英矽智能任峰：51岁CEO与30岁创业者的AI制药代际对话

2026年，任峰51岁。他身边冒出来的同行，越来越多是30岁出头的年轻人。

任峰的身份是英矽智能（03696.HK）联席首席执行官。英矽智能今年上半年正式宣布盈利。公司依托生成式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”。AI正在改这套用了多年的规矩。大语言模型的能力摆在那儿，年轻的博士生们试着把传统的经验科学变成工程问题，三十来岁就能以创业者身份站到台前，拿到不菲融资和高估值。

他们和“任峰们”之间的代际差，一眼就能看出来。

任峰这一代人面对资本市场和大众，多半是谨慎、克制的传统科学家形象。“做80分、讲60分”是那时的生存哲学，保守一点没错，太激进往往翻车。2020年接到英矽智能的加盟邀请时，这位出身传统制药体系的“老兵”先做了近半年顾问，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技术的信仰也更热烈。投资人眼里，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，给自家小小团队立下对标Isomorphic Labs、Chai Discovery的目标。按Isomorphic Labs在推进的新一轮融资来看，其投后估值至少能达到400亿美元。

和任峰聊下来，会感觉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，手上操盘着最前沿的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抱有警惕，时刻强调“落地”的重要性，也愿意主动讲起AI模型能力的诸多不足。在他看来，归根结底，把药做出来才是核心，这点永远排在第一位。

新旧两种特质在任峰身上交汇。他怎么看这场代际交替？又怎么丈量野心与能力之间的距离？

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：到了2026年，AI4S创业生态热得发烫，扎进制药赛道的玩家越来越杂，“AI颠覆新药研发”的说法也越讲越大。那从打过不少硬仗的“老兵”眼里看，制药业把AI用到什么份上了？

任峰：就我自己的观察，ChatGPT刚走红那阵，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能力的突破，让制药行业能以更低成本迭代出更优质的算法。如今在英矽智能内部，70%-80%的代码都由AI来写。

另一边，AI在药物研发决策里说话的分量也在往上走。三年前左右，做药还是老一套试错路子：药物化学家先把分子设计出来，再交给CRO合成、测试，AI只是分散在各环节的提效工具。

现在不一样了，AI已经融入了科学家的决策过程，而且权重不低。比如分子先由人设计出来，我们也会交给AI再跑一遍，看它的性质好不好、活性强不强。然后科学家再结合AI预测的结果，决定是否推进合成测试。这在以前完全由人来决定。这样做的好处是，能够节省大量人力、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，大家对AI的定位是“工具”，如今已经能参与“决策”，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。

以前药物研发靠的是经验科学，越有经验的“老法师”越吃香，传统大药厂高管团队多是60、70岁的人。可到了AI语境下，新药研发范式就得从经验驱动转到数据驱动。这时候，成熟科学家的经验反倒容易变成束缚：他们成功过，遇事会下意识先信自己、坚持自己的判断，对AI给出的结果抱着怀疑，两边结论打架时尤其如此。

经验少的年轻科学家倒不一样，初生牛犊不怕虎，觉得AI方法值得试就上手干，结果往往出人意料。我们公司这样的例子不少，大家又惊又喜，也让我对自己的经验越来越小心，别张口就是“按我的经验来，你不行”。

36氪：在最重视经验的行业，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、更高效的方法。

以往大药企搞AI，有时显得不够坚决、效率也不高。说到底，如果制药行业的决策者一直只认经验，AI应用就很难长起来。就算是本身定位AI制药的公司，也得不停迭代自己的AI能力，几家跟英矽智能同时期的海外AI制药企业项目推进偏慢，或许就是漏了这一点。

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

任峰的判断很直接：企业就是一波一波往前走的。英矽智能这一代AI制药公司起步时，大语言模型还没出现，AGI也没人提，大家走的是垂类模型的路子。参数量小、算力要求低是好处，可单一模态只能吃一类或几类数据、只解决一个问题；药物研发却要同时调很多参数，结果只能把多个小模型拼着用。ChatGPT这类大模型起来之后，新一代AI制药公司转向多模态，用智能体把不同小模型串起来，效率可能更高。

技术路线不同，代差就摆在那儿。不过多年积累也有回报。任峰说，英矽智能手里有一批内部模型，这些独立模块可以整合到一起；训练它们攒下的经验、数据和测试集，能用来强化开源LLM在药物研发垂类里的推理能力。今年公司还发布了生命科学基础模型训练框架Science MMAI Gym。

他的态度是：不主动进化，很快就会被淘汰。

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制药还处在相对早期的阶段，离“超级人工智能”、也就是GPT做药，以及全链条技术成熟，都还有相当一段距离。

在新药研发最上游，AI已经能比较好地做全新靶点发现这类过去很难突破的底层问题。比如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。过去搭靶点相关的知识图谱要砸进巨大人力，现在AI能直接做。

可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。任峰举例，PandaOmics（Pharma.AI的模块之一，用于多组学数据分析）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，英矽智能也在探索，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对得上。

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。这个方向前景清晰，可当下整体技术能力还撑不起完全自主的闭环科研。

36氪：现在不少团队是拿AlphaFold2、ESM这些开源模型当底子用的。那创新药企如果在开源底座上再叠加自己的垂直数据去做开发，是不是照样能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。但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，才能做出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：AI本身泛化能力很强。所以它对疾病领域、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，许多肿瘤患者做过基因测序，行业已经沉淀了大量数据；自身免疫疾病、神经系统疾病这类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制药永远要解决行业里最难、失败率最高的问题。但项目交付压力、大药企BD偏好等因素摆在那儿，AI制药企业验证技术能力时，首选靶点会挑中等难度的，不然验证周期相对更长、投入更大，最终还可能做不出来。

放到传统药物研发里，那些相对好做、又有医学证据撑着的靶点，AI上手也更容易。像GPCR、激酶，本身结合口袋就更明确，也更适合成药；可要是去做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，再慢慢往更难的方向拓展。

36氪：哪怕是在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：假如AI都挤在同一个靶点、同一个适应症上做，最后会不会也卷起来？

任峰：我不这么看。算法各有各的路子，人也不一样，结果自然就分岔。拿英矽智能自己来说，同一个AI平台交给不同的研发人员，盯住同一个靶点去筛，最后跑出来的结果照样不一样。原因在于各人给分子性质设的参数不同，而参数名目极多，水溶性、透膜性、吸引性都算在内。

说到底，做药不是去找那个唯一的答案，市场也容不下一家通吃。GLP-1靶点就是例子，市面上既有司美格鲁肽，也有替尔泊肽，分子形态五花八门。

大浪淘沙，药是底牌

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

任峰：他们的模型能力确实强，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的难题是什么，所以就一次次来找我们这些AI制药公司，也去找跨国药企，从那里摸需求。

有回Google团队跟我们聊，说他们用算法去研究生物学机制，比如基因干扰、预测基因对细胞的影响。说实话，做得真漂亮。可听完我发觉，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对准药物研发的痛点。举个例子，Google手里握着大量专利和文本信息，要是能搭个平台，把专利里化合物结构覆盖的范围分析清楚，再让我们把设计出来的分子放上去评估，很快判断出有没有专利风险，那能省下多少时间。眼下双方的合作，就是联手去“破专利”。

36氪：新玩家一批批涌进AI4S、涌进制药，行业里又开始担心“泡沫”重来。你觉得眼下最该防的是什么？

任峰：我觉得大家得先想清楚，最后到底落在什么场景上。现在钱还扎堆在AI里，技术泡沫之下，会冒出一堆商业模式说不清的公司，这才是最该警惕的。

这两年，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？是卖给别人做服务，还是自己下场做药？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？

热钱一多，这些事大家就容易忽略，只觉得大语言模型+生命科学听着很Fancy，值得进来。AI制药领域此前倒掉过不少企业，被时代淘汰，根子就是没找到好的应用场景，临床上没用上，商业化也没做成。

现在技术又突破了一回，我盼着大家千万别再走老路，别重蹈覆辙。

36氪：AI制药企业都在抢着做BD出海。在你看来，这算一个好的商业化出口吗？

任峰：这两年，跨国药企越来越认中国AI制药企业的数据质量、研发速度和早期临床能力。以前跨国药企主要跟Atomwise、Insitro、Recursion这些海外AI制药公司合作，我们想做BD，得跑到美国、欧洲实地找客户；如今各大跨国药企的研发负责人会主动来北京、上海交流。

不过现阶段，AI制药企业受资金、发展阶段这些因素牵制，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绑得很紧，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。就说我们和礼来的那笔交易，大家议论得多，那也只是相对同阶段的临床前分子来说价格不低，整体并没有那么高。

话说回来，公司走到一定阶段，不能总靠“卖青苗”过活。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。比如推到临床一期，拿到一些人体数据，再去争取更好的价格、更高的首付款。

36氪：假如浪潮又退了，最后撑住一家AI制药公司的究竟是什么？

任峰：AI制药赛道往后也会经历并购、整合，能留下来的企业不会太多。想走到最后，项目、临床试验、商业化BD都得做好。哪怕有一天别人把我们的模型全淘汰了，剩下的药物照样是核心资产。

撑起AI制药公司估值最重要的东西是药物，那也是最后的底牌。