来源：公众号

7月的第一天，Anthropic 将 AI 的触角正式伸向了科学界的深水区，推出了首款科研专属的人工智能工作台。

这不是一种全新的AI模型，而在于“连接”。由 Opus 和 Sonnet 驱动，Anthropic 设计了一套强大的工作流，将 AI 直接嵌入科学家的日常。从集成 Benchling、Medidata 等生命科学巨头的工具，到直连数十个庞大的科学数据库，AI 终于拥有了触碰真实科研数据的“手眼”。这套堪称顶配版 RAG 的工作流证明了一点：除了颠覆程序员的代码世界，生物医药正成为 AI 攻克复杂知识工作的下一个主战场。

如果把未来三年的新药研发想象得再大胆一点，画面或许不再局限于万人规模的 Big Pharma 或重金投入的 Biotech。一种全新的研发范式正在酝酿：两三个极其出色的超级个体，带着几百个AI Agent，在一间并不大的办公室里推进新药项目。

AI负责读论文、找靶点、预测结合位点、设计分子、筛选毒性、规划合成路线。过去要花几个月甚至更久的工作，可能在几天内就能完成。一个小团队，也可以像一家微缩的药企那样运转。

这并不遥远。

AI已经把药物发现中“想得到什么”的速度推到一个新水平：它能迅速给出大量候选结构，甚至提出人类研究者未必会优先尝试的路径。

但问题也随之变得尖锐：当每家公司、甚至每个单独的人都能更容易地生成分子，整个制药行业里什么才是稀缺的？

答案可能不是更多分子，而是把分子变成药的物理能力。

AI药物研发最大的误解，是把“设计出一个看起来很好的分子”当作药物研发的终点。事实上，它更像起点。一个虚拟分子要进入现实世界，仍需经历合成、纯化、验证、工艺开发、放大生产、稳定性研究、质量控制、毒理、申报与临床供应。每一步都可能否定前一步的乐观判断。

行业里已经能感受到这种落差。

AI可以显著加快靶点识别和分子设计，但湿实验与生物学验证仍然是瓶颈；一位诺华研发负责人近期的公开分享也指出，AI在早期环节提速明显，但在真实生物学与实验验证面前，仍会撞上那堵熟悉的墙。

未来可能出现一个“虚拟分子高峰”。大量分子会被生成、被讨论、被融资，但真正能够完成工艺开发、稳定放大、通过质量体系并进入临床的，仍然只是其中很小的一部分。

这才是理解药明康德CRDMO平台的生态位价值最佳切入点。

药明康德不只是传统意义上的CXO。它当然提供研发、开发和生产服务，但如果只把它理解成“把药企不愿做的工作外包出去”，就低估了它。

它更像制药产业的一套实现系统：把虚拟世界里的分子创意，转化为现实世界里可被验证、可被监管、可被交易的药物资产。

未来的创新者可能因此分成两类。

一类拥有AI，但没有接入系统化CRDMO平台。

他们可以高效地提出很多分子，却要分别协调合成供应商、实验室、工艺团队、检测机构和生产企业。每一次技术转移都会带来数据断层，每一次质量标准切换都可能延长项目周期，每一个看似小的工艺问题都可能在放大时变成根本性障碍。

另一类则把AI生成的分子直接送入一套从研究、开发到生产相互连接的系统中。

分子先被快速验证，再被筛选出值得开发的路径，随后进入工艺、质量和生产环节。区别不只是“谁的成本更低”，而是谁能更快知道一个分子到底是不是一条值得继续投入的路。

这正是药明康德的“漏斗”价值。

截至2025年，公司小分子D&M管线达到3452个分子，2026年Q1进一步升至3550个，其中已有89个商业化项目、94个处于III期。过去12个月，公司合成并交付了超过42万个新化合物。

这些业务量数字的背后，是一张不断更新的现实世界地图：哪些路线能做，哪些分子难以放大，哪些工艺会在后期失效，哪些质量问题会在监管环节暴露。

AI最需要的，恰恰是这种真实世界的约束。

今天的AI在生成式任务中具有显著优势，但在评估工程与物理限制方面仍显不足。它可以生成一个结构优美、预测活性不错的分子，却未必知道该分子在实际合成中是否会遇到难以解决的杂质问题，是否能稳定放大，是否适合长期供应。

对制药而言，失败经验不是废料，而是极有价值的“负向数据”。

所以，药明康德真正有潜力形成壁垒的地方，不只是厂房、反应釜和科学家人数，而是25年项目积累留下的一些列“暗数据”。

它知道哪些路走得通，也知道哪些路看似通、实际会在某一段坍塌。未来最有价值的研发AI，或许不是那个能生成最多分子的模型，而是能更早淘汰无法成为药物的分子的模型。

这会重新定义CRDMO。

过去，CRDMO首先是一种降本工具：把部分研发和生产环节交给专业供应商。未来，它可能越来越像一层产业操作系统。它要做的不是替客户完成一项工作，而是调度研究、开发、生产、质量与数据，让不同环节之间少一些摩擦、少一些返工、少一些在错误方向上的浪费。

药明康德近两年最具象征性的业务，是TIDES，即寡核苷酸和多肽相关业务。

市场容易把它理解为一条高增长赛道，这当然没错：公司2025年TIDES收入同比增长96%至113.7亿元，2026年将进一步迈入150亿元大关。但更值得关注的是，这类新分子药物正在放大“实现能力”的价值。

但新分子药物并不只是“发现一个结构”那么简单。

为了追求更极致的疗效、更便捷的给药方式与更长的给药周期，创新药在后端的工艺开发、纯化、质量控制与规模化供应上面临的挑战日益凸显。

以靶向三重受体（GLP-1/GIP/GCG）的多肽药物瑞他鲁肽为例，它与替尔泊肽一样，合成步骤高达39步。然而，为了实现更强劲的药效，瑞他鲁肽在分子设计中引入了大量特殊氨基酸，这直接导致其合成过程中的工艺难度陡增，次品率极高。

由此，制药行业的竞争逻辑正在发生深刻重构：未来，前端天马行空的“好想法”与创新分子将日益丰富甚至泛滥；而真正能够将这些复杂的“好想法”稳定、高质量地转化为商业化产品的后端工程化平台，反而将成为产业链中最稀缺的核心资产。

这也是为什么，未来药明康德最值得观察的，不只是收入增速，而是它随着业务进一步聚焦以及新拓产能之下可能需要完成的三次升级。

第一，从“跟随分子”升级为“导航分子”。过去是客户带着候选分子来，药明康德帮助开发；未来则可以基于真实项目数据，帮助客户更早判断哪些分子、工艺和开发路线更值得投入。

第二，从“出售产能”升级为“开放能力”。产能可以扩张，也会被竞争对手追赶；但工艺判断、质量体系、失败案例和跨环节调度能力，可以被沉淀为标准化模块，成为AI药物研发公司不可或缺的现实接口。

第三，从“质量记录”升级为“信任基础设施”。药物研发不是只有科学判断，还有监管判断、资本判断和商业判断。一个分子的数据是否连续、可追溯、经得起审计，决定了它能否获得IND批准、融资、授权交易与药企采购。对越来越轻量化的AI原生创新团队而言，这种可信度本身就是他们最缺的资产。

我们可以想象这样一种未来：一个仅有数人的小型AI制药团队，无需自建庞大的实验室和工厂，只需接入一套能将AI虚拟输出转化为可信实体数据的底层体系。此时，他们购买的不再是几项零散的“外包服务”，而是一张将数字代码兑现为真实药物的“门票”。

历史总是惊人地相似。这一幕，与若干年前药明康德前瞻性地提出赋能“长尾客户”的战略图景何其契合。时代在变，但平台“降低研发门槛、让任何人都能做药”的底层逻辑从未改变——只是当年赋能的对象是传统的Biotech，而未来，将增添那些消耗Token的AI极客。

这或许就是药明康德最值得被重新再次认识的地方。

它的未来叙事，不只是CXO景气是否回升，也不只是某个赛道的产能是否扩张。更大的问题是：当AI让创新想法变得廉价，谁能够帮助行业把海量想法压缩为少数真正有效、真正可生产、真正可交付的药物？

AI会让虚拟分子越来越多，但不会自动让真实药物越来越多。

药明康德想占据的，正是两者之间那段最难、也最有价值的距离。