復刻「半導體時刻」：AI製藥版的「瓶頸交易」正在成形，誰是下一個「賣鏟人」？

AI 正在重塑藥物發現的底層邏輯，一場類似半導體行業「瓶頸交易」的投資機會正在製藥供應鏈中悄然成形。

10月4日，頂級美元基金 Altimeter Capital 合夥人 Freda Duan 近日發文指出，AI 制藥賽道（AIDD）的「瓶頸交易」正在成形，其結構與此前半導體領域從 GPU 延伸至 HBM、網路、電力的鏈式行情高度相似。

前沿 AI 實驗室的集體入場是最顯著的信號。Anthropic 組建了專屬生命科學研究團隊並建立濕實驗室，OpenAI 建立了專為生物學和藥物發現設計的 GPT-Rosalind 模型族，字節跳動旗下獨立運營的 Anew Labs 已擁有內部藥物研發庫，同構實驗室（Isomorphic Labs）則明確表示將把 AI 設計的藥物推進人體臨床試驗。

同時，供應鏈端的信號同樣清晰。DNA 合成商拓斯達生物（Twist Bioscience，TWST）預計 2026 財年和 2027 財年的 AI 藥物發現訂單將連續實現三位數百分比增長。金斯瑞（GenScript）的 AI 藥物發現業務在 2026 財年上半年按年翻倍，渠道調查顯示其實際驗證產能已達每日約 8,000 個設計，並有望在 2026 年底前提升至 16,000 個。

這一邏輯與半導體行業的瓶頸傳導路徑高度相似。GPU 稀缺推動了對 HBM 記憶體、網路設備、電力與冷卻系統的依次爆發。

在 AI 製藥領域，瓶頸同樣在沿產業鏈向下傳遞：AI 模型產生設計→DNA 合成→蛋白生產→實驗驗證→臨床前測試，每個環節都可能成為下一個受益節點。

（供應鏈數據顯示，上游的發現和早期臨床前研發環節已經開始感受到實驗量增加帶來的影響）

Freda Duan 在文章中將當前 AI 製藥賽道格局描述為一次真正意義上的「體制變遷」（regime change）。

Anthropic 已將生命科學研究提升至戰略層級，其濕實驗室完成的首個重大項目是利用 Claude 智能體識別了一種與 CRISPR 類 DNA 重複序列相關、此前未被表徵的酶系統。

OpenAI 推出的 GPT-Rosalind 模型族覆蓋藥物化學、蛋白工程、基因組學及實驗工作流程。

字節跳動的前 AI 藥物發現部門現已獨立運營，更名為 Anew Labs，整合了基礎模型、濕實驗室驗證與自有藥物管線，字節跳動仍持有多數股權。

同構實驗室（Isomorphic Labs）則明確宣布，其目標是將 AI 設計的藥物推進人體臨床試驗階段。

值得注意的是，各家機構的商業化路徑存在明顯差異。

• Anthropic 目前的定位更接近研究與平台層，明確表示不打算成為傳統商業臨床階段的生物技術公司；
• 字節跳動的 Anew Labs 已更接近於擁有自有藥物管線的生物技術平台模式；
• 同構實驗室 則處於兩者之間，明確承諾將自行推進藥物進入臨床。

這意味著 AI 藥物發現的商業化路徑正在分岔：授權給大型藥企、合作里程碑＋專利費、或直接孵化獨立公司。對於下游供應鏈而言，無論哪條路徑，實驗需求的增量都將真實發生。

AI 提升了效率，為何反而推高了濕實驗室的實驗量？答案在於 AI 從根本上改變了假設生成的經濟學。

第一，假設生成趨近於零成本，實驗驗證成為新瓶頸。 傳統藥物發現中，專家篩選候選分子的成本極高，能夠進入昂貴驗證流程的只有最高置信度的候選項。

AI 使得設計候選分子幾乎不產生邊際成本，「上場機會」大幅增加，瓶頸從設計端轉移至生物驗證端。

第二，失敗的實驗同樣有價值，負樣本成為訓練數據。 Anthropic 提供了一個典型案例：Claude 設計了 1,320 個蛋白結合子，Adaptyv 將這些數字序列轉化為 DNA、表達蛋白並測試結合性，最終只有 354 個成功結合。

但另外 966 個失敗案例並未被浪費——什麼不表達、什麼不結合、什麼親和力差，這些都是有價值的負向標籤，用於訓練下一輪模型迭代。傳統藥物發現只問「候選 X 有效嗎」，AI 藥物發現還額外追問「這個實驗能教給模型什麼」。

第三，濕實驗室正從製造藥物轉型為製造訓練數據。 TWST 明確表示，其業務正在轉向從 AI 設計序列中生成可直接輸入模型的結構化實驗結果數據。GenScript 的序列到結合數據工作流可在 4 至 7 天內返回結果。

在部分工作流中，客戶關心的可能已不是獲得物理蛋白本身，而是將結構化實驗結果反饋回模型。TWST 和 GenScript 因此愈發接近「生物數據鑄造廠」的角色。

文章指出，除了理論邏輯之外，供應鏈層面已出現可追蹤的量化信號。

TWST 預計 2026 財年的 AI 藥物發現訂單增速將達三位數百分比，且 2027 財年的訂單增長將延續同等幅度。GenScript 的 AI 藥物發現業務在 2026 財年上半年實現按年翻倍，其平台對外宣稱的工業級驗證產能為每日 4,000 個以上設計，配備完整的序列到數據工作流。

渠道調查顯示實際進展更快。當前實際產能約為每日 8,000 個設計，並有望在 2026 年底前達到約 16,000 個。

從供應鏈路徑來看，受益環節依次為：AI 模型→序列設計→DNA 合成（TWST 等）→蛋白生產（GenScript 等）→實驗驗證→測序（ILMN、TXG 等）→自動化設備→臨床前測試（CRO）。

在市場規模方面，若 AI 只是更高效的研發工具，相關支出池為每年 3,000 至 4,000 億美元的全球製藥研發總支出。若 AI 真正擴大了可行藥物項目數量，機會將更大，因為它還將帶動 DNA 合成、蛋白生產、實驗驗證和臨床前工作的增量需求。

此外，從 AI 公司自身的支出角度也可做出近似估算。若 Anthropic 在 2026 年實現 800 億美元年化收入，僅將其中 1% 投入 AI 藥物發現，便已意味著約 8 億美元的年度投資體量。

Freda Duan 提醒，對該主題有所了解的投資者會本能地聯想到 2020 至 2021 年的 AI 藥物發現熱潮及隨後的崩盤。

Exscientia 的 DSP-1181 分子在不到一年內從發現推進至 I 期臨床，但隨後因未達到目標機制的 I 期評估標準而終止。彼時的失敗有兩個明確原因：宏觀環境急劇收緊，疊加「更快的發現不等於更好的臨床生物學」被殘酷證實。

但 Freda Duan 認為，2026 年的背景與 2020/21 年存在根本性差異，那一輪週期發生在 GPT 出現之前。

2020/21 年的核心邏輯是：用計算減少低價值的濕實驗室篩選，AI 是搜尋效率工具，目標是減少物理實驗量，以更少的合成和更少的測試更快鎖定候選藥物。

2026 年的核心邏輯截然不同：用 AI 大幅擴展假設空間，再用濕實驗室生成真實驗證數據。其內在循環為：AI→實驗→數據→更好的 AI→更多實驗。AI 創造的可用實驗數量之多，使物理生物學本身成為瓶頸。

從已有數據來看，2024 年一項研究顯示，AI 發現藥物的 I 期成功率約為 80% 至 90%，高於行業歷史平均水平；II 期成功率約為 40%，與歷史平均水平大致相當，但樣本量仍有限。

Freda Duan 強調當前的DNA 合成和蛋白生產是最直接的瓶頸節點。

隨著更多候選藥物被推入臨床前階段，動物實驗或將成為下一個受限環節。靈長類動物價格已接近此前高點，CRO 產能持續偏緊，AI 藥物發現進一步壓入臨床前的候選項只會加劇這一壓力。

分析認為，這筆交易的潛在持續時間較長，直至 2028 年以後的 I/II 期臨床結果出爐，都很難出現根本性的邏輯終結。關鍵里程碑：

• 2026 至 2027 年底，Isomorphic 首批 AI 設計藥物進入人體臨床試驗，更多 AI 原生項目推進至 IND-enabling 階段；
• 2028 至 2030 年，臨床試驗結果開始揭示 AI 設計藥物是否真正優於傳統藥物。

近期看，若實驗預算停止增長、AI 生成設計無法轉化為有效濕實驗室結果，或產能過快追上需求，上游「鎬與鏟」交易將受壓。

長期看，若 AI 藥物在發現階段和 I 期表現亮眼，卻在 II/III 期以正常失敗率落敗，整個投資邏輯將面臨根本挑戰，這也是為何 II 期臨床結果如此關鍵。

洛杉磯加州大學教授 Quanquan Gu 對這一邏輯作出高度概括：

生物學可能成為 AI 下一個遞歸自我改進的前沿——在電腦中設計，在實驗室中測試，將實驗反饋轉化為半合成訓練數據，改進模型，週而復始。