Tái tạo "thời điểm bán dẫn": Giao dịch "choke point" trong lĩnh vực AI dược phẩm đang hình thành, ai sẽ là "người bán xẻng" tiếp theo?

AI đang tái cấu trúc logic cơ bản của việc phát hiện dược phẩm và một cơ hội đầu tư kiểu "giao dịch nút thắt chai" tương tự như ngành công nghiệp bán dẫn đang âm thầm hình thành trong chuỗi cung ứng dược phẩm.

Ngày 4 tháng 10, Freda Duan, đối tác của quỹ đô la hàng đầu Altimeter Capital, gần đây đã chỉ ra rằng các "giao dịch nút thắt chai" trong đường đua AI dược phẩm (AIDD) đang dần thành hình, với cấu trúc rất giống với sự vận động chuỗi trong lĩnh vực bán dẫn, từ GPU mở rộng sang HBM, mạng lưới, điện và hệ thống làm mát.

Tín hiệu rõ ràng nhất là sự tham gia đồng loạt của các phòng thí nghiệm AI tiên phong. Anthropic đã thành lập đội ngũ nghiên cứu khoa học sự sống riêng và triển khai phòng thí nghiệm ướt, OpenAI xây dựng dòng mô hình GPT-Rosalind chuyên cho sinh học và khám phá thuốc, Anew Labs (một doanh nghiệp vận hành độc lập thuộc ByteDance) đã có thư viện nghiên cứu thuốc nội bộ, trong khi Isomorphic Labs khẳng định sẽ đẩy các loại thuốc thiết kế bởi AI vào thử nghiệm lâm sàng trên người.

Đồng thời, tín hiệu từ phía chuỗi cung ứng cũng rất rõ rệt. Twist Bioscience (TWST), nhà tổng hợp DNA, dự kiến đơn đặt hàng cho phát hiện thuốc bằng AI sẽ tăng trưởng ba chữ số liên tiếp trong năm tài khóa 2026 và 2027. Hoạt động phát hiện thuốc bằng AI của GenScript đã tăng gấp đôi trong nửa đầu năm tài khóa 2026 so với cùng kỳ năm trước, khảo sát kênh cho biết năng lực xác thực thực tế lên tới khoảng 8.000 thiết kế mỗi ngày, dự kiến sẽ đạt 16.000 thiết kế/ngày vào cuối năm 2026.

Logic này gần như giống với quá trình truyền đạt nút thắt trong ngành bán dẫn. Sự khan hiếm GPU đã kích thích sự bùng nổ lần lượt về bộ nhớ HBM, thiết bị mạng, điện và hệ thống làm mát.

Trong lĩnh vực AI dược phẩm, các nút thắt cũng được truyền dần xuống chuỗi ngành: Mô hình AI tạo thiết kế → Tổng hợp DNA → Sản xuất protein → Xác thực thí nghiệm → Kiểm tra tiền lâm sàng, mỗi giai đoạn đều có thể trở thành điểm hưởng lợi tiếp theo.

（Dữ liệu chuỗi cung ứng cho thấy, các giai đoạn thượng nguồn như phát hiện và R&D tiền lâm sàng sớm đã bắt đầu cảm nhận tác động từ khối lượng thí nghiệm tăng lên）

Freda Duan mô tả cục diện hiện tại của đường đua AI dược phẩm như một "cuộc chuyển đổi thể chế" thực sự.

Anthropic đã nâng nghiên cứu khoa học sự sống lên tầm chiến lược, dự án lớn đầu tiên của phòng thí nghiệm ướt là sử dụng Claude agent để nhận diện một hệ enzyme liên quan đến trình tự lặp lại DNA loại CRISPR mà trước đây chưa được nhận diện.

Dòng mô hình GPT-Rosalind của OpenAI bao phủ hóa học dược phẩm, kỹ thuật protein, genomics và quy trình thí nghiệm.

Bộ phận phát hiện thuốc bằng AI trước đây của ByteDance đã vận hành độc lập và đổi tên thành Anew Labs, tích hợp mô hình nền tảng, xác thực phòng thí nghiệm ướt và pipeline thuốc nội bộ, ByteDance vẫn nắm giữ đa số cổ phần.

Isomorphic Labs đã tuyên bố rõ ràng mục tiêu là đẩy thuốc thiết kế bởi AI vào giai đoạn thử nghiệm lâm sàng trên người.

Đáng chú ý, lộ trình thương mại hóa của các tổ chức này có sự khác biệt rõ rệt.

• Anthropic hiện đóng vai trò nghiên cứu và nền tảng, tuyên bố không có ý định trở thành công ty công nghệ sinh học truyền thống trong giai đoạn lâm sàng thương mại;
• Anew Labs của ByteDance gần như đang vận hành theo mô hình nền tảng công nghệ sinh học có pipeline thuốc nội bộ;
• Isomorphic Labs ở giữa hai bên, cam kết tự đẩy thuốc vào thử nghiệm lâm sàng.

Điều này đồng nghĩa với việc lộ trình thương mại hóa của phát hiện thuốc bằng AI đang phân hóa: cấp phép cho các tập đoàn dược phẩm lớn, hợp tác milestone + phí bằng sáng chế, hoặc trực tiếp ươm tạo công ty độc lập. Dù theo hướng nào, nhu cầu thí nghiệm tăng trưởng ở phía hạ nguồn chuỗi cung ứng đều sẽ thực tế xảy ra.

AI nâng cao hiệu quả, vậy tại sao lại làm gia tăng khối lượng thí nghiệm trong phòng ướt? Câu trả lời nằm ở chỗ nền kinh tế của việc tạo giả thuyết đã thay đổi tận gốc nhờ AI.

Thứ nhất, việc tạo giả thuyết gần như không còn chi phí, xác thực thực nghiệm trở thành nút thắt mới. Trong phát hiện dược phẩm truyền thống, chi phí sàng lọc phân tử ứng viên bởi chuyên gia rất cao, chỉ các ứng viên có độ tin cậy cao nhất mới được vào quy trình xác thực đắt đỏ.

AI giúp thiết kế phân tử ứng viên gần như không phát sinh chi phí biên, "cơ hội thi đấu" tăng lên đáng kể, nút thắt chuyển từ phía thiết kế sang xác thực sinh học.

Thứ hai, các thí nghiệm thất bại cũng có giá trị, mẫu âm trở thành dữ liệu huấn luyện. Anthropic cung cấp một ví dụ điển hình: Claude đã thiết kế 1.320 protein binder, Adaptyv đã chuyển các chuỗi số này thành DNA, biểu hiện protein và kiểm tra khả năng gắn kết, cuối cùng chỉ có 354 mẫu thành công.

Tuy nhiên, 966 trường hợp thất bại không bị lãng phí – cái nào không biểu hiện, cái nào không gắn kết, cái nào ái lực kém đều là nhãn âm mang giá trị dùng để huấn luyện thế hệ mô hình tiếp theo. Phát hiện thuốc truyền thống chỉ hỏi "ứng viên X có hiệu quả không", trong khi AI dược phẩm còn hỏi thêm "thí nghiệm này dạy mô hình điều gì".

Thứ ba, phòng thí nghiệm ướt đang chuyển đổi từ sản xuất thuốc sang sản xuất dữ liệu huấn luyện. TWST tuyên bố rõ ràng công việc đang chuyển hướng sang tạo ra dữ liệu kết quả thực nghiệm cấu trúc, có thể trực tiếp nhập ngược lại mô hình từ chuỗi thiết kế của AI. Quy trình từ chuỗi đến dữ liệu gắn kết của GenScript trả lại kết quả chỉ trong 4-7 ngày.

Ở một số workflow, điều khách hàng quan tâm không còn là nhận được protein vật lý, mà là feedback dữ liệu thực nghiệm cấu trúc trở lại cho mô hình. Do đó, TWST và GenScript ngày càng gần hơn vai trò "nhà máy đúc dữ liệu sinh học".

Bài viết nhấn mạnh, ngoài lý luận lý thuyết, đã xuất hiện các tín hiệu định lượng có thể truy vết ở tầng chuỗi cung ứng.

TWST dự kiến tốc độ tăng trưởng đơn hàng phát hiện thuốc AI trong FY26 sẽ đạt ba chữ số phần trăm, FY27 tiếp tục tăng mạnh. Hoạt động phát hiện thuốc AI của GenScript đã tăng gấp đôi trong nửa đầu năm tài khóa 2026, công suất xác thực công nghiệp hóa quảng bá ra ngoài là hơn 4.000 thiết kế/ngày, có quy trình hoàn chỉnh từ chuỗi đến dữ liệu.

Điều tra kênh cho thấy tiến độ thực tế còn nhanh hơn. Năng lực sản xuất thực tế hiện tại là khoảng 8.000 thiết kế mỗi ngày, dự kiến đạt 16.000 vào cuối 2026.

Theo chuỗi cung ứng, các mắt xích hưởng lợi lần lượt là: Mô hình AI → Thiết kế chuỗi → Tổng hợp DNA (TWST, vv) → Sản xuất protein (GenScript, vv) → Xác thực thí nghiệm → Giải trình tự (ILMN, TXG, vv) → Thiết bị tự động hóa → Thử nghiệm tiền lâm sàng (CRO).

Về quy mô thị trường, nếu AI chỉ là công cụ R&D hiệu quả hơn thì tổng chi phí liên quan tương ứng với khoản chi R&D dược phẩm toàn cầu 300-400 tỷ USD mỗi năm. Nếu AI thực sự mở rộng số lượng dự án thuốc khả thi, cơ hội còn lớn hơn nữa, vì nó còn kích hoạt nhu cầu tăng trưởng ở tổng hợp DNA, sản xuất protein, xác thực thí nghiệm và công việc tiền lâm sàng.

Ngoài ra, từ góc độ chi tiêu nội bộ của các công ty AI cũng có thể ước tính gần đúng. Nếu Anthropic đạt doanh thu thường niên 80 tỷ USD trong năm 2026, chỉ cần dành 1% cho phát hiện thuốc AI đã tương đương khoảng 800 triệu USD đầu tư hàng năm.

Freda Duan nhắc nhở rằng các nhà đầu tư am hiểu lĩnh vực này sẽ ngay lập tức liên tưởng đến làn sóng phát hiện thuốc bằng AI 2020-2021 và cú sụp đổ sau đó.

Phân tử DSP-1181 của Exscientia chỉ mất chưa đầy một năm từ phát hiện đến giai đoạn I thử nghiệm lâm sàng, nhưng sau đó dừng lại vì không đạt tiêu chuẩn đánh giá cơ chế mục tiêu ở pha I. Thất bại lúc đó có hai nguyên nhân rõ rệt: môi trường vĩ mô thắt chặt đột ngột, cộng thêm việc "khám phá nhanh hơn không đồng nghĩa với sinh học lâm sàng tốt hơn" bị chứng minh một cách phũ phàng.

Tuy nhiên, Freda Duan cho rằng bối cảnh năm 2026 hoàn toàn khác biệt so với năm 2020/21, chu kỳ đó diễn ra trước khi xuất hiện GPT.

Lý luận cốt lõi của năm 2020/21 là: sử dụng tính toán để giảm khối lượng sàng lọc vật lý giá trị thấp trong phòng thí nghiệm ướt, AI là công cụ tăng hiệu quả dò tìm, mục tiêu là giảm số lần tổng hợp và kiểm tra vật lý để nhanh chóng xác định ứng viên thuốc.

Lý luận cốt lõi của năm 2026 hoàn toàn khác: sử dụng AI để mở rộng không gian giả thuyết, rồi dùng phòng thí nghiệm ướt sinh dữ liệu xác thực thực tế. Chu trình nội tại là: AI → Thí nghiệm → Dữ liệu → AI tốt hơn → Thêm nhiều thí nghiệm. Số lượng thí nghiệm khả dụng do AI tạo ra nhiều đến mức sinh học vật lý trở thành nút thắt.

Dữ liệu hiện có cho thấy, một nghiên cứu năm 2024 cho thấy tỷ lệ thành công pha I của các loại thuốc do AI phát hiện đạt khoảng 80% đến 90%, cao hơn mức trung bình lịch sử ngành; tỷ lệ thành công pha II khoảng 40%, gần bằng trung bình lịch sử, nhưng kích thước mẫu vẫn hạn chế.

Freda Duan nhấn mạnh hiện tại tổng hợp DNA và sản xuất protein là các điểm nút thắt trực tiếp nhất.

Khi nhiều ứng viên thuốc được đưa vào giai đoạn tiền lâm sàng, thí nghiệm động vật có thể trở thành giai đoạn tiếp theo bị hạn chế. Giá động vật linh trưởng đã gần mức đỉnh trước đây, năng suất CRO vẫn chật chội, phát hiện thuốc AI tiếp tục đẩy thêm ứng viên đến tiền lâm sàng chỉ khiến áp lực này tăng thêm.

Phân tích cho rằng giao dịch này có tiềm năng kéo dài lâu, ít nhất đến khi có kết quả lâm sàng pha I/II sau năm 2028 mới khó chấm dứt logic căn bản. Các cột mốc quan trọng:

• Cuối 2026 đến 2027: Lô thuốc thiết kế bởi AI đầu tiên của Isomorphic vào thử nghiệm lâm sàng trên người, thêm nhiều dự án AI-native lên giai đoạn chuẩn bị IND;
• 2028 đến 2030: Kết quả lâm sàng bắt đầu tiết lộ liệu thuốc AI thiết kế có thực sự vượt trội thuốc truyền thống hay không.

Trong ngắn hạn, nếu dự toán thí nghiệm ngừng tăng, thiết kế từ AI không chuyển hóa thành kết quả phòng ướt thực tiễn, hoặc công suất chạy nhanh hơn cầu, giao dịch "cào và xẻng" ở thượng nguồn sẽ gặp áp lực.

Về lâu dài, nếu thuốc AI phát hiện tốt ở giai đoạn I nhưng thất bại tỷ lệ bình thường ở II/III, toàn bộ logic đầu tư sẽ bị thách thức tận gốc, đó là lý do kết quả giai đoạn II quan trọng đến vậy.

Giáo sư Quanquan Gu của Đại học California, Los Angeles tổng kết logic này như sau:

Sinh học có thể trở thành mặt trận tiếp theo cho AI cải tiến bản thân liên tục—thiết kế trên máy tính, kiểm tra trong phòng thí nghiệm, biến phản hồi thực nghiệm thành dữ liệu bán tổng hợp để huấn luyện cải tiến mô hình, rồi lặp lại không ngừng.