如果把现代制药工业拉回到二十世纪六十年代，计算机和药物研发之间的关系还非常朴素。

那时，Hansch等人尝试用定量构效关系（QSAR）把分子的理化性质与生物活性写进数学方程。此后几十年，计算机辅助药物设计不断沿着同一条路径向前：从描述分子，到模拟分子；从计算结合能，到重建蛋白三维结构；从在已知化学空间中筛选答案，到用生成模型提出过去并不存在的候选分子。

计算机辅助药物设计（CADD）






这条路走了半个多世纪，其中不乏设计出了伊布替尼等重磅炸弹。

2021年，AlphaFold2将蛋白质结构预测推到接近实验精度的新阶段。到2024年，AlphaFold3已经试图在一个统一框架中处理蛋白、核酸、小分子、离子和修饰残基之间的复杂相互作用。202






6






年，






已经有药企






将“AI发现靶点+AI设计分子”的路线第一次较完整地带入随机II






I






期临床研究。






虽然这






并没有宣告传统制药工业从此退场，却标志着一个更实际的变化：AI开始离开单纯的算法演示，进入药物






全链条






研发真正需要承担时间、成本和失败风险的环节。

时代的分水岭也由此出现。

早期AI制药最容易被讨论的是模型。谁的参数更多，谁的分子生成得更快，谁能把一个原本需要几年完成的Hit-to-Lead压缩到几个月，这些在早期当然是极其重要的






。到了今天，这些能力仍然重要，但行业开始逐渐意识到，真正昂贵的东西已经从“会不会算”转向“有没有足够好的数据让模型持续变准”，再进一步转向“模型能否






深度嵌入






真实药企的研发流程，并对下一笔几千万、几亿美元的投入产生决策价值”。

也正是在这个节点，


华兰股份




过去一年已经完成了第一阶段的位置切换。公司自2025年年中启动AI医药战略决策，四季度起进入集中布局阶段；到今天，靶点发现、大分子、小分子、临床研发决策与上市后知识服务的第一轮资产组合已经基本成形。它不再只是“准备改变”自己在医药产业链上的位置，而是已经把脚迈进了研发端。

过去很长时间，资本市场对华兰股份的认识相当






稳固






：一家医药包材公司，






胶塞






是它与药企之间最直接的连接。

但如果沿着这枚胶塞向前追溯，一颗药在进入瓶子和注射器之前，已经走过了漫长得多的道路：靶点发现、分子设计、临床前验证、人体试验、适应症选择、患者分层、注册上市，再到上市后的药物警戒与新适应症挖掘。

华兰股份过去一年已经沿着这条道路逆流而上：从药物生产与包装的后端，向靶点、分子与临床开发的前端延伸，重新选择自己站在医药产业链上的位置。

一、华兰股份为什么选择在此时换轨

对于一家传统制造企业而言，转型最危险的时刻，往往发生在原来的业务已经失去生命力之后。

现金流开始衰退、原有客户逐渐流失、管理层不得不在时间压力下寻找一个足够性感的新故事。这样的“转型”天然带着防守性质，资本支出与战略耐心都会受到旧业务下行的制约。

华兰股份的情况恰好相反。

公司的药包材主业并没有退到舞台背景。覆膜胶塞、卡式瓶用溴化丁基橡胶活塞等核心产品长期服务于制药企业，公司客户覆盖全球40多个国家和地区、1000余家药企。尤其在胰岛素卡式瓶关键包装材料上，按公司与客户披露口径，华兰通过与


甘李药业




自2021年起近4年的联合验证，成为国内首家真正实现该关键材料国产替代并进入药企实际供应体系的供应商。

这个案例也解释了主业本身的价值。药包材替换要跨过材料相容性、密封稳定性、工艺适配以及URS、VPL、IQ、OQ、PQ等一整套验证门槛；甘李项目最终在达到进口对标质量标准的同时，实现采购成本下降、供货周期缩短10个月以上。长期沉淀下来的因此不只是现金流，还有质量体系信用、供应链交付能力和药企关系。

这决定了华兰股份此轮转型的底色。成熟主业给新业务买来的，不只是时间和资本，更是已经在真实制药工业中被反复验证过的客户网络与质量信用。2026年7月瑞士西区经济发展署到访华兰、围绕瑞士及欧洲产业资源对接展开交流，也让这套能力开始具备更明确的国际化延展空间。

在创新药产业里，时间通常比钱更昂贵。

一个新的AI平台可以用资本在一年内搭出来，但一家药企为什么愿意把自己的靶点、抗体序列、临床数据或者下一条管线交给你，往往没有办法用GPU数量解释。To B医药服务的交易，本质上是一种高信任交易。药企购买的不只是一次模型计算，它把未来几年项目推进的一部分命运交给了外部平台。

从这个角度看，华兰股份原有1000余家药企客户，才是这场转型最容易被低估的资产。






过去，它们购买的是胶塞、药包材和制造环节的产品；未来，如果其中一部分客户开始购买抗体设计、新靶点发现、小分子优化、临床开发决策甚至药物知识服务，那么原来的客户网络就会发生一次价值密度上的跃迁。

一笔包材订单与一项创新药研发服务之间，并没有天然的业务相邻性。真正把二者连接起来的是






甲方和乙方的






信任。






华兰股份要做的，就是把多年积累在制造端的药企信任，逐步迁移到研发端。






这也解释了为什么公司的AI转型并未从“自己训练一个大模型”开始。

2025年9月，华兰股份设立海南灵擎数智医药科技有限公司，作为AI医药战略载体；随后持续增资，并通过灵擎数智向抗体设计、新靶点、小分子、知识图谱以及临床研发决策等环节延伸。同期，公司搭建AI医药专家委员会与产业科学顾问体系。公开新闻稿中，刘军院士、孙茂松院士、赵宏主任、胡晔院士以及产业科学顾问蔡学钧博士等参与其中，专业背景覆盖统计学、人工智能、生物工程、临床医学与产业转化。

这套专家体系的价值，更接近对战略方向的共同把握与对技术平台的持续赋能。AI制药横跨算法、生物学、药物化学和临床开发，单一学科很难独立判断一项技术究竟应该投在哪里、怎样进入真实药企场景，又如何在后续项目中持续迭代。

对一家长期做药包材的上市公司而言，真正需要补上的也正是这套跨学科判断坐标：如何识别一项AI技术的产业价值，如何把它接入真实研发流程，以及如何在投后继续赋能团队。

AI医药的技术尽调，比传统制造业并购困难






千万倍。

模型可以做出漂亮的Demo，论文可以拥有出色的benchmark，真正到药物研发里，却必须面对实验噪音、生物学异质性、适应症选择、药代动力学、安全窗口以及最终的人体临床。一个只看算法的人可能高估模型，一个只看医学的人又可能低估工程效率。

因此，专家委员会并非单纯承担“技术投资委员会”的角色。它一端参与华兰AI医药战略方向的校准，另一端进入具体技术平台与项目，为靶点、抗体、小分子、世界模型等不同路线提供跨学科判断和技术赋能。

灵擎数智则承担战略落地与产业协同的组织载体：把上市公司的药企客户、资本能力与外部技术团队连接起来，通过投资、孵化和合作，让不同阶段的AI医药能力逐步进入同一套客户与产业生态。

这套路径与过去几年AI制药行业的演化也恰好同频。

2019年前后，生成式化学最吸引市场的是“46天设计出候选分子”这样的速度革命；AlphaFold之后，结构预测能力迅速普及；到了2025年，Nature Medicine在rentosertib IIa期研究中仍然提醒行业：AI发现药物进入临床之后，Phase II失败率依然没有因为






这个分子由AI制造而






自动消失。

原因很简单，






药物研发从来不是一道单变量优化题。早期发现效率提升之后，瓶颈会继续向后迁移。靶点是否真实、分子是否能在人体维持足够暴露、患者应该如何筛选、二






期信号是否值得投入三期、上市之后还能否从真实世界数据里发现新的价值，这些问题会重新成为新的约束条件。

所以，






AI制药的下一阶段很可能不再由一个“万能模型”统治。它会更像一条工业链：不同模型、不同实验平台、不同数据资产共同参与一颗药的一生。






华






兰股份目前搭建的五块核心拼图，正是沿着这条逻辑展开。

二、






华兰股份把五块AI制药拼图接成一条链

1.佳吾益——胞内靶点的先驱者

一颗药真正出生之前，首先需要回答一个古老的问题：






靶点。

问题是哪个靶点值得开发分子呢？而






佳吾益






的核心作用在于






把药物的“可见世界”向胞内延伸






。

传统抗体最大的物理限制非常简单——它很难穿过完整细胞膜进入细胞内部。这意味着大量位于胞内的疾病相关蛋白，并不能像HER2、EGFR这样的细胞表面蛋白一样，被经典抗体直接识别。

但人体免疫系统早已找到另一条路径。细胞内部的蛋白会不断被降解成短肽，其中一部分经过抗原加工后与HLA结合，以peptide-HLA，也就是


pHLA




的形式呈递到细胞膜表面。T细胞由此可以“读取”细胞内部正在发生什么。

这套系统存在了亿万年。现代免疫药物要做的，是把人体天然的信息呈递机制变成可工程化的药物入口。







佳吾益




的核心价值，正位于这里。

如果只把佳吾益定义成“靶点发现公司”，其实低估了它的技术边界。更准确的定位是Novel Target + Novel Modality Discovery：既寻找过去传统抗体难以直接触达的新靶点空间，也试图围绕这些pHLA开发TCR-like抗体、TCR、TCE或者细胞治疗分子。

佳吾益创始人姜威长期沿着酵母展示与MHC/HLA筛选路线工作。

2010年，Wei Jiang与






这个领域的开山鼻祖






Eric T. Boder






就在PNAS发表过基于酵母系统进行peptide-MHC II高通量工程与分析的研究。2021年，相关工作继续发展到RIPPA体系，用MHC-II酵母展示快速识别蛋白抗原来源的肽配体。到






了佳吾益今天的IMMUNE平台，这条学术路线进一步被工程化为面向产业的pHLA验证体系。

这一技术师承






极其关键






。AI制药






其实很忌惮






“技术历史过短”：一个平台在融资时刚刚成立，






核心方法论也刚刚从开源模型迁移过来，很难判断它到底是一项长期能力，还是一轮技术周期的产物。

佳吾益不同。它的底层实验方法至少能找到十年以上的连续学术脉络。IMMUNE真正有价值的地方，也并不在于一句“打开胞内99%空间”的宣传表达，而在一个更具体、更工业的问题：当AI和生物信息学从海量序列中预测出成千上万个候选肽之后，怎样快速判断哪些候选肽真的能够与特定HLA形成足够稳定的结合？

传统方法通常需要制备和纯化HLA蛋白，再完成相应binding assay。佳吾益的思路，是把peptide-receptive HLA单等位基因工程化展示到酵母表面，再通过候选肽竞争、流式检测等方式，对HLA-peptide binding进行高通量验证。

2025年发表在Genome Medicine的SCAN-ACT研究，为IMMUNE提供了目前最重要的一层同行评议PoC。研究中构建了HLA-A*02:01、HLA-A*11:01、HLA-B*35:01、HLA-C*12:03等HLA-I体系，并对候选pMHC进行了实验验证。这里真正值得重视的并非验证了多少个样本，而是一个方法论开始走通：

计算提出candidate；

湿实验




快速验证binding；

实验结果重新成为模型的标签；

随着项目增加，平台不断积累新的HLA×peptide实验数据。

这才是AI与生物学结合最有价值的闭环。

模型会快速扩散，论文中的算法会被复现，






真正难以重新下载的，是几年以后沉淀出来的大规模私有实验标签。






因此，把佳吾益






放上这个舞台，它未来最有潜力形成护城河的未必是一项单独专利，而可能是一张持续扩张的免疫数据






综合图谱






：

HLA allele × peptide × binding affinity × natural presentation × tissue distribution × TCR recognition × cross-reactivity × functional outcome。

当然，今天的佳吾益距离这张完整地图仍有工程化道路要走。HLA binding并不自动等于真实肿瘤细胞会天然呈递，pHLA密度、不同HLA人群覆盖和TCR cross-reactivity也都是这一领域必须长期解决的问题。

但这恰恰说明华兰所获取的并不是一个已经失去成长空间的成熟工具，而是一项仍在向更深数据层演进的技术资产。

更关键的是，华兰股份对佳吾益的安排并不限于财务投资。






公开资料显示，佳吾益将核心数据库的独家外部合作权授予华兰股份，同时华兰股份获得同等条件下优先并购权、整体出售否决权等股东权利。






这意味着华兰股份争取的是一种更接近产业入口的权利。

如果未来佳吾益真正形成有价值的新抗原数据库和药物发现能力，华兰股份并不只是等待股权升值，而可能成为这套能力面向外部药企商业化的重要通道。从“买技术”走向“掌握技术的客户入口”，这一步的含金量十分之高。

2.科迈和梵宇——大小分子各有所长

找到靶点之后，一颗药才真正进入设计阶段。AI制药过去十年最拥挤的竞争也发生在这里。

小分子领域经历了从虚拟筛选、分子动力学、图神经网络到生成模型和扩散模型的快速迭代；大分子领域则从序列建模逐渐走向结构生成、抗体亲和力优化和de novo binder design。

华兰股份没有押注单一模态。科迈负责大分子，梵宇智拓负责小分子。

先看科迈。华兰股份通过灵擎数智投资科迈生物，取得约9.53%股权，并获得董事席位及优先收购安排。公开披露显示，科迈围绕AI抗体设计展开研发，已积累251万对序列-结构数据，并通过湿实验持续形成数据与模型迭代闭环。

对于抗体AI而言，






数据质量的重要性






甚至高于模型






本身






。

公开数据库里有大量抗体序列，却缺乏同等规模、同等标准的抗原-抗体成对实验数据。一个模型如果只知道“世界上存在什么抗体”，却不知道“什么抗体在什么抗原、什么表位上真正具有怎样的结合表现”，它距离可交付的工业设计仍然很远。

因此，科迈真正需要观察的，是私有实验数据与生成模型之间是否建立了稳定闭环。但对于华兰而言，科迈还有另一层更加现实的价值。

如果把科迈看作华兰股份客户迁移能力的一次压力测试，这个测试已经不再停留在拜访或项目评估阶段。据科迈生物总经理在公开采访中的介绍，目前已有15个共同开发项目正在推进，另有某全球头部MNC的3个项目正在执行，合作方涵盖国内头部药企、生物科技企业及科研团队。对资本市场而言，下一步更值得跟踪的已经从“有没有项目”变成“交付质量、项目复购与合同规模”：随着这些项目持续推进，传统药包材积累的客户关系向AI研发服务迁移，已经从逻辑假设进入真实商业验证。

一旦这个迁移成立，华兰股份原来的客户网络便不再只是主业的护城河，也会成为AI业务的低成本获客基础设施。这比讨论科迈使用哪一种神经网络






是更加






重要






的






。






因为算法可以






靠挖人靠开源






追赶，






但






药企关系






却是最难复制的独一无二的资源






。

与科迈对应的是梵宇智拓。2026年，华兰股份通过灵擎数智投入5000万元设立全资孙公司北京梵宇智拓，切入AI小分子药物发现。这里需要区分公司的成立时间与技术本身的成熟度：梵宇的公司主体虽新，但其背后的技术路线与模型演进已历经多年的深厚积淀。据团队介绍，围绕这套小分子模型的训练与迭代已经持续约6—7年，早期已有十余个项目完成不同阶段的验证，部分由平台参与设计或优化的候选化合物已经推进到临床前阶段。现阶段真正处于早期的是公司的组织搭建与商业化承接，而不是底层方法论本身。

小分子AI真正难的第一步，也并不是“生成一个看起来像药的结构”，而是先回答一个更底层的问题：






计算机究竟以什么方式认识一个分子。






团队认为，常见的线性分子表达在面向复杂药物设计时仍






会






丢失部分关键结构信息，因此梵宇没有直接把全部能力建立在既有表征之上，而是基于隐空间思路重新构建了一套






适合药物研发对






分子表征体系，






提取






小分子的全域拓扑特征，再将其






从千维空间一步步






压缩进






至






64维潜空间。

这一步的意义，是把原本极其复杂的化学结构转写成可以进行数学运算与路径规划的坐标。分子一旦进入这个空间，模型不再只是逐个“看结构”，而可以比较分子之间的距离、方向与局部变化。更重要的是，团队在长期训练中让模型逐渐获得一定程度的“化学语义”






理解






：例如在结构优化过程中，系统






会






主动判断某一位置的硫原子并非最优，并给出替换为氧等结构修正建议。

这与早期生成式化学一个非常典型的问题有关：






会编码，不等于能够无损地把分子重新解码回来。






把一个分子压进潜空间只是前半程，后半程必须从隐空间重新构建出真实化学结构。对虚拟筛选而言，少量重构错误可能尚且可以通过后续计算过滤；但一旦进入Hit-to-Lead或Lead Optimization，错一根化学键、错一个手性中心，面对的就已经不是同一个分子。

据了解






，其体系目前对






80个重原子以下的






小分子






可以做到完全保真重构






，并以紫杉醇这类包含62个重原子、11个手性中心的复杂天然产物进行压力测试，实现了完整重构。






80个重原子意味着这套系统对大环天然产物，大环肽等同样适用，这远远超越了目前市面上的绝大部分模型。






自身验证满分交卷






，未来更值得资本市场观察的，是它能否在更多真实项目、更多复杂骨架以及外部客户交付中持续复现。如果这种高保真重构能够稳定成立，它解决的就不只是“生成效率”，而是生成模型进入精细药化优化所必需的底层可靠性。

第二个值得注意的能力，是对极其细微结构差异的分辨。药物化学里最麻烦的现象之一是Activity Cliff：两个结构高度相似的化合物，可能只相差一个甲基、一个羟基或一个立体构型，活性却出现数量级差异。根据团队介绍，梵宇的表征体系能够对同系物与R/S等立体异构体进行精细识别，并在内部实验案例中实现对单一基团差异的稳定区分。






这类能力的价值，不在于用AI一句话“解释”活性悬崖，而在于避免模型把化学家最在意的细微差别在压缩过程中抹平。

在此基础上，梵宇把分子搜索进一步拆成两个互补的Agent。






其中一个






Agent 负责大尺度的骨架跃迁：在潜空间中进行横向搜索，寻找骨架明显不同、但潜在药效特征相近的新系列分子；






另一个






Agent 则






负责






局部精修，在核心骨架相对确定后，对侧链、片段与官能团进行连续优化。






前者解决“还能不能换一条路”，后者解决“沿着这条路还能走多远”。全局探索与局部优化被放进同一套潜空间里，才更接近真实药物化学团队工作的节奏。

这也是梵宇与简单的de novo generation平台之间一个重要区别。它的目标并不只是从零生成分子，还希望接住药企已经积累多年的私有化合物库。按照团队设想，药企既有分子可以被重新编码进入这套全域拓扑表征体系，形成属于客户自己的潜空间化合物地图。此后无论是虚拟筛选、先导优化，还是Fast Follow与骨架跃迁，都可以直接从既有库中寻找更接近目标区域的候选结构，可将药企自身的分子库价值进行最大化开发






。

如果这一能力最终实现规模化交付，它对应的商业模式就会比“卖一次AI生成”更厚。因为药企真正愿意持续付费的，往往不是一次漂亮的Demo，而是一套能够嵌入现有medicinal chemistry流程、反复读取公司内部化合物资产、并随着项目推进不断产生新结构的研发工具。

从商业化路径看，梵宇现阶段也并不准备等待自有管线成熟后再证明自己。团队在交流中明确提到，平台早期将以To B服务为主，承接类似AI-CRO的小分子发现与优化项目。






这条路线和华兰原有的1000余家药企客户网络天然形成了新的接口：华兰股份把客户带进来，梵宇用项目交付验证模型；项目产生的新实验结果再反过来校准模型。对于一个刚完成公司化落地的平台而言，先通过外部订单获得真实问题和真实标签，可能比一开始就把全部资本押在自研管线上更务实。

因此，重新把梵宇放上秤，它在华兰股份AI版图中的意义已经不只是“补一个小分子方向”。科迈更像用私有抗原—抗体数据构建大分子设计闭环，梵宇则试图从分子表征、潜空间压缩、高保真重构、骨架跃迁到局部药化优化，建立一套贯穿小分子发现与优化的






AI






操作系统。

而且两者的资产属性并不相同。科迈是华兰股份参股的平台资产，梵宇则属于上市公司体系内的全资资产。若梵宇未来能够把技术验证进一步转化成稳定To B订单，并在服务过程中沉淀高质量项目数据，甚至继续孵化自有创新管线，那么模型能力、客户收入、数据资产和管线权益将有更大比例直接留在华兰股份体系内部。






华兰股份因此获得了两种不同的下注方式：用少数股权参与相对成熟的大分子平台，用全资孵化承接更高不确定性、但也拥有更高价值捕获比例的小分子平台。

从组合管理角度看，这比把所有资本一次性押在同一种AI技术上更加稳健。更重要的是，梵宇让华兰股份在“靶点发现—分子设计”这段最核心的Discovery链条上，不再只有一条抗体路线，而真正拥有了大分子与小分子两套不同的搜索引擎。

3.自然常数——切入最昂贵的决策层

如果说佳吾益与科迈、梵宇仍然处在AI制药市场最熟悉的Discovery阶段，自然常数的意义在于把AI继续向后推进。

这可能也是华兰股份目前AI版图中最值得给予高权重的一块资产。根据公开交易安排，华兰股份拟通过灵擎数智投入约2.05亿元，取得自然常数约34.17%股权，成为第一大股东，但不构成单方面控制。这也是目前华兰股份AI体系中金额最大的






外部投资






之一。

为什么自然常数值得这么高的权重？因为现代制药工业真正昂贵的失败，很少发生在电脑里。一个虚拟筛选结果错了，损失可能是几天算力；一个动物实验错了，损失可能是几个月；一项III期临床判断错了，损失的可能是






前面十年的开发






时间、数亿美元资本以及整个管线的战略窗口。

这也是为什么过去几年AI制药行业越来越清楚地看到一个事实：AI能够提高Drug Discovery效率，并不等于自动提高Drug Development成功率。

Nature Medicine在2025年rentosertib IIa期论文中非常直接地指出，此前AI发现或AI设计药物在Phase II仍经历与传统药物相近的失败水平，当时也尚无AI发现药物真正完成Phase III。

这构成了AI制药的下一道真正困难的产业门槛。前半程解决“找到什么”，后半程解决“还要不要继续”。

自然常数试图切入的正是后者。按照项目披露，自然常数以生命全周期、多组织、多组学数据为基础，构建跨物种真实世界模型，并通过人鼠跨物种统一表征学习，连接动物数据、人体状态与疾病进程。它所服务的并不只是泛化的“临床方案优化”，而是更具体的临床风险预测、患者分层、适应症选择、剂量与终点设计，以及重大临床投入前后的关键研发决策。

这一方向的科学基础与Johan Auwerx长期从事的代谢、衰老、系统遗传学研究存在较强关联。纵向动物样本、多组织数据、多组学测量的价值，在于它们不只提供某一个时间点的静态快照，而尝试记录一个生物系统如何随着年龄、干预和疾病发生连续变化。

如果说大语言模型是在学习“词与词之间如何转移”，一个真正意义上的生物世界模型需要学习的，则是“状态与状态之间如何转移”。

药物加入之后，生物系统向什么方向走；哪一种患者状态更可能响应；一个动物信号有多大概率在人类疾病中复现。这是一项难度远高于分子生成的任务。

也正因如此，自然常数目前仍处于需要持续验证的阶段。但对华兰股份而言，自然常数的价值并不要求今天就证明一个接近完美的数字。真正值得观察的是，它能否逐步形成“早期数据—后期临床结果”的成规模映射，并在真实药企项目中证明一个朴素的商业价值：减少错误决策。

一项二期临床结束之后，药企通常面对的并不是一个简单的是或否。

信号可能只在某个亚组出现；Biomarker改善可能没有转化成临床获益；剂量可能没有选对；适应症可能选错；患者异质性可能淹没真实疗效；同一个机制在另一种疾病里反而更有价值。






这里面任何一个问题，都可能让一个本来有价值的分子死在错误路径上。

如果AI能够让药企更早识别这些问题，它创造的价值就不再是“把研发周期缩短几个月”，而是避免一次错误III期带来的巨大沉没成本。这也是自然常数最吸引人的地方。

它并没有削弱前端“帮助药企找到药”的价值，而是把华兰的AI能力进一步推高到临床开发和重大研发决策这一更高的战略维度：从发现什么，到如何让一个分子以更高概率走到终点。前后两端由此开始形成同一条价值链。

四.上海药图——让上市药物数据生产价值

现代制药工业还有一个经常被忽略的事实。药物上市，并不是知识生产的终点。

一款药进入真实世界之后，会不断产生新的安全性信号、联合用药信息、患者亚组差异和潜在适应症线索。






大量已经上市多年的药物，也可能在新的疾病机制和数据关联中获得第二次生命。

Drug Repurposing






由此成为AI与知识图谱非常适合切入的场景。上海药图承担的正是华兰AI版图中的后端知识层。

根据公开资料，灵擎数智与相关团队合作设立上海药图智能科技有限公司，聚焦以知识图谱为核心的药物重定向、药物警戒与医药知识服务。与前面的生成模型不同，知识图谱的价值不在于创造一个全新的分子。

它更像在






真实






世界中重新组织关系。一篇论文、一个临床试验、一条不良事件记录、一个靶点、一种疾病，看起来只是分散在不同数据库里的孤立节点。知识图谱要做的，是把这些节点之间的因果、共现、机制和证据等级重新连接起来。

这是一种“可信知识底座”。尤其在医药领域，答案是否可追溯非常重要。一个大语言模型可以给出一个听起来合理的药物机制，但药企真正需要的往往是：这条结论来自哪篇论文、哪项试验、哪个患者群体、证据是否相互矛盾、有没有真实世界安全性信号。

上海药图因此让华兰股份的“一颗药的一生”继续向上市后延伸。

佳吾益负责扩大可研究的Target Space；科迈与梵宇把靶点转化成大分子或小分子；自然常数把AI带进临床研发决策；上海药图则让药物在上市以后继续从知识和数据中产生价值。

把五块拼图放到同一张






AIDD图谱






上，华兰真股份正开始出现的，是一个药物生命周期操作系统的雏形。

但产业平台从来不是一天形成的。最早的价值并不在于五家公司已经完全打通，而在于公司第一次围绕同一个产业目标，有意识地把靶点、分子、临床和上市后数据放进同一套资本架构和客户网络里。

过去的华兰股份参与的是一颗药生命末端的生产与包装。现在，它开始向一






个分子诞生






之前的世界延伸。

三、真正的飞轮不是AI，而是客户、数据与资本

AI制药过去几年经历过多轮估值切换。最早的市场喜欢给“算法”估值；后来开始给“管线”估值；再往后，真正成熟的平台往往需要同时证明三件事：有客户愿意持续付费、有私有数据持续积累、有资产能够从服务转化成更高价值的管线或者权益。

华兰股份目前最值得观察的，也正是这三种飞轮。

1. 客户飞轮：AI模型可以追赶，药企关系需要时间

传统AI Biotech的起点通常是技术。先有一个模型，再融资，再组建实验团队，最后寻找药企客户。华兰股份






很有意思的地方是






几乎反过来。它先有1000余家药企客户，再把新的研发产品放进这张网络。

这几乎是一个倒反天罡的资源顺序，但却是医药当中最稳固的资源顺序






。






医药产业的客户关系具有极强的历史依赖。尤其创新药研发服务涉及大量商业秘密、核心序列和未公开管线，客户从第一次技术沟通到真正把项目交出去，往往要经过漫长的验证。

科迈现在承担的正是这场客户迁移实验。如果华兰能够把过去购买药包材的客户，逐步转化成购买抗体设计的客户，下一步佳吾益的新靶点、自然常数的临床决策以及药图的知识服务，就都拥有同一个销售入口。

客户获取成本因此可能持续下降。






更重要的是，客户关系也会变长。

药包材服务主要发生在生产和商业化环节，而研发服务可能从靶点发现一直延续到临床甚至上市后。同一家药企与华兰的关系，由一个单点采购变成长达数年的多环节合作。客单价、合作年限与数据沉淀能力，会同时发生变化。

2. 数据飞轮：几年以后才长出来的东西，最难复制

最近读论文观察到的一个现象：






AI时代最容易产生一种错觉：数据无处不在。论文可以下载，蛋白序列可以下载，公开临床试验可以下载，化合物数据库也可以买到。所以很多模型在诞生之初看起来差异并不大。

真正把平台拉开距离的，往往是后续不断产生的






非公开






实验数据。佳吾益每跑一次HLA-peptide binding实验，就多一个有实验标签的数据点；科迈每设计并验证一批抗体，就多一组抗原—序列—结构—功能之间的映射；自然常数每参与一个真实药企项目，就有机会增加一次“临床前信号—人体早期数据—后期结果”的映射；上海药图持续清洗文献、临床与药物警戒数据，则不断增加知识网络的密度和可验证性。

如果这些数据在合规边界内逐步形成协同，华兰股份AI资产的性质会发生变化。最开始，它是一组公司。再往后，它可能成为一组共享客户和部分数据基础设施的平台。






更长期，真正有价值的状态是一张持续自我增强的数据网络。

潮药Bar过去反复强调一个观点：






AIDD方面，






模型可以被追赶，真正昂贵的是几年以后才长出来、别人无法重新下载的私有数据。

生命科学不像互联网推荐系统，很多高价值标签必须通过湿实验、动物或者临床才能获得。每一个标签都带着时间和资本成本。谁能稳定获得这些标签，谁才真正拥有训练下一代模型的燃料。

从这个角度看，华兰股份原有的药企客户网络又一次变得重要。客户不只带来收入，也会带来真实问题。






真实问题产生实验；实验产生数据；数据改善模型；更好的模型再帮助平台获得下一批客户。






这个循环一旦开始，比单纯增加参数量更难复制。

3. 资本飞轮：不同成熟度，用不同方式下注

华兰股份此轮AI布局还有一个值得注意的细节：






公司没有用一种股权方式处理所有项目。






灵擎数智本身是全资平台；梵宇智拓采取全资孵化；上海药图属于控股合作；自然常数是大比例战略持股并成为第一大股东；科迈与佳吾益则更多通过少数股权、商业权利和优先并购安排进行绑定。

这套结构背后其实是一种分层风险管理。早期技术越不确定，越需要保留团队激励和外部专业能力；商业化越接近成熟，越可以通过更深股权提高价值捕获；对于已经有优秀创始团队的平台，少数股权加产业资源可能比直接收购更有利于保持组织活力；






一旦技术和商业模式完成验证，优先并购权又为上市公司保留了后续整合空间。

这与生物医药本身的概率属性相匹配。






咱们做生物医药VC投资的都讲究风险分散，不可能把鸡蛋放在同一个篮子里






。






更合理的组合，是让不同资产处于不同时间位置：

短期看To B服务收入和项目转化；中期看平台数据与客户复购；长期看自有管线、深度整合以及潜在并购。科迈更接近近期商业化验证；佳吾益与自然常数承担中长期平台价值；梵宇保留自有管线与更高经济权益的期权；药图则补足整个生命周期的数据基础。

华兰股份不需要五家公司同时爆发。真正健康的第二增长曲线，本来就应该有先后顺序。

四. 把华兰股份放上秤：未来的估值框架正在改变

传统药包材公司的估值，主要看产能、客户、产品结构、现金流和盈利稳定性。AI制药平台的估值则完全不同。

它会额外关注技术是否可验证；项目是否持续付费；数据是否形成复利；平台有没有把服务收入转化成管线权益的能力；客户是否出现交叉销售；不同资产之间是否真的发生协同。

因此，华兰股份未来的重估，并不需要等待某一天突然把自己定义成“AI公司”。事实上，第一轮资产组合已经基本成形，真实项目已经进入执行，数据也在持续沉淀：华兰股份的AI医药业务正在从“搭框架”进入“跑项目、做交付、积累数据”的阶段，研发服务与数据资产已经开始进入上市公司的价值框架。

资本市场真正需要观察的，不再是这套布局能不能从0到1，而是已经跑起来的体系能够以多快速度从1放大到10。核心仍然可以归结为两件事。

第一，已经落地的项目能否持续扩大交付规模，并通过复购、交叉销售与新增客户转化为更稳定的收入。

第二，科迈、佳吾益、梵宇、自然常数与上海药图在真实项目中产生的数据，能否持续沉淀为更厚的私有数据资产，并进一步反哺模型与下一轮客户获取。

从这个角度看，华兰股份AI布局当前已经具备可被验证的现实价值：科迈已有共同开发与MNC项目在执行，平台侧已经形成规模化数据积累，梵宇的小分子体系也拥有多年模型训练与项目验证基础；与此同时，佳吾益、自然常数与上海药图分别把价值链向新靶点、临床决策与上市后知识层继续延伸。现阶段的看点，是这些已经启动的业务如何在同一批药企客户、同一套产业资源和持续增加的数据之间形成更强协同。

换句话说，华兰股份已经走过“只有概念、等待验证”的起点，正在进入商业化验证与平台协同同时加速的阶段。当前布局本身已经具备较高的产业价值，而随着订单、复购、私有数据和潜在管线权益继续累积，未来可被资本市场定价的空间仍有望进一步打开。

结语：华兰股份没有离开医药，只是开始向更高价值的位置移动

工业史上，真正深刻的转型很少发生在一家公司突然抛弃自己过去的那一刻。






更多时候，它来自对原有能力边界的重新解释。

IBM从制表机走到计算机，靠的不是忘掉精密制造；Amazon从电商走向云计算，也不是离开互联网零售，而是把原本服务自己的基础设施开放给更多客户。

对于华兰股份而言，药包材与AI制药看上去距离很远。一边是覆膜胶塞、洁净生产线、验证体系与全球供应链；另一边是蛋白结构、生成模型、HLA、知识图谱与世界模型。

但当一颗药从实验室一路走到患者手中，这两个世界本来就属于同一条产业链。

过去，华兰股份站在药物生产和商业化的后端，服务的是药企已经成功做出来的产品。现在，它试图沿着同一批药企客户向前走：先走到抗体和分子设计，再走到靶点，继续走到临床决策，最后把上市后的知识与数据重新接回来。

这场转型真正值得关注的地方，不在于华兰突然拥有了多少个“AI”标签。更在于药包材主业并没有成为转型需要甩掉的旧包袱，反而贡献了现金流、药企客户、质量信用和产业化经验；华兰股份正在尝试把这些旧资产重新组织成进入研发端的新门票。

从2025年设立灵擎数智，到科迈、上海药图、佳吾益、梵宇智拓，再到自然常数，华兰股份已经完成第一轮






资产组合






。五块资产距离成为一个真正统一的AI制药平台，仍需要项目、收入和数据去完成后续证明。






但至少这条第二增长曲线已经不再停留在一句战略表态上：它开始拥有明确的组织载体、技术资产、股权结构和商业化路径。

半个世纪以来，从CADD到AIDD






，从最早的构效关系，到计算化学，再到AlphaFold与生成模型，历史一次又一次证明






，计算能力真正改变制药工业，从来都不是因为机器取代了生物学，而是因为它让人类能够更快地提出假设、更便宜地排除错误，并把有限的实验与临床资本押到更值得验证的方向上。

华兰股份今天选择进入的，也正是这个阶段。从胶塞到算法，看起来跨了两个






不同的物理






世界；但把一颗药从出生到上市的路径






平铺成二维图片







，华兰股份真正做的，只是沿着自己最熟悉的药企客户，一步一步向产业链更深处走。