从靶点发现、分子设计到临床开发，人工智能正越来越多地进入新药研发流程。今年前9个月，AI制药领域共发生57笔融资，融资额接近158亿元，约为去年同期的3倍，也接近过去3年的总和。资本热度上升的同时，行业关注点正从技术概念转向实际应用。

10月24日，由中国医药创新促进会与香港交易所主办的第十一届医药创新与投资大会在南京召开。华为制药军团总裁樊杰出席大会并接受媒体采访。对于外界关心的华为是否会直接进入药物研发，樊杰表示：“华为不做药，也不做管线。”华为希望发挥自身在计算、通信和人工智能领域的优势，为药企、科研机构及AI制药企业提供算力、存储、网络、工具链和数据治理能力，成为AI制药产业的技术底座与生态支持者。

在樊杰看来，AI制药仍处于快速发展、市场预期较高的阶段。蛋白质结构预测、分子模拟等部分技术已进入实际应用，但整个药物研发链条尚未打通。下一阶段，行业需要回答的不只是模型规模有多大，而是模型能否进入真实研发流程，并与实验数据和研发决策形成闭环。

01

从技术尝试到产业落地，AI制药进入加速期

樊杰表示，过去药企面对AI，更多处于了解和尝试阶段;如今，无论是传统药企、创新药企还是Biotech，对AI的关注度和参与意愿都明显提高。企业讨论的问题逐渐从“AI能不能用于制药”，转向“AI能够进入哪些研发环节，以及如何产生可验证的结果”。

这种变化也体现在企业投入上。樊杰透露，部分合作项目开始部署百卡规模的计算集群，用于药物研发模型的训练、部署和优化。过去，如此规模的算力投入在药企中并不常见。

樊杰接受采访

不过，建设算力集群并不等于完成AI制药转型。樊杰表示，“灯塔项目”不能只停留在硬件建设或平台搭建，还需要引入专业模型、研发团队和实验验证，最终进入具体药物研发场景。

以华为与某医药集团的合作为例，双方早期合作主要围绕管理咨询和流程方法展开，随后逐步转向AI药研平台建设，并尝试联合生态伙伴和企业研发团队推进具体项目。这一过程也反映出，AI进入制药行业并非单一技术的采购，而是涉及组织流程、数据基础、研发场景和外部合作等多个环节。

在樊杰看来，AI不仅关系到单个研发项目的效率，也与中国药企能否成长为全球大型制药企业有关。近年来，中国创新药License out(对外授权)交易持续活跃，但对于希望成长为大型Pharma的企业而言，对外授权并不是唯一道路，还需要逐步建立自主产品、品牌和全球商业化能力。“在中国，出现年收入千亿元级别的药企才是正常的。”樊杰表示，中国药企与国际大型制药企业在收入规模上仍有明显差距。AI能否提高研发效率、帮助企业形成持续的产品产出，最终仍需要通过具体管线和商业化结果验证。

02

与AI制药企业是伙伴，技术最终要服务于药物研发

随着科技企业进入制药行业，一个直接问题是：不同参与者之间究竟是合作还是竞争?

樊杰认为，华为与AI制药企业更接近合作关系。百图生科、深势科技、望石智慧、分子之心等企业主要从事生命科学模型、算法和专业应用开发，华为则侧重计算基础设施、工具链、模型适配和数据治理。最终使用的专业模型不一定由华为开发，华为也不会参与药物管线权益的竞争。

“华为来自计算机和通信领域，并不是生物和化学领域的企业。”樊杰表示，科技企业的计算能力无法替代药企和科学家对疾病机制、靶点生物学以及药物开发的专业判断。AI制药仍需要算法企业、药企、科研机构和实验平台共同参与。

那么，AI是否会颠覆整个制药行业?

樊杰认为，与其说“颠覆”，不如说AI会对现有研发流程形成加持和提升。现阶段，AI还不能脱离人类专家，独立完成从靶点发现到药物上市的全过程。生命科学体系高度复杂，AI可以提供候选方案，但研发方向和关键决策目前仍主要依赖科学家。

AI现阶段较为明确的价值，是扩大可探索的范围，并降低部分环节的试错成本。传统药物研发中，大量候选分子会因药效、毒性、代谢或成药性问题被淘汰。AI未必能够一次生成正确答案，但可以辅助研究人员筛选候选分子，更早识别部分风险，减少进入后续高成本实验的无效方案。因此，评价AI制药不能只看模型参数、算力规模或候选分子的生成数量，更需要观察它是否缩短了研发周期、减少了重复实验，并提高进入后续阶段的候选分子质量。对于AI制药企业而言，技术能力最终仍要通过管线推进和商业化结果证明。

03

从单点工具走向研发闭环，数据仍是核心瓶颈

对于AI制药目前所处的阶段，樊杰借用Gartner Hype Cycle(技术成熟度曲线)作出判断：行业仍处于预期快速上升的“过热期”，尚未进入全面成熟阶段。但“过热”并不意味着技术没有价值，而是市场预期可能领先于实际落地进度。

目前，蛋白质结构预测、分子动力学模拟、分子生成与筛选等部分能力已逐渐应用于研发，AI也被用于研发文档处理、情报分析、专利分析以及部分药代动力学和毒理学预测。问题在于，这些能力仍分散在不同环节，“很多点已经成熟，但整个链还没有串起来”。

从靶点发现与验证，到候选分子生成、湿实验筛选，再到临床前研究和临床开发，药物研发涉及一系列相互衔接的判断。只有将模型预测、实验验证和结果反馈连接起来，AI才能在真实数据中持续迭代。

其中，数据仍是核心瓶颈。樊杰表示，公开数据集通常更容易收录成功结果，但失败数据对模型训练同样重要。模型不仅需要知道哪些分子最终成功，也需要理解一个分子为什么因毒性、代谢、成药性或药效问题而被淘汰。

“1%的成功数据背后，99%的失败数据有没有积累下来?”樊杰建议，药企应系统保存研发过程中产生的成功和失败数据。过去，一些实验数据在完成单次项目后被闲置，未能反馈至早期研发环节，而这些结果可能成为训练专业模型的重要资料。

数据问题也不局限于药企内部。医院拥有大量临床数据，但如何在保护患者隐私和知识产权的前提下用于药物研发，仍涉及数据授权、监管认可和利益分配。数据脱敏、本地化部署和可信数据空间能够提供技术路径，但不能单独解决数据权属、定价和责任划分等问题，仍需监管部门、医院、药企和技术企业共同建立规则。

樊杰认为，中国AI制药正处于由“并跑”向“领跑”转变的阶段。但这一判断能否兑现，最终取决于基础研究、数据积累、实验能力和药物开发体系能否协同发展。对于整个行业而言，AI制药走向成熟的标志，不是模型和算力规模不断增加，而是相关技术能否进入真实研发流程，减少无效试错，并最终转化为具有临床价值的药物。

大会讨论现场