2026年的创投圈，风向标清晰指向了两个关键词：AI 与硬科技。在刚刚落幕的 WA VES 2026 大会上，一场关于“生命的新算法”的圆桌对话，恰好捕捉到了这股浪潮最前沿的脉动。

这场对话的主题颇具深意。“生命的新算法”——一个宏大且充满哲学思辨的命题，却精准地概括了当下 AI 与医疗交叉领域的时代坐标。AI for Science 已从概念走向共识，而在传统、保守、被认为最难被算法渗透的医疗领域，变化正在悄然发生。靶点发现、分子设计这些研发端的应用已不再稀奇；产业层面，AI 制药公司的 IPO 进程在加速，BD 出海的热潮中，AI 公司的身影也越来越活跃。

因此，这场圆桌聚集了三位来自产业和资本的嘉宾：望石智慧创始人兼CEO周杰龙、哲源科技联合创始人赵宇博士，以及弘晖基金执行董事周鑫。他们的视角，恰好构成了从技术实现、底层突破到资本验证的完整闭环。

AI 到底改变了什么？

对于 AI 在真实研发场景中的价值，两位创业者给出了截然不同却又互为补充的答案。

周杰龙的回答直指药物研发的“核心痛点”。他指出，无论技术如何迭代，药物早期研发的“DMTA 循环”（设计、合成、测试、分析）框架始终存在。传统模式的瓶颈在于，一切都以“人的经验”为核心驱动。这带来了三个致命问题：一是分子设计依赖直觉，极易陷入专利冲突或创新不足；二是全人工流转的流程极度割裂，效率低下；三是海量研发数据形成孤岛，无法转化为企业资产。

针对这些痛点，望石智慧的解决方案是打造一个“全栈式智能研发体系”。用多模态的 AI 3D 小分子生成平台辅助专家规避经验陷阱，用多智能体系统自主串联研发流程，并最终将所有过程数据沉淀到“数字罗盘”中，将过去分散在 PPT、Excel 里的核心资产统一管理。用他的话说，这套模式的核心是把“研发思路存于人脑、流程靠人沟通”，转变为“AI 深度融合设计逻辑，智能体自主驱动，数据持续沉淀并反向迭代模型”。这本质上是一次研发范式的升级。

赵宇博士的视角则更为底层，直指“第一性原理”。他尖锐地指出，全球药物研发长期以来遵循着一种“先写答案，后找题目”的范式。无论是仿制已知靶点的分子，还是将研发分子逐一投入临床试错，本质上都是在已知或未知的疾病里“蒙答案”，成本极高。

哲源科技走的是另一条路：先解析疾病，再锁定靶点，最后指导分子生成。他们依托组学数据搭建计算医学技术体系，试图“先确定题目，再书写答案”。他用自家胰腺癌管线1B期临床数据对标行业2A期成熟研究来证明这一路径的可行性。在药物研发初期，他们已能预判其除胰腺癌外，对结直肠癌等疾病的潜在适用性。这背后是对人体 25000 个编码区基因、每个人携带的 300-500 处基因变异的全局影响解析。

主持人胡香赟对此的总结很到位：过去行业聚焦研发“First in class”（FIC）分子，现在思路正在转向“First in disease”（FID），从疾病根源切入。

资本视角：验证期已至，壁垒何在？

当两位创业者描绘了技术蓝图后，来自资本方的周鑫切入了一个现实问题：当下的市场情绪与两年前截然不同，甚至有人断言“能驾驭好AI的团队才能融到资”。那么，AI 医疗赛道究竟处于什么阶段？长期值得持有的标的应该具备什么特质？

周鑫的判断非常明确：关键转折点已经到来。他从2016年就开始系统跟踪 AI 赛道，早年在 AI 医学影像（如肺结节识别）领域做过大量调研，最终没有出手，核心原因是配套监管和产业落地条件不成熟。直到去年，他们真切地感知到，即便在传统的“先分子、后适应症”范式里，AI 也能释放真实价值。自此，弘晖基金决定加码布局。

谈及筛选标准，他特别强调壁垒。AI 赛道的护城河无非是算力、算法、数据三个维度，而数据是核心中的核心。企业必须具备独家且足量的自有数据、能自主优化模型的自研算法，以及支撑持续大规模研发投入的融资能力。这才是穿越周期的硬通货。

商业模式进化：从授权到基础设施共建

AI 制药如何实现可持续商业化，是行业长期关注的另一核心问题。过去，主流路径是 BD 出海，靠产品、技术平台授权获取现金流。但从去年末到今年上半年，合作模式已悄然升级——从单纯的“技术授权”转向“医药基础设施共建”。礼来与英伟达、默沙东与谷歌云，交易金额均达十亿美金级别。

周杰龙认为，这释放了一个统一信号：AI 模型已具备规模化商用能力，医药行业基础模型授权或将成为全新商业范式。他分享了望石智慧与广药、华&为的三方合作，这正是这一趋势的国内样本：广药提供真实研发场景，华&为提供全栈国产化算力保障数据安全，而望石智慧输出全套 AI 基础设施。这种三方互补共生的模式，有望成为可复制的产业样板。

真伪 AI 的分辨术

面对市场上鱼龙混杂的 AI 制药故事，如何分辨真伪？周鑫给出了一个务实的判断标准：看效率是否实现了量级提升。他坦言，单纯看分子成果很难区分是 AI 生成的还是人工手搓的。关键在于拆解企业全研发环节，核查 AI 产出是偶发性特例还是批量稳定输出。如果一个 AI 团队仅用传统企业 1/10 的人力，就能产出同等数量的候选药物，那便是真 AI 落地。

赵宇博士则补充了两个容易混淆的维度：一是要区分“信息化”与“数字化”，行业里 90% 的相关工作可能只停留在“信息化”层面；二是要区分 AI 模型的底层逻辑，是依赖人类已知规则搭建的小程序，还是通过超高维参数自主挖掘规律的大模型。跨学科认知的天然壁垒，使得这个问题格外复杂。

未来之路：瓶颈即关键

最后，三位嘉宾用一句话概括了未来 1-2 年 AI 制药要跨越的核心瓶颈：

• 周杰龙：“数据，数据，数据。湿实验成本高昂，我们需要从第一性原理出发，生成海量模拟数据，与真实数据结合训练模型。”
• 赵宇：“最大的阻碍是行业跨学科认知壁垒。多数从业者难以理解非线性、跨尺度的生命模型，对新技术天然存在保守心态。行业需要主动接纳 AI 带来的全新认知工具。”
• 周鑫：“核心是数据。但需要加上限定词：是足量的、与方法学匹配的、有正负双向反馈的、干净且准确的数据。”

从“算法”到“生命”，这条研发之路注定周期漫长、挑战重重。但正如这场圆桌所展现的，国内已涌现出一批兼具技术深度与产业理解的创业者。中国 AI 制药赛道，正在从跟跑向领跑跨越，其持续产出的突破性成果，值得期待。