AI加速新药研发全景拆解：从AIDD流程机制到‘卖铲人’投资逻辑与泡沫警示

医疗AI全景透视：普通人生命周期的技术渗透

大家好，欢迎来到 Money or Life 美股频道，我是 Ace。本期我们回归人工智能领域，继续深入探讨 AI 医疗，并且将核心精力集中在 AI 新药研发（AI-Driven Drug Development: 运用人工智能算法与模型加速药物发现及临床开发的生物医药前沿方向）这一细分赛道上。在接下来的梳理中，我不会将重点单纯放在某一家单独的公司上面去孤立剖析，而是希望站在全局视野，为大家系统性地做一次 AIDD——也就是人工智能新药研发——的行业全谱系科普。我们或许正真切地迎来一波 AI 新药研发的爆发期，但在几年之后最终结果究竟会如何演变，虽然眼下很多人持极其乐观的态度，我本人却依然保持着审慎的态度。至于为什么在全网狂热时要保持审慎，我会在后文结合扎实的行业运作机制与财务数据为大家做抽丝剥茧的阐述。我认为，透彻理解今天所讲的全部底层逻辑与产业分工，是屏幕前的各位去投资任何 AI 医疗相关公司或是对应 ETF 必不可少的基础和敲门砖。同时，这也延续了我们之前的系列内容，将曾经深入剖析过的 Hims & Hers（Hims & Hers Health: 专注于消费级远程医疗与数字处方药配送的平台型公司）、直觉外科（Intuitive Surgical: 全球手术机器人领域的龙头企业，达芬奇手术系统开发商）和礼来（Eli Lilly: 全球顶尖的跨国大型制药巨头）等个股研究，以及为大家介绍过的谷歌 DeepMind 旗下 AlphaFold（AlphaFold: 能够基于氨基酸序列高精度预测蛋白质三维结构的革命性深度学习系统）和 Recursion Pharmaceuticals（Recursion Pharmaceuticals: 美股代码 RXRX，以海量高通量细胞表型图像及 AI 算法驱动的生物技术先锋）的药物研发管线全部串联起来，形成一次完整的认知闭环。

在正式进入漫长且复杂的专业制药流程之前，我们不妨先跳出抽象的技术术语，顺着一个普通人的一生，看看在生命中每一个可能需要医疗救助的真实时刻，人工智能究竟会出现在哪里。从最初让我们保持良好状态、改善生活品质，到日常遇到小病小痛，再到深度体检时不幸发现严重疾病，接着进入需要依靠药物进行干预解决的阶段，甚至严重到必须躺上手术台通过外科手术来挽救生命——这一整条由浅入深的医疗链条背后，每一个关键站点都在孕育着颠覆性的技术变革，同时也蕴藏着值得投资者持续跟踪的商业机会。

我们可以生动地想象这样一个个体场景：三十多岁的小王，日常工作压力极大，随着年龄增长，他的发际线开始逐年向后退缩，体重也是一年比一年更加沉重。面对这种生活方式和慢性健康问题，小王并不需要第一时间跑到大型医院排队挂号，他直接打开像 HIMS 这样的远程医疗数字化平台。在手机应用端完成线上问诊流程后，平台认证的注册医生在线为他开具相应的处方药物，随后药品被直接快递配送到他的家中。不仅如此，在未来的医疗硬件生态里，平台还会逐步为患者配备智能健康手环或其他新型可穿戴医疗设备，实时连续地记录身体体征数据。这使得后端的专业医生与算法模型能够更加动态、精准地了解他的生理指标变化，从而提供个性化的长期健康管理方案。

再紧接着，在一个寒冷刺骨的冬日深夜里，小王突然开始感冒发烧，全身酸痛。这时候如果去综合医院急诊排队问诊，过程往往漫长而痛苦，而且在深夜时分，社区周边的普通诊所（Clinic）可能早就已经关门歇业。在这样的突发情境下，小王首先可以求助专门的医疗 AI 对话系统，将自己的详细症状、体温数据以及身体感受输入进去，让 AI 模型快速帮助评估当前身体状况的严重程度，判断是否存在需要紧急就医的危险指征；或者他也可以再次借助前面提到的远程医疗即时问诊软件，在半夜迅速获得执业医生的初步处置建议，完成在线看病与对症药物的开方配送。即使身处深夜，技术也能够打破物理医疗资源的地域与时间限制，提供确定性的支持。

然而，如果有一天遭遇了更加不幸的状况，小王在每年的例行体检中意外发现了身体深处的异常指标，那么他就必须收起远程就医的便利，真正走进大型综合实体医院。令人惊讶的是，这个看似传统厚重的医院诊疗环节，恰恰是当前人工智能在医疗行业落地最为广泛、成熟度最高的前沿战场。在影像科和病理科，各类计算机视觉与深度学习辅助诊断模型被广泛部署：AI 系统能够协助放射科医生快速阅读胸部 CT、核磁共振影像，自动圈定极其细小的早期肺结节，或者在显微镜下自动扫描并判读复杂的病理切片，针对早期癌症、微小血管病变等严重疾病开展高灵敏度的早筛筛查。必须明确的是，在现阶段以及可预见的将来，AI 绝对不会完全替代专业医生的核心临床决策，但它的存在能够显著赋能医生群体，帮助他们以远超人类肉眼极限的速度阅片，同时极大地降低因为长时间疲劳工作而可能产生的漏诊与误诊风险。

当医生结合 AI 辅助诊断完成权威确诊之后，如果疾病尚处于中早期，最理想的治疗路径自然是通过现代药物的化学或生物干预实现治愈，也就是让病人免于遭受外科创伤。正所谓药到病除，安全有效的药物对于全人类的健康繁衍而言，始终是最核心、最不可或缺的防御武器。在药物治疗这个极其关键的环节上，人工智能正在发挥着两项颠覆性的核心功能：第一项是全方位加速全新机制药物的研发过程。许多罹患绝症或罕见病的患者，在过去面对传统极其冗长的制药周期时，很可能根本熬不到新药问世的那一天；如今随着 AI 的全面介入，研发周期的压缩让原本遥不可及的救命药加速走出实验室，赋予了濒临绝境的患者获得新生的宝贵机会。第二项功能则是对现有药物的剂型、代谢通路与使用体验进行结构性重构。举一个最广为人知的典型例子：目前在全球掀起热潮的减重药、降糖药，在过去往往需要患者每周或每天进行皮下注射，对于大量天生恐惧打针的普通人群来说，这种侵入式给药的依从性往往大打折扣；而当前各大头部药企借助先进计算与分子结构改良技术，已经成功将其改造开发成了便于日常服用的口服制剂，大幅提升了患者的用药体验和生活质量。

新药研发是贯穿我们本期内容的最核心支柱。但是，如果我们把假想的案例推演到最极端的终点：假如连所有的靶向药、小分子药和生物制剂都无法彻底控制病情，小王就只能躺上冰冷的手术台接受外科手术。而在当代最顶尖的外科手术室里，许多医院早就已经全面引入并常态化运转达芬奇手术机器人（da Vinci Surgical System: 直觉外科公司研发的高度精确的多孔/单孔腹腔镜微创手术机器人平台）。医生坐在控制台前，通过三维高清放大视野和精巧的机械臂，进行超越人类手指极限的微米级精确缝合与病灶切除。

通过上述小王从日常轻微不适到严重疾病救治的整个全生命周期映射，我们可以清晰地看到：每一个普通人在不同阶段对现代医疗所产生的差异化需求，几乎都在不同层面上迎来了人工智能技术的实质性赋能与底层改造。这种技术重构的背后，必然伴随着巨大的产业重组与资本价值裂变。

概念厘清与研发范式：从 AI4S 到三阶药物发现

为了能够精准透彻地理解新药研发流程的真实工业面貌，在正式进入底层工业管线的硬核推演之前，我想先为各位厘清当前在科技界与资本市场极其火热、但极易被混淆的两个核心概念：AI4S 与 AIDD。

首先，我们来看第一个术语——AI4S。它的全称是 AI for Science（科学智能: 将机器学习及深度学习算法应用于基础科学研究，加速物理、化学、生物及材料等领域科学发现的研究范式）。这个概念在中文学术圈与前沿科技媒体中被提及的频率极高。它的定义范围非常宽广，本质上是指将人工智能的表征能力、生成算法与高维计算框架全面引入到人类的基础科学探索之中，以彻底改变传统完全依赖人工理论推导与反复手工试错的科研范式。从纯数学难题的定理证明辅助，到新型超导及高分子材料的逆向筛选，再到计算化学中反应机理的模拟、复杂宏观气象系统的超短期精准预报，乃至于高能物理的数据分析，全都属于 AI4S 的覆盖范畴。因此从整体框架来看，它代表的是一种利用 AI 赋能基础自然科学全局探索的宏大科研范式。

而第二个概念，则是我们本期视频的真正主角——AIDD。它的全称为 AI-Driven Drug Discovery（AI 驱动的药物发现: 专门利用计算机深度学习与计算生物学手段进行疾病靶点识别、先导化合物筛选与分子优化的专用技术分支）。如果将 AI4S 比作一把遮盖基础自然科学全领域的宽阔大伞，那么 AIDD 恰恰就是这把大伞之下专属于新药研发与生命科学转化领域的那根最为耀眼的支柱。它的应用边界非常明确且极其聚焦，涵盖了从早期人类疾病靶点的挖掘确认、先导化合物库的超高通量虚拟筛选，一直到最终成药性极佳的候选药物（Candidate）的精确锁定。在本期内容中，我们将要深入剖析的英矽智能（Insilico Medicine: 全球首家将由生成式 AI 发现的全新靶点与全新分子结构推入二期临床试验的 AI 原生制药公司）、之前为大家做过专题解读的 Recursion Pharmaceuticals（RXRX），以及谷歌母公司 Alphabet 旗下专门聚焦于计算生物制药的 Isomorphic Laboratories（Isomorphic Labs: 谷歌 DeepMind 分拆成立的利用 AI 模型开展药物研发的商业化实体），全部都精准归属于 AIDD 这一产业分支。清晰地区分这两者的包含与层级关系，是我们避免概念混淆、看透行业宣传迷雾的基石。

回忆我们在早期关于制药巨头礼来的深度个股剖析中，Ace 曾经系统地向大家拆解过一款现代药物从无到有、推向市场的严苛工业全流程。一款药物的诞生，必须严格经历极其漫长且残酷的生命周期：从最前端的药物发现（Drug Discovery: 实验室阶段的靶点与分子验证）阶段启动，随后进入动物体内的临床前开发（Preclinical Development: 评估候选分子的安全性、毒理学及药代动力学特性），紧接着才能进入人体试验阶段。人体临床试验被严格划分为三个梯级阶段：一期临床试验（Phase 1 Clinical Trial: 通常招募数十名健康志愿者，核心考察药物在人体内的安全性与耐受剂量）、二期临床试验（Phase 2 Clinical Trial: 招募数百名特定疾病患者，初步验证药物对目标适应症的有效性并探索最佳给药剂量），以及至关重要的三期临床试验（Phase 3 Clinical Trial: 往往需要跨国多中心招募数千人乃至上万名大规模患者群体，在大样本量下系统性证实其相对安慰剂或现有标准疗法的显著临床获益与长期安全性）。在全部临床终点均达到统计学显著性之后，药企才有资格向监管机构正式递交新药申请（New Drug Application: 简称 NDA，药企向美国 FDA 等监管机构提交的全面上市审查申请），并最终获得美国 FDA、中国国家药监局等全球核心市场的正式上市商业化批文。

坦白讲，任何一款当今在药房货架上合法销售、能被广大患者买到的上市药物，其筛选比例用“万里挑一”来形容都毫不夸张。每一款成功药品的诞生，背后都是无数夭折项目的残骸。而在这条充满险阻的漫长研发链条中，最前端的第一步——药物发现阶段，其内部又可以被细致地划分为三个紧密相扣的子步骤，这在以往的分享中我也多次强调过：

靶点发现（Target Discovery: 寻找与特定疾病发生发展具备明确因果关系的生物大分子，通常为致病蛋白质）；
化合物筛选（Hit to Lead / Lead Optimization: 从海量分子中找出能够与目标靶点产生特异性结合的活性分子并进行结构优化）；
候选药物确定（Preclinical Candidate Nomination: 最终敲定在活性、代谢性质与毒理指标上均表现优异、足以进入人体前动物实验的分子实体）。

之所以要把药物发现单独提炼出来，是因为这三个步骤是目前整条制药流水线中，AI 技术渗透最深、商业赋能最明显、技术重构程度最剧烈的部分，它正是我们今天所要探讨的核心焦点。

在传统大药企沿用了数十年的经典研发路径中，仅仅走完这三个子步骤的“药物发现”阶段，通常就需要耗费整整三到五年的时间。这还只是纸面计算与试管筛选阶段！随后从临床前动物实验一直推进到 FDA 正式盖章批准，加起来往往还要再耗费七到十年的极为残酷的时间消耗。因此，将所有阶段加总，一款现代创新药从科学家在白板上画下最初的设想开始，一直到它最终作为商品出现在药房里，平均下来需要历经长达 10 到 15 年 的漫长岁月。这也是为什么医药界流行着著名的“双十定律”——耗时十到十五年、耗资数十亿美元，且面临九成以上的夭折风险。

靶点到分子的闭环验证：英矽智能 IPF 管线的突破

为了让所有投资者真切、直观地看清 AI 算法究竟把新药研发前端的速度压缩到了何种不可思议的程度，我今天特意为大家引入一个极具代表性的行业标杆真实案例——由前述全球顶尖 AI 制药独角兽英矽智能自主研发的创新药 Rentocitinib（研发内部代号为 INS018_055）。

这款药物立项的初衷，是试图用于攻克并治疗一种极其凶险的呼吸系统绝症——特发性肺纤维化（Idiopathic Pulmonary Fibrosis: 简称 IPF，一种病因不明的慢性进行性纤维化性间质性肺炎，患者肺组织逐渐蜂窝化并丧失换气功能）。在医学界，这个疾病被称为“不是癌症的癌症”。患者一旦确诊，其临床中位生存期通常只有短短的四到五年，生存率甚至低于许多常见的恶性肿瘤。更为棘手的是，目前全球医药市场上仅有的两种老牌治疗药物，临床上仅仅只能勉强减缓肺功能的恶化速率，根本无法实现病理层面的逆转，更无法达到实质性的治愈效果。因此，整个医学界与医药投资界都非常清楚，针对 IPF 的成药开发属于临床需求极度迫切、但开发难度登天的严重疾病领域。

英矽智能关于这个疾病的研究项目大约是在 2019 年年中正式立项启动的。在研发过程中，他们并没有沿用传统生物学实验室耗费数年进行文献检索与湿实验敲除的旧路，而是深度调用了自研的多组学 AI 靶点发现平台 PandaOmics。该平台通过全面分析 IPF 患者的高通量基因表达组学数据、蛋白质组学数据以及海量的公开生物医学文献，在错综复杂的生物网络中一举锁定了名为 TNIK（TRAF2 and NCK-interacting kinase: 一种与细胞骨架重排、细胞增殖与组织纤维化通路密切相关的丝氨酸/苏氨酸激酶）的全新致病靶点蛋白。

在成功锁定这个前人从未用于肺纤维化治疗的新靶点之后，英矽智能迅速启动了内部第二个核心技术武器——生成式化学设计平台 Chemistry42，让算法在三维空间中从无到有地凭空生成全新的分子结构。然而，真实的药物设计从来都不是一蹴而就的算法魔术：在第一轮计算机生成筛选出的分子中，虽然在体外检测中表现出了极强的结合活性，但随后的生理测试却暴露了致命缺陷——分子在体内的代谢降解速度过快，且在水相环境中的溶解度极差，根本无法满足口服成药的标准。面对这种工程挑战，算法研发团队迅速将失败参数转化为惩罚项，反哺模型进行结构微调与多目标参数重新生成。经过前后一年半夜以继日的反复计算设计与实验迭代，在 2021 年 2 月，公司正式对外提名为最终候选药物代号 INS018-055。

这意味着什么？请各位看官仔细对照时间线：从最初在几万个基因中大海捞针进行靶点发现，到中间跨越化学结构的生成与筛选，再到最终敲定候选药物分子实体，英矽智能走完这完整的药物发现第一大步，仅仅耗费了 18 个月（也就是整整一年半的时间）！相较于传统跨国制药企业通常需要耗费的三到五年，整整缩短了两到三年的时间跨度。

为了让大家更加透彻地看懂底层逻辑，Ace 结合前文提到的新药研发三个核心子步骤，将英矽智能在 Rentocitinib 上的加速机制拆解为极度精密的“选锁、看图纸、配钥匙”三步推演过程：

第一步是靶点发现。它本质上要解答的核心生物学命题是：在人体极其庞大的生理网络中，我们究竟应该去精准打击哪一个蛋白质？我们都知道，人类基因组中编码了超过两万个功能性基因，但当人体发生特定复杂疾病时，往往只有极其微小的少数几个基因及其表达产物与疾病进展存在着真正的直接因果关系。传统医药工业的做法，是依赖顶级科学家和生物学博士日复一日地查阅几千篇学术论文，并在实验室里通过基因敲除或过表达实验，一个基因一个基因地在动物细胞上慢慢验证。而英矽智能利用其 PandaOmics 平台，直接将全球 IPF 患者真实的基因表达芯片数据、海量的学术论文、专利文献以及既往失败与成功的临床试验数据聚合在统一的知识图谱中，通过驱动背后几十个甚至上百个各司其职的机器学习模型，在几分钟之内对全人类的两万多个基因进行多维度打分和全局动态排名。这就好比原本在一片漫无边际、黑灯瞎火的庞大点阵中，AI 如同高能探照灯一般迅速锁定了一个最关键的核心目标点。英矽智能治疗肺纤维化的核心靶点 TNIK，正是通过这种方式从庞杂的生物大数据中被硬生生筛选出来的。这就是完整的第一步——“选锁”。按照打个生动的比方，那把决定疾病命运的致病之锁，已经被精准挑拣出来了。

锁选好了，紧接着要如何去制作钥匙？这就进入了第二步——化合物筛选。也就是要去找到或者创造出能够精准嵌入并牢固结合该靶点蛋白的化学小分子。但在你动手去设计钥匙之前，物理学常识告诉我们：你必须先搞清楚这把锁内部的三维物理结构长成什么模样。而这正是谷歌 DeepMind 旗下著名的 AlphaFold 所彻底解决、或者说已经基本攻克的核心科学难题。在传统生物学中，解析一个蛋白质的三维结构需要依靠极其昂贵的冷冻电镜（Cryo-EM）或 X 射线晶体衍射技术，耗资数百万且往往耗时数年；而如今，你只要向 AlphaFold 输入一串简单的一维氨基酸线性序列，模型在几分钟之内就能凭借惊人的空间几何推演能力，直接预测出该蛋白质折叠后的精确三维空间构象。这就相当于人类研究员瞬间拿到了这把锁的高精度内部结构三维工程图纸。

拿到了三维图纸之后，接下来就是第三步——“配钥匙”。我们究竟该用什么样的化学分子去完美插入这个刚刚找到的靶点口袋，进而实现功能抑制呢？传统的制药工程，是依靠自动化机械臂从大药企耗费数十年积累下来的实体化合物物理库（包含几十万甚至上百万个已知化合物）中，一个接一个地进行物理混合与高通量生物化学测试，这种“大海捞针”不仅效率极低，而且受限于已有化合物的化学多样性。而英矽智能的生成式化学平台 Chemistry42，则是让几十个涵盖不同分子生成机制的生成对抗网络和变分自编码模型协同运转，在数十亿虚拟化学空间中无中生有地构思全新的分子结构，并由强化学习模型根据空间对接自由度、药代动力学（ADMET）参数进行层层打分，最终仅挑选出最有成药希望的极少数几个分子，直接交给化学家进行物理化学合成与湿实验验证。

因此，“选锁、看图纸、配钥匙”——AI 技术就是这样将传统药物发现阶段动辄耗费数年的漫长探索，生生压缩到了像英矽智能研发 Rentocitinib 时的短短一年半（18 个月）。

不过，请各位回到 PPT 右上角我特别用醒目颜色标注的全景图细节：大家必须清醒地意识到，Rentocitinib 这款药物是在 前 LLM 时代（Pre-LLM Era: 大语言模型爆发之前以专用判别式模型和经典生成对抗网络为主的 AI 技术周期）就已经全面立项并启动研发的药物。因此如果从极其严苛的学术时间线来看，它并不是最近一两年大家所熟知的通用大语言模型（LLM）爆发后的最新产物。它所代表的，是上一代专用判别式与生成式算法的胜利。大家既然已经清晰地看到，像英矽智能的这款药物哪怕仅靠前 LLM 时代的技术，就已经能够将原本漫长的药物发现时间压缩两到三年，进而使整个 10 到 15 年的总体周期缩短个三到五年左右；那么在当今全球前沿基础大模型全面爆发、推理与多模态能力出现指数级跃升的全新时代，在整条极其复杂的制药长链中，究竟又诞生了哪些颠覆性的新兴技术工具？还有哪些传统被视为瓶颈的硬核环节正在被进一步重构与极速推进？

产业链分工与商业模式：AI Biotech 与卖铲人

为了能够彻底回答上面这个问题，我们在评估任何一家医药公司的投资价值之前，必须首先建立一个宏观产业认知：现代药物研发是一条极其细分、分工极其深度的超长产业链条，绝对不是任何一家公司在现实中都能从头做到尾的。 这是一个高度协同又充满利益博弈的庞大商业生态系统。我们在美股或全球二级市场投资 AI 新药研发相关的标的时，脑海里必须清醒地看清你所选中的这家公司，它到底负责的是整条漫长价值链条中的哪一段。

我们先来看产业格局的两极分化。在最顶端，是以礼来（Eli Lilly）、辉瑞（Pfizer）、罗氏（Roche）为代表的传统大型跨国跨学科制药巨头。这类体量数千亿美元的巨无霸拥有极为雄厚的资本储备，它们完全可以做到所谓的端到端全链条覆盖（End-to-End Pipeline: 从早期靶点发现、分子设计，到多中心跨国临床试验设计执行、全球药品监督申报，再到最终上市后的全球商业化销售网络完全自建自营）。而在另一端，则是像我们刚才重点剖析的英矽智能这种纯粹的 AI 原生药企，在华尔街和医药界通常被定义为 AI Biotech（AI 原生生物技术公司: 依靠全套自主构建的计算生物学平台与 AI 算法，以自身算力驱动自研药物管线向临床推进的新型制药企业）。正如我刚才介绍的，英矽智能从最初发现人类未知靶点 TNIK 开始，一路凭借自身的技术底座将药物推进到了跨国二期/三期临床试验阶段；但直到今天，它其实并没有任何一款自主研发的药物真正走完全部流程获得监管批准并商业化上市销售。在同样的 AI Biotech 阵营里，还有像美股知名的 Relay Therapeutics 这类纯计算驱动的小型先锋制药公司。Relay 采取了稍有差异的商业策略：它并不耗费大量早期算力去从零寻找未知疾病靶点，而是选择业界已经完全明确、成药价值巨大的公认已知靶点，利用分子动力学模拟和超算芯片在电脑中设计结合能更好的分子结构，目前其自研药物管线同样已经成功推进到了中后期临床试验阶段。

上述不论是礼来这样拥有完整商业化闭环的跨国巨头，还是英矽智能、Relay 这类相对轻资产起步的 AI Biotech，他们虽然各自覆盖的产业链具体切片稍有不同，但其终极商业诉求几乎都是端到端的：本质上都是希望培育出能够治愈疾病的实体药物管线，并依靠管线的排他性产权实现商业变现。

但是，接下来 Ace 要向各位着重介绍的这一类医药高科技企业，其底层商业逻辑与上述药企存在着天壤之别。在当今资本市场的专业分类中，它们被形象地统称为**“卖铲人”或者“卖铲子的公司”**。

在淘金热的时代，淘金者往往九死一生，但站在矿山入口向所有淘金者售卖铁铲、牛仔裤和炸药的人，却能稳定积累财富。正如在当前轰轰烈烈的全球通用 AI 基础设施革命中，英伟达（NVIDIA）凭借其无可替代的高性能 GPU 芯片，为全世界所有从事大模型训练的科技公司提供核心底层硬件一样——英伟达本身不开发最终面向 C 端用户的聊天机器人应用，它是一家纯粹的“卖芯片、卖铲子”的基础设施与工具提供商。在波澜壮阔的 AI 医疗大航海时代，这类“卖铲人”公司在整条生物医药生态链中扮演着完全相同的角色，而它们在当前阶段，主要高度集中在整个工业流程最初始的药物发现阶段。

当然，严谨地讲，在后期漫长而繁琐的临床前体内开发以及复杂的跨国人体临床试验阶段，其实同样活跃着大量传统的卖铲型服务商。比如在做临床前动物实验时，任何药企都离不开像全球模式动物与毒理测试龙头 Charles River Laboratories 这类专业公司的支持；而在组织数百家医院进行大规模多中心人体临床试验时，各大药企也普遍会采购像 IQVIA（艾昆纬: 全球领先的临床试验合同研究组织 CRO 与医疗大数据商业化服务商）所提供的专业临床运营与数据追踪服务。这类传统意义上的合同研究组织（Contract Research Organization, 即 CRO）当然在广义上也可以被定义为服务实体药企的卖铲公司，但必须强调的是，它们并不属于我们本期视频所探讨的、受益于生成式 AI 范式转移的创新卖铲人范畴。

在 Ace 本期视频严谨的分析框架下，我将我们要重点讨论的**“卖铲人”严格限定在受到 AI 技术强力驱动的“药物发现”与“计算生物学基础设施”这一极其精密的早期阶段**。我们将重点攻克我 PPT 上画着三个红色大问号的方框：到底这一层级的卖铲人具备怎样的底层技术壁垒？它们具体包含哪些在美股和全球资本市场中极具代表性、值得投资者纳入长期观察清单的关键标的？

物理与虚拟的交织：干湿实验室与 READ-DMTA 工业循环

在正式引出这些卖铲人公司的核心名单之前，我们必须在认知中再次强化两个在新药研发领域至关重要的底层基础设施概念——干实验室（Dry Lab）与 湿实验室（Wet Lab）。这两个概念在以往的节目中我也曾提及，它们主要密集地分布在新药研究的早期阶段（即药物发现和临床前开发）。之所以到了后期的人体临床试验阶段很少再提及干湿之分，是因为一旦进入临床试验阶段，核心的研究对象和试验载体已经转移到了真实鲜活的人体病人身上，不再局限于实验室内的微观操作。

在药物发现的完整过程中，每一步推进都必须同时依赖干实验室与湿实验室的协同共振：科学家必须首先在计算机上建立数理模型提出科学假设，随后将这些假设迅速移交到真实的物理实验台中进行物理验证，两者周而复始、交替前行。

干实验室（Dry Lab）：顾名思义，它的核心工作全部发生在计算机终端、服务器集群与硅基芯片内部。它涵盖了海量生物数据的清洗挖掘、深度学习模型的构建与预训练、在虚拟三维空间中对蛋白质与配体小分子的结合能进行高通量对接模拟等。干实验室最核心的商业与科研特征是什么？毫无疑问，是极高的执行速度、极低的单次边际成本，以及近乎无限次的试错自由度。无论你在服务器上模拟一千次还是一亿次分子对接，你消耗的仅仅是电费和算力而已。我们前文提到的谷歌 AlphaFold，以及英矽智能旗下的 PandaOmics 和 Chemistry42，在本质属性上全都属于纯粹的干实验室工具。
湿实验室（Wet Lab）：与干实验室形成极度鲜明对照的，正是湿实验室。之所以被冠以“湿”的称谓，是因为科研人员必须穿上防护白大褂，在实体实验台前真真切切地与液体试剂、各种化学溶剂、细胞系培养皿以及活性生物组织打交道。在这里，科研人员必须亲手操作真实的物理仪器，去化学合成目标 DNA 片段，在工程菌株中诱导表达微克级的靶点蛋白，并利用流式细胞仪或表面等离子共振仪去精确测定分子之间的真实结合亲和力。相较于干实验室，湿实验室的物理特征极其残酷：单次操作成本极其高昂，周期极其漫长，任何一次试剂污染或仪器校准偏差都会导致几个月的努力付诸东流。但它却拥有干实验室永远无法凭空替代的至高价值——它所产出的实验读数，是来自物理真实世界的金标准真相。而在如今的大模型与 AI 时代，湿实验室还被赋予了一项决定 AI 生死存亡的关键功能：为上游干实验室中各种数据饥渴的 AI 算法，大规模生产高质量、标准化的真实物理世界训练标注数据。

因此，Dry Lab 与 Wet Lab 在现代生物制药工业中绝不是割裂存在的，它们是一个彼此依存、无限迭代的紧密反馈闭环：干实验室负责根据算法概率生成高度可信的科学假设并将其交付给湿实验室；湿实验室则在严谨的物理环境中运行实验，并将获得的定量真实数据重新反哺给干实验室。

但请各位务必警惕并认清当前医疗技术的残酷现实：在药物发现的全部步骤中，虽然每一个局部环节都在不停地上演着“干-湿-干”的往复循环，但越是往药物开发的后期推进，物理湿实验室所占据的权重就越是呈现出压倒性的上升态势。而眼下全球所谓的人工智能大爆发，其加速最猛烈、提升最显著的，仅仅局限在干实验室的纯虚拟计算部分！因为在湿实验室的真实物理世界里，原子层面的化学反应必须遵循热力学规律，细胞的生长分裂、蛋白的折叠转运都需要客观的生物学时间，这些物理操作根本不可能像在服务器里编译一段 Python 代码那样，能够在几毫秒内完全以纯数字形态瞬间完成。这正是整个医疗健康投资领域最反直觉、门槛最高、也最难被纯计算机技术轻易颠覆的根本原因。AI 目前在现实中根本无法代替湿实验室中的所有物理步骤；甚至客观地说，如果从整条端到端的完整新药研发路线图来看，目前 AI 算法能够真正从物理层面彻底接管的环节比例其实依然相当有限——这就是当今生物医药领域必须被正视的冰冷现实。

在彻底夯实了干实验室与湿实验室的辩证关系之后，我们进一步将药物发现过程中必须持续往复运转的底层工程流，抽象为五个极其严密的具体操作步骤。在现代计算化学界，这套标准工业流被概括为著名的四个英文字母——DMTA 循环，它们分别代表着 Design（设计）、Make（制造/合成）、Test（测试） 和 Analyze（分析）。而在现代前沿体系中，为了使整个逻辑链条达到完全闭环，我们必须在 DMTA 的最前端再增加一个至关重要的前置步骤——READ（读取）。如此一来，便构成了完整的 READ-DMTA 全景工业闭环。

我们继续沿用前面通俗易懂的生动比喻：如果我们将导致人类疾病的异常靶点比喻为一把隐匿在微观世界的“锁”，而将未来的救命药物比喻为去精准开启并解除病变的“钥匙”，那么整套 READ-DMTA 闭环的运转流程就可以被极其生动地具象化展开：

READ（读取）：第一步的核心使命就是“找锁”。科研人员通过给真实的病患样本进行深度的基因测序与多组学测量，从海量生物分子读数中全面还原疾病的病理数据，随后让 AI 算法在微观世界中精准圈定究竟是哪一个基因突变或蛋白质构象异常导致了疾病的发生。这完美对应了我们前文所述的药物发现第一阶段——靶点发现。
Design（设计）：当导致疾病的这把锁被准确锁定并解析之后，工业流程正式全面跨入高强度的 DMTA 反复循环之中。这正是整个流程的重中之重——我们必须开始集中精力为这把锁配钥匙了。在这一步，我们充分利用计算机中的 AI 算法，在虚拟空间中依据三维锁孔的物理结构，逆向生成能够精准结合的全新分子构型。
Make（制造）：在虚拟软件中设计出的完美分子图纸，必须被实体化生产出来。科研团队在湿实验室中利用自动化合成仪器，将算法生成的数字化代码转化为真实的物理分子实体（如小分子化学合成，或是针对大分子抗体合成出真实对应的 DNA 质粒并促使细胞进行蛋白表达）。
Test（测试）：分子被真实制造出来后，必须立刻被投入物理生化测试流水线中，去严格检验这个物理实体到底能不能像算法预测的那样精准结合靶点？其真实的生物活性是否足够强？是否对宿主正常细胞产生意料之外的严重细胞毒性？
Analyze（分析）：这是整个闭环中连接物理与虚拟的枢纽环节。测试环节产出的所有高通量实验读数，被无缝回传至上游的计算中心进行系统性深度学习分析。随后，算法基于真实测试结果全面修正前一轮的模型参数，并由此自动驱动进入下一轮全新的 Design（设计）阶段。

可能部分对生物医药接触较少的投资者听到这里会觉得有些眼花缭乱：前面刚讲了新药研发的三大经典阶段，中间又穿插了干湿实验室的物理分野，现在又引入了 READ-DMTA 循环，这三者之间到底是什么逻辑关系？其实大家完全不必感到困惑，它们纯粹是从三个截然不同的审视维度，在对同一个宏大的工业实体进行全方位剖析：

新药研发三步骤（靶点发现、化合物筛选、候选药物确定）定义的是研发阶段的宏观里程碑与时间切片；
干湿实验室（Dry Lab & Wet Lab）定义的是各个具体研发动作到底是在纯虚拟的计算机中发生，还是在实体物理实验台上展开；
而 DMTA 工业标准循环，则是深入微观工业流程中，精确定义了科学家在“化合物筛选”和“候选药物确定”这两个核心阶段中，究竟应当采用何种具体的标准化闭环动作去推进实验。之所以将其定义为“循环”，就是因为在现实工业界，单一候选分子的敲定绝对不可能通过单次尝试就大功告成，它必须依赖 DMTA 流程在软硬件协同下经历数十轮乃至上百轮的持续高速旋转与试错，才能够最终将指标全部达标的终极候选药物从深海中打捞出来。

拆解“卖铲人”图谱：测序、合成与高通量测试

在建立起 READ-DMTA 这一极其清晰的工业流水线认知框架之后，我们便拥有了一把锋利的手术刀。接下来，Ace 就顺着这个标准的闭环链条，逐一为大家拆解在每一个核心环节上，究竟盘踞着哪些掌握着核心科技、在美股及全球资本市场中极具代表性的高壁垒“卖铲人”公司：

首先，我们聚焦在整个链条的最源头——READ（读取）环节。这一步的核心是依靠高通量测序技术从人体生物样本中完整读取出高维疾病数据。请各位投资者特别注意：我们这里所讲的测序，虽然以大家最为熟悉的 DNA/RNA 基因测序（Genomic Sequencing: 测定生物基因组中核苷酸顺序的高通量生化方法）为主体，但其真实范畴早已远远超越了单纯的核酸测序，它还横向覆盖了蛋白质组学（Proteomics）、代谢组学以及单细胞级别的微观细胞图像等多维生命信号读取手段。随着 AI 深度学习与大模型视觉解析能力的全面崛起，以我们曾深度解析过的 Recursion Pharmaceuticals（美股代码 RXRX）为典型代表的先锋企业，其核心护城河正是利用高度自动化的顶尖共聚焦显微镜，在极短时间内拍摄下数千万张受到不同化合物刺激后的微观细胞空间形态图像，随后直接驱动自建的超大规模多模态神经网络去从中智能挖掘细胞表型的细微病理变化。在缺乏强大计算机视觉 AI 技术的传统生物学时代，面对如此天文数字级别的全视野细胞图像，人类科学家根本不可能在如此宏大的工业规模下进行肉眼层面的有效定量分析。在 READ 这一高壁垒赛道上，最具代表性的全球卖铲巨头包括：

Tempus AI（Tempus AI: 美股新近上市的精准医疗与临床肿瘤多组学数据智能分析龙头）；
因美纳（Illumina: 美股代码 ILMN，全球基因测序仪及其配套耗材领域长期占据垄断地位的绝对霸主）；
10x Genomics（10x Genomics: 美股代码 TXG，全球单细胞测序与空间转录组学领域的开创者与技术领跑者）。

接下来，我们顺流而下进入第二个环节——Design（设计）。这一环节的核心任务是高通量生成并虚拟筛选潜在的候选药物分子。虽然全球涉足计算化学和分子设计的软件公司非常多，但在当今大模型与生成式 AI 范式彻底确立的新时代，市场上已经快速孕育出了一批技术架构截然不同的原生独角兽。例如目前尚未在公开二级市场上市但备受全球顶级风投追捧的 Chai Discovery。这类新型 AI 基础设施公司并不直接参与具体的线下卖药竞争，它的核心商业模式是为全球范围内的大型制药客户（比如我们熟知的礼来等巨头）提供底层多模态 AI 分子设计云平台。药企的研发团队只需要在电脑端调用平台模型，就能够利用生成式算法直接生成自然界中此前从未出现过的全新治疗性抗体空间结构或特异性功能蛋白序列，从而为下游极为繁琐的 Make（物理制造）环节奠定扎实的数理蓝图。正是由于现代生成式深度学习模型能够直接依据三维结合口袋的物理规律进行逆向工程，AI 技术让计算机从零开始设计有效分子的先验成功概率获得了指数级的跨越式提升。这彻底改变了传统生物医药只能依赖从数百万个现存化学分子库中“大海捞针”的高通量经验试错模式，使得整个 Design 环节的计算收敛速度获得了几何级的提升。

在完成数字世界的图纸设计之后，流程必须无可避免地推向第三步——Make（制造与实体合成）。在这一步，科学家必须在物理世界中真刀真枪地把算法生成的分子给做出来。以抗体或复杂重组蛋白这类典型的大分子药物为例：首先，技术人员必须严格按照上游 Design 环节计算出的目标氨基酸序列，逆向反推出对应的脱氧核糖核酸（DNA）序列，并在化学合成仪上将其实际拼接合成出来；随后将这段人造 DNA 序列通过载体精准导入到活体细胞（如仓鼠卵巢 CHO 细胞或工程大肠杆菌）内部，利用活体细胞的分子机器完成转录与翻译，从而在物理发酵罐中表达出真实的蛋白质生物实体。请大家务必牢记：这一步是百分之百发生在严苛湿实验室环境中的高难度物理化学操作，绝对不可能单凭在电脑屏幕上生成一个看起来无比逼真的漂亮三维蛋白质彩图就能凭空宣告完成！这一制造过程不仅极其繁琐，而且技术门槛极高。在 Make 这一物理制造赛道上，全球最为核心的卖铲代表公司包括：

Twist Bioscience（Twist Bioscience: 美股代码 TWST，全球领先的高通量硅基芯片 DNA 物理合成平台型企业）；
金斯瑞生物科技（GenScript Biotech: 港股上市公司，全球规模最大的基因合成与生物药研发服务供应商之一）。

但是，这里存在一个绝大多数普通投资者极易陷入的巨大认知误区，Ace 必须在此为大家做出极其关键的澄清：像 Twist Bioscience 和金斯瑞这样的企业，它们在 Make 制造环节之所以能够实现惊人的产能提速与交付周期压缩，其核心驱动力在现阶段主要依靠的绝非高深的 AI 深度学习算法，而是极致的底层工程化设计与大规模硬件自动化系统！举个最典型的硬核微观案例：Twist Bioscience 之所以能够在全球脱颖而出，其真正的底层技术壁垒在于其彻底颠覆了传统的 96 孔塑料反应板合成技术，独家开创了“将 DNA 化学合成流程全面搬移至微观硅芯片晶圆表面”的半导体制造级技术路径。它凭借精密半导体光刻蚀工艺在极其微小的硅芯片表面构建数十万个微型反应通道，从而以极低的化学试剂损耗实现了传统技术数千倍的通量爆发。

那么，既然它们自身的制造流程主要依赖工程自动化，为什么我们依然要把 Make 这一环节坚定地归入 AI 新药研发的核心卖铲人生态之中呢？答案在于它们与上游及下游的 AI 生态存在着两条不可割裂的共生纽带：

上游订单的爆发式涌入：随着上游各类 AI 分子设计模型在虚拟空间中以近乎零边际成本的效率，成千上万倍地批量生成海量前所未有的全新分子序列，全球药企为了物理验证这些由 AI 构想出来的分子，必须向 Twist 和金斯瑞这些具备物理合成能力的企业疯狂追加真实的物理 DNA 与蛋白合成订单。上游 AI 的爆发，直接演变为了这类制造型企业爆发式增长的源头活水。
下游训练数据的反哺变现：这些先进的自动化合成实验室能够将极其庞大且严密的标准化物理实验合成过程与结果，结构化整理成能够被下游机器学习算法直接吞吐、训练的高信噪比标准数据集，并将其作为高价值的数字化资产重新打包销售给 AI 药企客户。

因此，事实非常清晰：如果没有上游 AI 算法在虚拟空间所赋予的超大规模先导分子爆发，以及下游算法对标准化实验反馈数据的极度饥渴，单纯孤立的 Make 环节就算硬件自动化程度再高，其庞大的产能也将面临‘无米下锅’的尴尬困境。这种上下游算法与硬件的无缝咬合，构成了新药研发卖铲生态最坚实的商业逻辑底座。

沿着闭环继续向前推演，我们来到了第四步——Test（测试）。它的核心任务是对上一步物理制造出来的真实分子进行高通量体外表征与生化检验：严格判定该物理分子是否能够与靶点蛋白形成特异性且牢固的立体结合？其体内外抑制活性是否达到微摩尔乃至纳摩尔级别？是否存在不可接受的细胞膜毒性或心血管电生理毒性？在这个环节，虽然同样高度依赖微流控芯片、高内涵筛选仪以及自动化移液机器人的工程化硬件来推动通量，但相比上一步纯粹的物理合成，AI 算法在 Test 阶段的落地广度与深度明显要深远得多。在传统检测流程中，面对成千上万块检测板产生的复杂荧光图谱与高维质谱信号，人工判读不仅极易疲劳且标准难以统一；而 AI 计算机视觉与模式识别算法能够以成百上千倍于人类的速度，极其高效且零偏见地批量解析海量生化读数。因为 Test 环节产出的终极形态全部都是数字化的数据流，而对于处理结构化与非结构化的高维数据流而言，AI 的处理效率与洞察力天然要远远超越人类科研人员。在 Test 领域，全球顶尖的硬件与分析卖铲巨头包括了在质谱与生物反应检测领域处于垄断地位的赛多利斯旗下资产，以及像 Cytiva（思拓凡）这类全球顶级生命科学实验仪器与耗材巨擘。

最后，流程完整闭合到了第五步——Analyze（分析）。在这一步，所有在物理测试中获得的真实实验读数与结构参数被全面汇总，反向回传至核心计算大脑之中，从而驱动系统进入下一轮往复迭代。在这一阶段，现代 AI 的引入带来了两项革命性的质变飞跃：

自动化的闭环重训与自我进化：深度学习系统能够全面接管回传的实验读数，无需人工逐一干预，便能自动根据最新的实验误差重新反向传播微调底层的生成与预测模型参数。
基于“主动学习”的智能采样策略：AI 能够结合当前模型的不确定性边界，自动且智慧地挑选出下一轮循环中最值得交由湿实验室进行物理测试的极少数先导分子。尤为值得强调的一点是：在现代 AI 驱动的工业体系下，哪怕湿实验室在测试中反馈回来的全部是失败数据（例如分子完全无法结合靶点，或者溶解度极差），这些在人类看来属于“沉没损失”的负面结果，对于 AI 模型而言同样具备无可替代的巨大反向训练价值！失败数据能够被算法清晰地打上负样本标签，从而在全局参数空间中精准构建出高维排斥边界，使得模型能够明确“什么样的化学空间绝对不能碰”。

综上所述，人工智能算法与高度精密的现代自动化实验硬件，如同一对紧密咬合的双螺旋齿轮，彻底贯穿并重构了整套 READ-DMTA 的全部工业闭环。正是这种全流程的共振，大幅压缩了闭环中每一轮循环运转所必须耗费的时间开销，进而才在宏观上实现了我们在英矽智能案例中所看到的那种奇迹——将原本耗时三到五年的早期药物发现全周期硬生生压缩到了一年半。而当最终的候选化合物通过这套极其严密的闭环筛选被最终敲定并提名之后，它便正式跳出了实验室层面的微观循环，被移交给像 Charles River 这样专注于大规模动物体内安全评估与毒理研究的传统大型临床前 CRO，从而正式迈向更加残酷的跨国人体临床试验新征程。

资本博弈与估值现实：医药 BD、财务分化与泡沫警示

前文 Ace 为大家条分缕析地讲了如此多不同维度的医药高科技公司，并重点剖析了新药研发全链条中各类前沿“卖铲人”的核心技术壁垒。屏幕前的各位在平时阅读海外财经新闻、研读生物医药研报或者追踪美股上市公司的财报会议时，一定会极其高频地听到或看到一个行业高频专有名词——医药 BD。对于还不熟悉这个概念的跨界投资者来说，要想看懂生物医药板块的商业流转，就必须彻底吃透这一概念。

所谓的 BD，其英文全称是 Business Development（商业拓展: 在生物医药领域特指药企之间围绕药物资产的专利授权、管线转让、联合开发与商业化权益分配开展的战略交易合作）。通俗地讲，医药 BD 说白了就是不同药企之间针对“药物产权与商业化开发权利”所进行的公开买卖与租赁合作。通常的商业合作范式是：手里掌握着前沿创新药分子或技术平台但自身资金规模有限的小型新兴 BioTech 公司，将旗下特定药物管线在全球或特定区域市场（如大中华区或欧美市场）的独家后续开发权与商业化销售权，正式授权给出资实力雄厚的跨国制药巨头。在这个交易过程中，小型研发企业能够从大药企那里换取充沛的现金流支撑，这通常由三笔阶梯式的资金构成：

协议签署时必须即时支付、且不可退还的巨额首付款（Upfront Payment）；
随着药物在后续漫长的研发里程碑逐步达成（例如成功推进到二期临床、成功启动三期临床、顺利通过 FDA 批准上市）而分阶段解锁的里程碑付款（Milestone Payments）；
药物未来在全球商业化上市开售之后，按照实际销售净额按比例抽取的长期销售分成提成（Royalty）。

如果你好奇为什么在全球制药市场上，这些表面上都在各自研制救命药物的高科技公司之间非要如此频繁地进行 BD 合作，其背后的商业逻辑其实极其朴素且高度互补：

对于跨国大药企（Big Pharma）而言：各大药企当家王牌药物的专利保护期都在逐年走向终点。一旦遭遇行业内人尽皆知的专利悬崖（Patent Cliff: 创新药的核心专利保护期届满后，低价仿制药蜂拥而入导致该原研药销售额与利润在短时间内出现断崖式暴跌的现象），如果药企内部自研的全新重磅药物管线无法及时上市顶上收入缺口，跨国巨头的市值和盈利能力就会遭遇毁灭性打击。因此，与其完全承担内部漫长的自研试错风险，跨国巨头更倾向于直接动用数百亿美元的现金储备，从外部全球市场中直接“扫货”买入那些已经被前沿技术或小型公司验证过的潜力早期管线，通过外部输血迅速补充自身的战略弹药库。
而站在前沿初创 AI 药企（AI Biotech）的角度：虽然它们依托先进的算力算法拥有极强的创新意识和爆发式的早期管线产出能力，但每一条药物管线一旦推进到跨国二期、三期临床试验，后续所需要消耗的真金白银都是天文数字（通常单次大型三期临床试验的直接资金消耗就高达数亿美元）。对于尚未实现稳定商业化造血的小型科技企业而言，其资产负债表根本无法承受同时推进多条临床后期的庞大开支；加之小公司自身在全球各大主要医疗市场完全缺乏本土化的临床推进网络、深厚的监管人脉以及庞大的线下医院销售团队。因此，通过医药 BD 开展战略结盟，是小型企业平滑研发风险、维持企业生命线延续的必然商业选择。

因此，我们在前文所详细梳理的各种不同类型的医药企业——从底层的算法卖铲人、中游的 AI 原生药企，再到下游覆盖全球的跨国制药集团，它们虽然在表面上都在以终为始地研究药物，看起来似乎处于同一赛道，但在真实的产业丛林里，它们绝非单纯的零和博弈竞争对手，医药 BD 构成了贯穿整个全球医疗大健康生态链之间不可或缺的血液循环系统。

在视频行将结束、为大家正式阐述 Ace 本人对于整个 AIDD 板块投资策略的终极核心观点之前，我们必须用最为冰冷客观的二级市场财务与股价数据来做终极校验。我们首先调取并复盘一下前文所重点提及的几家全球核心代表性上市公司，在过去连续八个季度的实际营业收入走势，以及进入今年（2026 年）以来各自股价的实际分化表现：

我们首先将目光投向那些典型的卖铲人公司：

观察基因测序领域的全球绝对龙头因美纳（Illumina）：其单季度营业收入在过去连续八个季度中表现出极强的刚性防御属性，基本稳定在 11 亿到 11.5 亿美元之间，波澜不惊。其最新公布的单季度营收同比实现了约 9% 的稳健增长，基本盘非常扎实，但也绝非科技股意义上的爆发式狂飙。
再看单细胞空间领域的先锋 10x Genomics：在过去整整两年的财报曲线中，其单季度营收基本上处于一种持续横盘震荡的状态，长期在 1.5 亿美元上下小幅波动；甚至在最新发布的一个季度财报中，其营收同比还出现了约 13% 的小幅下滑，显示出下游部分科研经费预算收缩所带来的阶段性扰动。
然而，在整个卖铲人阵营中，增长曲线最为亮眼、最为凶悍的当属专注于高通量 DNA 合成的 Twist Bioscience：其财报走势在过去八个季度走出了一条极为漂亮的持续向上单边斜率，单季度营业收入从早期的 8500 万美元一路稳步攀升并跨越至最新的 1.18 亿美元，最新单季度营收同比增速达到了极为强劲的 23%，展现出了高通量物理合成需求井喷的强劲势头。
最后审视在港股上市的全球基因合成龙头金斯瑞生物科技（GenScript）：由于港股上市公司财报披露规则与美股不同，金斯瑞仅对外披露半年度财务数据。其在 2025 年上半年所录得的账面收入出现过一次非常夸张的脉冲式跳涨，但必须向投资者还原的是，那一期的高基数中包含了其子公司传奇生物针对跨国巨头强生获得的一笔数亿美元的一次性大额授权里程碑确认；如果将这笔偶发性的一次性收入予以严谨剥离，其核心经常性主营业务在今年上半年依然交出了同比大幅增长约 27% 的优异答卷。

通过对上述四家卖铲标的的横向比对，我们可以得出一个极其清晰的财务定论：卖铲人公司的总体营业收入大多表现出高度的确定性与稳健性，其中处于‘物理合成’关键卡位节点上的 Twist Bioscience 和金斯瑞，在 AI 新药研发爆发的大浪潮冲击下，其财报业绩端已经极其明确地体现出了强劲的景气度拉动与实质性增长！

接下来，我们转过头来看两家纯粹的 AI 原生药企（AI Biotech）。正如前文所深刻揭示的底层逻辑，由于这类企业尚未拥有稳定获批并在药店销售的大单品，它们当前阶段的主营业务收入几乎百分之百全部依赖于我们在上一节所详细阐释的“医药 BD 授权与里程碑付款”。而这一商业属性，直接导致其财报曲线呈现出一种“旱涝保收反面”的极端脉冲式暴涨暴跌特征，其业绩画风与前述四家卖铲公司形成了极其剧烈的反差：

观察第一家——美股上市代码为 RXRX 的 Recursion Pharmaceuticals（Ace 曾经在早期视频中专门做过深度专栏，且本人在历史周期中也曾短暂建仓投资过）。Recursion 的核心账面收入主要来源于它与欧洲制药巨头赛诺菲（Sanofi）、罗氏（Roche）等大型跨国药企所签订的多项管线合作协议的初始款项以及不确定性的技术里程碑节点。因此，其单季度收入曲线极度剧烈地上下跳跃：在某些确认了大额合作里程碑的特定季度，其单季度入账金额可以迅速冲高到 3500 万美元；但在没有新里程碑落地的普通季度，其单季营收往往瞬间断崖式滑落至区区数百万美元。在刚刚披露的最新单季财报中，其季度营收仅仅录得约 770 万美元，同比大幅暴跌了约 60% 之巨。
再看另一家在港股成功挂牌上市的行业旗帜——英矽智能。英矽智能同样仅对外公布半年度财务报告。在过去连续几个半年度的时间跨度里，其未经审计的常规半年度收入基本在 3000 万美元上下狭窄区间徘徊；然而在进入今年上半年后，其半年度账面营收却毫无预警地骤然飙升突破至 1.06 亿美元的惊人规模，同比爆发式暴增了整整 287%！而造成这种看似不可思议业绩神话的底层归因，依然是我们前面反复强调的医药 BD 规则：英矽智能在今年上半年与跨国制药巨头成功签署了全新的全球大额管线授权交易协议，从而在当期集中确认并入账了一笔极其庞大的新首付款。

因此，所有紧密追踪这一领域的投资者请务必将这一结论牢牢焊在脑海中：纯 AI 原生药企（AI Biotech）的阶段性财务表现，从根本上取决于它们在特定财年是否能够极其幸运地签下全新的重大跨国合作订单。其业绩天然具备极强的偶发性、突发性与难以预测性，根本无法像下游基础设施与卖铲公司那样，能够为华尔街提供清晰、连续且具备高能见度的线性业绩指引；这类公司今年的业绩大爆发，丝毫无法为明年的财务持续性提供任何确定性的背书。

在全面起底了过去八个季度的底层财务真实成色之后，我们进一步拉出各自在今年二级市场的实际股价涨幅走向。仅仅从 Ace 本期所严谨选取的这六家极具代表性的行业头部公司来看（这虽然不能机械地等同于整个泛医疗板块的全部表现，但足以成为洞悉资本资金偏好的极佳切片）：在今年二级市场的实际博弈中，卖铲人阵营以近乎碾压的姿态全面大幅跑赢了纯 AI 药企阵营！

在我的分析全景图上，金色清晰标示着卖铲人代表公司，而紫色则代表着纯 AI 药企。每张图表右上角醒目烙印着的数字，正是今年以来迄今为止的标准 Year-to-Date（YTD）股价区间涨幅。呈现出的资金投票结果令人震撼：

四家位列金色阵营的卖铲公司今年无一例外取得了极为夸张的超额收益：Twist Bioscience（TWST）今年以来的股价累计暴涨了整整 5 倍以上！ 哪怕是基本面尚处于周期调整横盘的 10x Genomics（TXG），在狂热的行业预期与并购传闻推动下，其年内涨幅也逼近了 5 倍大关！ 港股的金斯瑞生物科技累计涨幅超过 2 倍；即便是体量巨大的测序巨头因美纳（ILMN），其市值年内也实现了 1 倍以上的惊人翻倍增长！
然而，反观紫色的 AI 纯药企阵营：虽然英矽智能依靠大额 BD 协议兑现的强劲刺激，在港股市场年内录得了约 50% 的涨幅，客观而言这一收益率放在传统市场已然相当优异，但如果将其与金色阵营动辄数倍的疯涨横向对比，显然已完全不在同一个量级；更为惨烈的是美股的 Recursion Pharmaceuticals（RXRX），其在今年全年的大牛市氛围下，年内累计涨幅仅仅只有可怜的十几个百分点；如果将时间回溯窗口进一步拉长至过去整整 12 个月的滚动维度，Recursion 的股价不仅没有上涨，反而录得了实质性的负收益（依然处于深度破发下跌区间）！

为什么在全网高呼 AI 颠覆制药的宏大叙事下，资本市场的真实定价却会走出如此冰火两重天的极端分化？我认为其背后的深层商业逻辑，正是我们整期视频反复向大家强调的**“卖铲人”投资哲学**：在波谲云诡、九死一生的大淘金时代，不论最终走向终点、成功获批上市的那一款重磅 AI 药物到底诞生在哪一家药企的手中，只要全球涌现出的 AI 制药模型设计出的新分子数量呈现出成千上万倍的几何级膨胀，只要全球各大药企试图通过计算机推演药物的冲动越来越强烈，那么由此衍生的所有针对物理 DNA/蛋白合成、单细胞测序复核、高通量毒理测试的物理实验订单，就必须源源不断地砸向这些卡在咽喉要道上的卖铲人手中！卖铲人的商业模式具有近乎无可撼动的行业刚需性与高确定性。

但是，请各位所有的屏幕前朋友立刻打起十二分的精神，千万不要在此时被亮眼的涨幅冲昏头脑！ 请大家务必低头看一眼我卡片下方用极小字号严谨绘制的真实营收历史小柱状图：这些卖铲人公司的实际底层营业收入，根本没有像它们如同脱缰野马般的暴涨股价那样实现同步的成倍暴增！ 正如我们刚才的财务复盘，因美纳和 10x Genomics 的核心业务收入在本质上几乎处于完全持平的状态。换句话说：全球二级市场的机构与散户资金在今年疯狂买入这些卖铲人公司，其交易的底层资产根本不是公司当前的实际业绩，而是极度透支未来的‘AI 实体实验订单即将迎来毁灭性暴增’的远期宏大预期！既然完全是在买入一种超前的乐观预期，那么如果接下来的几个季度中，下游 AI 制药所带来的真实物理采购订单以及实际转化为财报收入的数字，不能极其完美、丝丝入扣地兑现这种近乎疯狂的高估值预期，那么这种完全由情绪与流动性堆砌起来的空中楼阁就会面临极其脆弱的崩塌风险。在金融市场中，前期的预期被炒作得有多高、股价涨得有多凶猛，那么在未来预期落空时的均值回归惨烈程度以及回调下杀空间，必然也会相应地被放大到极致！

就在前几天，我在全球社交平台 X（原 Twitter）上常年密切关注的一位具备深厚顶级医疗投资机构背景、同时也兼具知名财经博主身份的独立投资人 Freda Dunn，公开发布了一篇在华尔街医疗圈引发广泛共鸣的重磅行业深度剖析，文章的标题极具警示意味——《AI 药物发现正在变成一笔瓶颈交易》（AI Drug Discovery is Becoming a Bottleneck Trade）。

在 Freda 的深度分析中，他特别重点呈现了 Twist Bioscience 与金斯瑞（GenScript）这两家公司的最新管理层访谈纪要。两家跨国制造巨头的最高管理层在沟通中均明确坦陈：当前全行业对于 AIDD（AI 驱动新药研发）的狂热追捧与大规模算力部署，确实对公司底层的实体物理合成业务构成了极其正面、极其真实的订单驱动效应。Freda 在文章中同样高度强调了我们前文所深入推演的核心机制：在当今前沿大模型与生成式 AI 时代，在 READ-DMTA 的微观循环中，无论湿实验室最终检测出来的数据在生物学层面上到底是“有效”还是“无效”，对于庞大的深度学习系统而言，全部都是极具营养价值的高维数据。那些在过去被传统制药工业彻底抛弃的失败数据，被现代 AI 极其强大的模式识别能力精确打上负向惩罚标签，从而深刻帮助算法推断分子无法与靶点结合的立体物理与电荷排斥机理，进而强力辅助下一轮循环中模型权重的高维收敛。因此，传统药物发现问的核心问题是极其单向的“某某候选药物到底在生物体内是否有效”；而当今 AI 深度赋能下的现代药物发现，它在每一次物理实验后还会进一步追问极其深邃的元问题——“这一次无论是成功还是惨烈失败的物理实验，究竟能够教会底层的 AI 大模型什么新知识，从而能够让我在下一轮生成中变得更加聪明？”

然而，在充分肯定这种底层技术范式跃迁的同时，Freda 用了整整半个篇幅极其严肃地警示全球二级市场投资者：任何今天打算在 AI 医疗与新药研发领域押注真金白银的人，都必须放下盲目的傲慢，立刻回过头去极其虚心地重新学习、深入复盘 2020 年至 2021 年那轮全球 AI 药物发现狂潮所经历的‘短暂大繁荣与随后的惨烈崩盘历史’！

翻开过去半个世纪的现代药物研发历史数据库，历史用无数血淋淋的商业尸体反复告诫过我们一条不可违背的客观规律：新药研发从最前端的发现候选药物开始，到中期的动物临床前毒理开发，再一路推演到人体一期、二期、三期临床试验，这整条链条上每一个后续关卡的临床成功率，与前置阶段究竟耗费了多少时间、或者筛选速度到底有多快，在统计学上根本不存在绝对的必然正相关关系！

在现实的制药世界里，哪怕你凭借极其强大的超级计算机与顶尖 AI 算法，将药物发现的速度不可思议地压缩了十倍，但在你信心满满地将这个完美分子送入人体一期临床试验时，它依然可能因为不可预测的人体肝肾蓄积毒性而瞬间宣告全军覆没；退一步讲，哪怕该分子极其幸运地安全通过了一期临床考验，在进入针对特定病患的二期临床试验时，它依然有大概率可能无法达到预设的疗效终点；甚至哪怕二期临床数据看似极其积极，当样本量在三期临床中骤然扩大到数千名具有极高复杂遗传背景的大规模真实人群时，它依然极大概率可能遭遇毁灭性的临床失败并被监管机构一票否决！

因此，将这一逻辑凝练为一句话直击灵魂的产业真相：在计算机里把分子‘发现得更快’，绝对不等于它最终在人体的复杂生物学系统里能够‘表现得更好’！

更为残酷的行业统计规律在于：在整个药品生命周期中，临床试验从一期向三期推进的过程中，其单阶段的成功概率在统计学上实际上是一路断崖式单调递减的！越是推进到三期临床的深水区，药企所必须承担的患者招募、多中心运营等单次研发成本就越是呈现出指数级上升，一旦在这一阶段遭遇惨败，药企此前所付出的所有数以亿计的资金都将瞬间化为毫无价值的纯粹沉没成本——这就是横亘在全人类生物医药研发领域面前，最客观、最冷酷、也最无法被短期算法轻易抹平的科学现实。

所以，在回扣本期视频开头的全部推演之后，Ace 必须在此无比严肃地向所有人重申我本人的投资底线：我绝对不会对所谓的“AI 颠覆新药研发”这一整个板块抱有毫无保留的盲目乐观。从资本周期的宏观规律来看，我甚至极其坚定地认为，在未来的几年时间里，伴随着某些被过度神话的 AI 明星药企在后期跨国二期、三期临床试验中不可避免地遭遇阶段性挫折甚至爆雷失败，整个 AIDD 赛道必然会产生并戳破大量巨大的资本泡沫！

但是，在看透了泡沫周期的必然性之后，Freda 本人以及我在历经了极其深度的行业微观穿透后，却得出了一个极具结构性的确定性共识：正如我们在过去几年见证的全球泛 AI 基础设施革命一样——在波涛汹涌的 AI 医疗大航海时代中，那些卡在整套 READ-DMTA 闭环核心节点上的“卖铲人”公司，由于它们在整个端到端极其冗长的制药流程中，并不亲自下场去承担单一新药资产九死一生的终极临床试验归零风险，而仅仅是在上游极其稳固地按需提供必不可少的关键工具、仪器检测与高通量物理合成服务，它们所承受的个体毁灭性风险要远远小于纯粹的 Biotech 公司，其商业模式的现金流确定性与业务韧性要大得多！

但即便如此，大家也绝不能盲目无脑地在当前位置追高买入：因为正如我们刚刚所严谨展示的数据，绝大多数核心卖铲人标的在今年的二级市场上已经积累了极其夸张的巨大涨幅，其估值体系中已经包含了极高比例对于未来的透支预期。面对高耸入云的估值倍数，任何潜在的行业周期波动与预期修正所带来的下行风险，绝对是屏幕前任何一个成熟投资者都绝不能掉以轻心的！

好了，本期视频的时间非常长，信息密度也非常大。我真心希望 Ace 今天倾尽全力为大家系统性梳理的这幅关于 AI 医疗全景、特别是关于 AIDD（AI 驱动新药研发）的核心底层工业闭环图卷，以及干湿实验室辩证法、READ-DMTA 工业标准循环、“卖铲人”商业壁垒拆解与医药 BD 运作机理等一系列极其硬核的专业底层认知，已经深深地刻在了屏幕前各位朋友的脑海之中。希望本期内容能够真正帮助大家建立起一套穿透市场炒作迷雾、独立评估相关公司与投资风险的坚实底层坐标系，让大家在面对资本市场的热潮时拥有属于自己的笃定与从容。再次严正声明：以上所有内容仅为个人基于公开产业信息与财务数据的研究分享，均不构成任何直接的要约或投资买卖建议；金融市场瞬息万变，医药投资风险极高，希望大家务必保持独立思考、理性审慎决策。感谢大家的耐心聆听与支持，我们下期视频，再见！