如果AI可以在一天之内提出过去需要科学家数月才能筛选出的候选分子，药物研发是否就能因此提速？答案并没有那么简单。
一个分子在计算机里表现优异，不代表它进入真实生物体系后依然有效。活性、选择性、稳定性、药代动力学、安全性……任何一个环节出现偏差，都可能让前期设计功亏一篑。AI越是加速分子的生成，真实实验验证的价值就越愈发凸显。
当模型能力不断趋同，验证能力正在成为新的竞争焦点。而如何把AI发现与湿实验验证打通、形成可稳定交付的干湿闭环，也是睿智医药（300149.SZ）长期布局、持续落地的核心方向。
AI制药进入第二阶段竞争，真正的瓶颈在“验证”
AI对药物研发的革新，最先体现在发现端。2018年AlphaFold在CASP13比赛中首次证明深度学习可以预测蛋白结构；2021年AlphaFold Database进一步开放了大规模蛋白质结构预测结果，为靶点研究和药物设计提供新的工具。
AI正在扩大药物研发人员能够探索的化学与生物学空间，过去依赖科学家经验与大量实验完成的初步筛选，如今越来越多地转化为计算与实验协同的过程。但发现速度的提升，并不意味着药物研发周期能够同比例缩短。更确切地说，AI把前端效率推高之后，研发瓶颈开始向后转移，重心从“如何提出假设”转向“如何验证假设”。
今年9月，Anthropic披露其已建立开展基础生物学研究的实验室，通过模型提出研究假设，再以真实实验进行检验；礼来旗下AI药物发现协作平台TuneLab与金斯瑞达成合作，后者提供蛋白表达、纯化及表征分析等湿实验服务，将AI预测转化为可追溯的生物学验证数据；字节跳动Anew Labs完成2.9亿美元首轮融资，用于加速自动化湿实验室测试验证管线的开发。这些动作释放出一个共同信号：AI制药的竞争，正在从单纯提升模型的预测与生成能力，向实验验证和持续迭代的研发体系延伸，这也是“干湿闭环”从概念变成行业趋势的最强信号。
图片来源：财联社
新模态药物兴起，进一步放大全链条验证需求
如果说传统小分子药物已经让AI面临从计算预测走向实验验证的挑战，那么ADC、多肽、小核酸等新模态药物，则进一步放大了这一挑战。
随着候选分子向临床前候选化合物（PCC）及IND申报阶段推进，研究重点会从分子活性逐渐延伸至药代动力学、体内药效、安全性、制剂和生产工艺等环节，这些指标之间往往存在复杂的相互制约。改善分子亲和力，未必能够提高体内药效；增强稳定性，也可能影响清除速度；提升某项理化性质，还可能带来新的安全性或生产难题。
单一指标的最优解，不一定是整个研发项目的最优解。越复杂的分子，越需要在研发早期综合考虑后续开发要求，避免已经投入大量资源的项目因工艺、安全性或成药性问题被迫回到起点。
对拥有多模态研发服务能力的CRO而言，这既是新的业务机会，也是一次能力重估。客户真正需要的是更少弯路、更高的确定性：帮助有效筛选AI产生的候选方案，并把实验结果转化为下一轮研发决策的依据。谁能承接候选分子从早期验证到后续开发的连续需求，谁就更有可能变成客户研发链条中难以替换的一环——这才是差异化壁垒。
当验证需求越来越复杂，一体化研发如何推动干湿协同？
传统CRO服务通常按照专业分工展开，药物化学、生物学、药代动力学、毒理学等工作可能由不同团队或机构承担。这种分工有助于形成专业化能力，但当研发越来越依赖高频迭代时，跨环节的数据衔接和决策反馈也变得更加重要。
设想这样一个研发过程：AI根据已有信息提出一批候选分子，实验团队完成筛选后发现，其中一些分子虽然活性较好，却存在稳定性或代谢方面的问题。如果实验结果只是形成一份独立报告，交给另一个团队重新分析，前期积累的信息就很难充分发挥作用。反之，如果实验数据能够及时进入下一轮设计与筛选，研发团队便可以据此调整策略，而不是重复试错。
这正是AI嵌入一体化研发的最核心价值——尝试把模型预测、实验验证、结果分析和后续研发决策组织成一套连续工作流。在这样的模式下，AI可以在前端辅助提出假设、缩小筛选范围；支持实验环节检验预测；在后端对结果进行分析，再将有效信息反馈给下一轮研发。
但需要看到，实现这一模式的门槛并不低。企业既需要覆盖多个技术环节，又需要统一的数据治理、跨学科专家团队和具备实际交付能力的研发体系。AI算法可以通过合作获得，实验设备也可以通过投入建设，但长期项目经验与跨环节协作机制，很难在短期内复制。正是在这样的背景下，睿智医药的AI布局更值得观察。
睿智医药的独特位置：二十余年实验底座，拥抱AI干湿协同
在当前AI制药产业链中，睿智医药所走的路径其实颇具代表性。不同于以算法为主要切入点的AI制药企业，睿智医药选择的是“实验 → 数据 → AI → 再验证”的路径。这种差异背后，是公司二十余年积累形成的研发基础与经验资产。
公开资料显示，睿智医药已经构建起覆盖药物发现、临床前研究以及部分大分子开发生产的一体化平台，并在药理药效、DMPK、生物分析、早期毒理以及新模态药物研发等领域积累了大量项目经验。当行业开始进入“验证时代”时，睿智医药拥有了一块天然稀缺的资产：在长期、跨项目服务中沉淀下来的研发判断力——对成药性风险、失败模式和关键决策节点的理解。药物研发中绝大多数分子会因为活性不足、代谢缺陷、脱靶、工艺障碍淘汰，这些未能进入公开文献的负面结果，恰恰能够揭示分子结构和研发路径的潜在缺陷。
但经验本身并不会自动变成AI优势，如何把这些经验进一步转化为经过结构化整理、能够被检索、分析和验证的研发资产才是关键。睿智医药数年前就启动了算力基础设施建设，相比后期入局AI的医药CRO，更早完成模型与传统研发体系的磨合。公司已完成AI模型本地化部署，搭建AI辅助抗体发现平台、多肽虚拟筛选平台、ADMET成药性预测平台；同时联合外部AI专家团队搭建AI知识库与靶点发现平台。2026年XDrug.AI蛋白质智能设计平台正式上线运行，应用方向涵盖抗体发现、多肽筛选、小分子优化及ADMET性质预测等环节。
图片来源：睿智医药
AI赋能整包业务，睿智医药推动研发服务升级
如果说数据积累和AI平台构成技术基础，那么整包业务则是睿智医药实现AI商业价值转化的重要方向。公司的相关布局已不局限于内部效率改善，更是在逐步形成由AI辅助研发决策、多个技术平台协同完成项目交付的服务模式。
睿智在半年报中表述“XDrug.AI推动AI蛋白质设计能力从方法工具向可交付研发服务的工程化转化”。从已有项目反馈看，相关团队已观察到了研发工作方式和迭代效率的质变，引入AI工作流的项目能够更好契合客户一体化研发需求。
在外部AI企业布局方面，睿智医药战略投资北京哲源科技并与其达成合作，推动AI技术与研发流程融合；此外，公司通过子公司参股投资重庆飞因科生物。从技术定位看，哲源科技侧重计算医学、疾病机制理解与靶点研究，有助于在研发前端提高靶点选择和项目立项判断的科学性；飞因科则聚焦AI辅助创新药设计、成药性预测及工艺优化等方向。由此形成三方协作逻辑——从前端判断疾病机制与靶点选择是否合理，从后端明确候选药物需要满足的成药性和开发要求，再由AI与实验体系协同寻找可行路径。
AI+CRO整包作为一种创新商业模式，通过提高候选分子筛选效率、优化跨平台衔接，帮助客户减少低价值实验、缩短研发迭代时间，更早识别候选分子的开发风险。这意味着，客户购买的不只是实验工时，而是更高效的研发决策与交付能力。
当算法真正融入整包研发流程，数据、实验和专家经验形成持续迭代的体系，CRO的角色将被重新定义——从药物研发的服务提供者，向创新药成功转化的重要推动者迈进。未来十年，CRO竞争的核心将变成AI能力 × 数据能力 × 验证能力。这不仅是商业模式的升维，更是研发范式的根本性变革。
这一转变，为拥有深厚实验积累和一体化研发能力的CRO打开了新的发展空间。对于睿智医药而言，二十余年的研发经验、提前布局的算力基础以及不断完善的AI合作生态，正在形成新的能力组合。