英矽智能任峰谈AI制药代际更替：经验正让位于数据

2026年，51岁的任峰身边，30岁出头的年轻同行越来越多。

任峰是英矽智能（03696.HK）的联席首席执行官。今年上半年，英矽智能正式宣布盈利。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制药类企业中居首。

制药行业向来最看重产业积淀和研发经验，说它“论资排辈”也不为过。AI正在改写这套运行多年的规则。大语言模型给了年轻博士生们新的手段，他们试着把传统的经验科学变成工程问题，三十岁上下就能以创业者身份走到台前，拿到不菲融资和高估值。

他们和“任峰们”之间的代际差极其鲜明。

任峰这一代人面对资本市场和大众时，大多是一副谨慎、克制的传统科学家形象。“做80分、讲60分”是那个时代的生存哲学，保守一点没有错，太激进往往会翻车。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，对AI技术的信仰上，他们都更热烈。投资人眼中，他们“更Open”，能毫无包袱地讲述用AI颠覆制药行业的宏大愿景，给自己的小小团队立下对标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。

和任峰交流，能感觉到他在当前的活跃玩家里是个难得的“中间态”。他出身传统制药体系，操盘着最前沿的AI系统，两种技能融合得刚刚好，也足够清醒：

任峰认定，AI 会大幅改写旧有的新药研发体系，因此他给自己定下的规矩是“一直学习、进化，不要让经验压倒判断力”。可另一边，他对眼下市场上一窝蜂讲大模型故事的做法保持警觉，反复说“落地”才是要紧事，也乐意主动聊起 AI 模型能力上的种种短板。他说到底还是那句话：把药做出来才是根本，这一条永远排在最前面。

新旧两种特质在任峰身上交汇。他如何看待这场代际交替，又如何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 的创业生态热闹得很，往制药方向挤进来的玩家越来越多样，“AI 颠覆新药研发”的说法也越讲越大。从实战经验丰富的“老兵”角度看，制药行业用 AI 究竟用到了哪一步？

任峰：我自己的观察是，ChatGPT 刚火的时候，中国还没有特别强的基模，国内这边体感并不明显。去年以来，一是中国自己的模型产品越做越强，二是 Coding 能力有了突破，制药行业能用更低的成本迭代出更好的算法。现在英矽智能内部，70%-80% 的代码都是 AI 写的。

与此同时，AI 在药物研发决策里说话的分量也在往上走。大约三年前，做药还是传统的试错路子：药物化学家把分子设计出来，交给 CRO 合成、测试，AI 在各环节只是提效工具；如今 AI 已经进入科学家的决策过程，而且权重不低。比方说，分子即便是人先设计出来的，我们也会让 AI 再跑一遍，看看性质好不好、活性强不强。之后科学家结合 AI 预测的结果，再决定要不要推进合成测试。这种事以前完全由人拍板。

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。

以前药物研发是门经验科学，所以越有经验的“老法师”越受尊重，传统大药厂高管团队大多在 60、70 岁。但在 AI 的语境下，我们要做的就是把新药研发范式从经验驱动转成数据驱动。这时候，成熟科学家的经验反倒常成为束缚：他们成功过，所以会下意识先信自己、坚持自己的判断，对 AI 给出的结果存疑，两者结论相反时尤其如此。

反倒是经验不多的年轻科学家，初生牛犊不怕虎，只要觉得 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结果。我们公司这样的例子很多，大家觉得很惊喜，也让我对自己的经验越来越小心，千万别动不动就说“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。

以往大药企布局 AI，有时显得不够坚决、效率也不高。原因在于，如果制药行业的决策者始终是只认经验的人，AI 就很难用起来。就算是本身定位 AI 制药的企业，也得不断迭代自己的 AI 能力，一些和英矽智能同时期的海外 AI 制药公司项目推进偏慢，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”？

任峰说，企业就是一波一波的。英矽智能这一代AI制药公司起步时，大语言模型还没影，更没人谈AGI，大家走的都是垂类模型的路子。参数量小、算力要求不高，这是好处；短板也明显，单一模态只能吃一类或几类数据、只解决一个问题。药物研发要同时调很多参数，所以只能把多个小模型挨个调起来用。ChatGPT这类大模型出来以后，新一代AI制药公司转向多模态，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，代差就摆在那儿。不过多年积累也有回报，英矽智能手上有一些内部模型，能把独立模块拼到一起。训练这些模块攒下的经验、数据和测试集，正好用来强化开源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。

不主动进化，被淘汰是很快的事。

AI做药，到哪一步了

36氪：模型能力一直在往前走。眼下AI做药，哪些环节比较拿手，哪些还不行？

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

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已经做得不错。它能快速把公开文献里已有的研究结论归拢起来，找出靶点之间的关联，帮科研人员捞到过去容易被漏掉的靶点，或者把靶点生物学机制理解得更透。以前搭靶点知识图谱要砸进去巨大人力，现在AI直接就能做。

可大模型的短板也很扎眼。学习素材全来自已经发表、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是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，其中不少没有文献报道。这种从原始临床组学数据里挖全新靶点的本事，大语言模型不具备。

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：说到底，这是借Agent和云端工具去重构、优化科研工作流，把原本靠人做的环节接过去，比如用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。

不过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。一个实验方案要上自动化平台，得先在人工实验室里跑一轮验证、校准结果，确保自动化产出的数据和人工实验数据对得上。

实验本身可调的参数一大把，酶浓度、反应温度、孵育时长等等，都得一轮轮迭代调优，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。方向的前景是清晰的，但当下整体技术能力还撑不起完全自主的闭环科研。

36氪：不少团队会拿AlphaFold2、ESM这类开源模型当基础。那创新药企在开源底座上加上自家的垂直数据来做开发，能不能也拿到可用的预测结果？

任峰：依托开源模型，再加上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“全链条技术”成熟了，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，很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制药永远该去解决行业里最难、失败率最高的问题。但项目交付压力、大药企BD偏好这些因素摆在那儿，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，最后还可能做不出来。

传统药物研发里相对容易、有医学证据支持的靶点，对AI来说也更容易。GPCR、激酶本身就具有更明确、适合成药的结合口袋；反过来做蛋白与蛋白相互作用，目前研究还没找到很好的结合口袋，小分子没办法介入。

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，攒下资金和经验，把平台能力提上去，再慢慢往更难领域拓展。

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氪问，要是AI全都盯着同一个靶点、同一个适应症去做，最后会不会也卷起来？

任峰的回答是不会。算法不一样，人也不一样，结果自然就分岔。他举了英矽智能内部的例子：不同研发人员用同一个AI平台筛同一个靶点，出来的结果照样各不相同，原因是各人设定的分子性质参数有差别，而参数多得很，水溶性、透膜性、吸引性都算在内。

说到底，做药不是求唯一解，市场也不会被一家吃干净。GLP-1靶点就是现成的例子，市面上司美格鲁肽、替尔泊肽等分子各有各的位置。

大浪淘沙，药是底牌

36氪提到英矽智能与Google Cloud、腾讯健康等AI科技公司有合作，问大厂跨界来做药，水平如何。

任峰说，这些公司的模型能力肉眼可见地强，可一开始他们并不清楚产业界到底要解决什么，于是一直找AI制药公司、找跨国药企要需求。

他记得有一回Google团队来交流，讲的是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。任峰的评价是做得真好。可听完他发觉，对方从头到尾都在讲生物学，化学那一段被漏掉了，怎么把分子设计出来，始终没人提。

英矽智能想要的，是把科技公司的长处对准药物研发的痛点。Google手里有大量专利和文本信息，如果能搭一个平台，分析专利里的化合物结构覆盖范围有多大，再把自己设计出的分子放上去评估，快速判断有没有专利风险，能省下大量时间。眼下双方的合作，做的就是一起“破专利”。

36氪接着问，各类新玩家涌进AI4S、涌进制药，行业又开始担心“泡沫”重现，当下最该警惕什么？

任峰认为，先得想明白最后的落地场景是什么。资金现在还集中在AI领域，技术泡沫之下会长出很多商业模式不清楚的公司，这才是最需要防的。

近两年，不少AI学科背景的人离开大厂，去做AI+生物交叉方向的垂类大模型，有些公司在很早期就拿到几亿美元估值。任峰说这是很好的方向，但模型怎么落地？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，模型能力和资源储备够不够跟这些大厂拼？走后一条路，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+生命科学听起来很Fancy，值得进来。AI制药领域此前倒掉过不少企业，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。

如今技术又一轮突破，任峰希望大家千万别走老路、重蹈覆辙。

36氪又问，AI制药企业争相做BD出海，这算好的商业化出口吗？

任峰说，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，英矽智能想谈BD得跑到美国、欧洲实地找客户；现在各大跨国药企的研发负责人会主动来北京、上海交流。

不过现阶段，受资金、发展阶段等因素影响，AI制药企业BD出去的主要还是临床前阶段的早期分子。BD价值和药物研发阶段强相关，不会因为AI掺和进来就变，所以这些交易的整体首付款都不算高。任峰提到大家都在说的英矽智能与礼来的交易，那也只是相对同阶段临床前分子而言价格不低，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。收入好起来之后，英矽智能也会考虑把项目继续往后推，不急着在PCC阶段出手。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氪最后问，如果浪潮再次退去，最终能撑住一家AI制药公司的会是什么？

任峰判断，AI制药赛道未来也躲不开并购和整合，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，哪怕别人把英矽智能的模型都淘汰了，剩下的药物照样是核心资产。

药物才是撑起AI制药公司估值最重要的东西，也是最后的底牌。