英矽智能任峰谈AI制药：管线价值不靠热度支撑，靶点与交付成关键

对第一代AI制药公司而言，行业看企业的标准已经变了：从前看平台、看技术，现在看靶点、看管线、看交付。

据IPO早知道消息，10月24日第十一届医药创新与投资大会期间，英矽智能联席首席执行官兼首席科学官任峰博士在媒体群访中谈到了公司身处AI制药竞争中的一些思考。

说到AI制药企业的BD合作趋势，任峰表示：“过去交易双方洽谈时，通常要从介绍AI平台开始，经过多轮尽职调查和沟通，验证平台是否有效、能否高效发现分子。如今，合作方往往会更快进入具体项目，直接讨论靶点以及希望解决的疾病问题，不再需要花费大量时间证明平台本身的可行性。”

与此同时，大型药企对靶点创新性的看重程度在上升。对方能不能避开同质化竞争、扎进生物学底层、找到尚未被充分认识的疾病机制，是他们关心的问题。另外，合作伙伴也会考察企业把靶点做成药物管线的交付能力。

另一面，科技大厂陆续入局，技术路线也从单一模态走向多模态，单模态算法工具和单纯筛库平台的溢价能力正快速下滑。

换句话说，大型药企对First-in-Class资产的需求在升温，靶点发现能力因此越来越显稀缺。

英矽的技术体系里，除了AI分子设计平台Chemistry42，还有PandaOmics靶点发现平台，靠患者多组学数据去找与疾病密切相关的新靶点。举例来说，PandaOmics辅助识别出一个全新的疼痛治疗靶点Target Z，这个靶点此前没有与疼痛管理建立起系统性关联；公司再用Chemistry42做分子优化，提名临床前候选化合物ISM9528。据介绍，该项目在已测试的镇痛模型中表现出较强的镇痛活性，优于吗啡、

还有一点，任峰认为外界对AI制药存在一个理解误区，就是把生成更多分子当成研发效率的提高。

AI生成大量候选分子只是第一步。假如每生成一个分子都要靠湿实验逐一验证，研发团队照样得承担大量实验成本，AI的效率优势也很难充分体现。真正关键的是算法能不能从大量可能性中认出最有希望的候选分子，把那些新颖却缺乏实际应用价值的设计排除掉，让搜索空间不断收敛到少数值得推进的分子上。

帮研发人员更快锁定值得投入资源的方向，而不是让摆在面前的选择越来越多——这是AI制药平台的重要目标之一。

数据和算法上，任峰说公司起步阶段就针对具体问题建了垂类模型：溶解度、透膜能力、代谢稳定性等各有对应类型的数据来训练算法，且不建立在任何基座模型之上。

这也点出了英矽与另一条技术路径的分野——后者以大模型为底座，靠多模态能力和智能体调度各种工具。英矽走的是为具体科学问题建专门模型、多年持续迭代的路子；另一条路则想用更通用的模型能力去协调不同工具。任峰说：“两种路线可能会趋近，双方既存在竞争，也可能相互促进。”

任峰还提到，跟规模庞大的开源数据比起来，任何一家公司的内部数据都只占很小一块。英矽的做法是先用公开数据建模，再靠内部实验不断反馈、持续优化。

内部实验数据质量高、跟实际研发问题贴得紧，短板是量不够。公开数据因此充当更广的训练基础，内部实验则用来验证预测结果、找出偏差再优化，数据规模和真实研发场景里的验证质量两头兼顾。

照这个逻辑看，AI制药的效率高低，很大程度上取决于数据、算法和实验三者能不能持续迭代起来。

新生代公司接连入场，大模型技术跑得快，新路线又容易拿到高市场预期。任峰表示，新兴行业快速迭代中出现过热、甚至带点泡沫并不意外，关键是热度退去之后，企业手里还有没有能撑住自身价值的资产。

行业景气的时候，技术和算法很容易被看见；可一旦市场回过头去重新掂量技术的真实价值，这块溢价说缩就缩。管线资产不一样，AI 概念再降温，它也不会因此丢掉市场的认可，说到底，值多少钱还得看靶点够不够新、临床数据怎么样、开发走到哪一步，以及往后商业化的前景。