AI4LS破局实录：技术已经能做，产业为何仍不敢用？

在《科学革命的结构》中，托马斯・库恩将科学进步的本质定义为范式的更替：当旧范式无法解释的反常现象不断累积，新的范式便会在危机中孕育而生，最终重构整个领域的认知框架与实践路径。

这一判断正在生命科学领域得到印证。传统依赖专家经验的试错式研发模式，深陷“双十定律”的效率瓶颈，这也是横亘在全球药企面前的共同难题。随着人工智能与生命科学深度融合，AI for Life Science（AI4LS）正在催生一场研发范式革命，从基因测序、靶点发现到临床开发，数据驱动的智能化体系正逐步替代经验主导的试错流程。

经过数年概念铺垫与技术迭代，AI4LS已正式驶入产业验证的关键窗口期。但技术“能做”与产业“敢用”之间，仍横亘着一道信任鸿沟：模型预测的可靠性、可重复性与可解释性尚未形成行业共识，数据标准不统一、实验闭环不完整等问题，制约着AI从实验室走向真实研发管线。同时，资本层面也正在经历从“算法叙事”到“药效验证”与“商业兑现”的理性回归，投资人愈发关注企业能否从融得到钱走向赚得到钱。

在此背景下，近日，由高特佳投资、动脉网及微解药联合主办的《中国创新医疗资产会客厅》交易圆桌派第三十期正式开讲。

本次活动以“AI4LS：从技术验证到商业落地的关键一跃”为主题，邀请高特佳投资集团总经理孙佳林，普瑞基准创始人兼CEO季序我，津渡生科创始人兼CEO金泳成，子瞻生物创始人兼CEO闵贞，水木分子联合创始人兼COO邢杰，高特佳投资集团董事总经理兼研究部负责人匡瑶六位产业与资本端嘉宾，共同拆解AI4LS从技术验证迈向产业落地的真实路径，探讨技术、数据、商业与生态的协同进化之道。

活动开篇，匡瑶带来《中国AI4LS行业洞察》研究报告，系统梳理了行业发展脉络、技术层级与市场格局。

匡瑶指出，AI4LS的核心是将AI能力转化为解决药物研发、合成生物学、基因测序等场景问题的核心驱动力，推动药物研发从传统依赖专家经验的试错模式，向数据驱动、流程标准化、系统可快速迭代的现代化工程化体系转型。

从发展来看，行业大致走过三个阶段：

2012—2018年的辅助计算期，AI仅输出分子结构预测参数供专家验证，决策主导权仍在科学家手中；

2018—2023年的独立生成期，以AlphaFold为代表的工具可自主生成分子结构、蛋白质语言模型，行业迎来快速发展，但人工仍需验证部分结果；

2024年至今的系统集成期，AI与自动化实验室平台深度结合，云端生成系统、实验室机器人、科研Agent等环节逐步打通，AI开始承担全链路研发规划与执行，人类转向策略制定者角色。

行业加速背后有四大核心驱动力：政策监管体系持续完善提供制度保障，传统研发效率痛点形成产业刚需，ICT产业技术溢出带来协同赋能，算力基建与交叉人才成熟供给底层支撑。

从技术壁垒维度来看，行业企业可划分为四个层级：

最基础的基础性能层，基于公开数据驱动，具备基础算法适配与精度达标能力，是行业最低准入门槛；

第二层数据与知识壁垒层，依托垂直领域专有临床数据、基因测序数据与领域知识库，结合专家经验形成独有数据资产，难以被同质化复制；

第三层自动化实验室与决策闭环层，打通实验设计、模型训练、决策优化的全流程自动化闭环，实现研发效率指数级提升，是当前头部企业的核心技术护城河；

最深的产业链深度嵌入层，深度渗透产业链上下游，实现技术、场景与资源的深度绑定，构建技术生态协同体系，达成用户与产业资源的双重锁定。

不过，技术“能做”与产业“敢用”之间，信任鸿沟是第一道关卡。模型预测的结果如何让生物学家和药企研发人员真正信服？技术验证层面最大的挑战究竟是数据质量、算法可解释性，还是实验闭环的完整性？这是本次圆桌的第一个核心议题。

在津渡生科创始人、CEO金泳成看来，模型本身的精度与性能只是基础，真正建立产业信任的核心是完整的验证闭环，津渡生科的思路不只是输出预测结果，而是提供全套的验证体系，并且让验证工作从高度人力密集，转向由人工智能主导方案设计、自动化与机器人执行的模式，形成“模型指导实验—实验产出数据—数据优化模型”的正向循环，才能真正推动产业快速进步。

水木分子联合创始人、COO邢杰同样强调“闭环验证”的重要性。他认为，生物医药行业一定会走和代码领域一样的DBTL闭环之路，核心是要做到“first time right”——让分子设计在第一次就做对，这是给药企建立信心的根本。为此，水木分子在智能体流程中设置了专门的QC智能体，全程校验研发假设与方案，同时用小样本量的金标准数据持续校准模型输出。

对于聚焦多组学数据挖掘的普瑞基准而言，面向新药研发场景时，技术的关键点在于要应对小样本、高维度、高噪声的挑战。普瑞基准创始人、CEO季序我指出，真实的药物研发场景，天然是小样本的——受伦理、成本与时间限制，不可能不受限制地做大规模的试验，往往只有几十例试验样本的数据。但这些小样本的数据和具体新药项目高度相关，价值极高，但样本量是非常有限的。同时，多组学数据的特征维度极高。在这种“稀疏”空间下，传统统计模型完全失效，这就是 “维度灾难”（Curse of Dimensionality）。同时，生物学数据由于各种原因（例如测量手段的限制），天然带有噪声，又很容易出现 “Garbage in, garbage out”的问题。

针对这一问题，普瑞基准通过迁移模型等不同的技术栈来应对这一挑战，从而获得稳健的结论；同时，基于多维度数据，以及不同的算法逻辑对结论进行校验，确保其可靠性。普瑞基准针对创新药项目交付的结果，已经获得真实的前瞻性临床试验的验证，最终得到客户对技术价值的认可——当客户根据普瑞技术平台的建议推进管线，并且切实看到成功率提升，才会真正认可技术的价值。

作为器官芯片与NAM（新方法学）领域的代表，子瞻生物创始人、CEO闵贞则从数据基建的视角，解读了技术验证的新变量。闵贞指出，FDA、ICH和EMA等监管机构近年提出“weight of evidence（证据权重）”框架后，行业不再追求单一复杂的全能模型，而是用多个针对性模型分别回答不同问题，再整合形成证据链。在这一框架下，器官芯片并非万能的动物实验替代品，而是特定场景下的校准工具——比如在血管屏障、肠道屏障等研究中价值突出，但在肿瘤、小分子神经毒性等场景中作用有限。

闵贞同时提到，AI与器官芯片的结合在技术验证上仍有三大关卡需要攻克。第一是场景化，模型必须来自药物研发的真实场景，由药企科学家提出具体需求，而不是先做模型再找客户；第二是供应链，尤其是国内细胞供应链不完善，高质量原代细胞的稳定供给是一大瓶颈；第三是行业认知，国内药企对新方法学的接受度仍有待提升，很多人还只关注监管合规价值，忽略了其在内部研发决策中的核心作用。

技术验证之后，更大的考验是商业模式的验证。AI4LS企业如何从融得到钱走向赚得到钱？如何从药企的“尝鲜试点”变成“长期刚性预算”？这是行业当前最核心的商业命题。

多位嘉宾都提到，当前行业的普遍困境是：药企愿意做试点合作，但很难转化为长期、规模化的采购。究其根本，是很多企业还在沿用互联网SaaS的逻辑做生物医药，试图按API调用量、按订阅收费，但药企真正愿意付费的，从来不是工具本身，而是“解决具体研发问题”的价值。

在邢杰看来，商业化的核心是“守正出奇”：守正就是要给客户带来真实价值，让客户愿意持续买单；出奇则是不能只停留在工具服务层面，要往更深的价值环节走。“一开始你解决的是效率和成本问题，但最终一定要解决成功率的问题。别人18个月做到PCC，你能不能8个月做到，而且结果更好？只有这样，才能真正击穿产业的价值天花板。”

邢杰表示，水木分子的路径是“平台+管线”双轮驱动：一方面通过“给每个药企配一个AI首席科学家，给每个科研人员做一个AI分身”的平台服务产生现金流；另一方面布局自研大分子管线，用AI全流程重塑研发，释放长期价值。

金泳成则分享了津渡生科的双轮商业化思路。C端方面，面向全球科研人员的订阅制AI 科研产品已积累近百万注册用户数，付费率远高于传统科研工具平台，不仅快速产生现金收入，更形成海量真实用户数据的飞轮效应，反哺模型能力快速迭代；B端方面，津渡生科走“全链条交付”路线，不只是替代某一个实验环节，而是把从设计到验证的整个研发过程，整体由人工智能和具身智能替代。

“单独任何一个子环节的替代，都很难定价——你说替代了一部分实验和思考，这一小块到底值多少钱？采购方很难决策。但如果把整个链条从头到尾都替代掉，价值就是巨大的跃迁。无论是从人力成本核算，还是从研发效率提升百倍千倍的角度，都算得通账。”金泳成说道。

普瑞基准的商业化路径，则清晰地呈现了价值逐步验证的过程。季序我坦言，定价问题的本质是价值量化问题：你到底为新药研发项目创造了多大价值？如果确实创造了价值，并能量化，定价自然水到渠成。普瑞基准从早年免费的pilot项目开始，到按项目服务收费，再到现在的里程碑付款与销售分成，每一步进阶的前提都是交付结果得到了充分验证。

“我们给客户提供可解释、可验证、有强证据链的交付结果。客户通过临床前研究或临床试验进行验证，做完之后自然心里清楚：借助我们的平台，到底节省了多少资金投入、加快了多少速度、提高了多少成功率。后续的里程碑、分成就是顺理成章的事。”季序我表示，普瑞基准和国内外多家头部药企的合作都已长达六七年，合作规模持续扩大，且不断深化，信任是在一次次价值兑现中逐步加深的。

子瞻生物与MNC的合作模式，同样呈现出阶梯式深化的特征。闵贞介绍，合作通常分为三个阶段：第一阶段是类CRO的模型交付，根据客户的具体需求定制器官芯片模型，完成验证性研究；第二阶段是数据交付，基于验证后的bioassay，产出高质量、高维度的AI-ready数据；第三阶段是证据交付，客户不再需要原始数据，而是直接要可支撑研发决策的生物学证据。

“一个项目周期普遍两三年起，因为你还要陪着客户和监管沟通。但一旦跑通，粘性就会非常高。”闵贞指出，当前AI药物研发最大的短板是细胞层面的结构化数据，分子生成已经很成熟，但“这些分子到底是不是药物”的判断能力还很弱，而器官芯片产出的标准化、场景化数据，正是填补这一缺口的核心资源。

高特佳投资集团总经理孙佳林从投资视角总结道，无论是平台型还是产品型公司，商业可持续的核心都是能否真实解决用户诉求。平台型公司提供服务或订阅，产品型公司交付最终管线，形态不同但本质相通——只要能切中真实痛点，创造可量化的价值，就是好的商业模式。

AI4LS的产业化从来不是单点突破，而是数据、算法、算力、湿实验、临床验证、监管审批环环相扣的系统工程。在这场产业变革中，产业链上的每个角色都在重新定位，生态的价值分配规则也正在被改写。

对比中美AI4LS产业链，匡瑶在报告中指出，美国主导原始创新和全球价值捕获，在基础研究、AI模型、商业化数据及监管体系上均处于领先地位，全球化渠道也更成熟；中国则见长于工程化、产业化与成本效率，依托庞大的CRO产能与临床资源，可以快速加速技术应用落地，但在数据治理、全球多中心开发能力方面仍有待提升。

闵贞进一步补充道，中国的优势在于自动化实验室集成能力强，设备制造成本优势明显；短板则集中在三个层面：一是细胞生物学基础薄弱，高质量细胞供应链不完善；二是国内药企对新方法学的认知不足，创新诉求不强，对NAM的价值更多停留在监管合规层面；三是行业标准缺失，数据的结构化、标准化程度不够。

但放到全球市场看，中国产出的高质量、场景化、metadata完整的AI-ready数据，恰恰是当前AI时代最稀缺的资源，也是中国企业的核心机会。

而在邢杰看来，更本质的变化是产业链的边界正在被打破。“不要用传统产业链的思维去定义AI时代的角色。原来我们会说谁做数据、谁做算法、谁做实验，但未来不是这样的线性分工。”

邢杰提出，自动化实验室不只是物理世界的实验载体，也是Agent任务体系的一部分；模型公司可以往下游走做管线，药企也可以往上游走建自己的AI平台。整个行业正在从“+AI”的改造，走向“AI原生”的重构。

孙佳林也认同这一判断。她表示，平台型公司和产品型公司的界限正在模糊，AI-Biotech公司本身就具备极强的AI能力，早期可以通过技术服务实现商业闭环，支撑自研管线的长期投入；后期管线兑现后，又会反过来强化平台能力。“不是说平台型公司就一直做服务，产品型公司就只会做管线，两者是可以互通的，核心是团队有没有能力把价值往更深的环节延伸。”

展望未来3-5年的产业图景，季序我认为，行业一定会经历大浪淘沙的过程。“大家对AI4LS的理解会越来越深入，越来越聚焦真实的场景需求。最基础的原则：产业自身的趋势决定了技术关注的方向。在新药研发链条的各环节中，哪些环节对最终成败的影响权重越来越大，我们就抓住那些环节。现在看，疾病及其治疗相关的生物学洞察，对创新药研发的成功是越来越重要的，那么AI应用在这一点上，就是未来的趋势。”在他看来，每家企业的价值，取决于它在整个价值创造链条中贡献的份额。

孙佳林则从投资视角判断，AI4LS是明确的时代趋势，当下一级市场的高估值，反映的是资本对赛道长期价值的认可。但未来投资逻辑会持续迭代：从早期看团队、看叙事，逐步转向看验证数据、看闭环能力、看商业化兑现。“未来不会是一家通吃的局面。基础平台工具可能会呈现头部集中的市场格局，但生命科学的复杂度足够高，垂直场景应用、管线开发会是百花齐放的格局。”

正如本次圆桌讨论中多位嘉宾共同提到的，AI永远不会完全替代湿实验，最终的形态一定是“干湿共生”：AI负责拓展探索的边界，在海量可能性中高效筛选方向；湿实验负责验证关键结论，提供真实数据反哺模型。二者叠加形成的效率飞轮，才是AI4LS真正的产业价值。

今天的AI4LS，正处在范式转换的关键节点：资本的涌入褪去了概念泡沫，留下的是对真实价值的坚守；技术的迭代走出了实验室，开始在真实研发管线中接受检验。当技术、数据与商业闭环形成正向飞轮，当干湿共生的研发范式真正落地，AI改写生命科学产业的那一天，或许比很多人预想的来得更快。