“AI确实提高了工作效率，但是不是真的提高了我们的制药成功率？”

——上海齐鲁制药创新研究中心研发计算与智能化部负责人王正

“真正的first-in-class背后，是能不能理解微观生命的基本原理的问题。”

——望石智慧创始人兼CEO周杰龙

“生成式AI的泛化能力可能会远远超过你的想象，但'护栏'还是很重要。”

——水木分子COO邢杰

“当公司的会议、流程、指标开始越来越像工业时代的卓越组织的时候，停！”

——香港大学经管学院教授张炜

“我们会更欢迎跟我们进行共建的AIDD合作商。”

——复宏汉霖数智创新总经理兼首席数智官朱峰

“AI最大的价值不在于提效，在于提高上限。”

——飞书生命科学行业解决方案负责人夏世祥

2026年8月6-7日，AI FOR PHARMA 生物制药人工智能峰会圆满举办。纽扣资本合伙人熊剑主持深度访谈，与齐鲁制药王正、望石智慧周杰龙、水木分子邢杰、香港大学张炜、复宏汉霖朱峰、飞书夏世祥六位嘉宾，进行了一场题为《AI与药企的协同合作模式——从技术引入到能力内化的落地路径》的跨角色的对话。

AI赋能早研：

打破天花板，但撞上科学天花板

香港大学张炜教授在访谈中表示，他过去的演讲会以行业底色开场：过去二三十年全行业不懈努力，研发效率却在稳步下滑。如果AI只是让原有流程里每个任务都变快，指望效率叠加带来革命性成果，这个逻辑站不住脚。他还给出了一个常被忽略的判断：这个行业真正的驱动力来自监管方。过去一年全球监管政策密集变化，器官芯片、虚拟临床等新规陆续松动，监管正变得更友好地接纳AI；当行业研发效率看不到显著变化时，更高层面倾向于引入新要素、让它更快进入流程，以此形成冲击。

他举了汽车行业的例子：二十年前新能源车还是"老头乐"，中国最早做代步车和电池的企业从边缘一步步改变流程、积累能力，为今天打下基础。中国的范式转移是系统层面的，资本大量涌入AI之后，这个进程很可能大大加速。

飞书夏世祥的回答更加直接。他认为AI带来的最大的价值不在于提效，在于提高上限，也就是让过去做不到的事情变得可做。他注意到两个现象：AI工具用得越多，工作时间反而越长；单个环节效率提高了，整体研发周期却没有显著缩短。前者说明"AI提效"的说法并不完整，后者指向行业更深层的结构约束。

在早研具体场景中，齐鲁制药王正把AI的切入点概括为三件事：分子生成与优化、靶点发现、立项决策。他看重立项决策，并援引当天上午报告演讲中的一句话：选对题比做题更重要。AI对决策的赋能常被低估。临床试验、专利等信息正在实时公开，过去药企采购数据报告存在天然滞后，而AI可以把高时效信息第一时间推送到决策者桌面，让立项判断更及时。但他也观察到了中国药企的底层约束：国内做不了真正的first-in-class，缺的不是生物专家，而是自主生成的疾病模型。海外靶点的发现通常走"院校基础研究验证、发文、跨国药企跟进"的路径，国内生物模型大多依赖海外资源，AI靶点发现更多是在高效挖掘海外有研究基础的靶点。

望石智慧周杰龙对此的回应更进一层。他认为first-in-class背后的根本问题在于能否理解微观生命的基本原理，并提出了"微观世界模型"的概念：将分子生成与性质预测统筹进一个模型，理解分子机制，进而预测临床前不同基因背景下的药物扰动效应，在真正大规模上临床之前就有更好的结果把控。他描述了一条演进路径，从专家驱动的DMTA循环（设计、合成、测试高度割裂），到AI工具加速研发，再到智能体推动自动化、帮企业沉淀数据与知识，每一步都在把研发从依赖人推向系统化。

水木分子邢杰则是补充了生成式AI的另一面：模型泛化能力可能远超想象，真正first-in-class的分子或从中涌现，但必须装上"护栏"，让泛化在可控范围内发生。

访谈中，王正泼下的一盆冷水。他问了一个关键问题：AI确实提高了工作效率，但真的提高了制药成功率吗？最早的AI制药企业，包括英国的第一家AI公司，管线已基本归零，多数倒在二期。行业里堆积了大量一期管线，二期及以后的转化远未兑现。他认为这背后本质上是科学问题尚未解决，而非AI技术问题。AI目前是一个统计模型，只能根据历史数据告诉你最可能发生的下一个事件，对没有发生过的事情没有任何预知能力。当行业把大量精力花在表面工具与流程美化上，真正的科学问题反而无人去解。

数据差距同样刺眼：国内药企数十年的数据积累与跨国药企相比如同小学生面对大学生，别人的模型预测准确率已经到九十多，基于公共数据的国内模型可能只有八十多的天花板。在他看来，临床或许是AI弯道超车的确定性机会，但前提是正视差距。

AI合作伙伴的选择

从采购工具到共建能力

技术引入的第一步是选择与谁合作。

复宏汉霖朱峰以药企端给出了三个标准：第一，看行业know-how的沉淀，模型能力差距在快速缩小，但懂行业和不懂行业的合作效果差距很大；第二，看行业数据沉淀，比如IQVIA、Medidata这类合作伙伴，技术能力与普通AI公司相当，但海量行业数据构成了真正的壁垒；第三，看共建的能力与意愿，复宏汉霖不欢迎带着黑盒SaaS来的供应商，更欢迎共建型合作，合作方通过项目打磨产品，甲方通过项目内化AI能力、锻炼团队。

王正的态度更直接。他不愿与把开源软件改一改就卖钱的公司合作：开源软件药企内部也能用，内部项目迭代的模型可能做得更好。他真正希望看到的是从科学出发、有原创价值的算法。他更偏向薛定谔、OpenEye Scientific式的行业金标准，有拳头产品，反复打磨，做到永远被追赶、永远不会被超越。这既是在提醒AI机构，也说出了对国内软件行业整天做fast follow的不认同。

AI机构侧也给出了回应。周杰龙分享了两个案例：与齐鲁的合作基于电子云密度数据构建分子生成模型，让药企更快、更低成本锁定与参考分子活性、选择性处于同一量级的先导化合物；与广药、华为的三方合作中，广药提供场景、华为提供算力、望石提供模型平台，解决的不仅是研发问题，还有企业的战略定位。水木分子邢杰则代表了另一条路线。他认为开源生态是AI发展最重要的基础，水木分子是生成式AI垂类模型国内最早的开源方，其智能体研发平台已对外开放。他将公司定位为"tech bio"：AI tech加上bio，bio就是成药性，而成药性不是做到PCC就算完成，必须形成闭环、快速试错。

如何把AI变成组织自身的能力

选定合作伙伴之后，更难的问题是如何把AI变成组织自身的能力。

张炜从战略层面提出两个警示：一是迷信能人，指望砸钱找一个伟大的人就能带来改变，这是危险的；二是迷信最佳实践，不能用工业时代的最佳实践来做AI时代的变革。他倾向在常规部队创造的财富基础上快速建立"特种部队"，任务、架构、支持都不同于传统组织。他一再提醒，不确定时代任何人给出的组织模型都大概率不可信，核心逻辑是活下去：先让核心业务获取足够的粮草，确定目标后疯狂追求结果。当一家公司的会议、流程、指标开始越来越像工业时代的卓越组织时，就该停下来，没有比这个信号更危险的。

夏世祥提供了这套思路的落地方法论。他认为AI让企业知识承载的颗粒度第一次可以被重构，比如"为什么这个靶点符合、为什么不符合"这类决策逻辑，在AI出现之前很难被沉淀。颗粒度一旦下沉，业务流程就具备了重组空间。企业可以从"AI+场景"切入，然后重写两套说明书：一套是未来岗位上人的工作说明书，一套是配合岗位的agent的工作说明书，写清输入、输出和token成本量级。在营销链路的实践中，飞书把BD专家的决策逻辑结构化、skill化，形成新员工入职基线，将团队平均水平拉到上限之上。某客户一个岗位被解构出50多个工作项，其中30多个可以交给AI。岗位被重新定义之后，"AI+"就自然走向"AI重构"。

复宏汉霖的实践展现了内化的更高形态。研发团队将AI视为一个想法完全不一样的科学家，干得快、不拿工资，成本只是token。在他们看来，AI未来的角色可能像今天的Excel、Word一样，成为研发流程的固定组件：你不一定理解它为什么这么想，但它可以作为实验和设计的一部分。研发侧的杨馨怡表示，希望有一天AI落地一个项目不再是需要拿出来宣传的事，而是一件理所当然的事。

还有一个细节。在"AI是否取代PPT"的问题上，台上出现了三方碰撞：夏世祥的团队已全面转向HTML，用AI重写呈现形式；朱峰则认为企业内部PPT短期离不开，复宏汉霖上线的AI生成PPT agent单日调用达数千次，他的态度是好用就拿来用；王正则提醒大家，毕竟不是PPT制药，还是要落地到把药做出来。张炜的建议落在另一个维度：找一个小项目，找一个有颠覆性基因的组织，试一次开放性的合作，体验不一样的生产关系。嘉宾观点与态度各不相同，也说明了AI内化没有唯一正确的路径，只有从各自真实场景出发的务实选择。

现场最后一个问题来自观众提问，关于药企间的数据孤岛，王正直言，数据是药企的核心资产，连放到外部网络都难，几乎不可能共享，跨国药企同样如此，除非政府牵头否则很难实现共享。邢杰给出了稍显乐观的信号，提到了国家数据局的建设、UK Biobank用时间换价值的例子，也提出了"交叉持股"的设想。这个话题没有结论，但它的存在本身说明，AI与药企的协同还牵扯数据制度与行业生态。

回到本场圆桌的主题。六位嘉宾立场各异，但整场对话有一条清晰的线索：行业对AI的认知正在从"能不能用"的技术验证，走向"如何成为组织能力"的系统工程。从提高上限到选对题目，从共建合作到正视数据差距，这是一条从技术引入到能力内化的路径。

熊剑在圆桌最后引用了DeepSeek创始人梁文锋的一句话：我只让我的员工工作50%的时间，剩下的50%让他们自由思考。在AI与药企协同的语境下，这句话或许可以理解为技术引入只是起点，能力内化需要组织为创新留出空间。

从技术引入到能力内化，没有捷径，但有路径。