过去两年，AI行业最受关注的产品是大模型、机器人和视频生成工具。

　　但在制药行业，AI正在做一件不那么容易被注意到、但可能影响更深远的事，帮药企缩短新药研发的时间。

　　以往做一款新药，通常要10年以上。光是从发现靶点到确定候选化合物这一步，平均就要4.5年。

　　大量时间和资金花在试错上，科学家要从海量候选分子中找到能和特定靶点结合、同时毒性可控的那一个，绝大多数候选分子最终会在临床试验中被淘汰。

　　现在，AI正在压缩这个过程。

　　2024年9月，一家AI制药公司公布了新药Rentosertib的IIa期临床试验数据，结果为阳性。

　　Rentosertib用于治疗特发性肺纤维化，是全球首个由AI发现靶点、AI设计分子的药物。这款药从发现靶点到确定候选化合物，用了18个月，成本约260万美元。

　　2025年12月，Rentosertib的研发方在港交所上市，15家基石投资者合计认购1.15亿美元，名单里同时出现了礼来和腾讯，礼来是首次以基石身份参与生物医药企业的IPO。

　　用AI设计药物并推进到临床阶段的，不止一家公司。

　　2025年12月，国内另一家AI制药公司的口服减重药MDR-001启动Ⅲ期临床试验，靶点和分子同样由AI辅助设计，研发周期4.5年，是中国首个走到Ⅲ期的AI设计药物。

　　同一年，国内一家AI制药技术公司与美国药企签下59.9亿美元的AI新药研发合作协议。

　　行业现在把这个领域统称为AI for Science，简称AI4S。

　　和日常接触的AI对话、AI写作不同，AI4S做的事情是帮科学家筛选药物分子、预测材料性能、模拟实验过程，把原本需要几年的研发流程压缩到几个月甚至几周。

　　根据Global Info Research的数据，2024年全球AI4S市场收入达33.63亿美元，生物医药占了四成以上。

　　AI 如何for Science

　　简单说，做一款新药分三步。

　　第一步是找靶点。

　　人生病，往往是体内某个蛋白质出了问题，要么过度活跃，要么功能失常。找到这个“出问题的蛋白质”，就是找到了靶点。

　　第二步是设计分子。

　　找到靶点之后，需要设计一个能和它精准结合的小分子化合物，像钥匙配锁一样，把出问题的蛋白质“管住”。

　　但候选的分子结构有上亿种可能，科学家要从中找到既能结合靶点、又不会产生严重毒副作用的那一个。

　　第三步是临床试验。

　　候选分子确定后，要在动物和人体上分阶段验证安全性和疗效，通过I期、Ⅱ期、Ⅲ期临床试验，最终拿到监管部门的上市批准。

　　传统模式下，光是前两步就平均要4.5年。

　　整个流程走完，10年以上是常态。行业数据显示，药物发现阶段候选分子的整体成功率大约在5%到10%，大量资金和时间花在了那些最终被淘汰的分子上。

　　AI介入的环节，主要集中在前两步。

　　AI模型可以从上亿个分子结构中预测哪些最可能和靶点结合、哪些存在毒性风险，在几天内完成过去需要几年的初步筛选。

　　学术期刊Clinical and Translational Science 2025年的统计显示，已完成I期临床试验的AI设计药物成功率在80%到90%之间，传统方法约为40%。临床试验本身仍然要一步步走，但进入临床的候选分子质量更高，后期失败的概率也就更低。

　　Rentosertib的研发方是目前全球AI药物研发进展最快的公司之一。

　　Rentosertib的IIa期临床试验结果已发表在学术期刊Nature Medicine上。AI平台Pharma.AI的软件业务营收同比增长23.8%，客户覆盖全球前20大药企中的13家。公司自主研发的管线中已有28款临床前候选药物，10个项目正在推进临床试验。

　　MDR-001的研发方走的是减重药方向。

　　MDR-001是一款口服小分子GLP-1受体激动剂——GLP-1受体激动剂是当下全球最热门的减重药物类型，司美格鲁肽就属于这一类。

　　在IIb期临床试验中，317名受试者用药24周后体重平均下降10.3%，试验期间无药物相关严重不良事件。Ⅲ期临床计划招募约750名受试者，评估周期52周。

　　AI4S的应用不限于制药。

　　在材料领域，类似的逻辑同样成立，传统方法靠人工试验逐一验证材料性能，周期长、成本高；AI可以用模型快速预测，大幅缩减筛选时间。

　　北京一家AI材料公司就在用AI预测钠离子电池阳极材料的性能。

　　钠离子电池被视为锂电池之后下一代储能技术的候选之一，但材料研发一直卡在效率上。传统计算方法评估一种材料，一次要跑上千小时。

　　该公司基于晶体图神经网络构建的AI模型把时间压缩到了分钟级，效率提升约3000倍，关键材料性能预测准确率超过90%。

　　不管是筛选药物分子还是预测材料性能，AI4S的运算量都远超日常AI应用。

　　一次蛋白质结构预测需要模拟数十亿个原子之间的相互作用，计算量相当于几万次大模型对话。

　　因此对于想用AI加速研发的药企和材料公司来说，算法和数据之外，算力是绑定一切的前提条件，没有足够的算力，模型跑不动，预测精度上不去，研发提速也就无从谈起。

　　AI4S的算力竞赛

　　根据IDC数据，中国智能算力规模2024年为725.3 EFLOPS，预计2028年达到2781.9 EFLOPS，五年复合增长率46.2%。

　　需求在快速增长，供给侧的情况并不乐观。

　　根据中国智能计算产业联盟2025年的报告，国产AI芯片单卡性能和国际先进水平之间存在2到3代差距，训练同等规模模型的成本高出30%到50%。

　　同一份报告还显示，已经建成的智算中心平均算力使用率只有30%。

　　2026年这一情况开始改善。2月5日，3套中科曙光（603019.SH）scaleX万卡超集群在国家超算互联网核心节点上线试运行，可提供总计超过3万张AI卡的智能算力，是当前实际投入运营的规模最大的单体国产AI算力池。

　　中科曙光高级副总裁李斌表示，scaleX万卡超集群面向万亿参数大模型和科学智能等复杂任务场景，可为全球用户提供高效、普惠的AI算力。

　　根据公开信息，该超集群已支撑了国内一个材料研发大模型登顶国际权威榜单，将蛋白质研究的计算效率提升了3到6个数量级。

　　当前AI4S算力建设已开始全面提速。

　　2025年10月，中国电子学会发布的AI4S算力基础设施创新企业TOP10中，多家国内企业在列。

　　英伟达也推出了面向科学计算的大模型框架BioNeMo，为生物医药和材料研发提供从芯片到软件的配套支持。据海外媒体报道，英伟达正与美国能源部合作，计划构建面向科学研究的AI超算平台。

　　OpenAI在2025年10月成立了一个专门的科学研究团队，取名OpenAI for Science。该团队负责人的说法是，2025年AI已经改变了程序员写代码的方式，2026年同样的事情会发生在科学研究领域。

　　DeepMind创始人哈萨比斯的判断更远，他认为未来10到15年，人类将进入科学发现的新文艺复兴。

　　从18个月做出一款新药，到几分钟预测一种新材料的性能，AI4S已经开始兑现它的产业价值。

　　而这些成果能多快扩展到更多疾病、更多材料、更多学科，很大程度上取决于算力基础设施能走多远。

　　对于普通人来说，这条赛道上的每一步进展，最终都可能变成一种新的治疗方案、一块更好的电池、一次更短的等待。