晶泰科技在张江线下部署的AI智能实验室实景

“未来的新药研发将日益演变为一项系统性工程，我们的目标是让那些原本被视为纯粹科学问题与挑战的环节，逐步转化为可量化、可解决的工程问题与工程挑战。”不久前，晶泰科技于张江成功举办了AI驱动新药研发创新峰会。公司联合创始人兼首席执行官马健博士在会上明确提出了这一判断：AI药研的工业化时代已然来临。更直白地讲，人工智能正从过去零散化的“研发辅助工具”，一跃成为支撑整个制药行业的基础设施——实现从单点突破向全链条创新的跨越式演进。

从当前行业格局来看，AI制药领域的共识正在经历一次关键转向：重点不再仅仅是算法有多先进，而是能否真正兑现临床价值。如何借助AI技术以及机器人等前沿手段，有效缩短研发周期并降低临床试验失败风险，已成为所有参与者必须直面的核心课题。会上，晶泰科技与其合作伙伴共同公布了多项最新的临床及技术进展，这在一定程度上印证了一个事实：AI制药的工程化能力正步入规模化兑现的全新阶段。

将科学不确定性转化为工程确定性

过去几年间，人工智能对新药研发的渗透几乎在重塑整个制药产业的底层逻辑。放眼全球，跨国药企正将AI更深地嵌入自身的研发管线。礼来曾公开透露，AI技术已广泛融入其研发流程；美国FDA的动作同样值得关注——该机构从监管层面开始系统性推进AI技术的应用，例如对器官芯片这类新兴方法学的态度，已从“科研支持”正式转向“主动纳入监管框架”。

由Google DeepMind孵化的Isomorphic Labs，在2024年先后与礼来、诺华达成了近30亿美元的战略合作，目标直接指向GPCR等复杂靶点背后的多条AI药物管线，并计划于2026年推进至临床试验阶段。这些信号叠加在一起，引发了一个关键问题：AI制药的下一个拐点究竟在哪里？

马健从三个维度给出了自己的判断：垂类模型的发展、研发数据的生产方式变革，以及基础大模型的全面渗透。

从过去几年的演进来看，AI制药领域的垂类模型正在经历底层架构的趋同。以往小分子、大分子、多肽、小核酸等不同药物类型，在算法模型上几乎是泾渭分明的，各有各的独特打法。但现在，随着模型向全原子和跨模态方向演进，算法底座正在变得越来越统一。这实际上是一件好事——意味着过去分散的研发工具，正朝着一个共同的技术根基收敛。

然而，数据和实验基础设施的问题依然十分突出。可以毫不夸张地说，在药物研发的各个环节，数据远未达到“完备”状态。无论是数据量、数据质量、样本空间的分布，还是目标函数的不确定性，都严重依赖新型实验基础设施的支持。这就引出了第二个关键维度：研发端的数据生产方式必须重新思考。过去主要依赖人工操作，但未来的路径已经十分清晰——自动化、机器人和AI Agent将成为“数据生产”的核心力量，共同构建数据飞轮，形成更智能、更高效的干湿闭环研发能力。

在基础模型渗透方面，马健的观点非常形象：之前可能还像个刚入门的小学生，今年已经相当于博士毕业的水平，再过几个月，甚至可能具备行业专家的能力。基础大模型正以肉眼可见的速度渗透到更多环节和领域。例如，对于流程性组织，利用基础大模型搭配Agent，可以替代许多依靠人力决策的环节，实现更高的自动化程度和效率。

但对于创新研发组织来说，一个真正棘手的问题是：基础大模型如何与一个团队产生更紧密的协作？如何从单纯的“赋能个人”——帮助写代码、写文件——升级为“赋能整个组织”，共同推动创新目标的实现？这仍然是整个行业有待解决的关键命题。

更进一步说，马健提出的一个判断非常值得深思：未来的赛道领跑者，不会是某个单项能力最强的参与者，而是那个能够最好地构建起协同技术、科学、临床、产业等生态各方的平台型力量。未来的新药研发，本质上是一场系统性工程。核心目标就是把越来越多的科学不确定性转化为工程确定性，从而实现更大规模的产业化落地和真实世界验证。

从创新“苗圃”走向产业“森林”

在这场全球AI制药的产业化浪潮中，晶泰科技无疑走在了前列。他们打造了一套在行业内独具特色的全闭环研发体系，其核心逻辑可以概括为：AI模型预测 → 机器人执行湿实验 → 数据反哺AI → Multi-Agent智能调度。听起来可能有些抽象，但其实际效果正在被不断验证。

晶泰科技首席科学官张佩宇博士在会上围绕研发范式变革与AI自主发现体系做了详细解读。他的观点非常明确：药物研发范式正在经历一场本质性的切换——告别依赖经验科学和理论科学的传统路径，直接跨入数据驱动的自主发现时代。所谓自主发现，就是让AI自己产生新的靶点、机制或化合物，再通过评估来判断其合理性，最后自主完成实验闭环。

张佩宇以化学场景为例，展示了这套系统的具体工作流程：先通过自然语言描述，由Agent生成研发流程并发出指令，然后物理智能（即机器人）进行实验操作，最后Agent调用工具完成实验推进与数据分析。这套系统已在晶泰科技内部跑通并验证，结果表明分子合成的效率和成功率均有大幅提升。

还有一个值得注意的观点：实验室可能是物理智能最理想的训练场。与工业或家用机器人场景相比，实验室的布局可控，操作对象有限且价值领先——毕竟是在创造新物质、新药物、新材料。而且，实验室的流程不固定、调度复杂度高，反而能够支撑物理智能完成多阶段的技术迭代。晶泰科技早在2020年就完成了AI机器人实验室的能力搭建，并于2025年正式启动了通用物理智能的研发工作。他们的核心武器，是一套自建的、一体化的科研数据基础设施，能够实现数据生成、标注、建模的全闭环，从而持续提升新药研发的整体成功率。

从更宏观的视角来看，晶泰科技的愿景是持续以开放的生态连接产业链各方，依托不断进化的AI机器人研发新基建，去破解更多新药研发中的痛点。说到底，整个行业从创新的“苗圃”走向产业“森林”，其根基和未来都系于一件事：持续构建并深化的AI药研工程化能力。这不仅是晶泰科技自身的核心竞争力，更是整个行业能否真正跑起来的关键所在。