恒生活《策略报告》：政策加持 AI for Science开辟生物医药新空间

　　/传播易/10月9日，中共中央、国务院印发《关于发展新质生产力的意见》(以下简称：《意见》)。明确提出，全面实施“人工智能+”行动，布局国家人工智能行业应用中试基地和高价值应用场景;生物医药列入战略性新兴产业重点方向，生物制造前瞻布局为未来产业。人工智能与生物医药，在发展新质生产力的顶层设计中同时被置于关键位置。

　　此前，恒生活携手清华大学深圳国际研究生院联合发布的《2026下半年全球经济展望及投资策略报告》(以下简称：《策略报告》)将“AI for Science”与人工智能应用、国产半导体、商业航天、人形机器人并列为下半年五大黄金投资赛道，并给出鲜明研判：人工智能正从“单点辅助工具”向“药物研发全流程”渗透，生物医药是其中技术成熟度较高、商业化路径较清晰的赛道，AI for Science的价值正在加速凸显。

　　从辅助工具到科研基础设施

　　长期以来，生物医药研发具有周期长、投入高、专业链条复杂等特点。从疾病机理研究、靶点验证，到候选分子筛选、临床试验和注册申报，每个环节都需要大量数据、实验和专业判断。传统研发模式在相当程度上依赖科研人员经验，研发结果则需要通过反复实验逐步验证。对于创新药企业而言，早期决策失误可能带来较高的时间和资金成本。

　　AI for Science提供了另一种可能。依托深度学习、通用大模型和高性能算力，人工智能能够处理更加复杂的科研数据，辅助完成假设生成、实验设计、候选筛选和结果分析，并通过数据反馈不断优化模型。其价值并不在于替代科学家，而在于帮助科研人员更高效地处理海量数据、识别潜在规律、减少低价值试错，并将科研流程中的不同环节连接起来。

　　从产业视角看，AI for Science至少体现出三方面价值。一是提升科学发现效率。生物医药研发涉及多类数据，人工智能可辅助研究人员从大规模数据中识别关联。二是提升实验设计和验证效率。三是提升科研成果产业化效率。AI与药物研发平台、测序设备、生物制造系统和临床研发服务结合，有助于缩短技术成果从实验室到产业的转化链条。

　　政策环境也在推动这一过程加快。《意见》明确“以人工智能引领科研范式变革”，AI与基础科研的结合，已从自发探索上升为国家议程。此前9月18日，《医药工业发展“十五五”规划》更明确提出“加快人工智能、量子计算、超级计算、计算医学等新技术赋能药物研发”。人工智能赋能药物研发正从企业自发的技术探索，上升为产业政策层面的明确导向。

　　从单点应用到研发流程重塑

　　据麦肯锡等机构测算，生成式AI与前沿计算技术有望将药物早期研发时间缩短40%至50%。恒生活《策略报告》系统解构了这一技术渗透路径，指出AI正由单点辅助工具向药物研发全流程渗透，并在靶点发现、蛋白质结构预测、药物分子设计、临床试验优化以及个性化医疗五大环节形成深度赋能。这一判断在坤元资产FOF生态圈企业的技术实践中得到了完整验证。

　　在蛋白质结构预测与功能元件挖掘领域，坤元资产FOF生态伙伴辉大基因通过HG-PRECISE平台利用深度学习算法从海量宏基因组数据中预测并发现新型Cas蛋白，不仅突破了国际专利限制，更大幅缩短了基因编辑底层工具的发现周期。

　　在药物分子与载体设计环节，坤元资产FOF生态伙伴丹序生物在单细胞研发体系中嵌入“AI抗体工程”，将单B细胞高通量筛选、深度突变扫描与AI亲和力成熟模型高效打通，嘉因生物通过AAVarta平台依托AI算法开展AAV衣壳演化与载体优化并顺利推进核心产品EXG102-031.二者均显著压缩了先导分子的优化进程。

　　在临床试验优化与个性化诊疗环节，坤元资产FOF生态伙伴太美医疗科技(02576.HK)利用数字化协同平台与智能算法优化试验方案设计与受试者精准匹配，降低临床试验的偏差与成本，鹍远生物则携手复旦大学附属中山医院构建融合深度神经网络的多模态AI模型，深度解析微量cfDNA甲基化谱图，实现了高精度的多癌早筛与组织溯源。

　　在AI for Science应用领域中，生物医药具备数据密集、研发流程复杂、应用场景清晰等特点，是人工智能产业化落地相对活跃的方向。从上述企业可以看到，不同企业的技术路径各有侧重，但共同指向同一趋势：AI for Science正在从单点技术应用，转向覆盖数据、工具、研发和产业服务的系统化应用。

　　从技术突破到产业生态协同

　　据恒生活《策略报告》研判，AI进入生物医药，不仅会改变企业的研发工具，也会推动产业链不同参与者重新分工。企业可以通过内部建设、外部合作和联合研发等方式引入人工智能能力，用于靶点筛选、候选分子评价、临床开发和管线管理。未来，企业的竞争力不仅体现在拥有多少研发项目，还体现在能否高效利用数据、模型和实验资源。

　　对于CRO及临床研发服务企业而言，人工智能有望嵌入药物发现、临床前研究、临床试验和数据管理等服务流程。服务企业如果能够将算法平台与专业经验结合，便可能从传统项目执行者，进一步转向面向全流程的研发效率服务提供者。

　　对于平台型AI生物科技公司而言，持续价值来自模型、数据、实验和场景之间的正向循环。单纯拥有算法并不意味着能够形成产业壁垒，只有当算法能够在真实研发场景中被反复验证，并持续产生新的数据和应用反馈，平台能力才可能不断提升。

　　坤元资产FOF生态圈相关企业的布局，正体现出这种生态协同特征。其覆盖了测序和医学数据解析、基因编辑工具发现、抗体工程、AAV载体优化、合成生物学、序列设计、创新药研发以及临床研发数字化等多个环节。不同技术平台之间并非简单并列，而是共同构成了从科研数据生产、算法分析、工具发现到产业研发和临床应用的多层次链条。

　　专业机构测算，全球AI制药市场规模从2021年的7.9亿美元增至2026年预计的29.9亿美元，六年翻了近四倍，复合增长率超过26%。中国相关企业达164家;全球由AI深度参与设计的药物管线，已有170余条进入临床阶段——报告描绘的新范式，正从方法论变成产业基础设施。

　　可以预见，随着政策、资本、科研机构和产业企业进一步形成合力，AI for Science将成为推动生物医药研发范式变革的重要力量。而在这一轮以AI智能重塑研发范式的产业进程中，那些率先打通数据、算法、实验与产业转化链路的企业，将有望把技术势能转化为创新动能，为中国生物医药迈向更高质量、更高效率的发展阶段注入持久动力。