今年5月，微软正式推出Microsoft Discovery，将Agentic AI引入科学研发场景，随后又与Ginkgo Bioworks合作，把AI Agent与自主实验平台连接起来，让AI进一步参与实验设计与科研迭代。

制药企业对AI的投入布局也开始从模型延伸到研发基础设。2月，礼来自建的LillyPod正式上线，用于支持药物发现与开发；7月，BMS宣布采购新一代AI计算系统，并表示AI工具已帮助部分候选药物推进至临床测试所需的时间缩短20%~30%。从AI Agent进入科研流程，到药企加码AI基础设施，AI制药正在从简单场景试点转向真实的研发体系打造。

算力在增加，模型在升级，Agent开始参与科研，实验室也正在与AI连接。AI制药正在从“一个模型解决一个问题”，走向对研发流程本身的重构。

但真正困难的部分，也从这里开始。

从AI工具到科研范式，药物研发正被重塑

过去谈AI制药，行业最容易看到的是一个个具体任务：预测蛋白结构、筛选候选分子或者分析实验数据。Agentic AI带来的变化，则是把这些原本割裂的任务重新连接起来。AI不再只回答一个科研问题，而是开始读取文献和实验数据，在此基础上提出假设，再调用专业工具完成分析。当自主实验平台被接入之后，这条链路还可以继续延伸到真实实验。

微软与Ginkgo Bioworks的合作就是一个典型案例。双方希望把Microsoft Discovery的Agentic AI能力与Ginkgo的自主实验室连接，让科研人员能够更顺畅地完成从假设到实验的迭代。微软今年9月在总结制药行业AI实践时也提出，AI当前在研发中的直接价值并不是取代科学判断，而是让研究人员能够以更快速度验证更多可能性，同时保持人的专业判断。

这一变化也正在进入具体药企。诺和利用微软Azure构建AI推理agent，帮助研究人员分析临床数据并验证假设。据微软披露，这一实践将部分洞察获取时间从数周缩短至数分钟，同时使团队每季度能够评估的想法从约5—10个提升到50个以上；Amgen则建立Catalyst Copilot，让研发人员能够直接从企业内部积累的大量报告和知识资料中获取信息。

AI对药物研发的影响，开始从“替人完成一个任务”，转向“改变科研人员提出问题和验证问题的方式”。 当AI能够参与更多科研环节，真正值得讨论的已经不是哪个工具更好用，而是一家药企如何把这些能力嵌入自己的研发体系。

从试点到规模化，AI制药还要跨过合规这道坎

AI进入真实研发流程之后，规模化并不是简单地把一个成功案例复制几十遍。药物研发受到严格监管，一个模型如果参与实验数据处理、质量判断甚至受控文件生成，它的输出如何验证，数据如何追溯，最终由谁审核，都必须进入原有的质量体系。

这一问题已经从讨论走进现实。2026年9月举行的PDA/FDA会议上，FDA与Sanofi、Gilead等企业围绕AI准备度和验证风险展开讨论。FDA强调，数字化转型并不会改变现有CGMP要求，质量部门的监督责任也不能因为AI的使用而被转移。会议讨论的风险案例甚至已经涉及AI Agent生成GMP受控文件却缺少质量审核的问题。

这意味着，AI在医药行业真正规模化之前，必须回答一个普通互联网AI应用很少需要面对的问题：如何让一个快速迭代的技术，进入一个高度强调验证和可追溯性的体系。 AI能够把实验做得更快，但研发速度不能以数据完整性为代价；Agent可以承担更多任务，但最终的科学判断和质量责任仍然需要明确的人来承担。

所以从试点走向规模化，药企需要解决的并不只是模型性能。一项AI能力能不能稳定复现，能不能进入受监管流程，最终能不能形成可以被企业持续使用的标准化能力，才决定了它能走多远。

AI+制药仍然需要证明价值

AI制药热了几年，一个问题始终没有消失：它到底是真正改变药物研发的技术，还是资本和科技公司共同制造的一场噱头？

这个质疑并非没有依据。过去几年，AI制药获得了巨额资本投入，但模型能够生成一个分子，与这个分子最终成为一款药之间仍隔着漫长的临床验证。Axios在9月梳理行业进展时指出，据PitchBook统计，本十年AI Biopharma已经获得超过400亿美元风险投资，但真正进入临床后期的药物仍然很少。AI已经擅长发现候选药物，但这些预测能否经受复杂人体生物学的检验，目前仍缺乏足够证据。

另一边，真实价值也开始出现。BMS称AI已经帮助其缩短部分药物开发时间，Novo Nordisk正在利用AI扩大科研人员能够评估的研发机会数量，礼来则直接建设自己的AI Factory。这些进展至少说明，AI的价值并不一定要等到“第一款完全由AI开发的重磅药物上市”才能被验证，它也可以体现在研发效率提高和科研决策能力扩展上。

因此，“AI制药是不是噱头”或许正在变成另一个更具体的问题：AI究竟在哪些研发环节已经能够创造可验证的价值？ 从一个模型跑出漂亮结果，到真正进入研发流程，再到能够稳定复制并形成商业价值，中间仍然存在很长的距离。谁能够率先跨过这段距离，才可能真正吃到AI制药的红利。