2026年，当创投圈的聚光灯再次投向AI医疗时，人们发现这一波浪潮与以往截然不同。AI不再是挂在PPT上的概念，而是真正扎根于药物研发、临床试验乃至疾病认知的每一个环节。在36氪WAVES2026新浪潮大会上，一场以“生命的新算法”为主题的圆桌对话，揭示了AI产品正在如何从底层规则上重构医疗产业的完整链条。以下内容基于现场讨论与行业洞察深度整合，为你呈现一个正在发生的产业革命。
从“人海战术”到智能体驱动：AI制药的底层逻辑重构
药物早期研发长期遵循着“设计-合成-测试-分析”的循环（DMTA循环），这套框架看似科学，实则充满人脑经验的局限。传统模式下，科学家凭借直觉设计分子，再依靠人工沟通完成后续的合成与测试，流程割裂、数据分散，尤其当行业竞争加剧时，专利冲突和重复探索成为常态。
AI产品的介入正在从根本上改变这一图景。以望石智慧为代表的AI创业公司，构建了以微观世界模型为底座的多智能体协作系统。这个系统不仅能通过3D小分子生成模型辅助专家完成分子设计，规避经验带来的盲区，还能让智能体自主串联研发全环节——从分子生成、活性预测到合成路径规划，全部由AI自动调度。更关键的是，所有研发过程中的数据都会沉淀到一个“数字罗盘”系统中，不再散落在PPT、Excel和PDF里。这意味着药企的核心知识资产第一次实现了系统化的积累和复用。
这种从“人脑存储+人工衔接”到“AI模型驱动+自主执行”的转变，不仅仅是效率的提升，更是研发范式的一次跃迁。它让过去难以被量化的专家经验变成了可迭代、可扩展的算法模型，使得AI Agent技术在制药领域真正落地为生产力。
先理解疾病，再设计分子：第一性原理带来的颠覆
如果说前述变革是对传统流程的优化，那么哲源科技所做的努力则更像是一场认知革命。其创始人赵宇博士在圆桌上提出一个尖锐的观点：当前全球药物研发通用的范式其实是“先写答案，后找题目”——先围绕已知靶点设计分子，再反向寻找适应症。这种模式让大量临床试验沦为试错，耗费巨额资金和时间。
哲源科技走的是另一条路：先通过计算医学完整解析疾病发病机制，锁定精准靶点，再针对性地选择药物形态。这背后的核心技术被称为“生命功能的数字孪生”——用组学数据和AI模型在数字世界里模拟人体对疾病的反应。以他们的胰腺癌管线为例，在药物进入临床之前，模型已经能够预判该药物的适用人群和潜在适应症范围，甚至预测了除胰腺癌之外还可用于结直肠癌和结石障碍相关治疗。这种“先确定题目，再书写答案”的思路，让药物研发从概率游戏变成了有方向的设计。
理解这一点，就能明白为什么AI工具导航中涌现出越来越多面向生命科学的基础模型。因为当算法开始理解生命的底层语言时，AI就不再是一个辅助工具，而成为挖掘全新生物学洞见的引擎。
资本转向：AI融资的“精确打击时代”来临
在圆桌中，弘晖基金执行董事周鑫分享了一个关键判断：AI制药已经走到了投资布局的转折点。十年前，基金团队调研了40多家AI医学影像企业却没有出手，原因不是技术不行，而是配套监管和产业落地条件不成熟。但到了2026年，情况完全不同——即使在传统“先分子、后适应症”的旧范式里，AI也已经展现出可衡量的产业价值。
从资本视角看，当前AI融资的逻辑正在从“广撒网”转向“精打细算”。能够吸引长期持有的AI创业公司，必须具备三层护城河：独家且足量的自有数据、自研算法迭代能力、以及持续获得大额资金支撑算力的能力。换言之，纯粹的“调参式”AI玩家已经出局，真正能驾驭数据和模型的团队才能拿到下一轮融资。
值得注意的是，头部跨国药企的动作印证了这一趋势。礼来与英伟达达成10亿美元级别算力合作，默沙东联手谷歌云打造全栈AI研发体系，百时美施贵宝与Anthropic合作开发Claude医药大模型——这些合作释放的统一信号是：AI模型已经具备规模化商用能力，医药行业的基础模型授权正在成为一种全新的商业范式。对于AI创业公司而言，这个窗口期既意味着巨大的机会，也意味着更残酷的竞争——只有那些在算力、算法、数据三个维度都建立壁垒的玩家，才能穿越周期。
从BD出海到基础设施共建：商业合作模式的升级
过去两年，国内AI制药公司最主流的商业化路径是BD出海——通过技术平台授权或分子转让换取现金流。但从2025年末到2026年上半年，这一模式正在被更高级的合作形态取代：医药基础设施共建。望石智慧与广药、华为达成的三方战略合作就是一个典型样本。
在这项合作中，广药提供真实的药物研发场景，华为提供全栈国产化算力（支持私有化部署以保障数据安全），望石智慧则输出全套AI基础设施——包括3D小分子生成平台、全链条智能体平台和干湿实验一体化研发系统。这个“场景+算力+AI”的铁三角模式，本质上复刻了海外头部药企的算力合作逻辑，但更加契合国内产业链的实际情况。周杰龙在圆桌上强调：“我们定位为医药AI基础设施服务商，输出的不是单个分子或CRO服务，而是整套智能研发体系。”
这种升级背后的深层逻辑是：AI产品正从“工具”演变为“系统”。当制药公司的整个研发流程都建立在AI平台之上时，商业模式就不可能停留在一次性的技术授权，而应该走向持续的共建与分成。可以预见，未来还会有更多AI企业数字化转型的案例涌现，而AI画图和文生图这类面向创意场景的工具或许也会被启发——当AI能够生成分子结构时，它与生成创意图像的本质是相通的，只是参数空间完全不同罢了。
虚拟临床试验：数字孪生让“吃药的数字人”成为现实
在圆桌的最后，哲源科技展示了最具科幻感的落地成果：虚拟临床试验。赵宇博士明确澄清了一个常见误解——虚拟试验不是为监管机构提供辅助审批工具，而是一种全新的认知加速器。他们与北京肿瘤医院合作的前瞻性试验中，用数字孪生技术构建了“虚拟病人”，并让这些数字人“服用”虚拟药物，模型仅用4周就输出了全部用药预判结果。8周后，真实临床揭盲，模型预测与真实数据100%吻合。
这个结果意味着什么？传统临床试验需要招募数百甚至数千名患者，耗时数年，花费数亿美元。而虚拟临床试验可以在极短时间内完成大规模的“模拟试错”，提前锁定最可能获益的患者亚群，大幅提高后续真实试验的成功率。赵宇将这项工作类比为气象预报或地质勘探——在真实风暴来临之前，先用模型推演一遍。
从商业化角度看，哲源科技不走传统CRO外包路线，而是采用“IT Function”模式：针对胰腺癌等疾病开发标准化的计算医学功能模块，逐步对外授权。这种模式本质上是在创造一个“药物研发前的仿真平台”，让药企在投入巨资之前就能知道哪些靶点值得追、哪些分子值得造。随着AI图片生成技术的成熟，分子结构的可视化、疾病机制的动态模拟都将变得更加直观，而在这些工具的背后，一个由AI驱动的全新医疗产业生态正在成形。
FAQ
Q1：什么是AI医疗产品？它们与传统医疗软件有什么区别？
AI医疗产品是指利用人工智能技术（如机器学习、深度学习、大语言模型）来辅助或替代传统医疗流程的软件系统。与传统医疗软件（如电子病历系统、影像归档系统）不同，AI医疗产品具有自主学习和推理能力，能够从数据中挖掘规律、做出预测，甚至自主执行复杂任务（如分子设计、靶点发现、临床试验模拟）。它们不是简单的工具，而是能够迭代进化的智能体。
Q2：AI制药与传统制药模式的核心区别是什么？
传统制药依赖人类专家的经验与直觉，遵循“先写答案再找题目”的试错模式；而AI制药通过机器学习模型解析疾病底层机制，实现“先理解疾病再设计分子”。前者耗时约10-15年、平均成本数十亿美元，后者有望将研发周期缩短30%-50%并降低失败率。更重要的是，AI制药能够挖掘传统方法难以发现的非经典靶点，并支持跨病种适应症的预判。
Q3：AI医疗对行业未来3-5年最显著的影响将体现在哪些方面？
三大方向最值得关注：第一，药物研发效率将出现数量级跃升，虚拟临床试验可能部分替代早期人体试验；第二，医疗数据资产将成为企业的核心壁垒，拥有独家高质量数据集的AI创业公司会获得资本青睐；第三，商业模式从“卖软件”转向“共建基础设施”，算力、算法与场景的深度绑定将催生新的产业联盟，跨国药企与AI公司的合作金额门槛会进一步提升至10亿美元级别。