AI制药的基建大赛开始了

当人工智能将药物研发推进至“分钟级”时代，另一个稀缺资源浮出水面——用于验证这些设计的实验室。

这一趋势正在全球范围内同步上演。美国初创公司Chai Discovery成立不到两年半，估值已飙升至38亿美元，其CEO提出一个反直觉的观点：AI不会减少湿实验的数量，反而可能增加，正如程序员效率提升后，对代码的需求反而上升。

瑞士初创企业Adaptyv Bio为Anthropic的Claude完成了1320条蛋白序列的湿实验验证，过去一年营收增长近10倍，刚刚完成4000万美元的A轮融资。这向外界传递了一个信号：模型越智能，验证需求越呈爆炸式增长。

9月11日，金斯瑞生物科技通过一则公告加入了这场竞争：该公司计划配售7712.6万股新股，每股配售价为30.50港元，预计募集资金净额约为23.27亿港元。

其中，募集资金的70%，约16.29亿港元，将用于扩大集团AIDD平台的产能和基础设施，包括自动化高通量湿实验室设施、相关设备及实验室升级；20%用于AIDD相关研发、数字化工作流程整合及全球业务拓展；剩余10%用于一般公司用途及运营。

一家以基因合成、蛋白表达和生命科学服务为主营业务的公司，为何要为AI药物发现平台一次性投入超过16亿港元？

答案或许是，AI制药的竞争焦点，正从“谁能设计出更多分子”，转向“谁能更快、更准确地验证这些分子”。

于是，一场围绕AI制药基础设施的竞赛，正式拉开序幕。

/ 01 / AI能设计更多分子，但实验室尚未做好准备

过去几年，AI制药最受关注的环节是计算设计。

输入靶点、蛋白结构和疾病信息，模型能在更短时间内生成大量候选分子，也能在更广阔的化学空间中寻找过去难以发现的结构。

但设计并非终点。

候选分子能否合成？能否表达？能否与靶点结合？是否具有细胞活性？是否具备成药性？这些问题最终都需要在湿实验室中得到解答。

金斯瑞在2026年中期业绩会上指出，AI模型如今能在数小时内生成数千个候选分子，但传统实验流程并非为这种规模和速度而设计。过去需要数周完成的验证，往往要经过多个相互割裂的步骤，实验数据也未必能及时、标准化地反馈给AI模型。

这形成了一种新的错配。

模型的速度越来越快，实验的速度却未能同步提升；模型一次生成数千个答案，实验室仍在按照几十年前的流程逐个验证；算法可以持续迭代，但实验数据无法快速回流，模型也就难以真正优化。

AI制药的瓶颈，正从“能否提出一个好想法”，转向“能否将大量想法转化为高质量数据”。

这也是为什么，AIDD的基础设施不再局限于GPU和算法模型。

它还涵盖基因合成、蛋白表达、抗体发现、自动化实验、筛选检测、数据管理和数字化流程。只有当计算设计与湿实验验证相互连接，AI制药才可能形成真正的闭环。

/ 02 / 先把“卖铲子”的生意做起来

金斯瑞此次募资，为我们提供了一个观察AI制药基础设施的窗口。

从公告来看，公司要扩建的并非单一实验设备，而是一套自动化高通量合成、筛选和检测平台。

它要解决的，也不是某个客户的单点需求，而是当AI制药客户一次性带来成百上千个候选分子后，平台能否稳定承接、快速验证并返回标准化结果。

这与传统生命科学服务的逻辑并不完全相同。

传统研发服务通常围绕一个项目展开：客户提出需求，服务商完成一段实验，再交付结果。AI制药客户带来的需求，则可能是高通量、高频次和持续迭代的：模型生成一批设计，实验验证一批结果，数据再回流模型，模型继续生成下一批设计。

这意味着，平台的价值不再只是“把实验做出来”，而是能否将实验打造成一条可复制、可扩展、可持续交付的生产线。

金斯瑞2026年上半年的业绩，已出现这一趋势的早期信号。上半年，公司AIDD相关业务同比实现翻倍增长，并连续三个半年度保持快速增长。此外，其表示基因到蛋白平台约占生命科学事业群收入的66%，已成为业务增长的重要支柱。

这组数据表明，AI制药带来的不仅是模型公司的订单，也可能向上游实验服务、试剂耗材、自动化设备和数据服务传导。

模型公司设计得越快，验证平台需要处理的实验量就越大；模型迭代得越频繁，数据反馈的速度就越重要；单个项目产生的候选分子越多，客户越不可能依赖分散的供应商逐个完成。

基建型公司的机会，正是在此出现。

/ 03 / “湿实验验证”，下一个竞争高地？

AI制药过去更像是一场模型竞赛。

谁拥有更强的算法、更大的算力和更多的数据，谁就有机会在药物设计环节领先一步。

但当越来越多的公司进入这一领域后，模型本身正变得更容易获得。真正难以复制的，开始转向模型之外的东西：高质量数据从何而来？实验如何标准化？不同批次的结果是否可比？能否在几天内完成，而非几周？

这也解释了为何AI制药的“基础设施”必须是干湿一体的。

“干”端负责提出假设、生成设计和优化候选分子；“湿”端负责合成、表达、筛选和验证；数字化系统负责将实验结果转化为模型可继续使用的数据。

缺少任何一环，闭环都无法成立。

如果只有算法，没有足够快的实验验证，模型产生的候选分子就会堆积在虚拟空间；如果只有实验能力，没有标准化的数据回流，实验室就只是传统CRO的自动化升级；如果只有数据，没有持续迭代的模型，数据也难以转化为研发效率。

因此，AI制药基础设施的竞争，最终比拼的是四件事：规模、速度、可靠性和数据质量。

金斯瑞在2026年上半年业绩交流中披露，约60%的全球实验室已配备AI驱动的自动化工作站，Gene-to-Protein平台可将从数字序列到模型可用数据的交付周期压缩至最快4天。

4天意味着什么？

它不代表药物研发4天完成，也不代表所有实验都能在4天内结束。但它至少说明，AI制药产业正在重新定义“验证周期”——从过去按周计算，开始向更短的交付周期推进。

这也是为何，Anthropic的蛋白结合剂实验中，1320条候选序列的湿实验验证，交由Adaptyv Bio这家初创公司完成。该公司将实验室重塑为“AI Agent的物理后端”：每条检测起价79美元，可通过API直连，返回机器可读的结构化数据，并运营包含阴性结果的Proteinbase开放数据库（已收录3000余条验证蛋白）。

传统湿实验室为人设计，依赖邮件与PDF报告交付；Adaptyv则为AI Agent设计，依靠API与结构化JSON交付。这并非更快更便宜的CRO，而是一种重构，正好踩中了AI蛋白质设计模型验证需求的爆发窗口。过去一年，这家公司的实验室测试了超过1万条蛋白，客户数突破100家，收入增长近10倍；目前每月表达数千条蛋白，表达成功率超过90%。

回到国内，金斯瑞的16亿港元下注，正是同一场比赛的本土回应。

对于AI原生药企而言，实验验证越快，模型迭代就越快；模型迭代越快，候选分子淘汰和优化的效率就越高。对于服务商来说，缩短交付周期不仅是提升客户体验，更是争夺长期合作关系的基础。

下一个竞争高地，由此诞生。

本文来自微信公众号“氨基观察”（ID：anjiguancha），作者：氨基君，36氪经授权发布。