文 | 破茧 bio
2026 年 9 月，三件事在生物医药圈引发了不小的震动。先是诺和诺德宣布接入 Claude 大模型，而后礼来旗下 AI 协作平台 Lilly TuneLab 连续签约金斯瑞生物科技、Twist Bioscience、Ginkgo Bioworks 三家公司，最后艾伯维也跟进 AI 制药，与 Iambic 达成多年合作。
然而，这些却仅是巨头布局 AI 制药的一个缩影。
回溯巨头企业布局 AI 制药的历史，可以很明显地发现布局频率在 2026 年显著提升。巨头们的动作很明确：用 AI 重新定义药物发现的效率。但当巨头开始全面押注 "AI 制药 "，分子生成速度大幅增加时，整个行业最稀缺的资源，已不再是算法和算力，而是验证这些分子的实验能力。
AI 制药的火，已然从 " 设计端 " 烧到了 " 验证端 "，产业中游的蛋白试剂与验证服务商正是当下最热的风口。
工作流尚未闭环
一直以来，人们都将 AI 制药的重点放到 " 设计 " 环节：输入靶点和疾病信息，模型在数小时内可生成数千个候选分子。
今年 8 月 18 日，Anthropic 发布了一项重要研究，使用 Claude Opus 4.8 和 Claude Mythos Preview 自主完成针对 16 个靶点的蛋白设计。最终，在具有可靠实验结果的 15 个靶点中，Claude 在 14 个靶点上取得了成功。总计 1320 个经过可靠实验检测的设计中，354 个真实结合靶蛋白，整体命中率为 26.8%，已显著高于医药行业传统约 10% 的成功率。
AI 制药的工作流本质是一个 DBTL 闭环：设计（Design）、构建（Build）、测试（Test）、学习（Learn）。大模型在分子发现环节已经展现出显著能力。在 AI 大模型的加持下，候选分子数量大幅增加，但分子发现仅是药物研发的最上游，想要最终成药，仍需中下游环节的持续跟进。蛋白表达、亲和力检测、功能评价、成药性筛选，这些环节缺一不可。
金斯瑞在 2026 年中期业绩会上也提到了这个关键矛盾：AI 模型如今可以在数小时内生成数千个候选分子，但传统实验流程并不是为这样的规模和速度设计的。过去需要数周完成的验证，往往还要经过多个彼此割裂的步骤，实验数据也未必能及时、标准化地反馈给 AI 模型。
这就形成了一个新的错配。模型的速度越来越快，实验的速度却没有同步提升；算法可以持续迭代，但实验数据无法快速回流，模型也就难以真正变得更好。
AI 制药的瓶颈，正在从 " 能不能设计一个好想法 "，转向 " 如何快速做到数据回流 "。AI 制药不同于 AI 编程，其迭代高度依赖真实化合物实验数据，蛋白合成、动物模型、试剂及纯化等验证环节迎来实质性增量需求。
因此，现阶段 AI 制药的核心矛盾，在于中游如何实现 " 快反馈 "。
中游玩家集体爆发
如果说 AI 大模型是由美国算力制定的规则，那么验证环节的 " 湿实验 " 则是中国临床前验证的主场。多年沉淀下来的产业链优势，正在让中国的中游玩家成为全球焦点。
刚刚与 Lilly TuneLab 达成合作的金斯瑞生物，正是这轮 AI 制药需求传导中最直接的受益者。
2026 年上半年，金斯瑞 AIDD（AI 驱动药物发现）相关收入接近 4000 万美元，AI 相关蛋白业务开始放量，公司预计 AI 驱动蛋白订单在 2026 年下半年及之后保持三位数百分比增长。
更值得关注的是其商业模式的转变。金斯瑞与礼来 TuneLab 合作，向参与企业提供蛋白表达、纯化及表征分析等湿实验服务，通过标准化、可追溯的实验流程，对 AI 优选的候选序列开展验证。截至 2026 年上半年，金斯瑞每天可交付蛋白 4000 条，部分表达路径从序列接收到完成数据测试仅需约 4-7 天。
金斯瑞正在从 " 蛋白供应商 " 转型为 "AI 制药的数据基础设施提供商 "。公司已为逾百家药企提供 AI 制药相关的抗体及蛋白表达服务，卡位 DBTL 闭环逻辑，实现从 AI 生成序列到实验验证数据的快速转化。
同样处于产业中游的还有百普赛斯，但其路径略有不同。它不是单纯承接外部验证需求，而是将 AI 能力内化到产品开发中。
百普赛斯已构建 "AI 预测—实验验证 " 双轮驱动的蛋白质设计开发模式，实现对蛋白、mRNA 表达量及溶解度等关键属性的精准预测，并已在耐高盐全能核酸酶、高稳定性 CD19 蛋白、热稳定 FGF-B 蛋白、高溶解度 IL-2 等多款工业级产品上完成 AI 优化改造。
在对外服务层面，百普赛斯依托 HEK293/CHO 真核表达体系，为 AI 设计的抗体分子提供高通量表达与标准化纯化服务，同时构建覆盖 " 分子亲和力—细胞功能—成药性 " 的一体化体外验证平台。公司拥有超 5000 种经活性验证的重组靶点蛋白，涵盖 KLK2、TL1A、ActivinE、STEAP1 等困难靶点，支持 SPR/BLI 亲和力检测，为 AI 模型输出标准化、可反馈的分子结合数据。
近岸蛋白核心布局在 AI 协同抗体发现平台。公司整合蛋白质结构设计、抗体改造等平台技术，结合 AI 高通量体系，支持抗体药物研发企业全方位快速设计和筛选抗体分子，为双特异性抗体、双抗 ADC、AXC 等抗体发现提供完整解决方案。
从投入数据看，其 AI 协同抗体发现平台预计总投资 2000 万元，目前累计投入已接近 1500 万元，累计完成 32 个靶点的候选分子开发，目标完成不少于 50 个靶点的候选抗体开发。
在 RNA 应用方面，近岸蛋白建立了从序列设计、全基因合成至 RNA-LNP 生产、理化分析与功能评价的一站式服务平台，并建立了 AI 辅助定域突变的酶改造平台。在 RNA 序列设计环节，公司整合人工智能技术与 RNA 序列设计算法，筛选提高 mRNA 稳定性的 polyA 序列，已获得相关专利授权。
此外，义翘神州切入 AI 制药的方式颇具特色。公司 2026 年 5 月上线 XPressMAX 无细胞蛋白合成试剂盒，不需要漫长的细胞培养周期，直接在反应体系中加入质粒或 PCR 产物，仅需 3 个小时就能获得高活性目的蛋白。
基于 XPressMAX 平台，义翘神州可在 3-4 周完成 2000 多个 scFv 和 VHH 分子的湿实验数据验证。公司还推出一站式高通量抗体生产和分析平台，整合哺乳动物细胞和无细胞表达两个高通量体系，单项目通量分别可达 1000+ 抗体和 2000+ 抗体，并整合 20 余种可开发性检测方法。
义翘神州 2026 年上半年 CRO 业务收入 1.25 亿元，同比增长 26%，正持续打造覆盖 AI 设计序列从快速合成、表达纯化到分析检测的一站式 CRO 服务平台。
金斯瑞生物、百普赛斯、近岸蛋白、义翘神州，这些中游供应商近期在资本市场受到关注，其背后的逻辑正是准确卡位 AI 制药的核心痛点。
湿实验，不可替代的桥梁
这四家公司的价值，最终都指向同一个关键词：湿实验。
AI 制药有一个容易被忽略的特质——它不像 AI 编程，代码错了改一行就行。药物的候选分子必须在真实的生物体系中验证折叠、结合、活性和安全性。计算可以缩小搜索空间，但无法替代真实实验数据。
东吴证券研报指出，AI 制药正进入战略入局阶段，干湿闭环是 AI 药物发现的核心逻辑，湿实验不可替代，基因合成、蛋白表达与纯化、体外验证、模式动物等环节将因 AI 候选分子爆发而系统性受益。
正因如此，AI 制药的竞争焦点已经从算法转向专有数据与湿实验能力构成的闭环。
一个颇具说服力的案例来自大洋彼岸。瑞士初创 Adaptyv Bio 为 Anthropic 的 Claude 完成了 1320 条蛋白序列的湿实验验证，过去一年收入增长近 10 倍，刚完成 4000 万美元 A 轮融资。而 Anthropic 本身也已在旧金山湾区悄悄建成了实体湿实验室。
这些信号指向同一个方向：模型越聪明，验证需求越爆炸。
当 AI 大模型越来越依赖湿实验来补齐闭环，现阶段中游玩家无疑获得了先发优势。AI 制药竞争焦点已由模型能力延伸至计算设计与实验验证的闭环效率。
谁能更先解决 " 湿实验 " 的数据回流速度问题，谁就能在 AI 制药的赛跑中获得领先优势。
中国为何是关键阵地？
一个容易被忽略的事实是：AI 大模型的研发力量主要集中在美国，但承接验证服务的产业能力，却高度集中在中国。
这并非偶然。中国在重组蛋白试剂和生命科学服务领域积累了深厚的供应链优势。金斯瑞已建立起每天交付 4000 条蛋白的产能，Gene-to-Protein 平台可将 AI 生成序列到模型可用数据交付周期压缩至最快约 4 天。百普赛斯拥有超 5000 种经活性验证的重组靶点蛋白，海外收入占比约 62.3%，全球交付能力已成型。义翘神州建立了通过 ISO 9001、ISO 13485、GMP、CNAS 及 CMA 等多项权威认证的全流程质量管理体系。
更重要的是，这些企业提供的不仅仅是 " 做实验 " 的服务，而是一套标准化、可追溯、数据就绪的验证能力。当 AI 模型需要高质量结构化数据来迭代时，实验数据的标准化程度和数据反馈速度，比实验本身更关键。
从这个角度看，中国在 AI 制药产业链中的角色，不是 " 跟随者 "，而是 " 基础设施提供者 "。无论最终哪家 AI 模型或平台在竞赛中胜出，上游的验证基础设施都将持续受益。这既是卖水人的逻辑，也是中国产业链雄厚优势的映照。
AI 制药的火，从设计端烧到了验证端，从硅谷烧到了中国的中游企业。而这把火，可能才刚刚点燃。
