值实行差异化定价。

2. 干湿闭环构筑数据飞轮，湿实验室沉淀数据资产

当前，AI4S竞争正从模型能力延伸至湿实验基础设施。随着模型生成候选的速度和规模快速提升，实验验证、数据回传与自动化执行逐渐成为研发闭环的核心约束，科技巨头开始通过自建实验室与外部合作两条路径补齐能力。其本质是掌握高质量实验数据的生产入口，构建“模型设计—实验验证—数据反馈—模型迭代”的闭环。

（1）在自建方面，Anthropic布局实验端，推出模型硬件标准，卡位AI制药基础设施。8月，公司披露Claude蛋白设计实验，在15个靶点中的14个上获得结合蛋白，两款模型的整体命中率分别为22.6%和26.7%，高于传统项目约10%至15%的典型水平。Claude虽可在数十小时内完成大规模数字设计，但候选序列仍需真实实验验证；随着实验批次增加，外部服务成本、排期及数据回传周期正成为新约束。9月18日，据相关报道，Anthropic已在旧金山湾区建立生物湿实验室，将实验结果反馈至Claude训练，以迭代生物学预测。生命科学负责人Eric Kauderer-Abrams随后确认，公司正采取“部分自建、部分外包”的实验模式，并招聘覆盖PCR、克隆、细胞培养及核酸实验的生物学人才。同时，公司提出MHS（模型硬件标准），推动Claude从提出科学假设、分析数据延伸至操控真实实验设备。Anthropic强调其定位仍是药物研发基础设施，不会进入临床试验环节。

（2）在合作方面，微软已在剑桥研究院建设首个分子生物学湿实验室，并通过Station B连接生物模型、实验设计、自动化执行与数据反馈，推动计算预测与真实实验形成闭环；OpenAI则与Ginkgo Bioworks合作搭建自主实验体系，利用模型优化实验方案，并将实验结果持续反馈至下一轮设计。Google DeepMind、Isomorphic Labs及Meta也通过Biohub、科研机构和专业实验平台，接入大规模实验验证与数据生成能力。随着AI生成候选数量快速增长，科技巨头与自动化实验室、CRO及生物技术公司的合作将进一步深化，竞争重点也由单纯提升模型性能，延伸至湿实验吞吐量、数据质量和反馈效率。

总体来看，科技巨头的竞争由此从模型、算法和算力进一步延伸至实验基础设施，湿实验不仅用于验证模型输出，更成为持续生产高质量专有数据、推动模型迭代的关键入口。1）湿实验作为规模化落地的关键卡点，有望成为物理AI的重要场景。模型生成候选的速度远快于实验验证能力，实验产能、成本、排期与反馈周期将制约研发效率，并推动实验自动化、设备接口及数据标准加速统一。2）真实实验数据是AI4S的核心资产，干湿闭环成为产业发展的必选项。“模型设计—实验验证—数据回传—模型迭代”的闭环将持续沉淀高质量专有数据，推动模型性能提升并生成更优候选，进而形成自我强化的数据飞轮。

3. 从“选分子”走向“造体系”，大分子有望抬升产业天花板

生命科学正迎来一场由AI深度驱动的爆发式变革。10月初，Anthropic强化学习负责人尼克.马维尔表示，生物学与生命科学有望迎来真正具有时代意义的大爆发。未来6个月到24个月内，AI 对生物学的颠覆性重塑，其释放出的社会正向价值将远远超越软件工程。不仅在技术普及的广度上，更在于它能攻克重大疾病、推进健康长寿，其带来的普惠价值是极其深远的。从药物模态看，当前AI在小分子与蛋白/抗体领域的应用最为突出。其中，小分子药物拥有更丰富的结构与活性数据，分子表征、虚拟筛选和生成式设计等工具也相对成熟，是AI制药落地最快、管线验证最充分的主战场。与此同时，随着蛋白质结构预测、蛋白语言模型和生成式生物学快速发展，AI的能力边界正由小分子逐步延伸至抗体、蛋白等泛大分子药物设计，大分子也由此成为产业重点关注和加速布局的方向之一。

小分子是当前AI制药最成熟、成果兑现最快的药物模态，AI的应用已由靶点发现、虚拟筛选和分子生成，逐步迈入临床验证与商业化阶段。小分子建模作为AI驱动药物发现的核心组成部分，涵盖小分子设计与构象建模。前者旨在创造满足特定目标的新颖化学结构，后者侧重生成或优化低能量构象及结合姿势等三维结构。生成方法可分为无约束生成与属性约束生成：无约束生成用于探索化学空间、发现新骨架；属性约束生成则引导模型获得高活性、良好溶解度或低毒性等理想性质。小分子药物的化学空间理论上高达10⁶⁰，AI的核心价值在于虚拟筛选和分子生成，在虚拟空间中从零设计具有特定结合亲和力和成药性的分子。英矽智能的Chemistry42、Isomorphic Labs的IsoDDE，本质上都是生成式化学引擎。2026年，英矽智能的AI创新药Rentosertib启动Ⅲ期临床。2026年9月，由西湖大学、西湖实验室与西湖制药联合研发的口服小分子药物艾普司韦获批上市，成为国内首款AI辅助研发并获批上市的原创药，标志着AI小分子由技术能力验证迈向药物研发成果兑现。

AI加速推动大分子药物研发迈向“预测驱动与可编程设计”，持续拓展生物药的研发边界与价值空间。大分子药物通常具有高特异性、强效性和长半衰期等特点，因此，其在肿瘤、自身免疫性疾病、代谢疾病等重大治疗领域展现出小分子药物难以比拟的治疗优势。截至2026年初，全球药品销售额TOP10榜单中，大分子药物占据了半数以上席位，表明大分子药物正迎来“黄金时代”。大分子建模将生成式设计扩展至蛋白质、肽、抗体以及RNA等生物大分子，涵盖大分子设计与构象建模。前者通过序列或结构生成获得具有期望功能的分子，后者通过优化或推断原子坐标刻画其三维结构与动态。构象建模可分为结构预测、构象生成与结合构象预测，分别用于从序列推断折叠结构、采样替代或低能量状态，以及预测多聚体或蛋白-配体复合物的结合构象。由于抗体、蛋白、多肽的结构与功能高度耦合，一个氨基酸的替换可能彻底改变折叠方式、免疫原性或半衰期。大分子AI制药的门槛比小分子更高，但商业天花板也更高。

从“造分子”向“造体系”迈进，AI大分子药物研发正由单点序列生成走向系统化成药设计。与小分子侧重生成和优化单一化学结构不同，AI赋能大分子药物更接近“造体系”（泛大分子：抗体、重组蛋白、多肽、RNA等），在完成蛋白或核酸序列的生成与结构设计的同时，还需协同解决稳定性、免疫原性、组织靶向、体内表达和药效验证等一系列相互耦合的问题。比如，RNA以碱基序列为载体，具有天然的数字化特征，序列规则相对明确、设计空间巨大，密码子、二级结构、稳定性和表达效率等指标又能够被计算和优化，使其非常适合语言模型与生成式AI进行学习和设计，是最适合AI进行编码设计的药物方向之一。但“可编码”并不等于“可成药”。以RNA疫苗为例，AI可以从大规模序列与功能数据中学习复杂的“序列-功能”关系，生成式模型则有机会在巨大的组合序列空间中直接搜索满足特定药效属性的候选序列。但AI在优化抗原、密码子和RNA结构的同时，还必须协同设计脂质纳米颗粒等递送系统，使RNA能够保持稳定、到达目标组织、进入细胞并有效释放。因此，大分子AI的核心不是单点生成一个序列，而是将“有效载荷设计—成药性优化—制剂递送—体内验证”整合为可预测、可迭代的系统工程。

（1）AI4S技术能力与科学验证不及预期风险。 科学模型在公开基准上的性能提升，不必然转化为真实科研场景中的泛化能力。若模型在未知靶点、复杂生物体系及分布外任务中出现幻觉、结果不可复现或实验成功率偏低，可能削弱AI4S的实际研发价值及客户付费意愿。

（2）高质量数据供给与合规风险。 AI4S模型训练依赖高质量、标准化且带有实验标签的科学数据，但行业数据仍存在分散、标准不一及失败负样本稀缺等问题。若数据获取成本上升，或知识产权、患者隐私及跨境流动监管趋严，可能限制模型训练、数据闭环和商业化合作。

（3）干湿闭环建设与商业化进展不及预期风险。 自动化实验室涉及仪器集成、实验标准化和流程数字化，前期资本及研发投入较高。若实验设备兼容性、数据回流效率或实验室利用率低于预期，或客户订单未能从一次性项目转向持续采购，可能导致数据飞轮形成缓慢并拖累盈利兑现。

（4）研发转化及临床试验失败风险。 AI有望提升靶点发现、分子设计和临床前研发效率，但无法消除人体生物学复杂性及新药研发固有风险。若AI设计候选药物在临床阶段出现疗效、安全性或入组问题，可能导致管线终止、BD里程碑无法兑现，并对行业估值体系形成冲击。

（5）开源竞争、知识产权与生物安全监管风险。 开源模型快速迭代可能缩短算法领先窗口，压缩单一模型能力的商业溢价；同时，蛋白、基因组及生物系统设计能力增强，也可能引发知识产权归属、双重用途及生物安全风险。若相关监管明显收紧，可能提高模型开放、数据使用和实验验证的合规成本。

证券研究报告名称：《AI4S系列报告2：干湿闭环构筑数据壁垒，大分子有望抬升产业天花板 》

对外发布时间：2026年10月12日

报告发布机构： 中信建投 证券股份有限公司

应瑛 SAC 编号:S1440521100010

张敏 SAC 编号:S1440525070012