生

Bio — AI × 生命科学研究

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。

371 篇研究 · 9 个板块 · 持续更新

深度洞察: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 变便宜的那一段,本来就最便宜

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。

读者原以为AI 制药 = 把 10 年的研发周期压到几年。
其实被压缩的是最前面、最便宜、最短的一段;决定成本与时间的二期和临床时长原地不动;候选物变多,反而让验证与开发端在近两三年订单齐涨。
药物研发六级阶梯上,AI 的杠杆自左向右下降,成本与时间自左向右上升,计算替代实验的可信度从结构层到细胞层逐级衰减;IND 墙右侧是人体试验结果 同一条研发阶梯:AI 的杠杆在左,钱和时间在右,计算的可信度逐级衰减 IND 墙 IND = 申请进入人体试验 AI 今天的杠杆 高 ✅ 高 ✅ 中 ✅ 低 ✅ 计算替代实验的可信度(定性台阶,无刻度) 越往右越不可信 结构层 已成配方 ✅ 姿态层 无一超过 经典工具 ✅ 亲和力层 富集可用、绝对值不可靠 ✅ 对接命中率:最高分段 约 25% ✅ 最低分段 0% ✅ 细胞功能层 基础模型与深度模型无一超过简单基线 ✅ 成本与时间 月级 · 成本小 ✅ 1–2 年 ✅ 千万美元级 ✅ 6–10 年 ✅ 十亿美元级 ✅ ① 靶点与假设 ② 分子设计 ③ 结合与亲和力 ④ 细胞功能 ⑤ 动物与临床前 ⑥ 人体 I–III 期 过了 IND 墙之后 AI 来源分子在人体试验中的表现 进入人体试验 117 ✅ 完成 I 期 60 ✅ 完成 II 期 8 ✅ I 期成功率 80–90% ✅ 历史口径 52% ✅ → 明显更高 II 期成功率 约 40% ✅ 同口径历史值 37% ✅ → 没有差别 每个获批药平均研发成本 $26.7 亿 ✅ I 期 → 批准 综合成功率 约 7% ✅ 至今没有一个 AI 发现的药获批 ✅ 反直觉锚 靶点 → 苗头化合物 这一整段合计约 $2,400 万 ✅ 只占每个上市药自付研发成本的 约 2.7% ✅ 下游先变忙(近 2–3 年) 候选物变多 → 验证、毒理、生产订单齐涨(2026 上半年): 某头部 CDMO 开发与生产 +72.7% ✅ · 某头部安评机构新签 +98% ✅
图 1 越往左越便宜、AI 杠杆越大;越往右越贵、仿真越不可信。可信度为定性台阶,无刻度。 ✅ 原文一致 · ⚠️ 推算 / 二手 / 公司口径
  1. 钱花在失败上:总成功率约 8%,临床占 6–9 年

    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。

  2. 发现端被压扁一个数量级:化合物 2,500–5,000 → 约 250 个

    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。

  3. 但这段只占约 2.7%;AI 分子 II 期约 40%,历史 37%

    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。

  4. 近 2–3 年下游反而更忙:CDMO +72.7%,安评新签 +98%

    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。

来源与未来看点
  • AI 来源资产完成 II 期的累计数是否从 8 显著上升,且成功率是否离开约 40% 这条历史均线。
  • 某头部 AI 制药平台公司 2026-11-02 的 II 期数据读出——它是"自建管线路线"能否一次性兑现的单点检验。

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

生物学不缺数据,缺的是"结果"

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。

读者原以为生物 AI 的竞赛是数据采购竞赛:谁囤得多、谁买得起,谁就赢。
其实条目数上是"公共库打底 + 模型自产数据放大一两个数量级 + 极少量真值收尾";真值在预训练里条目占比极小、权重却最高;整个领域公开可查的现金买数据先例只有两条,而且都是存量临床数据,不是为训练新做的实验。
生物数据倒金字塔:四层条目量级(对数感)与右侧对数价格轴;记录形状与记录结果的分界线落在模型自产数据与湿实验真值之间;真值只从评测、后训练对齐、联邦微调三个窄口进入模型 四层数据:越往下,条目越少、单价越贵、越接近"结果" 层宽按条目量级的对数感绘制(非精确比例)· 左侧为数据层,右侧为单点价格 ① 公共数据库 · 免费,不构成壁垒 自动注释序列 1.494 亿条✅ · 单细胞约 2.18 亿个✅ 其中人工审阅过的仅 0.4%✅ ② 模型自产:仿真与蒸馏(以模型输出再训练模型) 预测结构 2.41 亿条✅ · 单价为推算⚠ ③ 湿实验真值 实验解出的结构 26.1 万条✅ 每条都要有人做一次实验 ④ 活体与人体答案 与人体临床结局挂钩的药 约 2,154 个⚠ 实验动物:以个到百计 ▲ 记录形状 以上:结构、序列、表达谱 ▼ 记录结果 带结果的记录进入模型,只有三个窄口 ↓ 评测 闭环 1,320 个设计✅ · 外部两家机构测定 后训练对齐 大模型对实验室数据响应更强⚠公司口径 联邦微调(数据不出各家) 药企各出数千结构,不到 10 周✅ 单点价格(对数感) $0✅ 免费 分到几美元 / 次⚠ 推算 $149 / 蛋白起✅ $10,600–28,200 / 只⚠ ④ 答案越贴近人体,指标逐级下降(同一肝毒模型灵敏度,公司口径⚠) 74% 49% 30–50% 现代药子集 全量 罕见迟发型 机器人侧 模型论文会公开点名商业数据供应方✅ 生物侧 查到的开源与学术模型,无一家署名商业数据买方✅ ✅ 原文一致 · ⚠ 推算 / 公司口径 / 个案采购价 · 斜纹层 = 单价为推算 · 虚线框 = 带标数字
图 2 越往下越准、越少、越贵;模型上限由最底层决定,而那层以千计。 ✅ 原文一致 · ⚠️ 推算 / 二手 / 公司口径
  1. 免费层记录的是"形状":预测结构 2.41 亿 vs 实验结构 26.1 万

    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"。

  2. "结果"每条都要花钱:$149/蛋白起,人体答案仅约 2,154 个

    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)。

  3. 真值只从三个窄口进模型:评测、后训练对齐、联邦微调

    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。

  4. 不是买数据,是换数据:现金采购公开先例只有两条

    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。

来源与未来看点
  • 是否出现第三条可核的"现金买生物训练数据"先例,且标的是为训练新做的实验而非存量临床数据。
  • 扰动图谱与体外毒理这两类"结果"数据是否出现公开单价——即顶层真值的供给是否开始有市场价(第 4 节从卖方角度看同一件事)。

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

分数越高,越要问是谁出的题

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?

读者原以为有公开基准、有公开竞赛,就等于有了客观标尺:分数高低可以横着比。
其实最成熟、分数最高的那个公开基准被审计出大面积泄漏;而新兴领域最漂亮的那些「前瞻」竞赛,出题、判卷、做实验、卖服务常常是同一家。健康榜单的信号恰恰反过来——人类专家是不是还在赢。
按「真值何时产生」与「运营方是否独立」两问把科学 AI 基准摆成 2×2,只有前瞻盲测且第三方运营的一格是干净的;右侧健康度标尺给出坏掉、中间、健康三个落点 一张成绩单的两个问题:真值何时产生 · 谁在判卷 纵轴=运营方独立性,横轴=真值(模型被对照的实验结果)是否在预测之后才产生 运营方独立 运营方=服务商 / 被评方 独立运营,但题目是旧的 物理合理性与泛化基准、 防泄漏切分数据集、适应度库 51 个基准配置被审计 ✅ 多数存在冲突标签与 训练-测试泄漏 唯一干净的一格 靶点取自尚未公开实验结构的 老牌结构预测盲测 每周盲评即将发布的新结构 第三方运营的多阶段 苗头发现竞赛 结果禁运 3 个月后全部公开 ✅ 含阴性结果 最危险:旧题 + 自家判卷 被审计出泄漏的回顾式配置 运营方同时是被评产品方的 科学 agent 基准 约 300 题,初版最佳 17% ✅ 其 Verified 子集已被报 92% (供应商自报 ⚠️) 前瞻,但出题方=服务商 结合剂设计基准:7 个靶点 ✅ 实测蛋白库:上线时 1,000+ 个蛋白 ⚠️ 赞助方选定子集的设计竞赛 真值全部来自同一家实验室 ✅ 它同时是验证服务商、主办方 与基准提供方 回顾式:实验早于预测 前瞻盲测:实验晚于预测 分数越高,越要先问:题谁出的、答案何时做的。 斜纹=题目来自已发表的旧数据 · 虚线框=格内含 ⚠️ 口径 · ✅ 原文一致 健康度读数(同一把尺子的三个落点) 坏掉 公开药性预测基准排行榜 抑制预测 AUC 0.90–0.92 ✅ 批判性复核后,仅 3 个模型 通过全部检查 ✅ 中间 结合剂竞赛同一靶点两轮 命中率 2.5% → 13–14% ✅ 全量公开含失败设计, 但评测方=服务商 健康 RNA 三维结构盲测: 全新天然靶点 0/42 ✅ 达到 折叠正确门槛(TM-score); 人类专家仍压制自动化方法
图 3 只有右上一格是干净的:实验晚于预测,判卷方与被评方分离。 ✅ 原文一致 · ⚠️ 推算 / 二手 / 公司口径
  1. 只问两件事:答案是预测之后才做的吗?谁在判卷?

    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。

  2. 回顾式基准普遍泄漏:22 个端点仅 3 个模型过全部检查

    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。

  3. 新赛道的问题是结构:出题、判卷、做实验常是同一家

    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。

  4. 健康信号反直觉:人类专家还在赢(RNA 新靶点 0/42)

    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。

来源与未来看点
  • 是否出现第一个「第三方运营 + 预注册 + 多实验室交叉验证」的蛋白设计或扰动预测基准——目前这类独立复核明显缺位。
  • 已被报到接近饱和的那个科学 agent 基准(Verified 子集 92%,供应商自报)会不会被独立复核推翻,或被换成新题库。

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

能按次下单的,才收得到钱

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。

读者原以为AI 驱动的自动化实验室是新事物,关键在机器人:谁的机械臂多、谁的实验室更像科幻电影,谁就能接住 AI 放大的需求。
其实最像科幻的"云实验室"是失败最多的一代,而 1990 年代就跑通的"下单→收包裹"材料电商一直稳定盈利;今天增长最快的是按一次实验结果计价的接口。决定成败的是标准化程度,不是技术先进程度;利润也不在单价上——单价一路通缩——而在"换不掉"和"上一步的输出自动变成下一步的订单"。
可下单阶梯:从人头型临床运营到聚合插件层,标准化程度越高、AI 之后越能收到钱;法定签字是天花板。右侧副图:能比价的毛利约 39%,绑定机台的耗材 70–74%,写进工艺的 79%。 一次实验越像可下单的商品,需求放大就越能变成收入 主图 · 可下单阶梯:横轴 = AI 之后的净效应,纵轴 = 标准化程度 副图 · 换不掉的才守得住 线以上:GLP 毒理 · 工艺开发 · 临床执行 研究负责人是法定签字人 —— 再标准化也不能按次买 ✅ 法定签字 = 窗口的天花板 ✅ 线以上的环节,无论技术多先进都不能按次购买 标准化程度:人对人 · 按人头 · 项目制 → 固定 SKU · 公开标价 · 程序可下单 ← 出清 / 价格战 AI 之后的净效应 放大且收到钱 → 人头型临床运营 按人头计费 29.6%→20.1% 临床服务毛利 ✅ 同质化检测服务 配方几乎相同 按例报价拼价格 非标代工平台 收入 $4.78 亿 → 年化约 $0.8 亿 非标 → 出清 ✅ 云实验室 卖机器时间 一家 80% 容量 绑定一所大学 ✅ 比价耗材 基因合成按碱基 每年约 −22% ✅ 量升价跌 按次验证接口 吞吐 >5 倍/年 ✅ 18 个月收入 约 10 倍 ⚠️ $149/蛋白起 ✅ 聚合 / 插件层 实验室即插件 不在插件列表里 调用方看不见 ✅ 为什么有人赚钱? 单价通缩是常态,利润只来自两处: ① 上一步输出自动成为下一步订单 ② 换不掉 —— 锁定越深,毛利越守得住 ↓ 写进生产工艺 · 层析微球毛利率 79% ✅ 绑定机台 · 单细胞龙头耗材毛利率 70–74% ✅ 按单位比价 · 通用塑料毛利率 39% ✅ 能比价 → 被压扁;换不掉 → 守得住
图 4 越往右上越像可下单的商品,需求放大才变成收入;横线以上必须有人签字。 ✅ 原文一致 · ⚠️ 推算 / 二手 / 公司口径
  1. 卖结果赢、卖机器输:云实验室失败最多,按次验证增长最快

    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。

  2. 天花板是法定签字:GLP 毒理等环节永远不能按次买

    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。

  3. 单价通缩,利润靠"换不掉":比价耗材毛利 39% vs 写进工艺 79%

    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%。

  4. 公司实证:Schrödinger 靠订阅,Ginkgo 非标代工 $4.78 亿 → 年化约 $0.8 亿

    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。

来源与未来看点
  • 是否出现第三家按次计价、程序可下单的验证服务商(体外安全性面板是最可能的候选),以及现有两家的单价是继续涨还是开始跌。
  • 第一个器官芯片的限定用途资质认定是否落地:若落地,整个赛道的估值锚会从"工具公司"变回"监管平台","政策热、资本冷"的剪刀差将收口。

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

中国造分子,美国定价

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。

读者原以为看到"中国对外授权上千亿美元、全球前十大授权交易占八席",会以为中国已经在价值链上占优;或者反过来,以为"中国折价"是一个统一现象。
其实繁荣的是卖半成品——交易总额里首付只占个位数百分比;而折价只在药物资产层成立,在工具与 A 股层恰恰是溢价。两者叠加,正好与价值的真实流向相反。
上:产业链八个环节谁占主导,中国占中段、美国占两端;中段做出的分子卖给右端,交易总额 1,357 亿美元里首付只有约 70 亿;下:资本市场对中国标的的两种定价,A 股与工具层溢价、药物资产折价 同一条链:中国占中段,美国占两端 上:八个环节谁占主导 · 中:中段做出的分子卖向右端时,现金留下多少 · 下:资本给中国的两种定价 中国主导 美国(含欧日)主导 ①源头科学 ②高端仪器 ③分子设计 ④合成·湿实验 ⑤CRO 产能 ⑥临床 ⑦定价·支付 ⑧资本·退出 美 美 平分 中 中 美 美 美 出海牌桌上 高校资产 0 ✅ 高端仪器进口占比 80–90%+ ✅ 模型层开源压价 发现成本为美国的 20–30% ✅ 外包产能集中于此 常需海外补做试验 全球药品支出份额 美国 53% ✅ 全球生物医药 VC 美国 70–73% ✅ 中段做出的分子 卖给右端的买方与市场 (2025 年全部对外授权) 交易总额 $1,357 亿 ✅ 首付 约 $70 亿(约 5%) ✅ 其余:里程碑 + 销售提成,取决于成败、多年后才到账 一个对照:只持海外权益的买方市值约 $135 亿 ≈ 持有本土权益、整条管线加提成的卖方约 $126 亿 ✅ 资本市场对同一个中国的两种定价 柱高为示意,三组不共用刻度 · 琥珀 = 中国溢价 · 玫红 = 中国折价 溢价 ↑ 折价 ↓ A 股 97% 更贵 ✅ 同一个国家,两种定价。 首付折价 30–50% ✅ 10 年年化 +9.7% vs 美国样本 +15.3% ✅ 同一家公司的两地股价 A 股 vs H 股 中国药物资产的授权首付 vs 同阶段欧美资产 创新药上市公司 10 年回报 中国 vs 美国(样本中位) 市场为中段的"铲子"和 A 股的上市地位付溢价,为中段做出来的"药"付折价。
图 5 中国占中段,美国占两端;资本给中段的工具溢价,给中段做出的药折价。柱高为示意。 ✅ 原文一致 · ⚠️ 推算 / 二手 / 公司口径
  1. 产出已逼近:对外授权 1,357 亿美元,占全球约 49%

    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。

  2. 护城河在中段:发现成本是美国的 20–30%

    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)。

  3. 但现金留不住:首付只占约 5%,高校资产为零

    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。

  4. 不是中美,是"非美 vs 美":美国占全球药品支出 53%

    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。

  5. 两套相反定价:药物资产折价 30–50%,A 股工具层溢价

    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。

来源与未来看点
  • 中国对外授权的首付占交易总额的比例是否离开 5–6% 这个区间——这是"卖半成品"是否在改变的最直接读数。
  • 是否出现第二起"美国大药企整体收购中国 biotech 并支付溢价"的案例——目前可核的代表只有一起(约 12 亿美元,2024)。
  • 相关清单与禁令的终审结果,以及是否出现第一份新的管制名单。

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)

板块

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。

药 · 16 篇

AI 药物发现

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。

中美药物发现公司总表 · 湿实验视角:中美药物发现公司怎… · 新创药企怎么做湿实验:中美对照 …
验 · 40 篇

验证与替代方法

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。

Adaptyv 蛋白结合剂题库… · RNA 结构预测题库与自动化实… · Absci & Claude … …
研 · 11 篇

CRO / CDMO

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。

康龙化成对照药明康德 · 康君资本与通和毓承 · 美国 / 欧洲 / 东南亚 C… …
融 · 6 篇

美欧融资 biotech

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。

2025 年起有新融资的美欧 … · 2025 年起的 NewCo · NewCo 上市前后 …
基 · 15 篇

DD Fund

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。

DD Fund 全景 · Formation Bio · Formation Bio …
健 · 15 篇

健康:选药·用药·造药

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。

以健康为终指标:选药、用药、造… · 三段市场份额:造药九成,选药 … · 市场模型:AI 能力提高后三段… …
评 · 188 篇

模型与 Benchmark

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。

怎么给 benchmark 分类 · 一个分数能信到哪一步 · 协议索引:113 条协议按谁判… …
铲 · 41 篇

实验室工具与上游

“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。

中美实验室设备/试剂/科学仪器… · 中美通用实验室设备/耗材头部厂… · 中美实验室硬件/仪器/耗材上市… …
资 · 38 篇

创新药产业与资本

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。

中国创新药研发与实验室供应链 · 中国高校与医药企业创新药研发现… · 中国创新药生态格局与高校资产价… …

最近更新

背景阅读

生物学发展史与重要成果简介