起源：媒体评吴宜泽夺冠：不平不挠作者： 黎政军：

造药业“十年磨一药”的魔咒，在被AI突破

在新药研发的源头，最难的是早期的分子发现阶段。

传统的药物分子筛选，性质上是一场靠经验和命运的“炒菜”
；Ъ颐瞧窘瓒嗄甓鸭闹本，在浩瀚无垠的化学空间中合成各类化合物，而后逐一测试药效和毒性。这个过程均匀耗时18个月，而最终能进入临床的候选分子，往往不及百分之一。每做一款药，都像一次风险投资——十年、十亿美金、不到10%的成功率。

这套打法，中国药企已经跟跑了三十年。但2026年，局面在发生变动。

5月中旬，岳阳。一场造作行业峰会的分论坛后盾，广药集团的一位高管被几家药企的数字化掌管人围住。他们问的不是战术，不是愿景，而是统一个具体问题：“你们那个药物发现的AI，到底是怎么从一年半压到几个月的？”

这个问题背后，是整个中国造药行业积压已久的焦虑。而答案，藏在一种全新的研发范式里——“自主创新算力底座+智能化模型+干湿关环尝试室”三位一体的链条。这套模式在把从前靠“教员傅手赣妆的研发，造成可推算、可迭代、可复造的工程化流程。

2026年是“十五五”开局之年。《十五五规划纲领》初次将“全方位推动数智技术赋能”写入国度战术。工信部等八部委随后颁布的《“人为智能+造作”专项行动执行定见》给出了明确的量化指标：推动3-5个通用大模型深度落地、打造100个工业高质量数据集、推广500个典型场景、选树1000家标杆企业。针对医药行业，专门的《医药工业数智化转型执行规划（2025—2030年）》划定了2030年根基实现全行业数智化转型的指标。

政策不再是方向性的激励，而是带有查核压力的落地指令。但对于终年浸泡在尝试室和出产线上的造药企衣反说，真正的考验在于：AI到底能解决什么现实问题？从哪里切入最划算？那些已经跑通的企业，到底做对了什么？

当“炒菜式”研发撞上AI的算力墙

“大部门药企此刻处于几个状态：第一，有点焦虑，新的技术来了能不能赶上？第二，积极自动拥抱AI Drug Discovery。第三，各人都在寻找可能打造AI平台的同伴。”

这是5月15日岳阳峰会上，一位持久服务造作行业的数字化掌管人在互换中对行业心态的描述。这三句话，精准概括了中国造药行业当下的集体处境。

焦虑的起源很具体。传统药物研发的投入产出比并不高。一个分子从靶点确认到进入临床试验，均匀必要18个月的早期发现周期，而最终可能成功上市的分子不到极度之一。这种“十年、十亿美金、不到10%成功率”的三角困局，在从前三十年险些没有被撼动过。

更糟糕的是，中国药企在IT基础设施上的投入持久严重不及。一位参加多家药企转型的专家在现场泄漏了一个对比数据：中国药企的研发投入中，IT平台投入通常不到营收的1%，有的甚至连0.5%都不到
；而美国头部药企的IT平台投入约占营收的3%，BT（生物技术）投入约占10%。这意味着，当美国同业已经在用算力驱动研发的时辰，中国药企还在犹豫因而否拥抱数智化转型。

这种落差，正是当前AI造药面对的最大瓶颈。不是算法不能，不是算力不够，而是整个行业的IT基础设施太幽微，导致数据无法沉淀、模型无法迭代、关环无法形成。

广药集徒崆走得最决绝的一个。在“十五五”开局之年，广药以广药数科为主题载体，提出了一个系统性的打算：以AI赋能新质出产力，构建创新研发的新范式。具体蹊径是“自主创新算力底座+智能化模型+干湿关环尝试室”三位一体链条的全面买通，指标是通过全流程智能体，构建多模态药物设计系统。

这套打法不是单打独斗。在广药的实际中，形成了一个典型的“铁三角”合作结构：药企懂药，但对AI和算力没那么懂
；算法公司懂模型，但不愿定懂底层基础设施
；而算力平台方对AI、数据存储、算力、网络比力熟悉。三方合在一路，能力跑通齐全的关环。

关环是若何运行的？干尝试指的是AI推算机仿真，天生潜在的能够成药的幼分子或大分子
；湿尝试则是传统的化学验证，验证天生的分子和化合物是否有效、毒性若何。尝试之后，要对模型进行建改——干尝试的预测对不合？误差在哪里？反馈给干尝试来建改权重，让它更精确。

“好比说在广药这边，我们三方合作在跑幼分子，通过模型跑幼分子。那这个分子对不合呢？广药罕见据源，它能够通过真实现实的数据来验证这些分子到底对不合，并且广药还具备湿尝试的能力，跑的这些分子能够合成化合物，来进一步验证这个药物的分子到底能不能成药、毒性怎么样。”一位行业高管在互换中泄漏了合作的细节，“所以它就会形成整个技术的关环。这里面是三家，若是只有任何一家或者两家，它都无法形成关环。”

这不仅仅是效能的提升，更是对药物研发逻辑的重塑。以前是“我猜这个分子可能有效，试一下”，此刻是模型给出概率预测，湿尝试精准验证，迭代速度呈指数级提升。

在互换中，一位华为造作与大企业军团高管反问了一个问题：“有药企说干尝试必要4周，指标是先缩短到1周。我反过来问，为什么不是一天呢？为什么不是一个幼时呢？其实技术上并非不能实现，只是要跳出思想限度去敢于尝试。”

这个反问点出了问题的主题。中国药企不是没有钱，而是持久把钱投在了看得见摸得着的尝试室设备上，忽略了支持研发效能的底层算力和数据平台。当AI造药的海潮袭来，最先被卡住脖子的，刚好是这根“看不见的短板”。

三个隐语三种解法

若是说政策是表部推手，那么真正让企业下定刻意投入的，是AI在某些关键工序上展示出的“降维进攻”能力。但分歧企业选择的切入点各不一样——这不是技术路线的差距，而是各自产业链上“最痛的那个节点”分歧。

广药集团选择了研发链条上最前端、也最耗时的环节——幼分子药物早期发现。传统模式下，研发人员必要从海量的化合物库中筛选出有潜力的分子，这个过程高度依赖经验和大量试错，行业均匀必要18个月。广药的“铁三角”合作模式，用工业级3D分子天生模型和电子云密度约束的筛选技术，把周期压缩到了1-3个月，早期研发成本降低超过50%。

这意味着什么？同样的研发资源能够覆盖4倍以上的分子空间，或者将节俭下来的功夫投入到更深度的机理钻研上。广药还开发了一个被内部称为“智能副驾”的辅助系统，与药物化学专家协同工作，AI实现反复性的推算和筛选，专家聚焦在关键决策上。这不仅仅是提速，更是研发范式的扭转：从“人主导、工具辅助”转向“人机协同、各取所长”。

与广药选择“前端提速”分歧，翰宇药业的切入点在出产端的工艺优化。作为国内多肽药物领域的头部企业，翰宇面对一个极度具体的痛点：工艺优化高度依赖“教员傅”的经验。分歧批次、分歧出产前提下的参数调整，往往靠工程师多年的试错堆集。

翰宇在从前二十多年的研发和出产中，沉淀了超过10万条汗青工艺数据，但这些数据一向分散在各个工程师的电脑里、尝试纪录本上，甚至脑子里，无法被系统化挪用
；峁┑慕饩龉婊墙庑┖骨嗍萦胍┪锓肿哟竽Ｐ徒岷，构建了一个专属的私域知识库。系统可能自动分析分歧工艺参数与最终产品质量之间的关联，并自动天生优化建议。

了局极度切实：专家二十余年的内部经验和5万多篇文件专利，全数被沉淀为可检索、可挪用的数字资产。出产参数决策效能提升90%，批次合格率提升22%。

固然这些企业选择的AI落地蹊径各不一样，但有一条共同的底层逻辑，都是在各自最痛的那个节点上，用AI代替了原有的粗放式模式，换来了可量化的效能提升。

而这些利用可能落地，依赖于一个共同的前提：成熟的基础设施层——高机能推算集群、工业级AI平台、高质量的数据集治理能力。这些能力在从前两年迅速成熟，使得造药企业不再必要从零搭建基础设施，而是能够直接在成熟的平台上跑自己的利用。

全链路数智化在重塑行业的成本结构

若是说研发端的AI利用解决的是“把药做出来”的效能问题，那么供给链端的数智化解决的是“把药送到患者手上”的成本问题。二者的结合，能力真正重构一家造药企业的经营底盘。

柳药集团的切入点就在供给链。医药行业的产能供给失衡，很大水平源于供给链协同的低效？獯娑嗔苏佳棺式，库存少了面对断供风险——这个平衡一向很难拿捏。出格是在区域需要颠簸大、物流时效要求高的场景下，传统基于经验和单一规定的安全库存模型，往往要么过度守旧导致资金沉淀，要么过于激进导致断货。

2023年，柳药与华为达玉成面合作，引入天筹求解器智能算法，实现供给链从“人脑调度”到“智能优化”的底子性逾越。

求解器是一种专门解决复杂优化问题的AI技术，可能在成百上千的约束前提中找到最优解。在柳药的利用场景中，系统实时辰析库存数据、销售预测、物流能力、区域需要颠簸等多维信息，自动天生补货和调拨规划。它能回覆“哪个仓库应该往哪个区域调拨几多药品、走哪条物流线路、什么功夫发出”等一系列复杂问题。

了局是供给链协同效能显著提升，库存周转天数显著降落，断货率被节造在极低水平。这套规划没有炫酷的大模型故事，但它解决的是造药企业每天都在面对的、真金白银的运营问题。

把广药的研发提速、翰宇的工艺优化、柳药的供给链调度放在一路看，一条齐全的数智化链路就清澈了：早年端的分子发现，到中试和出产端的工艺节造，再到后端的供给链协同，AI和数字技术在每个环节上创造可量化的价值增量。

更重要的是，这些价值增量不是孤立的。研发周期的压缩意味着产品能更快进入供给链，工艺不变性的提升意味着产能能够更高效地开释，供给链的可视化意味着库存成本可能更精准地节造。倒剽些环节被数智化能力串联起来，整个企业的经营效能就进入了一个正向循环。

昭通医药数智科技有限公司董事长邹彬彬

在岳阳的峰会上，昭通医药数智科技有限公司董事长邹彬彬在演讲中提到了一个判断：“十五五”期间，造药行业的竞争将从“拼管线、拼销售”转向“拼研发效能、拼供给链精度”。那些可能在研发端把18个月缩短到3个月的企业，那些可能在出产端把不合格率降低22%的企业，那些可能在供给链端把库存周转天数压缩30%的企业，将鄙人一个十年获得显著的先发优势。

这个判断在被数据验证。2026年一季度的一份行业调研显示，已经启动系统化数智转型的造药企业，其研发项目均匀推动速度比同业快40%以上，运营成本低15%-20%。这些数字还在不休扩大。

政策的窗口期在收窄。《医药工业数智化转型执行规划》设定的2030年全覆盖指标，意味着将来四年内，中国数千家造药企业都要实现一次从研发到供给链的系统性升级。那些选择张望的企业，面对的将不是“要不要转”的选择题，而是“还能不能留在牌桌上”的生计题。

2026年，AI造药从概想验证走到了规
；涞氐拿偶魃。接下来四年，谁跑得快，谁就能拿到下一个十年的入场券。跑得慢的，连入场的机遇都没有。这个行业的天花板，在被一点一点推高。而那些还在张望的企业，将会发现自己与先行者的差距，不再是几个百分点的效能差距，而是整整一个代际的竞争能力断层。