当一个行业开始经历真正的范式转移时，我会感到兴奋。AI 药物研发（“AIDD”）看起来正处于这样一个时刻。
两件事正在发生：
1、上游：前沿 AI 实验室正蜂拥而至。
2、下游：供应链正在发生明显的变动。
供应链调研显示，药物发现和早期临床前研发的上游 “卖水者”（基础工具与服务）已开始感受到实验量的显著增长。
完整链路为 DNA → 蛋白质 → 筛选分析 → 测序 → 自动化 → 临床前测试。
该产业链条中的代表性公司包括\\(TWST、@GenScript、\\)ILMN、$TXG，以及实验室自动化供应商和 CRO。
$TWST 预计在 2026 财年，AI 赋能的药物研发订单将实现三位数的百分比增长，并在 2027 财年再次实现三位数的订单增长。
GenScript 的 AIDD 业务在 2026 财年上半年同比增长了一倍。其现有平台宣称具备每日 4000 多个设计的工业级验证能力，并集成了从序列到数据的完整工作流。我们的渠道调研显示，其增长速度甚至更快：目前约为每日 8000 个设计，并有望在 2026 年底达到每日约 16000 个。
为什么 AI 会驱动更多的湿实验需求？
1、AI 让假设生成几乎零成本 → 尝试机会大幅增加。
瓶颈正在从专家驱动的设计转向生物学验证。
2、AI 模型需要持续的实验反馈 —— 而且无论好数据还是坏数据都有价值。
传统上，只有信心最高的一流（A + 级）候选药物才会被推向昂贵的验证环节。有了 AI，即使是 B/C 级的候选药物也具有价值，因为失败的实验也能生成训练数据。
GenScript 表示其从序列到结合的工作流程可以在 4-7 天内返回数据，而更快的周期至关重要，因为 AI 模型依赖于持续的实验反馈。
Anthropic 是一个典型的例子。@claudeai 设计了 1320 个蛋白质结合剂。@adaptybio 将这些数字序列转换为 DNA，表达了蛋白质并测试了结合情况。结果只有 354 个成功结合。而那 966 个失败案例也并未被浪费。它们是很有用的负标签：哪些不表达、哪些不结合、哪些亲和力差。这些结果有助于训练下一次模型迭代。
3、湿实验室不再仅仅是在制造药物。它们正在制造训练数据。
$TWST / @GenScript 越来越像生物数据代工厂。
$TWST 明确提到了从 AI 设计的序列中生成模型就绪型数据。在某些工作流程中，客户可能并不那么在意是否收到蛋白质实体，而更在意将结构化的实验结果反馈回模型中。
传统药物研发会问：候选药物 X 有效吗？
AI 药物研发还会问：这项实验能教给模型什么？
AIDD 的市场规模（TAM）
如果 AI 仅仅是一种更好的研发工具，那么相关的支出池就是全球制药业每年 3000 亿至 4000 亿美元的研发费用。如果 AI 能显著增加可行药物项目的数量，那么机遇将更为广阔，因为它会扩大下游对 DNA 合成、蛋白质生产、检测分析以及临床前工作的需求。
短期来看，我们也可以从 AI 公司的支出中衡量需求。如果 Anthropic 在 2026 年达到 800 亿美元的年度经常性收入（ARR），并且仅将 1% 用于 AIDD，仅此一项就意味着每年约 8 亿美元的投资。
交易布局
这是一个可能具有长期潜力的交易。在 I/II 期临床结果出来之前（2028 年及以后），很难真正停止发力。
这闻起来非常像我们刚刚在半导体领域看到的瓶颈交易：GPU→HBM→网络→电力 / 冷却。在生物学领域，它基本上遵循药物研发的流程：AI 模型 → 设计 → DNA / 蛋白质 → 检测 → 临床前产能。
在完成上游的 “卖铲子” 阶段后，动物实验 CRO 可能会成为下一个瓶颈。猴类价格已经接近历史高点。AIDD 将更多的候选药物推向临床前开发阶段，只会进一步增加这一需求。
但是临床试验难道不是瓶颈吗？
这是我们不断遇到的最大质疑。无论药物发现的速度变得多快，药物仍然需要经过临床前→I 期→II 期→III 期→审批。你仍然需要患者、时间和资金。
但这并不意味着 “瓶颈交易” 行不通。更多可行的候选药物 —— 尤其是具有更高成功率的药物 —— 仍然意味着整个开发过程中会有更多的需求。
而且谁知道呢：临床试验本身最终也可能被 AI 优化。
什么会打破这一交易逻辑？
短期来看，如果实验预算停止增长、AI 生成的设计无法转化为有效的实验验证结果，或者产能过快追上需求，那么这种 “卖铲子” 的交易逻辑就会破裂。
长期来看，如果 AI 药物在药物发现或 I 期临床阶段表现出色，但在 II/III 期临床中仍以常态概率失败，那么这一论点就不再成立。这就是为什么 II 期临床如此重要的原因。
里程碑
2026 年底至 2027 年：首批由 Isomorphic 设计的药物进入人体临床试验，更多 AI 原生项目进入 IND 申报准备 / 毒理学阶段。
2028 年至 2030 年：临床试验结果将开始揭示，AI 设计的药物在实际表现上是否优于传统药物。
作者声明： 本文转载自第三方，旨在提供资讯参考，并非证券推荐或投资建议。作者对内容的真实性、准确性不承担保证责任。本文不构成任何投资建议或证券推荐。截至发文日，作者与文中提及的标的不存在持仓关系。