《投資者網》蔡俊

DeepSeek席卷醫藥界，一場激動人心的創新變革已然開啟。

2月，國內醫藥龍頭恒瑞醫藥在內部發布《關于在公司內部全面開展DeepSeek應用的通知》，根據董事長孫飄揚指示，決定在全公司范圍內開展 DeepSeek應用工作。

實際上，海外藥企的AI布局早已風風火火。截至目前，美國是AI制藥領域的領跑者，占全球市場的54.4%，英國和歐盟各自約占12%。以中國為主的亞太地區，還處于起步階段。

AI技術在醫藥領域的應用，目前主要在研發的藥物發現端口。業內預計，AI的計入將使時間縮短至原來的1/3，成本降低至原來的1/200。無論怎樣，新時代大船的桅桿已然躍于海面。

吃螃蟹的兩家

2021年，AI技術萌芽期，跨國制藥企業羅氏就成為第一個吃螃蟹者。

當期，羅氏旗下的基因泰克與Recursion宣布達成合作，前者利用后者的技術在神經科學和腫瘤領域完成藥物發現。若所有項目成功開發和商業化，Recursion或獲得超過120億美元的收益。

不止如此，同年羅氏基因泰克還收購初創企業Prescient Design。該公司擁有機器學習和生成式蛋白質設計算法的，羅氏收購的意義，在于希望利用人工智能來學習來識別、優化和設計抗體，加快抗體療法推向臨床試驗的速度。

回過頭看，當年羅氏的AI布局不只是一次試水。整個醫藥研發的過程，前端的藥物發現尤為重要。正所謂“萬事開頭難”，若藥物發現和設計足夠精準，將會大大提高后續的研發成功率。

2023年，Open AI的浪潮席卷全球，英偉達一戰成名。同期，嗅覺靈敏的羅氏再次出手，旗下基因泰克與英偉達展開合作，應用后者的加速計算能力和人工智能，提升人工智能研究項目，加速新療法和藥物的發現和開發。

具體到合作顆粒度，雙方在平臺運用、技術共享、數據使用、重點方向等方面深化合作。如重點方向，雙方初期將專注優化羅氏實驗室閉環框架中的藥物發現 AI 模型，加速其“循環實驗室”系統，幫助研究人員了解復雜的生物分子模式和關系。

另一家與AI結緣的制藥巨頭為拜耳。2018年以來，拜耳企業風險投資部門Leaps by Bayer多次投資Cellino Biotech、Recursion等AI企業。

其中，Recursion正是后來羅氏合作的企業。投資之初，拜耳主導了Recursion的D輪融資，金額5000萬美元。2023 年，雙方合作升級為精準腫瘤學，利用拜耳的小分子化合物庫、生物學和藥物化學方面的專業知識以及Recursion專門構建的人工智能指導藥物發現平臺，推進新型治療靶點的鑒定工作。

AI風口起，萬物生長正當時。

巨頭+巨頭>2

羅氏和拜耳的先行布局，猶如一種無形壓力，令眾多跨國藥企加速AI步伐。

2023年，Open AI名噪天下阿斯利康順勢在財報電話會議上，多次提及人工智能，表示公司會積極探索 AI 在藥物研發全流程的應用，提高研發效率和成功率。

更早之前，賽諾菲直接喊出 “AII in 人工智能和數據科學” 口號，立志成為 “第一家大規模由人工智能驅動的制藥公司” 。公司的切入方式主要與Aqemia腫瘤學合作，重點聚焦藥物發現以加速藥物研發進程。

行業巨頭下水布局，Moderna和BioNtech等新貴也迫不及待加入。兩家企業以成功研發新冠疫苗聞名，在研發階段就嘗試使用AI技術進行價值鏈的賦能。

很快，時間來到2024年。AI科技第二次大爆發的前夜，美國制藥巨頭禮來宣布與OpenAI達成合作。

不同于以往的業內交易，本次交易的雙方均是各自行業的巨頭。根據協議，禮來將利用OpenAI開發新型抗菌藥物，以解決抗微生物藥物抗藥性（AMR）對人類造成的威脅。在此之前，禮來已經承諾將向AMR行動基金提供1億美元。AMR是全球公共衛生和發展領域面臨的最大威脅之一，但攻克難度極大，多家藥企折戟。

對此，禮來公開表示，“生成式AI提供了一個新的機會，可以幫助研究人員加速發現新型抗菌藥，并在與抗藥性細菌的斗爭中開發專用技術。”

或受同行的推波助瀾，拜耳和谷歌云也宣布合作開發人工智能解決方案，前者利用生成式Ai工具加速放射學應用程序的開發和部署。

巨頭+巨頭的1+1時代，在海外已然成風。

國內躁動的企業

AI在海外風風火火的趨勢，也讓國內企業躁動。

到目前為止，CRO企業是最熱衷利用AI技術的代表。藥明康德就通過自研的Chemistry42 AI分子設計平臺，參與到藥物研發、生產及數據管理等多個環節，主要方向是設計小分子化合物。同時，公司與英矽智能、Schr?dinger等合作，拓展應用邊界和優化臨床試驗設計。

同行業的泰格醫藥，則利用AI技術輔助臨床試驗設計、患者招募、數據監測和分析等，提高臨床試驗的效率和質量。

恒瑞醫藥本次的AI學習，主要自上而下推動，即成立專項工作小組，各分管領導親自抓部署、抓落實，各部門根據自身業務需求，制定詳細的DeepSeek應用計劃，明確應用場景、實施步驟、預期目標及時間節點，計劃應具有可操作性和可量化性。

但需要指出，AI 在醫藥領域的應用仍有局限性，需要真實病例中的驗證、大量有效實驗數據的收集都是重要參考因素。未來，藥物研發會更依賴數據驅動的決策，但也需要研發團隊的直覺和經驗為引導，平衡臨床過程中的藥物安全性和有效性。

以上種種，都主要在研發層面。商業化層面，銷售團隊也可以利用AI工具，在歷史數據、市場動態、患者需求等因素的基礎上，判斷產品的銷售前景，進而優化生產計劃和庫存管理，提高供應鏈的效率和響應速度。（思維財經出品）■