五度妙笔
API商城
数据库制药AI是替代还是成就？
制药AI到底是替代还是成就？一个问题，两个答案。
一线研发人员担心：数据对不对？够不够专业？能不能替代我？
制药高管们看到的却是——更低的成本、更快的周期、更大的市场回报。
但实践才是检验真理的唯一标准，从2025年DeepSeek爆火，到近期英矽智能达成25亿美元合作案，行业用真金白银站了队。
而这场制药AI的变革，并非爆火的2025年，它真正的起点，要追溯到1956年的那个春天——AI概念首次被提出。
本篇，我们梳理了"制药AI发展大事记"的时间轴，带你回看这门技术如何用了近70年，从实验室走进药企决策层，从“被质疑”走向“被验证”。
01
早期探索（1956—2011年）
从概念到计算机辅助药物设计
1956—1980年
AI制药的雏形期
1981年
CADD正式面世
1996年
CADD成果获临床验证
2011年
IBM沃森高调入局
02
深度学习革命开启
（2012—2014年）
2012年
深度学习元年
2012年
首批AI制药公司诞生
2013年
更多玩家入场
2014年
晶泰科技创立
03
概念验证与初步突破
（2015—2019年）
2015年
Atomwise将深度学习引入制药
2016年
晶泰科技一战成名
2017年
大型药企首次入局
2018年
生成式AI应用于分子设计
2019年
诺华与微软战略合作
04
里程碑之年（2020年）
AI药物进入临床
2020年1月
全球首个AI设计药物进入临床试验
2020年
AlphaFold2攻克50年难题
2020年
资本热潮启动
05
巨头入局与资本狂潮
（2021—2022年）
2021年
国内融资超80亿元
2021年11月
英矽智能AI药物进入临床
2022年
英矽智能与赛诺菲达成12亿美元合作
06
行业调整与理性回归
（2023—2024年）
2023年
ChatGPT带火AI制药
2024年4月
赛诺菲宣布“All in AI”战略
2024年6月
晶泰科技港交所上市
2024年8月
Recursion与Exscientia合并
2024年9月
Rentosertib公布IIa期阳性数据
英矽智能的Rentosertib公布IIa期临床试验阳性数据，从靶点发现到IIa期临床仅耗时18个月，研发成本降至传统模式的万分之五。
同年，药融云品牌升级为摩熵数科，成为业界唯一涵盖生物(B)、化学(C)、药学(P)、医学(M)的全产业链数据平台，深度融合生命科学(BT)、数据科学(DT)与人工智能(AI)三大核心技术，深耕生命科学领域。
2024年10月
诺贝尔化学奖授予AI科学家
07
临床验证与监管突破
（2025—2026年）
2025年4月
FDA里程碑新政
2025年
Rentosertib获正式命名
2025年10月
国内首款AI赋能制剂新药完成III期
2025年12月
中国首个AI设计药物启动III期
2026年6月
英矽智能与SK生物制药达成25亿美元合作
双方聚焦神经免疫性疾病领域，潜在交易总金额超过25亿美元。
同年，字节跳动AI制药业务线启动拆分与独立融资。
同年，浪潮云与摩熵医药签约推出国内首个医药AI数字人智能陪练，DATA+AI让合规与专业成为本能。
2026年7月
AI生物医药今年最值得看的两天
7月2-3日，上海，2026人工智能与生物医药生态大会几乎覆盖了AI制药下一阶段最值得关注的技术走向、产业焦点和合作机会。
7月3日，工学博士，摩熵创始人兼CEO，王中健将在AI+前沿技术论坛分享“BCPM数据基座赋能医药行业AI落地应用”。
就在这个从“验证”走向“落地”的关键节点——
2026年7月2-3日，2026人工智能与生物医药生态大会（AIBC 2026） 将在上海举办。这场1500人规模的行业盛会，汇聚了恒瑞医药、赛诺菲、复星医药、华为制药军团等产业巨头，以及来自清华、北大、复旦、浙大、上海交大等顶尖学术机构的一线研究者。
大会将集中呈现新的八大趋势方向：研发起点前移、数据底座升级、模型可信度提升、药物形态泛化、设计目标扩容、组织模式革新、迭代逻辑闭环、覆盖全周期——几乎覆盖了AI制药从技术到产业的所有核心议题。
而在“AI能否真正落地”这个制药人最关心的问题上，摩熵创始人兼CEO王中健博士将在本次会议的“AI+前沿技术论坛”中，分享一个关键答案：BCPM数据基座如何赋能医药AI从概念走向实用。
医药AI落地长期受制于数据孤岛、标准缺失、专业语料不足等痛点——AI再强，没有高质量数据支撑，也只是“空中楼阁”。王博士将围绕BCPM（生物、化学、药学、医学） 全域数据基座的建设实践，展示如何打通研发、临床、注册、市场等环节的数据壁垒，为行业垂类模型训练提供底层支撑。
目前，基于BCPM数据基座，已落地新药智能筛选、临床试验设计、文献智能解析、注册申报辅助、真实世界研究、产业产品分析等多项AI应用，形成“数据赋能→场景落地→迭代优化”的产业闭环，有效压缩研发周期、降低试错成本。
换句话说：当一部分人还在争论AI会不会替代制药人时，另一部分人已经在用数据基座把AI变成日常工具。
这场分享，或许就是判断“替代还是成就”最务实的一个注脚。
趋势方向 | 核心变化 |
研发起点前移 | 从“已知靶点做分子优化”延伸到“疾病系统建模”，通过多组学、临床数据、空间转录组等整合，实现原创靶点发现，成为源头创新新入口。 AIBC 2026中，相关议题把这种“研发起点前移”的脉络呈现得更加清楚。例如： ●Towards building a Virtual Cell World Model by AlphaCell（刘琦，同济大学） ●Linking spatial transcriptomics to clinical phenotypes through interpretable AI（段斌，上海交通大学） ●多组学+AI，创新药研发“经验试错”到“数据驱动”的范式变革（季序我，普瑞基准） ●从解读到编程：AI虚拟细胞构建及其在细胞命运调控中的应用（李鑫，中国科学院动物研究所） ●人工智能驱动的靶标发现与新配体设计（朱峰，浙江大学） ●构建人工智能药物设计平台加速新型靶标的确证与苗头分子发现（卞月珉，上海大学） ●AI科学家赋能原创靶标发现与验证（郑双佳，上海交通大学/临港实验室） ●AI+量子计算：找到下一个千亿级 GLP 靶点的瑞士军刀（李翛然，医图生科） |
数据底座升级 | 从单模态数据处理转向多模态、多尺度生物数据统一表示，竞争焦点从模型参数大小转向数据连接、跨尺度推理能力。 从AIBC 2026的相关议题看，这一趋势正在进一步走向系统化和深入化。代表性议题包括： ●Language models of biomedical sciences or language models for biomedical sciences（徐峻，中国科学院医学技术研究所） ●基于人工智能构建全自动冷冻电镜结构解析（申怀宗，深圳医学科学院） ●细胞转录反应重塑分子表征空间用于高效和多尺度的药物发现（裴剑锋，北京大学/英飞智药） ●基于蛋白词表的虚拟筛选方法（田博学，清华大学） ●Advancing AI for Biomedical Discovery: Foundation Models, Agents, and Safeguards（张载熙，上海交通大学） ●冷冻电镜与AI在制药研发中的应用（孔佑心，赛诺菲） ●通晓化学语言，助力药物分子的设计和优化（焦阳，达索系统） ●SpectraAI: AI-Driven Molecular Identification and Discovery（夏俊，香港科技大学（广州）） |
模型可信度提升 | 从黑箱模型转向融合结构生物学、物理规律、分子动力学的机制约束，解决复杂靶点、动态构象等问题，兼顾“生成能力”和“可解释性”。 代表性议题包括： ●结构生物学中的计算问题：从算法到应用（马剑鹏，复旦大学） ●AI和物理深度融合的新药发现软件平台DrugFlow的开发（侯廷军，浙江大学/碳硅智慧） ●ViSNet-PIMA：基于长程作用精确建模的生物分子性质计算与动力学模拟（王童，清华大学） ●物理驱动的AI生物分子动力学的时序建模（刘子敬，粤港澳大湾区数字经济研究院） ●攻克难成药靶点-AI重塑变构药物研发（沈倩诚，宇道生物） ●基于量子生成特征求解的大模型药物分子精准设计（廖俊，中国药科大学） |
药物形态泛化 | 从仅服务小分子研发，扩展至抗体、蛋白药、RNA药物、环肽等多类型分子设计，针对不同形态建立专属的AI优化体系。 代表性议题包括： ●人工智能蛋白质药物设计平台及镇痛药物研发（陈海峰，上海交通大学/智药元创） ●抗体从头生成与可开发性一键评估（葛虎，唯信计算） ●A Data-Driven AI Approach for Multi-Parameter Antibody Therapeutic Design（赵伟安，寻明生科） ●功能核酸从头设计（韩达，中科院杭州医学研究所） ●人工智能驱动的RNA精准治疗（褚晏伊，中国科学院分子细胞科学卓越创新中心） ●人工智能驱动的新生抗原个体化肿瘤治疗性疫苗的开发（张弛，上海生物制品研究所） ●AI驱动的个性化 mRNA 肿瘤疫苗：从新抗原到递送（李晓林，中国科学院杭州医学研究所） ●干湿一体化环肽药物研发智能体（邹一可，上海交通大学） |
设计目标扩容 | 从仅关注“分子活性”前置纳入可开发性、CMC适配性、生产工艺风险等产业端要求，避免“活性好但无法落地”的问题 从AIBC 2026的相关议题看，这一方向正在得到更具体、更系统的展开。代表性议题包括： ●抗体从头生成与可开发性一键评估（葛虎，唯信计算） ●A Data-Driven AI Approach for Multi-Parameter Antibody Therapeutic Design（赵伟安，寻明生科） ●Membrane Protein Solubility Design as Novel Therapeutics（庆睿，上海交通大学） ●Hybrid Modelling Approach for Prediction and Control of Monoclonal Antibody’s Glycosylation（彭军滇，A*STAR Bioprocessing Technology Institute） ●CMC全链条研发的人工智能垂直大模型（金传飞，东阳光药） |
组织模式革新 | 从零散工具堆叠转向AI Agent（智能体）统筹研发流程，实现任务拆解、多工具调度、结果整合与持续迭代，成为新的流程组织载体。 AIBC 2026中，多个议题集中呈现了这一方向： ●从“工具堆叠”到“自主决策”，智能体赋能药物研发的实践与展望（周杰龙，望石智慧） ●FROGENT：端到端全流程药物设计智能体（吉君恺，深圳大学） ●SciMiner：面向药物研发DMTA闭环的记忆增强、持续学习且可解释的智能体（熊昭平，质子展开） ●AI智能体平台驱动的抗体药物研发新范式（王天元，科迈生物） ●多智能体加速AI for science科研范式转型（金若凡，北京中关村学院） |
迭代逻辑闭环 | 从“模型出结果+实验验证”转向“干湿实验DMTA闭环”，实验数据反哺模型优化，系统化迭代能力取代单次预测精度成为核心竞争力。 AIBC 2026中，与干湿闭环、自动化和DMTA相关的议题包括： ●How AI and Automation are Rewriting the Rules of Drug Discovery（韩涟漪，恒瑞医药） ●AI驱动的分子设计–制造–测试–分析闭环：加速智能药物发现（申万祥，浙江大学） ●基于液相色谱技术的化合物自动自主分离制备系统（陈晨，罗氏中国） ●干湿一体化环肽药物研发智能体（邹一可，上海交通大学） ●AI Agent 驱动的生物医药全生命周期：从实验室智能体到工业级闭环控制（邓司伟，深圳津渡生物） |
覆盖全周期 | 从早期药物发现延伸至临床开发、真实世界研究、CMC、生产智造、药企数智化等全链条，成为医药产业级的系统工程 代表性议题包括： ●AI医药数智化战略发展与应用价值创造（邱婧君，复星医药） ●人工智能驱动下的药物研发转型（张晓华，华东医药） ●AI在临床试验和真实世界研究中的应用（李栋，清华大学长庚医院） ●数字健康智驱未来华为医药智能化方案介绍（樊杰，华为制药军团） ●CMC全链条研发的人工智能垂直大模型（金传飞，东阳光药） ●AI在药物研发中的深度融合与知识产权保护策略（韩威威，苏州大学） ●让知识“再发现”：Springer Nature构建AI时代的生物医药“知识群”（巨蓉，Springer Nature） |
回到最初的问题：制药AI，究竟是替代还是成就？
从历史来看，CADD没有替代药物化学家，AlphaFold没有替代结构生物学家，AI也没有替代制药人——它只是重新定义了工作的方式。那些最早拥抱CADD的药企跑赢了对手，那些最早布局AI的研发团队抢占了先机。
真正被替代的，从来不是人，而是不愿意使用新工具的人。
AI不会让制药行业变冷，它会让这个行业变得更聪明、更高效、更有想象力。而选择权，始终在你手中。
END
本文为原创文章，转载请留言获取授权
