21世纪经济报道记者季媛媛 上海报道

今年以来，AI在医疗和制药领域的热度一直不减。

7月26至28日，世界人工智能大会暨人工智能在上海多场馆同步启幕。本次大会主题为“智能时代同球共济”，设会议、展览等5大板块，聚焦AI基础设施、科学智能等10大领域。据了解，本次大会有800余家企业参展，3000余项前沿展品集中亮相，含40余款大模型、50余款AI终端及100余款全球首发/中国首秀新品，规模创历届之最。

大会期间，多家互联网巨头声称要加速构建“智慧医疗”和“生命科技”生态，驱动医疗影像、智能问诊、AI实验室等细分场景需求激增。

对此，德勤中国生命科学行业主管合伙人孙晓臻在接受21世纪经济报道记者专访时指出，AI在大健康领域的应用正从“技术概念”迅速转向“规模化落地”。预计2025年中国AI医疗市场将突破200亿元，在2030年突破1000亿元，复合增长率达43.2%，全球AI制药市场有望突破500亿美元。

与此同时，现在，药企普遍意识到，仅靠“跟风”难以在国际市场建立真正的技术壁垒。因此，寻找更具差异化的新靶点，或在同一靶点下实现best-in-class优化，成为创新的关键路径。

AI在这方面是有潜力的。孙晓臻认为，一方面，AI在整合多组学、文献和数据库进行靶点发现方面大幅提升效率，缩短了“从概念到验证”的周期；另一方面，AI也能帮助企业系统性地评估靶点成药性，筛掉“看起来热但实际难成药”的方向，从而在更早阶段优化资源配置。此外，AI在BIC分子的构建方面同样大有可为，通过建模靶点与候选分子的结合位点、动力学特征，可以发现更优的药效构型和给药方案。

换言之，AI不仅能帮助“抢滩登陆”，更能帮助企业“抢到制高点”。

根据Global Market Insights的报告，全球“AI+医疗”市场正在迎来快速增长，预计年均复合增速将超过29%。招商证券也指出，该市场规模已超过50亿美元，并预计到2032年将达到700亿美元。而从市场结构看，药物发现和医学影像是AI应用最重要的两个领域，合计占比超过50%。

在谈及未来三年AI医疗、AI制药行业格局时，孙晓臻认为，可以用三个关键词来概括：融合、精准、重构。

德勤中国生命科学行业主管合伙人孙晓臻 受访者供图

AI成医疗和制药增长引擎

《21世纪》眼下，AI+医疗，AI+制药的话题层出不穷，您如何看待AI在医疗、医药赛道的市场布局前景，就您的观察而言，目前这一赛道的融投资情况如何？

孙晓臻：在资本端， AI+医疗赛道虽受宏观调控影响而理性回归，但头部企业依然获得持续关注。例如，今年6月，英矽智能宣布完成1.23亿美元的E轮融资，用于推动在人工智能平台升级和药物研发管线创新方面的突破；今年初，晶泰科技（XtalPi）通过配股和定增融资进行融资，总额超过30亿元人民币。这意味着资本正从“早期炒作”转向“平台化能力与商业落地驱动”的投资逻辑。

总体而言，AI正成为医疗和制药领域的增长引擎：场景化支持下，创新模式不断涌现；但商业化仍需验证，项目应聚焦能创造临床与成本价值的落地方案，才能吸引持续资本与市场认可。

《21世纪》：目前，不少大厂如华为、蚂蚁等均在通过合作医院获取数据训练模型，是否可能形成新的“数据垄断”？开源模型会否削弱企业技术护城河？在医疗场景中，通用大模型（如百度、腾讯）与垂直领域智能体（如华为、医渡）谁更具落地优势？如何避免技术堆砌而脱离临床真实需求？

孙晓臻：医院数据只是其中的一部分。从新药研发的角度来看，还需要其他数据集，比如分子结构、作用机制（MOA）、基因组学等。因此，我不认为生命科学公司在竞争地位上受到威胁。

然而，医院数据在帮助生命科学公司优化其研发管线和临床开发策略方面将非常有价值；它还可以通过利用真实世界数据或见解来加速临床开发进程。从这个角度来看，生命科学公司必须与本地大型语言模型（LLMs）更紧密地合作，以推动与临床开发相关的用例，例如流行病学研究、治疗标准评估、试验可行性研究等。

此外，每个模型都有其优缺点。通用模型在大众健康管理方面非常有优势，例如面向公众的疾病意识提升活动，常见健康问题的自我诊断及干预建议。例如，DeepSeek 在帮助患者进行这些方面的应用上表现出色。因此，公共卫生机构、患者组织和非处方药（OTC）企业可能会发现它们非常有用。

垂直领域智能体则更加符合特定用途。它们通常基于更深入的数据训练，以支持特定类型的应用，如AIDD、AI影像诊断等。因此，医院和生命科学企业会发现这些模型更为实用。

《21世纪》：目前AI医疗产品的主要付费方是医院、医保还是药企？如何破解“技术叫好不叫座”的盈利困局？临床级应用（如诊断）与降本增效类工具（如病历生成）的商业模式有何本质差异？

孙晓臻：在中国，大多数数字诊断和治疗方法仍需在利润方面进一步发展。制造商将它们用于增强传统治疗方法或设备的差异化价值。未来，我们应该关注几种潜在可行的业务模式：

一是国家药监局批准的智能设备报销。例如，华为智能手表在某些省份作为认证的血压监测设备可以报销。其理念是利用这些设备促进公共健康，相应会减少医院就诊次数；二是用于疾病管理和康复服务的商业保险，其中AI是解决方案的一部分。术康就是一个很好的例子（一个康复数字疗法）；三是医院中AI辅助诊断的报销。这是最新医保局指南中的一个新发展。不过，这需要更多时间收集证据并指导实际定价和报销范围。

竞合关系成为主流

《21世纪》：AI缩短药物发现周期后，临床试验是否成为新瓶颈？如何评估AI制药公司“烧钱换管线”的可持续性？

孙晓臻：过去几年，AI确实在药物研发早期发挥了显著加速作用，尤其是在靶点识别和先导分子生成阶段。然而，这种速度上的“前移”，也驱使企业探索其他环节上的加速。

对于AI制药公司是否“烧钱换管线”，我们认为应更全面地看待其可持续性。一个重要的评估视角，是关注AI投入在真实分子转化率上的表现，比如每个AI生成分子到达IND或临床阶段的时间和成本节省是否具备优势。与此同时，是否具备自动化实验室、能做到干湿实验一体验证，也会成为衡量其技术沉淀和长期价值的重要标准。

《21世纪》：AI将I期临床试验成功率从40%-65%提升至80%-90%，但监管对AI动态学习算法的冻结要求构成矛盾。当AI将药物发现成本降低50%以上，企业是否会转向“小而快”的管线策略？传统药企与AI初创公司的竞合边界在哪里？

孙晓臻：在精准筛选和自适应试验设计方面，通过引入生物标志物和人群分层，AI可以显著提高早期试验的命中率。当然，目前这类成功率提升的数据还更多来自模型预测或少量案例，还需进一步临床积累去验证广泛适用性。在监管层面我们认为监管框架会不断演进，在保证合规的同时，进一步鼓励新技术。

AI所带来的“降本提速”优势，让越来越多企业重新考虑管线策略。相比传统“重投入、慢产出”的大品种路径，一种更“小而快”、更强调快速验证与决策的策略正在兴起，尤其适合探索新靶点或高失败率领域。在我们看来，这并不是AI初创独有的路径，反而是传统药企也在积极拥抱的方向。两类企业之间的界限正在模糊——AI初创更擅长早期探索与快速迭代，传统药企则拥有强大的生物学基础、临床资源和合规能力。未来，我们很可能会看到更多“平台+临床”的组合模式，无论是战略投资、联合实验室，还是从早期就绑定的联合开发模式，这种竞合关系将成为主流。

《21世纪》：在AI制药平台逐渐成为BD核心标的的背景下，技术价值评估标准是否已从“管线数量”转向“算法壁垒”？如何量化AI平台的技术护城河？（例如：训练数据集规模、跨靶点泛化能力、临床验证分子数量）

孙晓臻：我们观察到药企在与AI平台合作或投资时，关注点已经明显从“能产出多少管线”转向“平台本身的学习能力与可持续产能”。因为真正有价值的AI平台，不是靠短期积累几个候选分子，或者服务付费的合作方式，而是能不断从反馈中优化、快速失败、快速再试，这种动态迭代的能力才是护城河的核心。

那如何量化这类能力？首先是数据本身——模型背后训练的数据集是否广泛、跨物种、覆盖多靶点，且具有良好的标签质量。其次是模型的泛化能力——不仅要在一个靶点上表现好，更要能跨靶点迁移、在不同机制下维持预测精度。再者，是模型生成分子的实际转化率，也就是这些分子是否经得起“湿实验”的验证，是否已进入IND甚至临床阶段。最后，从平台角度，还要看其是否具备模块化能力，能否快速适配不同项目和合作模式。

从更深层次看，是否拥有闭环验证系统——比如是否自建自动化实验平台，能实现“模型生成—合成验证—反馈修正”一体化，也正在成为判断AI平台长期价值的重要指标。平台化、系统性和可持续，是今天药企在评估AI伙伴时最为看重的能力维度。