Altimeter Capital 合伙人 Freda Duan 近日发文提出，AI 制药赛道（AIDD）正在形成一种「瓶颈交易」，其结构与半导体行业此前从 GPU 向 HBM、网络设备、电力与冷却系统依次传导的链式行情高度相似。在她看来，这更像一次「体制变迁」，而非单纯的效率工具升级。

前沿 AI 实验室的集体入场被视为最显著信号。Anthropic 已将生命科学研究提升至战略层级，并建立湿实验室，其首个重大项目是用 Claude 智能体识别出一种与 CRISPR 类 DNA 重复序列相关、此前未被表征的酶系统。OpenAI 推出专为生物学与药物发现设计的 GPT-Rosalind 模型族，覆盖药物化学、蛋白工程、基因组学及实验工作流程。字节跳动的前 AI 药物发现部门已独立运营并更名为 Anew Labs，整合基础模型、湿实验室验证与自有药物管线，字节跳动仍持有多数股权。Isomorphic Labs 则明确表示，目标是把 AI 设计的药物推进人体临床试验。

值得注意的是，各家商业化路径已经分叉。Anthropic 的定位更接近研究与平台层，明确表示不打算成为传统商业临床阶段的生物技术公司；Anew Labs 更接近拥有自有药物管线的生物技术平台；Isomorphic Labs 处于两者之间，承诺自行推进药物进入临床。对下游供应链而言，无论走授权给大型药企、合作里程碑加专利费，还是直接孵化独立公司，实验需求的增量都会真实发生。

一个反直觉之处在于：AI 提升了效率，为何反而推高湿实验室的实验量？文章给出的解释是，AI 从根本上改变了假设生成的经济学。设计候选分子的边际成本趋近于零，「上场机会」大幅增加，瓶颈从设计端转移到生物验证端。失败的实验同样有价值——Anthropic 的案例中，Claude 设计了 1,320 个蛋白结合子，经 Adaptyv 转化为 DNA、表达蛋白并测试结合性，最终只有 354 个成功结合，但另外 966 个失败案例提供了「什么不表达、什么不结合、什么亲和力差」的负向标签，可用于训练下一轮模型。湿实验室的角色，正从制造药物转向制造训练数据。

供应链端已出现可追踪的量化信号。DNA 合成商 Twist Bioscience（TWST） 预计 2026 财年和 2027 财年的 AI 药物发现订单将连续实现三位数百分比增长。金斯瑞（GenScript） 的 AI 药物发现业务在 2026 财年上半年同比翻倍，其平台对外宣传的工业级验证产能为每日 4,000 个以上设计；渠道调研显示实际产能约为每日 8,000 个设计，并有望在 2026 年底前提升至约 16,000 个。文章称，TWST 的业务正转向从 AI 设计序列中生成可直接输入模型的结构化实验结果数据，金斯瑞的序列到结合数据工作流可在 4 至 7 天内返回结果，两家公司因此愈发接近「生物数据铸造厂」的角色。

从传导路径看，受益环节依次为 AI 模型、序列设计、DNA 合成、蛋白生产、实验验证、测序、自动化设备与临床前测试（CRO）。市场规模方面，若 AI 只是更高效的研发工具，对应的是每年 3,000 至 4,000 亿美元的全球制药研发总支出池；若 AI 真正扩大了可行药物项目数量，机会将更大，因为还会带动 DNA 合成、蛋白生产、实验验证与临床前工作的增量需求。文章还从 AI 公司自身支出角度做了近似估算：若 Anthropic 在 2026 年实现 800 亿美元年化收入，仅将其中 1% 投入 AI 药物发现，便意味着约 8 亿美元的年度投资体量。

文章提醒，熟悉该主题的投资者会联想到 2020 至 2021 年的 AI 制药热潮及随后的崩盘——Exscientia 的 DSP-1181 分子在不到一年内从发现推进至 I 期临床，却因未达到目标机制的 I 期评估标准而终止。作者认为当时失败源于宏观环境急剧收紧，以及「更快的发现不等于更好的临床生物学」被残酷证实。但她强调，那一轮周期发生在 GPT 出现之前，核心逻辑是用计算减少低价值的湿实验室筛选，目标是减少物理实验量；而当前的逻辑是用 AI 大幅扩展假设空间，再用湿实验室生成真实验证数据，形成「AI→实验→数据→更好的 AI→更多实验」的循环，物理生物学本身反而成为瓶颈。已有数据显示，2024 年一项研究显示 AI 发现药物的 I 期成功率约为 80% 至 90%，高于行业历史平均水平；II 期成功率约为 40%，与历史平均大致相当，但样本量仍有限。

在瓶颈传导上，文章认为当前的 DNA 合成与蛋白生产是最直接的节点，随着更多候选药物被推入临床前阶段，动物实验可能成为下一个受限环节——灵长类动物价格已接近此前高点，CRO 产能持续偏紧。作者判断这笔交易的潜在持续时间较长，直至 2028 年以后的 I/II 期临床结果出炉，都很难出现根本性的逻辑终结。关键里程碑包括：2026 至 2027 年底，Isomorphic 首批 AI 设计药物进入人体临床试验，更多 AI 原生项目推进至 IND-enabling 阶段；2028 至 2030 年，临床试验结果开始揭示 AI 设计药物是否真正优于传统药物。

风险方面，文章指出近期若实验预算停止增长、AI 生成设计无法转化为有效湿实验室结果，或产能过快追上需求，上游「镐与铲」交易将承压；长期看，若 AI 药物在发现阶段和 I 期表现亮眼，却在 II/III 期以正常失败率落败，整个投资逻辑将面临根本挑战，这也是 II 期临床结果被视为关键的原因。洛杉矶加州大学教授 Quanquan Gu 对这一逻辑的概括是：生物学可能成为 AI 下一个递归自我改进的前沿——在计算机中设计，在实验室中测试，将实验反馈转化为半合成训练数据，改进模型，周而复始。