Altimeter Capital 合夥人 Freda Duan 近日發文提出，AI 製藥賽道（AIDD）正在形成一種「瓶頸交易」，其結構與半導體行業此前從 GPU 向 HBM、網路裝置、電力與冷卻系統依次傳導的鏈式行情高度相似。在她看來，這更像一次「體制變遷」，而非單純的效率工具升級。

前沿 AI 實驗室的集體入場被視為最顯著訊號。Anthropic 已將生命科學研究提升至戰略層級，並建立溼實驗室，其首個重大專案是用 Claude 智慧體識別出一種與 CRISPR 類 DNA 重複序列相關、此前未被表徵的酶系統。OpenAI 推出專為生物學與藥物發現設計的 GPT-Rosalind 模型族，覆蓋藥物化學、蛋白工程、基因組學及實驗工作流程。字節跳動的前 AI 藥物發現部門已獨立運營並更名為 Anew Labs，整合基礎模型、溼實驗室驗證與自有藥物管線，字節跳動仍持有多數股權。Isomorphic Labs 則明確表示，目標是把 AI 設計的藥物推進人體臨床試驗。

值得注意的是，各家商業化路徑已經分叉。Anthropic 的定位更接近研究與平台層，明確表示不打算成為傳統商業臨床階段的生物技術公司；Anew Labs 更接近擁有自有藥物管線的生物技術平台；Isomorphic Labs 處於兩者之間，承諾自行推進藥物進入臨床。對下游供應鏈而言，無論走授權給大型藥企、合作里程碑加專利費，還是直接孵化獨立公司，實驗需求的增量都會真實發生。

一個反直覺之處在於：AI 提升了效率，為何反而推高溼實驗室的實驗量？文章給出的解釋是，AI 從根本上改變了假設生成的經濟學。設計候選分子的邊際成本趨近於零，「上場機會」大幅增加，瓶頸從設計端轉移到生物驗證端。失敗的實驗同樣有價值——Anthropic 的案例中，Claude 設計了 1,320 個蛋白結合子，經 Adaptyv 轉化為 DNA、表達蛋白並測試結合性，最終只有 354 個成功結合，但另外 966 個失敗案例提供了「什麼不表達、什麼不結合、什麼親和力差」的負向標籤，可用於訓練下一輪模型。溼實驗室的角色，正從製造藥物轉向製造訓練資料。

供應鏈端已出現可追蹤的量化訊號。DNA 合成商 Twist Bioscience（TWST） 預計 2026 財年和 2027 財年的 AI 藥物發現訂單將連續實現三位數百分比增長。金斯瑞（GenScript） 的 AI 藥物發現業務在 2026 財年上半年同比翻倍，其平台對外宣傳的工業級驗證產能為每日 4,000 個以上設計；渠道調研顯示實際產能約為每日 8,000 個設計，並有望在 2026 年底前提升至約 16,000 個。文章稱，TWST 的業務正轉向從 AI 設計序列中生成可直接輸入模型的結構化實驗結果資料，金斯瑞的序列到結合資料工作流可在 4 至 7 天內返回結果，兩家公司因此愈發接近「生物資料鑄造廠」的角色。

從傳導路徑看，受益環節依次為 AI 模型、序列設計、DNA 合成、蛋白生產、實驗驗證、測序、自動化裝置與臨床前測試（CRO）。市場規模方面，若 AI 只是更高效的研發工具，對應的是每年 3,000 至 4,000 億美元的全球製藥研發總支出池；若 AI 真正擴大了可行藥物專案數量，機會將更大，因為還會帶動 DNA 合成、蛋白生產、實驗驗證與臨床前工作的增量需求。文章還從 AI 公司自身支出角度做了近似估算：若 Anthropic 在 2026 年實現 800 億美元年化收入，僅將其中 1% 投入 AI 藥物發現，便意味著約 8 億美元的年度投資體量。

文章提醒，熟悉該主題的投資者會聯想到 2020 至 2021 年的 AI 製藥熱潮及隨後的崩盤——Exscientia 的 DSP-1181 分子在不到一年內從發現推進至 I 期臨床，卻因未達到目標機制的 I 期評估標準而終止。作者認為當時失敗源於宏觀環境急劇收緊，以及「更快的發現不等於更好的臨床生物學」被殘酷證實。但她強調，那一輪週期發生在 GPT 出現之前，核心邏輯是用計算減少低價值的溼實驗室篩選，目標是減少物理實驗量；而當前的邏輯是用 AI 大幅擴充套件假設空間，再用溼實驗室生成真實驗證資料，形成「AI→實驗→資料→更好的 AI→更多實驗」的迴圈，物理生物學本身反而成為瓶頸。已有資料顯示，2024 年一項研究顯示 AI 發現藥物的 I 期成功率約為 80% 至 90%，高於行業歷史平均水平；II 期成功率約為 40%，與歷史平均大致相當，但樣本量仍有限。

在瓶頸傳導上，文章認為當前的 DNA 合成與蛋白生產是最直接的節點，隨著更多候選藥物被推入臨床前階段，動物實驗可能成為下一個受限環節——靈長類動物價格已接近此前高點，CRO 產能持續偏緊。作者判斷這筆交易的潛在持續時間較長，直至 2028 年以後的 I/II 期臨床結果出爐，都很難出現根本性的邏輯終結。關鍵里程碑包括：2026 至 2027 年底，Isomorphic 首批 AI 設計藥物進入人體臨床試驗，更多 AI 原生專案推進至 IND-enabling 階段；2028 至 2030 年，臨床試驗結果開始揭示 AI 設計藥物是否真正優於傳統藥物。

風險方面，文章指出近期若實驗預算停止增長、AI 生成設計無法轉化為有效溼實驗室結果，或產能過快追上需求，上游「鎬與鏟」交易將承壓；長期看，若 AI 藥物在發現階段和 I 期表現亮眼，卻在 II/III 期以正常失敗率落敗，整個投資邏輯將面臨根本挑戰，這也是 II 期臨床結果被視為關鍵的原因。洛杉磯加州大學教授 Quanquan Gu 對這一邏輯的概括是：生物學可能成為 AI 下一個遞迴自我改進的前沿——在計算機中設計，在實驗室中測試，將實驗反饋轉化為半合成訓練資料，改進模型，週而復始。