生
从 AI 出设计、湿实验出裁判的挑战赛,到类器官、CRO、实验室上游和创新药资本——AI 改写生物学时,价值落在哪一层。
五个判断 · 每条一张图 · 成文 2026-10-24
把下面全部调研放在一起看,抽出几条单篇文章里看不见、却贯穿全部材料的判断。✅ 原文一致 · ⚠️ 推算 / 二手 / 公司口径。
01 / 05
AI 把"做出一个候选分子"的成本和次数压了一个数量级,却没有动"分子进了人体能不能成药"——而后者才是整条链上钱和时间的所在;近期最直接的后果不是下游变闲,而是下游更忙。
I 期 52% → II 期 29% → III 期 58% → 审评 91%,总成功率约 8%;临床要 6–9 年,每个获批药平均 $26.7 亿。
一个药从靶点(药物要作用的那个蛋白或基因)到获批,公开的拆账大致是:I 期(在健康人身上看安全性)成功率 52%,II 期(在病人身上验证有效性)29%,III 期(大规模确证)58%,审评 91%,乘起来总成功率约 8%。钱主要花在失败上,时间主要花在临床上——临床这一段要 6–9 年。换一个口径看同一件事:每个获批药的平均研发成本已升到 $26.7 亿,从 I 期到批准的综合成功率约 7%。记住这把尺子:决定一个药贵不贵、慢不慢的,是阶梯的右半段。
每个项目合成的化合物从 2,500–5,000 个降到约 250 个(公司口径);计算是"富集过滤器",改变的是实验的经济学,不是取代实验。
在发现端,AI 的改变是真实而彻底的。一家 AI 制药公司称每个项目合成的化合物数从行业常见的 2,500–5,000 个降到约 250 个(公司口径),另一家用 78 个分子就走到了候选物(准备进入临床前开发的分子)。机制上,计算今天的角色是"富集过滤器":传统高通量筛选(用自动化设备一次测几十万个分子)的命中率通常低于 1%(材料自标 ⚠️),超大化合物库的对接(计算分子如何贴合靶点)实测命中率 11–24%,AI 设计的蛋白结合剂 9–88%。命中率提高一两个数量级,意味着要合成和测试的分子数降一两个数量级。原话值得抄下来:计算改变的是实验的经济学,而不是取代实验。
靶点到苗头化合物约 $2,400 万;117 个 AI 资产进入人体,只有 8 个完成 II 期,II 期约 40% vs 历史 37%——没有差别。
问题是,被压缩的这一段在整条链上占多少钱?从靶点到苗头化合物(第一批显示活性的分子),每个上市药要摊约 24 个项目、合计约 $2,400 万,只占每个上市药自付研发成本($8.73 亿)的约 2.7%。AI 在这里省的是人和月份,而决定成败的在下游:某大药企复盘 142 个项目,II 期失败的项目里 65% 是因为无效——分子做出来了,但多数败在对靶点的理解不足。更要紧的是,计算的可信度沿阶梯逐级衰减:结构预测已成为训练配方的一部分;到结合姿态这一级,深度学习对接方法无一超过经典工具;到亲和力(结合强弱)这一级,对接分数只能做富集,最高分段命中率约 25%、最低分段 0%,绝对值不可靠;到细胞功能这一级,基础模型与深度模型无一超过"无效应/加性"这样的简单基线。换句话说,AI 最自信的地方,离病人最远。临床证据与此一致:117 个 AI 来源资产进入人体,60 个完成 I 期,只有 8 个完成 II 期;I 期成功率 80–90%(历史 52%),II 期约 40%(同一统计的历史基线 37%;前文拆账的 29% 来自另一样本,口径不同)——在真正决定成败的那一关没有差别;至今没有一个 AI 发现的药获批。
候选物变多,验证、毒理、生产订单齐涨:某头部 CDMO 开发与生产 +72.7%,某安评机构新签 +98%。
反直觉的副作用是:近两三年,下游不是变闲,而是更忙。候选物变多,验证、毒理、CMC(工艺与生产)、生产的订单一起涨——某头部 CDMO(合同开发与生产企业)2026 上半年开发与生产业务 +72.7%,某头部安评(药物安全性评价)机构新签订单 +98%,某美国临床前龙头的订单出货比 1.19 为四年最高。要诚实交代:这里面有 biotech 融资回暖与代谢类药物周期的成分,原材料自己把不能归因到候选物数量的部分剔了出去(推断 ⚠️)。至于"AI 把 10 年压到几年"的叙事,那是领域自述而非实证——目前被证据支持的,只是最前面、最便宜、最短的那一段。
反方提示样本极小(仅 8 个 AI 资产完成 II 期),结论随时可能翻转;目前改善 II 期成功率的最强证据来自人类遗传学,而非生成式模型;"下游更忙"是近 2–3 年口径。
来源:前沿模型公司自建药物研发:六段阶梯与 II 期证据 · 靶点到结合剂的仿真工具链与 sim2real · 仿真与合成数据:保真度阶梯 · 大模型在医药研发中的应用机会:替代与创造 · 药物验证加速:成功率拆账 · AI 渗透与各环节需求变化 · 虚拟细胞综述对比 · Recursion 分析
02 / 05
公开、免费、亿级条目的生物数据已经过剩到没人把它当壁垒;稀缺的是"这么做会怎样"的带结果标签的配对记录——每一条都要有人花钱做一次实验,而且它只从三个很窄的口进入模型:评测、后训练对齐、联邦微调。
自动注释序列 1.49 亿条(人工审阅仅 0.4%),预测结构 2.41 亿 vs 实验结构 26.1 万;公共库免费,不构成壁垒。
生物学的数据确实多。自动注释的蛋白序列 1.49 亿条,但经人工审阅过的只占 0.4%。模型预测的蛋白结构 2.41 亿条,而实验解出的结构只有 26.1 万条,差三个数量级。单细胞(逐个细胞测基因表达)公共数据也到了约 2.18 亿个细胞,且免费。它们是所有基础模型的预训练(先用海量数据学通用规律)底座,专栏的结论很直白:"免费,不构成壁垒"。
结合测定 $149/蛋白起,ADME 套餐 $199(公司口径),实验猴 $10,600–28,200/只(推算);与人体结局挂钩的药物标签约 2,154 个(单家公司口径)。
序列、结构、表达谱描述的是分子"长什么样";模型真正要学的是"这么做会怎样"——这个分子结合不结合、这个扰动(人为改动一个基因)改变了什么、这个化合物在动物身上毒不毒。带结果标签的配对记录,每一条都要有人花一次钱。公开标价只在一条窄带上成立:按蛋白计的结合测定 $149 起,含 2 次重复、标准 3 周;五项 ADME(吸收、分布、代谢、排泄)套餐 $199(公司口径)。再往下到活体,一只实验用食蟹猴按个案采购价推算 $10,600–28,200(推算)。而与人体临床结局挂钩的药物标签,在最公开的一家肝毒性预测公司手里只有约 2,154 个(单家公司、单一终点口径)。对照之下,模型自产一条数据只折合几美分到几美元(推算)。
评测、后训练对齐、联邦微调——都在预训练之后、都以千计,"囤数据"换不来模型上限。
专栏原话:"条目占比极小,微调与评测权重最高"。公共库里也有存量的实验结果——公开可查的模型用的亲和力(结合强弱)数据约 120 万条,全部来自文献策展的公共库、噪声大、没有一条是商业数据;而针对模型弱点新做的真值,进入模型只有三个口:评测——一次公开的结合剂(能贴上靶蛋白的设计蛋白)闭环,1,320 个设计、354 个真结合、26.8%,由两家外部机构独立测定;后训练对齐(训完后用少量高价值数据校正方向)——一个蛋白模型报告"更大模型对实验室数据对齐响应更强"(公司口径);联邦微调(数据留在各家、只交换模型参数)——5 家药企各出数千个实验结构,不到 10 周完成。三个口都在预训练之后、都以千计,所以"囤数据"换不来模型上限。
公开可查的现金采购先例只有两条,且都是存量临床数据;更常见的是"贡献实验终点换模型访问"。
公开可查的现金采购先例只有两条:一家药企向临床数据公司买数据,3 年共 $4,200 万;同一家数据公司向另一家药企收 $2 亿的数据授权加模型开发费。两条都是存量临床与多模态数据,不是为训练新做的实验。替代"买"的是"换":一家大药企把模型免费开放给合作方,门票是每机构每年至少贡献 1,000 个实验终点。出资方式决定这批数据最后是公共品还是私有资产——同类扰动数据,可以是公司出资后 CC0(放弃版权的公共领域许可)开源,可以是政府与行业出资后公开,也可以是会员制联盟内部流通、不进任何开源模型的训练集。
反方提示免费层有准入门槛与系统偏差(约 79.7% 实验结构来自 X 射线);"无人买数据"只说明公开材料查不到;2,154 是单公司、单终点口径,不能外推。
来源:公共数据库与文献沉淀 · AI4S 数据专栏总览 · 价格、成本与配比 · 模型训练数据配方 · 数据厂商全景与政策 · 湿实验真值数据生产 · 验证闭环与自驱实验室回流 · Axiom Bio 调研
03 / 05
判断一张科学 AI 成绩单可信不可信,不看分数,只看两件事——真值是在预测之后才做的实验吗?出题的人跟被评的人、卖服务的人是同一批吗?
真值是在预测之后才做的实验吗?出题、判卷、做实验、卖服务是不是同一家?
看到一张科学 AI 的成绩单,先别看分数,问两个问题。第一,这张卷子的「正确答案」——真值,即模型被对照的那个实验结果——是在预测之后才做的实验吗?如果答案早于预测,模型就可能是在背答案而不是在推理。第二,出题、判卷、做实验、卖服务这四件事,是不是落在同一家手里?这两问足以给任何榜单定位,而按它们摆开之后,「实验晚于预测、判卷方与被评方分离」的那一格里几乎只剩几个老牌盲测。
51 个基准配置多数存在训练-测试泄漏;药性榜单 AUC 已到 0.90–0.92,复核后 22 个端点里只有 3 个模型过全部检查。
回顾式基准(题目全部取自已发表的历史数据)的泄漏不是猜测,是审计出来的。对含 22 项药性端点库与 9 项分子性质集在内的 51 个基准配置做检查,多数存在冲突标签与训练-测试泄漏。用训练截止日之后才发布的约 2,600 个蛋白-配体体系重测几个主流共折叠模型(同时预测蛋白与配体结合结构),性能随与训练集的相似度下降而下降;按蛋白结构域重新切分数据后,一类深度学习对接方法的成功率只剩 7.1%;消融实验(逐个去掉输入看模型还会不会预测)更显示,把蛋白或配体的输入整个去掉,部分模型表现竟然相当——那是在记忆,不是在学相互作用。最尖锐的例子出在最成熟的方向:公开药性(吸收、代谢、毒性)预测榜单的抑制预测 AUC(区分能力指标,1 为完美)已到 0.90–0.92,而 2026 年一篇批判性复核发现,22 个端点里只有 3 个模型通过了可复现性、抗泄漏、过拟合的全部检查。
基准、读出、实验、服务常握在同一家手里;命中率分母不统一(同一轮 14% vs 约 3%),本页不做横向比较。
新兴方向的问题不是作弊,是结构。在蛋白设计与虚拟细胞这两条最新赛道上,基准靶点、统一读出、命中定义和实验执行常常握在同一家手里:一个 7 靶点的结合剂设计基准、一个上线时 1,000+ 个蛋白的实测库(公司口径),以及竞赛的全部湿实验真值,都来自同一家实验室,而这家同时是验证服务商、竞赛主办方和基准提供方。虚拟细胞挑战赛的评测集由出题方自产,评分规则中途被发现可以投机(只要预测均值就能压低误差),于是临时增设专项奖。这不等于不可信——全量公开含阴性结果、设置完全开放赛道当对照组、特意挑「新鲜靶点」防背题,都是真实的制衡——但它意味着该看的是治理结构,不是分数。顺带说一句尺子本身:同一组竞赛数据里,同一轮的命中率,按已表达出来的蛋白做分母是 14%,把没表达成功的设计也算进分母就只剩约 3%;同一份报告既有 26.8% 的总体口径,也有 26.7% 与 35.1% 的分组口径。所以本页不拿命中率做任何横向比较。
RNA 三维结构的全新天然靶点 0/42 达到折叠正确门槛——题目是真的、还没被刷坏。
结构上干净的只有少数:靶点取自尚未公开实验结构的老牌盲测、每周盲评即将发布的新结构、以及第三方运营、结果禁运三个月后连阴性一起公开的多阶段竞赛。而最可靠的健康信号是反直觉的——在 RNA 三维结构这一层,所有此前未见的天然靶点里没有一个预测达到 TM-score 0.8(结构相似度,超过 0.8 通常视为折叠正确),人类专家仍全面压制自动化方法;材料把这当卖点而非弱点,因为它说明题目是真的、还没被刷坏。也要把话说清楚:本页其他部分引用的若干命中率与公开标价,同样产自「服务商兼出题方」这套结构;本页只取其结构含义——有公开标价、时延瓶颈在湿实验端——不以之论证模型强弱。
反方提示服务商出题也带来了罕见的阴性数据公开;泄漏判定依赖相似度阈值;前瞻盲测题少、周期长——"干净"与"好用"是一对取舍。
来源:基准、评测与数据格式 · 验证闭环与自驱实验室回流 · 蛋白结合剂题库与湿实验平台 · RNA 结构预测题库与评测体系
04 / 05
AI 让实验需求放大,但放大能不能变成收入,取决于这段实验有没有被标准化到"固定输入→固定输出、公开标价、程序可下单"。三十年五代演进只有一条规律:卖结果的赢,卖机器时间的输;天花板是法定签字。
材料电商稳定盈利,云实验室失败最多;按次验证接口吞吐一年增长 5 倍以上,$149/蛋白起。
把"实验外包"按时间排开,能看到五代形态。第一代是材料电商,1990 年代就跑通了"下单→收包裹":一家按需合成供应商已把 94.5 亿个可下单结构做成目录商品,3–4 周交付、成功率 >80%;这一代形态自 1990 年代起稳定两位数增长且盈利。第二代是服务撮合市场,年交易额已超 10 亿美元、同比 +66%,但撮合的仍是人对人,对自动化调用方来说"是能发邮件的窗口,不是能调用的接口"。第三代云实验室(按小时出租整间自动化实验室)最像科幻,却失败最多:一家在 2023 年终止公开订阅、转为私有部署,另一家 80% 容量绑定一所大学。第四代是按次验证接口:上传设计、几天后按次回传机读测量值,某按次验证服务商吞吐一年增长 5 倍以上、收入 18 个月约 10 倍(公司口径),标价 $149/蛋白起。第五代是聚合层:实验室变成软件里的插件——不在插件列表里的实验室,调用方看不见。
六条判据决定能否"按次下单";GLP 毒理、工艺开发、临床执行因研究负责人须签字,再标准化也不能按次买。
五代成败的分界不是技术先进程度,而是标准化程度。材料给出六条判据:输入能用文件说清、输出是数值、单笔小而频次高、流程固定、周转短、没有法定签字和监管责任。逐个环节试一遍,体外安全性面板(hERG、CYP 等毒性预筛)"逻辑上全满足但尚无人做成窗口";而 GLP 毒理(申报用的规范化毒理试验)、工艺开发、临床执行永远不会变成窗口,因为研究负责人是法定签字人,中国又不是 OECD 数据互认成员(成员国之间互认 GLP 试验数据)——这是"不能按次买"的根本原因,也是图上那条横线。
基因合成单价每年降约 22%;能比价的耗材毛利约 39%,写进工艺的层析微球 79%。
可下单先带来的是价格战:ADME 面板(体外测吸收、代谢等药代性质)西方 CRO(研发外包公司)报价 $2,000–5,000,Ginkgo 的套餐打到 $199/面板(公司口径);基因合成按碱基计价的单价连续两年各降约 22%。于是利润只剩两处。一是链式扩张:金斯瑞的"基因→蛋白"整合工作流已占其生命科学业务收入近 65%(公司口径),流向该平台的基因合成订单 +160%,公司把这一板块的增长归因于 AI 驱动的结构性需求——规律是让上一步的输出自动成为下一步的订单。二是换不掉:能按单位比价的通用塑料耗材毛利被压到约 39%、净利同比 −55%;SKU 分散到没人比价的研究抗体与重组蛋白毛利 75%–90%(会计准则不同,区间表示);写进生产工艺或绑定机台的最好——层析微球(生物药纯化用的填料)毛利 79%、商业化项目占该类收入 25%,单细胞测序龙头耗材占收入九成以上、毛利 70–74%。
Schrödinger 78% 收入来自软件订阅、药物风险交给合作方承担;Ginkgo 非标代工收入从 $4.78 亿跌到年化约 $0.8 亿。
公司层面的实证一致:卖结果赢,卖机器与非标输。四家 AI 平台公司里唯一跑通的 Schrödinger,78% 收入来自软件订阅(年合同约 $2.08 亿、毛留存 96%(上年客户今年仍在付费的比例)),对药物成败的敞口交给合作方的股权与里程碑承担——三家合作方被并购合计变现逾 2.4 亿美元,超过它任何一年的药物发现收入;它 2021–2025 自建三个临床项目花约 $5 亿,结果 1 个终止、2 个找合作方。另一头,Ginkgo 的非标代工模式收入从 $4.78 亿跌到年化约 $0.8 亿。
时延也是一把锁。设计端已压到 24–48 小时,湿实验验证仍需数周(标准周期约 3 周),一轮闭环的节拍由湿实验决定。云实验室不成立,正因为它把最慢的这一段按"机器时间"卖——而买家要的是结果,不是机器。
反方提示政策最强的器官芯片赛道 VC 反而 −78%,可下单只是必要条件;按次验证基数仍小且在涨价;需要判断力的实验永远不可能按次买。
来源:可按机器下单的实验窗口:三十年五代形态 · DMPK 与安全性评价市场与进入路径 · 数据专栏:验证闭环 · 四家 AI 平台公司对比 · Schrödinger 分析 · Ginkgo 分析 · 药物研发中的"盐":汇总排序 · 核酸类投入品 · 蛋白与酶试剂 · 塑料与自动化耗材 · 10x Genomics · 蛋白 binder 验证三家对比 · 器官芯片五家公司 · 类器官、器官芯片与 AI 计算毒理学 · 类器官:中美实验室与创业公司 · 内部研究笔记(中国 CRO 发展史:临床 CRO 毛利率)
05 / 05
同一条产业链,中国拿下了工程化、产能与速度的中段,美国守住了源头科学、高端仪器、支付市场与资本的两端;于是同一个分子,中国能拿到手的现金很少——而资本市场对同一个中国给出两套方向相反的定价:工具层溢价、资产层折价。
2025 年获批 1 类新药 76 个;对外授权 157 笔、1,357 亿美元,占全球约 49%。
先看产出。2025 年中国批准 1 类创新药(从未在全球上市过的新分子)76 个,上一年是 48 个;在研创新药约 4,751 个、约占全球三分之一(推算,管线数口径)。对外授权 157 笔、总额 1,357 亿美元,占全球约 49%;中国资产在全球交易来源中的占比从 2020 年的 17% 升到 2025 年的 31%。单看这些数,中国像是坐到了牌桌主位。
发现成本是美国的 20–30%;一个双抗做到候选化合物,美国贵 3–4 倍、慢 12–24 个月。
护城河是真实的,但它在中段。按 BCG 2026 年的测算,中国分子发现阶段的成本是美国的 20–30%,临床前开发不到 50%;外包报价是欧美头部的 30–50%,周期是 60–70%;一个双抗(同时结合两个靶点的抗体药)做到候选化合物约 700 万–1,000 万美元、24–36 个月,美国贵 3–4 倍、慢 12–24 个月。机制很物理:人力费率差、产能就在隔壁、场地便宜。一家头部 CRO(研发外包公司)的化学业务就约 1.8 万人,约为一家头部药企内部发现团队的 8–10 倍(后者为推算)。
首付只占交易总额约 5%;只持海外权益的 Summit 市值 ≈ 持有全部其余权益的康方;出海牌桌上高校资产为零。
但现金留不住。交易总额里首付只占约 5%(2025 全中国口径;2026 上半年为 5.8%,而美国大药企 30 笔核心交易的中位数为 6.7%、金额加权 8.1%——三个口径要分开读),其余是里程碑与销售提成,取决于成败、多年后才到账。中国资产的首付比同阶段欧美资产低 30–50%,历史上曾低 60–70%。最锋利的对照是康方生物与 Summit:Summit 只持有一款双抗的海外权益,市值约 135 亿美元,与持有本土权益、整条管线加提成的康方(约 126 亿美元)相当——海外权益的价值主要被买方拿走了。再往上游看更空:2025 年千亿美元级的出海牌桌上,卖方全是药企与 biotech,高校资产为零;全国学术界一年卖出的生物医药 IP(推算 20–40 亿元)不到药企一年收到的授权首付(约 500 亿元)的十分之一;76 个获批药里只有 11 个是新靶点或新机制。
欧洲 67 家 biotech 有 66 家在欧盟外上市;美国占全球药品支出 53%、全球生物医药 VC 的 70–73%。
这也不只是中美双边问题,而是"非美 vs 美"。欧洲 2019–2025 年 67 家本地 biotech 有 66 家在欧盟之外上市;日本投资机构把模式总结为"日本科学、美国公司";新加坡是"研发在本地、资本与退出在海外"。四地的共同出路都是把资产卖给美国市场或美国买方——美国按标价占全球药品支出 53%(中国约为其 20–23%),全球生物医药 VC 的 70–73% 在美国。定价权与退出口都在右端,中段再便宜,也只是把更多半成品送过去。
药物资产折价 30–50%;工具层溢价——A 股上游股价涨幅远超业绩,209 家 A+H 公司 97% 是 A 股更贵。
最反直觉的一半在图的下层:市场对同一个中国给了两套相反的定价。资产层被系统性折价 30–50%,创新药上市公司 10 年年化回报中位数 +9.7%,美国样本 +15.3%。而工具与平台层恰恰是溢价:5 家 A 股生命科学上游公司过去一年营收增速 10–39%,股价却涨 56–141%,主要来自估值扩张而非业绩;209 家 A+H 两地上市公司里 203 家(97%)A 股更贵,比价中位数 1.71;两家中国 AI 制药平台公司各自市值都超过美国三家一代软件公司之和(⚠️ 2026 年 9 月行情、未回源,且掺杂港股与 A 股市场因素,不全是代际或国别差异)。要说准确:美国同类也在"业绩平、股价高"的位置,所以这不是"中国贵、美国不贵",而是中国工具层相对同类的额外溢价,叠加 A/H 封闭市场溢价。换句话说,市场为中段的"卖铲子"付溢价,为中段做出来的"药"付折价——正好与价值的真实流向相反。
反方提示折价在收窄(首付均值 1.02 → 1.41 亿美元);买方 12 笔引进仅 2 笔赚钱,是一本幂律账;地缘冲击两面都要看;中段的便宜只是人力与场地。
来源:中美创新药价值增长差异的原因 · A+H 股比价 · 中国高校与药企创新药研发现状 · 中国创新药生态格局与高校资产价值评估 · 初创湿实验怎么做:中美对照 · 湿实验环节的人员结构与流程 · 创新药研发设备试剂采购与市场份额 · 7 家 A 股上游公司深度 · 中美实验仪器耗材上市公司一年业绩与股价 · 医药研发仿真软件厂商全景 · 康龙化成对照药明康德 · 创新药公司与 CRO 的组织边界 · 全球生物医药投资机构总览 · 欧洲 VC · 日韩 · 新加坡生物医药生态总览 · 美国药企引进中国资产回报为内部研究笔记 · 价格、成本与配比(实验动物采购价)
贯穿全部研究的一条线:在 bio 里,真正的壁垒是生产工艺和验证闭环,不是设计本身。
入口是中美药物发现公司总表(AI 原生 / 非 AI 原生 / 卖铲子 / NewCo);之后从湿实验角度看这些公司怎么搭实验室,再到卖铲子与平台公司深度、前沿模型公司和计算工具链。
AI 出设计、湿实验出裁判:公开挑战赛与验证服务商怎么运作、自建验证实验室要花多少钱;类器官、器官芯片与 AI 计算毒理学(NAMs)的监管拐点与中外 30 余家公司逐家核查;以及脑机接口与体外神经元“湿件”计算的商业化现实。
全球与中国 CRO/CDMO 格局、药企与 CRO 的分工边界、AI 渗透后哪些环节需求上升,以及龙头公司的股价与增长来源。
2025 年起拿到新融资的美国与欧洲 biotech:262 家总表(地点、模态、融资、投资人、状态、wet-lab 模式、NewCo、AI),以及这些公司怎么做湿实验——自建、混合还是虚拟。
买进别人做到一半的药、自己推进、在价值拐点卖出:以 Formation Bio(原 TrialSpark)为焦点,对照 AI 原生资产收购公司、母公司 + 子公司药企、NewCo 孵化器、发起 NewCo 的 VC、版税/研发基金和 AI 试验工具商,逐家梳理资产与交易历史。
以人类健康为终指标看药:造药抬高上限,选药和用药决定上限兑现多少。逐家分析选药端的上市检测公司和 AI 病理公司、用药端 18 家公司和造药端的典型代表,并估算三段的市场份额和 AI 能力提高后的变化。
AI for Bio 的 60 个在更新的 benchmark,拆成 113 条协议,按谁判对错、模型在做什么分类;每项一条双语档案,写明分数能回答什么、不能回答什么,并附 112 个模型的实体页与当前排名。
“卖铲子”的一侧:科学仪器、试剂耗材、药物研发“盐”类投入品、基因合成与单细胞、实验室自动化。
中国创新药生态(高校、医院、药企、资本)、中美创新药价值增长差异、新加坡生物医药生态全景,以及全球生物医药投资机构(VC / 二级 / CVC / 国资与主权 / 大资管)约 290 家的分板块档案与跨地区对比。