英矽智能任峰51岁：35个管线进PCC，BD达110亿美元

2026年，任峰51岁，身边冒出来的同行越来越多是30岁出头的年轻人。

他是英矽智能（03696.HK）的联席首席执行官。今年上半年，公司正式宣布盈利：依托生成式AI平台Pharma.AI开发的35个管线资产进入PCC（临床前候选化合物），基于AI技术平台和管线的BD合作披露金额达到110亿美元，在国内AI制药类企业里排第一。

制药这一行，过去最讲产业积淀和研发经验，说白了有点“论资排辈”。现在AI正在改这套运行多年的规矩。大语言模型一跟上，年轻的博士生们就想把传统的经验科学做成工程问题，于是30岁上下就能以创业者身份站到台前，拿到不菲融资和高估值。

他们跟“任峰们”之间的代际差，摆得很清楚。

任峰这一代人面对资本市场和大众，大多是一副谨慎、克制的传统科学家样子。“做80分、讲60分”是那时的生存哲学——保守一点不吃亏，太激进往往翻车。任峰自己就是例子：2020年收到英矽智能的加盟邀请，这位传统制药体系出来的“老兵”先当了近半年顾问，反复求证AI制药“是真是假”，直到确信AI“在特定场景下确实能提效、做出创新性很强的东西”，才正式加入。

今天的年轻创业者不一样，个性表达上更热烈，对AI技术的信仰也更足。投资人看他们“更Open”，能毫无包袱地讲要用AI颠覆制药行业的宏大愿景，给自家小团队立下对标Isomorphic Labs、Chai Discovery的目标。按Isomorphic Labs正在推进的新一轮融资算，其投后估值至少能达到400亿美元。

跟任峰聊下来，会发现他在当前这批活跃玩家里是个难得的“中间态”：出身传统制药体系，手上操盘的是最前沿的AI系统，两种技能融合得刚刚好，人也足够清醒。

他相信AI会很大程度上改变旧的新药研发体系，所以要求自己“一直学习、进化，不要让经验压倒判断力”。另一面，他对市场上大模型的叙事狂欢保持警惕，反复强调“落地”，也愿意主动讲AI模型能力的种种不足。说到底，把药做出来才是核心，这一点永远排第一位。

新旧两种特质在任峰身上交汇。这场代际交替他怎么想，野心和能力之间的距离他又怎么量？

对话（经编辑）：

（本次访谈于首届“大国新药”全球会议CPIC 2026期间进行，感谢会议主办方“同写意”的支持。）

老法师，你的经验“不吃香了”

36氪：2026年AI4S创业生态格外繁荣，涌进制药方向的选手越来越多元，“AI颠覆新药研发”的叙事也越讲越大。从实战经验很强的“老兵”视角看，制药行业对AI的应用到底走到哪一步了？

任峰：就我自己的观察，ChatGPT刚火的时候，中国还没有很强的基模，我们在国内的体感其实不强烈。去年以来情况变了：一是中国自己的模型产品越来越强，二是Coding能力有了突破，制药行业能以更低的成本迭代出更优质的算法。现在英矽智能内部，70%-80%的代码都由AI来写。

同时，AI在整个药物研发决策中的话语权也在往上走。大概三年前，做药还是个传统的试错过程：药物化学家设计分子，交给CRO合成、测试，AI在不同环节当提效工具用。现在AI已经进了科学家的决策过程，权重还不低。比如分子先由人设计出来，我们也会交给AI再跑一遍，看性质好不好、活性强不强，科学家再结合AI预测的结果，决定要不要推进合成测试。这事以前完全由人拍板。

好处很实在：省下大量人力、时间和试错成本。AI一算发现行不通，就PASS了，不会再推到合成阶段。

36氪：以前大家把AI定位成“工具”，如今它能参与“决策”了，这意味着什么？

任峰：一个特别明显的趋势是，制药行业对资深科学家经验的依赖在下降，但愿意给积极拥抱先进技术的年轻科学家更多机会了。

过去药物研发是经验科学，经验越丰富的“老法师”越受尊重，传统大药厂高管团队大多60、70岁。但AI的语境下，我们就是要把新药研发范式从经验驱动转向数据驱动。这时候，成熟科学家的经验往往成了桎梏——他们成功过，所以会下意识先相信并坚持自己的判断，对AI得出的结果保持怀疑，两者结论相反时尤其如此。

反倒是经验稀缺的年轻科学家，初生牛犊不怕虎，只要认为AI方法值得试，就会动手去做，往往还能做出让人眼前一亮的效果。我们公司这样的故事很多，大家很惊喜，也让我对自己的经验越来越谨慎，千万别动不动就说“按我的经验来，你不行”这种话。

36氪：在最重视经验的行业里，经验没那么有用了，“老法师”也有危机感了。

任峰：其实我觉得这是好事，而且是唯一能突破资历和经验约束、让企业更具创造性也更高效的方法。

以往大药企布局AI，有时显得不那么坚决、效率不高。原因在于，如果制药行业的决策者一直是只崇尚经验的人，AI的应用就很难发展起来。本身就定位AI制药的企业也一样，要不断迭代自己的AI能力。一些和英矽智能同时期的海外AI制药公司，项目推进得比较慢，或许就是忽略了这一点。

36氪：从业者的代际差距越来越明显，企业之间或许也是。英矽智能有没有被问过是“上一代AI制药公司”？

任峰认为，企业本来就是一波一波往前走的。英矽智能这批AI制药公司起步时，大语言模型还没出现，也没人提AGI，大家走的多是垂类模型路线。参数量小、算力需求低是好处，可单一模态只能处理一类或几类数据、解决一个问题；药物研发要同时优化很多参数，只好调用多个小模型。ChatGPT这类大语言模型出来以后，新一代AI制药企业转向多模态，靠智能体把不同小模型串起来，效率可能更高。

技术路线不同，AI制药公司之间自然就有了代差。不过多年积累也有好处，英矽智能手里有一些内部模型，可以把这些独立模块整合起来。训练这些模块攒下的经验、数据和测试集，能用来强化开源LLM在药物研发垂类上的推理能力。今年公司还发布了生命科学基础模型训练框架Science MMAI Gym。

不主动进化，被淘汰是很快的事。

AI做药，到哪一步了

36氪：模型能力一直在进化。眼下AI做药，哪些环节比较强，哪些还不太行？

任峰：整体看，AI制药还处在比较早期的发展阶段。距离“超级人工智能”，也就是GPT做药，以及AI制药全链条技术成熟，都还有相当一段路要走。

在新药研发最上游，全新靶点发现这类过去很难突破的底层问题，AI已经能做得不错。比如它可以快速归纳公开文献里已有的研究结论，识别靶点之间的关联，帮科研人员找到过去容易被忽略的靶点，或者加深对靶点生物学机制的理解。过去搭一个靶点相关的知识图谱要投入巨大人力，现在AI能直接做。

但当前大模型的短板也很突出。学习素材全部来自已经发表、被报道过的研究，碰上完全没有文献记载的未知生物学关联，大模型没法凭空发现。英矽智能的PandaOmics（Pharma.AI的模块之一，用于多组学数据分析）就不一样，它能直接分析患者多组学数据，对比患者与健康人群的组学差异，从原始数据里定位病灶中异常高表达、过度激活的潜在靶点，很多都没有文献报道。这种从原始临床组学数据里挖全新靶点的能力，大语言模型并不具备。

36氪：从底层生物学问题再往前一步，今年大家也在说用Agent自动提出科学假设、跑完实验闭环，批量验证不同假说。你们怎么看这个方向，有没有相关尝试？

任峰：这本质上是用Agent、云端工具去重构和优化科研工作流，把原本要人工完成的环节接过来，比如借助云端工具辅助实验设计。这是明确的行业大趋势，我们也在探索，把Agent接进当前已被验证有效的专精算法和自动化实验室。

但现阶段有个绕不开的前提：自动化实验室不能直接拿来跑全新实验。一个实验方案想上自动化平台，必须先在人工实验室里完成一轮验证、校准结果，确保自动化产出的数据和人工实验数据能对齐。

实验本身有大量可调参数，酶浓度、反应温度、孵育时长等等，都得迭代调优，不存在一步到位的最优方案。跳过人工验证直接交给自动化系统，风险很高。所以这个方向前景虽然清晰，当下整体技术能力还撑不起完全自主的闭环科研。

36氪：AlphaFold2、ESM 这类开源模型，不少团队都会拿来当基础。那创新药企如果在开源底座上再叠加自己的垂直数据做开发，能不能也拿到可用的预测结果？

任峰：依托开源模型，叠加企业内部独有的研发数据，确实能有效提升药物研发效率，这一点已经被验证过。可开源模型本身性能有限，团队得基于自研数据，在开源底座上持续优化、微调，才能得到效果优于开源原版的领域模型。调参难度比较高，不是谁都能做。

36氪：等你说过的“全链条技术”成熟后，AI制药可能先在哪些靶点或疾病领域取得突破？

任峰：实际上，AI本身泛化能力很强。所以AI对疾病领域、靶点并没有本能的选择性，只要数据足够多，任何疾病领域的药物研发准确率都会跟着提升。

大病种、病人队列数据量更大的领域，更有可能先找到更好的靶点，市场预期也相对更高。比如肿瘤，很多肿瘤患者都做过基因测序，行业已经沉淀了大量数据；自身免疫疾病、神经系统疾病等患者基数较多的病种，也比较有希望。

36氪：如果AI本身不设限，逻辑上应该会看到“百花齐放”式的新靶点研究。可目前许多AI制药公司列出的候选分子仍比较集中，比如大家都在做GPCR。为什么会这样？

任峰：造成同质化的一定不是AI，是使用AI的人。

理想状态下，AI制药永远要去解决行业里最难、失败率最高的问题。但出于项目交付压力、大药企BD偏好等因素，AI制药企业验证技术能力时，首选靶点会挑中等难度的，否则验证周期相对更长、投入更大，最后还可能做不出来。

拿传统药物研发来说，那些相对好做、又有医学证据撑着的靶点，AI 处理起来同样更省力。GPCR、激酶就是例子，它们本身的结合口袋更清晰，也更适合成药的介入；可要是换成蛋白与蛋白相互作用，眼下研究还没摸到合适的结合口袋，小分子根本插不进去。

所以通行的做法是，用AI加速研发、提高创造性，先把相对容易的靶点做成，积累资金和经验，提升平台能力，再慢慢往更难的领域拓展。

36氪：哪怕在AI制药的语境下，也会出现先摘“低垂的果实”的情况？

任峰：是的。

36氪：要是AI都扎堆做同一个靶点、同一个适应症，最后会不会卷起来？

任峰：不会。算法不一样，人也不一样，结果自然就不同。就拿英矽智能内部来说，不同的研发人员用同一个AI平台去筛同一个靶点，最后拿到的结果照样有差别。原因在于各人设的分子性质参数不同，而参数多得很，水溶性、透膜性、吸引性这些都在里面。

说到底，做药不是去找唯一解，市场也不会被一家吃光。GLP-1靶点就是例子，市面上既有司美格鲁肽，也有替尔泊肽，各式各样的分子都有。

大浪淘沙，药是底牌

36氪：英矽智能跟Google Cloud、腾讯健康这些AI科技公司也有合作。大厂跨界来做药，做得如何？

任峰：他们的模型能力确实很强，这一点感受很明显。可一开始他们并不清楚产业界真正要解决什么问题，所以就不断来找我们这类AI制药公司，也找跨国药企要需求。

有次Google团队跟我们聊，讲他们怎么用算法研究生物学机制，比如基因干扰、预测基因对细胞的影响。说实话，做得是真好。可听完我发现，他们从头到尾都在讲生物学，化学那块漏掉了，怎么把分子设计出来，一直没提。

我们想要的，是把科技公司的长处接到药物研发的痛点上。Google手里有大量专利和文本信息，假如能做个平台，分析专利里的化合物结构覆盖范围有多大，再让我们把设计出的分子放上去评估，快速判断有没有专利风险，这能省下大量时间。眼下双方的合作，就是一起“破专利”。

36氪：新玩家一批批涌进AI4S、涌进制药，行业又开始担心“泡沫”重来。你觉得现在最该警惕什么？

任峰：先得想明白，最后的落地场景到底是什么。钱现在还往AI里集中，技术泡沫之下，会冒出一堆商业模式说不清楚的公司，这是最要警惕的。

近两年，不少有AI学科背景的人从大厂出来，做AI+生物交叉方向的垂类大模型，有些公司还在很早期，估值就能到几亿美元。方向是好的，可模型怎么落地？卖给别人做服务，还是自己去做药？走前一条路，DeepMind有Co-Scientist，OpenAI有GPT-Rosalind，你的模型能力、资源储备够不够强，能不能跟这些大厂掰手腕？走后一条路，你手里有没有独有数据，懂不懂临床层面最需要解决什么？

热钱多的时候，这些事容易被忽略，大家只觉得大语言模型+生命科学听着很Fancy，值得进来。AI制药领域以前倒掉过不少企业，原因就是没找到好的应用场景，临床上没用上，商业化也没做成。

现在技术又突破了，我希望大家千万别走以前的老路，别再重蹈覆辙。

36氪：AI制药企业都在抢着做BD出海。在你看来，这是好的商业化出口吗？

任峰：近两年，跨国药企越来越认可中国AI制药企业的数据质量、研发速度和早期临床能力。过去跨国药企主要跟Atomwise、Insitro、Recursion这些海外AI制药公司合作，我们想做BD，得跑去美国、欧洲实地找客户；现在各大跨国药企的研发负责人会主动到北京、上海来交流。

不过现阶段，AI制药企业受资金、发展阶段这些因素影响，BD出去的主要还是临床前阶段的早期分子。BD价值跟新药研发阶段强相关，AI参与进来也不会改变这一点，所以大家做的交易整体首付款都不算高。比如我们和礼来的交易，外面都在讲，那也只是相对同阶段临床前分子来说价格不低，整体并没有那么高。

话说回来，公司发展到一定阶段，不能一直靠“卖青苗”过日子。收入好一些了，我们也会考虑把项目继续往后推，不急着在PCC阶段就卖。比如做到临床一期、拿到一些人体数据，再去争取更好的价格和更高的首付款。

36氪：假如浪潮再退一次，最后能撑住一家AI制药公司的到底是什么？

任峰：AI制药赛道以后也会经历并购、整合，能留下来的企业不会太多。要走到最后，项目、临床试验和商业化BD都得做好。有朝一日，哪怕别人把我们的模型都淘汰了，剩下的药物照样是核心资产。

药物才是撑起AI制药公司估值最关键的东西，也是最后的底牌。