自动化湿实验能打破AI制药的落地瓶颈吗?

AI制药的融资曲线与临床曲线正在分道扬镳。2026年前三季度，全球AI制药领域融资约157.65亿元，超过2023至2025年三年总和；但截至2026年8月，行业累计投资约89亿美元，仍无一款完全由AI发现的药物获得FDA完全批准。进入临床的AI候选分子最终获批比例约10%，与传统新药研发基本持平。钱不缺了，成功率没变，说明瓶颈不在资本，也不在模型。

瓶颈从算法转向实验台

AI在文献整理、分子生成、临床试验管理等环节的效率提升已经相对确定。问题在于，公共数据无法构成竞争壁垒：文献中的实验结果往往矛盾且不可比，仅靠公开数据训练出的分子，很难直接进入实验验证。于是决定成败的环节从“能不能算出来”变成“能不能快速、批量、标准化地做出来”。

湿实验由此成为新的关键节点。2025年9月，Anthropic在旧金山湾区建立生物湿实验室；礼来推出TuneLab平台，签约金斯瑞等三家供应商补齐湿实验环节。诺和诺德2026年6月遭黑客入侵后泄露的文件显示，其专有生物化学训练数据仅约407MB，这个量级本身就说明高质量实验数据的稀缺程度。

干湿闭环的真实形态

头部玩家的应对方式趋同：自建自动化湿实验平台，批量产生专有数据，再回流给模型迭代。晶泰控股拥有三百多台自动化工作站，将传统三到四周的实验迭代压缩至约六天，单周自主推进上万次实验，每月沉淀二十多万条反应数据，其中八成是文献中查不到的失败负样本。这类负样本的价值常被低估——模型知道什么不行，往往比知道什么行更能收敛搜索空间。

但物理天花板依然存在。Recursion的自动化系统每周可执行220万次实验，功能性筛选却仍需人工操作，一天仅约300个样本。实验通量的增长是线性的，而算法迭代可以是指数的，两者节奏不匹配，AI制药的推进方式只能从“狂奔”转为“积累”。

一期好看，二期见真章

BCG统计给出了一个耐人寻味的分层：AI设计药物的一期临床成功率超过80%，显著高于历史水平；二期成功率约40%，与行业均值无异。模型擅长找到能进临床的分子，尚未证明能找到能上市的药。2027至2029年第一批AI原生管线集中产出临床数据，才是这条赛道的真正压力测试。

在此之前，判断一家平台公司是否真的打通了闭环，可以看三个领先指标：客户复购率、里程碑收入的实际到账情况，以及湿实验订单的增长质量。融资额和模型参数都不是答案，实验台上跑出来的专有数据才是。中国在化学产能成本、通量和工程师密度上的优势，决定了这场分工中“制造端”的位置，但能否沉淀为可复用的数据资产，取决于闭环跑得够不够稳。