产业研究｜AI智慧医疗行业研究报告（二）- 大数跨境

常裕产业研究院

2026-04-17

AI智慧医疗行业正从技术验证的“试验田”跨入商业化爆发的“深水区”。全球市场规模2025年约393亿美元，中国市场达1157亿元，预计以10.5%的年复合增长率持续扩张。AI已渗透医学影像、药物研发、临床辅助决策等全链条，国家五部门明确8大方向24项重点应用。研究该产业有助于优化医疗资源配置、缓解供需矛盾；投资该产业可把握千亿级市场增长红利与国产替代机遇；培育该产业能提升我国在全球AI医疗领域的核心竞争力。

关键词：AI制药、智慧医院、AI医学影像、AI医学检验、AI健康管理

三

智慧医疗/AI医疗产业链分析

（一）智慧医疗/AI医疗产业链概述

AI医疗产业链是一个由技术、数据、硬件、软件、应用场景等多环节构成的复杂生态体系，覆盖从基础技术研发到临床落地的全流程。

图表：AI赋能医疗产业全环节

资料来源：甲子光年智库

图表：AI医疗产业链

资料来源：Aiden硬科技，东北证券

图表：中国AI医疗产业生态图

资料来源：甲子光年智库

（二）智慧医疗/AI医疗产业链构成分析

1.上游：基础层

（1）数据资源

数据来源：数据主要源自多个关键领域，包括医院电子病历（EMR）系统所记录的海量患者诊疗信息；医学影像，像CT、MRI、X光等各类成像资料，蕴含丰富的身体结构与病变信息；基因测序数据，揭示人体遗传密码；可穿戴设备监测数据，能实时追踪个体日常健康状况；以及公共卫生数据库，汇聚了群体层面的疾病防控等数据。

数据标注：在数据标注环节，医学影像标注（以精准勾画肿瘤区域为例）和病历文本结构化（如从病历中准确提取疾病名称、症状等关键信息）这类工作，高度依赖专业医生凭借其深厚的医学知识和临床经验来完成。

数据治理：数据治理涵盖多个重要方面。首先是数据清洗，去除数据中的噪声与错误；接着进行脱敏操作，保障患者隐私。同时，依据DICOM等行业标准实现数据标准化，以确保数据的通用性与兼容性；在隐私保护方面，严格遵循GDPR、HIPAA等国际通行法规要求，保障数据安全。

（2）算法与模型

核心技术：该领域的核心技术丰富多样。深度学习发挥着关键作用，其中CNN（卷积神经网络）擅长处理医学影像识别任务，能精准分辨各类影像特征；RNN（循环神经网络）则在时序数据处理上表现卓越。迁移学习针对小样本训练难题，可有效利用已有知识。联邦学习更是打破机构间的数据壁垒，实现跨机构的数据协作。

模型：医疗健康大模型以企业研发为主，高校和科研机构为辅，医疗机构次之，研发合作模式多样化，包括医企、校企等多种模式。截至2024年9月，我国共有超100家企业和机构发布了医疗健康产业大模型。企业占比达到81.3%，高校和研究机构占比分别为10.3%和5.6%，医院占比为2.8%。医疗大模型在2024至2027年迎来快速发展期，2025年医疗大模型市场规模已达82亿元，预计到2027年我国医疗行业大模型市场规模将超过260亿元。

其中，企业研发医疗健康领域大模型，更加注重用户体验和商业化前景，典型代表如百度的“灵医大模型”、医渡科技的“医渡大模型”、京东健康的“京医千询大模型”、腾讯的“腾讯健康医疗大模型”等更加注重用户体验和易用性，能更好地满足市场的需求。

图表：国内优秀医疗大模型成果举例

资料来源：《国内医疗大模型图鉴2025》，东吴证券研究所

（3）算力基础设施

硬件：硬件支撑极为关键，包括性能强劲的GPU，为深度学习计算提供强大动力；TPU芯片，在特定计算场景下具备高效优势；还有寒武纪、Graphcore等企业研发的AI加速芯片，助力提升整体算力水平。

云计算：云计算平台为医疗AI训练提供有力支持，AWS、Azure、阿里云等均搭建了专业的医疗AI训练平台。而边缘计算则在实时处理场景中不可或缺，例如手术机器人的精准操控就依赖其低延迟特性。

网络：5G网络凭借其高速率、低延迟的特性，大力推动远程医疗发展，实现实时数据的快速传输。

2.中游：技术层

（1）核心技术模块

计算机视觉（CV）：在医疗领域发挥着关键作用，应用于医学影像分析，如肺结节检测、眼底病变识别等，助力医生精准诊断；同时还用于病理切片数字化，提高医疗数据管理效率。

自然语言处理（NLP）：具有广泛应用。在电子病历结构化方面，能够将繁杂的病历信息整理成规范格式，便于查询与分析；临床决策支持（CDSS）系统借助NLP技术为医生提供决策参考；患者问答机器人可自动解答患者常见问题。此外，在化合物研究环节，NLP技术能对海量文献进行大规模、高效分析，提出新的可测试假说，提高新靶点发现概率，显著缩短研发周期。在临床前研究阶段，深度学习技术可将已上市或处于研发管线的药物与疾病进行智能匹配，拓展药物治疗范围，提升研发效率。

知识图谱：通过构建疾病－症状－药品关联网络，如IBM Watson Oncology，为医疗决策提供全面、关联的知识支持，辅助医生更准确地诊断和治疗疾病。

语音技术：实现语音电子病历录入，医生通过语音即可快速记录病历，提高工作效率；智能问诊记录功能则能自动记录问诊过程，确保信息完整。

（2）开发工具与平台

AI框架：TensorFlow、PyTorch等主流AI框架推出了医疗定制版本，例如MONAI专门用于医学影像处理，为医疗AI开发提供了更贴合需求的底层支持。

低代码平台：像英伟达Clara这样的低代码平台，允许医院在无需大量编程知识的情况下，快速部署AI模型，降低了技术应用门槛，加速了AI在医疗场景中的落地。

模型管理：借助MLOps工具链，实现模型版本控制，确保模型迭代过程的可追溯性；同时支持自动化部署，提高模型部署效率，保障模型在实际应用中的稳定性与可靠性。

3.下游：应用层

AI的下游应用包括：医学影像、AI辅助决策、AI医学检验、AI健康管理、AI新药研发、医疗机器人等。

图表：国内AI医疗主要参与企业

资料来源：财经科学家，东北证券

四

智慧医疗/AI医疗重点关注方向

（一）AI制药

AI制药是指以医药大数据为基础，将自然语言处理、机器学习及生成模型等人工智能技术应用到制药领域各环节，以提高、优化新药研发的效率及质量，降低临床失败概率及研发成本。

相比传统制药，人工智能凭借机器学习、深度学习、自然语言处理、图像识别等独特优势可以提供更好的预测模型和更高的命中率，以缩短新药发现时间，提高药物研发的成功率，节省成本提高净收入。目前，AI技术主要用于药物研发阶段，随着技术的不断突破和发展，AI技术参与制药的环节将增多，新药研发效率也将提升。

图表：AI赋能新药研发全流程

资料来源：Aiden硬科技行研，东北证券

图表：AI技术在制药流程中的主要作用

资料来源：中商情报网，东北证券

1.AI制药的发展历史回顾+周期判断

AI制药行业自1990年以来，历经了从理论探索到商业落地的完整发展周期：

早期（1990—2012年）因技术局限与行业认知不足，应用仅停留在概念验证；

随后（2013—2017年）随着生成对抗网络等新技术出现，AI在药物分子生成等环节的可行性得到验证，逐渐积累关注；

2018—2019年，IBM Watson和AlphaFold的重大突破引爆投资热潮，推动技术成熟与效率提升；

2020年至今，AI技术已渗透药物研发全流程，跨国药企深度参与，行业进入快速扩张阶段，随着商业化应用落地，有望迎来密集收获期。

图表：AI制药发展历程

资料来源：Frost&Sullivan，英矽智能，中信建投

科研热度持续上升，AI辅助药物发现快速成长。根据Intelligent Pharmacy刊载的文章显示，AI辅助药物发现领域的出版物数量呈现指数增长趋势，研究热度逐年快速上升。具体来看，2009年至2017年为缓慢发展阶段，2018年至2023年为快速发展阶段。AI辅助药物发现领域的出版物数量在2020年超过1000篇，仅在两年后的2022年就超过了2000篇。引用方面，2020年至2023年，该领域每年的引用次数增加到1万—2万次/年。2023年，人工智能辅助药物发现领域有2447篇出版物被引用64137次。

图表：2009—2023年每年AI辅助药物发现文献和引用数量

资料来源：爱思唯尔，Intelligent Pharmacy，中信建投

中美科研机构仍是技术创新主要动力。根据2024年Intelligent Pharmacy上的回顾分析，对2009-2023年间9700篇AI辅助药物发现领域文献的全面分析，揭示了该领域在过去15年的发展脉络、研究热点与未来走向。AIDD在近年来展现出蓬勃的发展态势，尤其自2018年起，文献数量呈现出迅猛增长的趋势，这不仅反映了学术研究的高度活跃，更暗示着AI技术在药物发现领域正逐步从理论探索迈向实际应用的快速转化阶段。从分国别视角审视AI辅助药物发现领域，美国以最多的文献数量占据首位，中国紧紧跟随其后，两国在全球范围内构成第一梯队，相较于其他国家，领先优势极为显著。就机构层面而言，高校和科研院所在AI辅助药物发现领域成为文献产出的核心力量，商业机构的贡献占比较低，其中中国科学院在AI辅助药物发现出版物方面贡献最为突出。而在商业机构中，自2009年起，阿斯利康凭借107篇研究成果，成为文献贡献最多的企业。从研究热点来看，虚拟筛选、基因表达、药物递送等方向始终是该领域关注的焦点，这些主题贯穿了AI辅助药物发现的关键流程，从靶点识别到药物设计与优化，体现了AI技术对传统药物研发瓶颈的持续攻克。同时，随着时间的推移，如“sars cov2”“分子设计”“临床试验”等新兴热点的涌现，也反映出该领域对现实需求的敏锐响应，特别是在应对突发公共卫生事件以及加速新药从实验室到临床转化方面的积极探索。

图表：对人工智能辅助药物发现出版贡献最多的8个国家/地区

资料来源：爱思唯尔，Intelligent Pharmacy，中信建投

图表：对人工智能辅助药物发现出版贡献最多的8个机构

爱思唯尔，Intelligent Pharmacy，中信建投

全球市场有望进入加速成长期。AI制药赛道在技术层面不断突破之后正经历爆发式增长，从需求侧看，全球创新药研发面临“双十定律”困境（10年周期、10亿+美元成本），AI技术通过靶点筛选、分子生成、临床试验优化等环节可缩短40%研发时间，显著降低药企试错成本。政策端，美国FDA积极更新AI用于药物开发的指导意见，中国“十四五”医药工业发展规划亦明确支持AI在新药研发中的应用，监管破冰为技术商业化铺平道路。根据Research And Markets数据，全球市场规模从2021年7.92亿美元跃升至2024年17.58亿美元，年复合增长率达30.45%，预计2026年将突破30亿美元大关。

图表：全球AI制药市场规模（亿美金）

资料来源：Research And Markets，中信建投

中国市场总体规模仍较小。中国AI制药市场在过去几年中经历了显著的增长，从2019年的0.67亿元增长至2024年的5.62亿元，年复合增长率达到了53.01%。这一快速增长不仅反映了AI技术在药物研发领域的应用日益广泛，也体现了中国医药行业对创新技术的高度接纳和投资热情。随着国内政策的支持以及资本市场的积极参与，越来越多的初创企业和传统药企开始探索利用AI优化药物发现与开发流程，努力缩短研发周期、降低成本并提高成功率。

图表：国内AI制药市场规模（亿美金）

资料来源：中商产业研究院，中信建投

根据智药局统计，中国AI制药公司主要分布于北京、长三角、大湾区三地，囊括了超94%的AI制药公司。其中又以北京、上海和深圳三座城市较为突出，各有约20家公司落户。商业模式来看，国内多数AI药物研发企业都会在SaaS服务商、AI CRO和AI biotech的商业模式中兼容两种或者三种。

图表：中国AI制药企业分布图

资料来源：智药局，中信建投

在AI驱动的药物研发中，数据是核心，涵盖小分子化合物、蛋白靶点、生物医学知识图谱及临床真实世界数据四大类，贯穿研发全流程。小分子结构与性质数据来自ZINC、ChEMBL等数据库，助力新分子生成与评估；蛋白质序列与结构数据依赖UniProt、PDB等，支撑靶点识别与相互作用预测；生物医学知识图谱整合多维度信息，用于复杂网络关系建模；临床数据助力临床推进与决策。公开数据库虽广泛但深度有限，药企私域数据更具价值但共享少。中小型AI制药公司因数据不足面临挑战，未来AI制药竞争将聚焦于数据获取与整合能力，与各方建立数据合作构建差异化数据资产是关键。

图表：药物研发中人工智能模型架构和性能的示例

资料来源：爱思唯尔，中信建投

从模型训练角度看，不同任务对数据体量依赖程度差异显著。以分子生成模型为例，如Transformer、Diffusion需10万量级以上的分子结构数据来学习生成新化合物；QSAR模型对数据规模要求相对温和，数千至数万条结构－性质对应数据即可，但对数据质量和标注均衡性要求高。蛋白－配体结合预测模型（如DeepDTA、EquiBind）需上万级高质量复合物结构与结合亲和力数据，蛋白质结构预测任务（如AlphaFold2）则需百万级数据结合多序列比对和深度注意力机制，计算资源需求极高。基于图谱的靶点预测或药物再定位任务需上百万级三元组合数据，图谱嵌入模型依赖大规模关系型数据挖掘潜在路径。自然语言处理任务中，预训练语言模型（如BioBERT、PubMedBERT）预训练阶段需数十万至百万级生物医学文献或摘要，微调阶段标注样本量在数千至数万之间。

图表：不同任务对数据体量的依赖程度

资料来源：National Library of Medicine，中信建投

在生成式AI模型广泛应用于分子生成、抗体序列设计等任务中时，模型“幻觉”（hallucination）问题已成为不可忽视的风险。生成式AI在分子生成、抗体序列设计等任务中面临“幻觉”问题，模型虽能学习分子结构的“语法规律”，但无法自动判别生成分子的合成可行性、生物学功能或ADMET性质。同时，训练目标单一化及缺乏多维生物学反馈约束，使模型易陷入虚假“高分子”陷阱，难以指导真实研发。此外，AI制药领域存在“从数据到原子”的断层，模型开发与实验验证之间缺乏闭环机制，导致“虚拟管线堆积”现象，降低了研发效率。AI制药的核心缺陷是多维度结构性挑战的叠加，模型的“黑箱特性”导致解释性不足，训练数据中生物系统复杂性的简化建模，使得AI生成的分子在实际生物活性与预测值上存在偏差。数据层面的问题并非单纯“量”的不足，而是“质”与“分布”的结构性缺陷，高质量标注数据集中在肿瘤领域，而皮肤病、风湿病等领域数据稀缺，跨机构数据标准不统一，多组学数据整合存在技术壁垒。从落地场景看，AI在临床前阶段的应用相对成熟，但在临床II/Ⅲ期渗透率低，核心瓶颈在于复杂生物系统的动态建模能力不足。

AI制药行业爆发的关键节点取决于“技术突破－数据基建－监管适配”的三重共振。技术上，当解释性AI（XAI）与多尺度建模（如Physics-informedAI）实现临床级预测精度，可能解决约60%的转化偏差；在数据层面，需建立跨企业的联盟学习平台，破解肿瘤外领域数据稀缺问题；监管端，FDA等机构需出台AI模型验证标准，类似FDA2024年发布的《AI/ML行动计划》的细化落地。

结合当前技术演进与临床进展节奏，预计AI制药可能存在两个潜在的行业里程碑节点。第一个是AI设计的药物首次成功通过关键Ⅱ期或Ⅲ期临床验证并上市。目前如Exscientia、Insilico等企业的AI管线已有多个分子进入临床阶段，预计最早在2026—27年左右有望取得里程碑性进展。第二个则是生成式生物基础模型（如BioGPT、ProGen2、AlphaFold3）实现跨任务泛化能力，一旦形成类似通用语言模型的生物医学大模型底座，将重塑AI在药物发现、抗体设计、靶点预测等多个关键环节的能力结构，推动行业由“单点突破”转向“平台赋能”。在接下来的2-3年内，即有望看到首个AI制药驱动的分子逐渐进入上市阶段，而随着近年来大模型的快速迭代进步和各MNC的日趋重视，AI制药有望逐渐进入爆发期。

2.国内与海外AI制药发展比较

国内AI制药公司管线情况：国内包括英矽智能、希格生科、深势科技、德睿智药、费米子科技、未知君等AI制药公司均有诸多管线进入临床，不过大多数仍处于早期阶段。

图表：国内部分AI制药公司管线

资料来源：Insight 数据库，中信建投

全球AI制药公司管线情况：海外整体相比国内公司管线数量更多，但同样大多数仍处于早期阶段，2025年行业有望看到更多数据的读出。2月5日，Recursion在国际卒中会议上以最新口头报告形式公布了REC-994在CCM（脑海绵状畸形）中的Ⅱ期数据，SYCAMORE试验在Ⅱ期研究中未观察到安全信号，治疗组和安慰剂组的不良事件发生率相当。治疗12个月后，接受REC-994400毫克治疗的患者（N=20）中50%的患者总病变体积（LV）减少，而接受安慰剂治疗的患者（N=18）中这一比例为28%。6月2日，Relay在ASCO大会上更新RLY-2608临床2期数据，PFS整体达10.3个月，数据稳定，支持于2025年中启动ReDiscover-2Ⅲ期关键试验，并继续探索联合CDK4抑制剂的新方案。Schrödinger在2025年上半年持续推进其三条临床I期管线，包括CDC7抑制剂SGR-2921（获FDA孤儿药资格，用于急性髓性白血病），MALT1抑制剂SGR-1505（用于B细胞恶性肿瘤）和Wee1/Myt1抑制剂SGR-4174（用于实体瘤），预计将在2025年下半年公布SGR-2921的I期数据。

图表：海外部分AI制药公司管线

资料来源：Insight 数据库，智药局，中信建投

3.AI制药企业业务模式及前景分析

在当前AI药物研发领域，企业主要采用三种主流商业模式，即AI SaaS、AI CRO与AI biotech。当下AI制药市场的主要参与者涵盖大型药企、头部互联网企业以及AI制药初创企业。

AIDD SaaS：AI软件辅助药物发现全流程。AI驱动的药物发现（AIDD）SaaS（软件即服务）模式是近年来兴起的一种商业模式，旨在通过提供基于云端的AI工具和平台，帮助制药公司、研究机构以及生物技术公司加速药物研发过程。SaaS平台将复杂的AI技术和数据分析能力转化为易于使用的应用程序，用户通过订阅服务的方式访问平台，获取用于药物发现的各类工具和资源。

AIDD SaaS商业模式通过提供强大计算资源、智能化工具和便捷的云平台，极大地降低了药物研发门槛，推动了新药的发现。像Schrödinger、Insilico Medicine、Exscientia和Atomwise等公司代表了这一模式的成功应用，它们通过AI技术帮助制药公司提升研发效率，降低成本，加速药物进入市场的时间。

图表：目前AIDD SaaS公司及其相关的产品

资料来源：各公司公告，中信建投

AIDD CRO：加速临床前药物发现。在人工智能驱动的药物发现（AIDD）领域，CRO商业模式是另一种重要的发展路径，主要集中于为制药公司、学术机构以及生物技术公司提供外包的研发服务。

AIDD CRO利用AI技术进行药物研发的外包服务，涵盖从药物筛选、靶点识别到临床前研究和试验设计等各个环节。AIDD CRO通过AI驱动的定制化技术服务和云平台，提供高效、灵活的药物研发外包解决方案，帮助客户加速研发进程并降低成本。AbCellera、Insilico Medicine、Evotec和Labcorp等企业是CRO模式的代表，利用AI技术加速药物研发，并与全球制药公司展开广泛合作。

图表：目前AIDD CRO 公司及其相关的产品

资料来源：各公司公告，中信建投

AI biotech：自研管线积极推进。AI biotech类企业通过AI驱动进行药物发现并积极推动管线进程，代表性企业国内如英矽智能、未知君、剂泰医药等。海外代表性企业包括Recursion Pharmaceuticals、Atomwise、Exscientia、Relay等。由Exscientia和日本住友制药合作开发的DSP-1181，是一种用于治疗强迫症（OCD）的长效血清素5-HT1A受体激动剂，于2020年1月30日进入临床，成为第一个进入临床试验的人工智能设计的分子。不过由于I期临床效果不及预期，目前已经停止开发。

图表：部分AI制药企业

资料来源：APAC，中信建投

目前AI制药多数企业仍处于较为早期的阶段，整体盈利能力仍较低。比较三类AI biotech企业发展路径，其中1）AI SaaS类企业依靠软件订阅制收费收入可预测性较强，云架构下新增客户成本趋近于零，毛利率有望保持较高水平。依托客户使用产生的数据反哺模型优化，可以形成技术护城河。但是单客户收入通常低于百万美元级，需持续扩大客户基数，同时市场开源软件的增加可能会挤压基础软件的生存空间，且标准化软件可能难以满足客户的定制化需求；2）AI CRO类企业前期通过服务费覆盖成本，营收相对有保障，并且深度介入客户管线设计，有望维持较高客户黏性。但是需要维持高水平交叉学科团队（AI+生物+化学），需要考虑传统CXO加速AI转型可能带来的行业竞争等；3）AI自主开发类企业通过自有的AI技术平台筛选独特的NMEs，有望通过创新药管线的持续上市获得丰厚回报。但是创新药研发属于高风险高回报，盈利确定性相对较低，且目前AI主要参与临床前药物发现过程，而临床阶段成本占据药物研发一半以上。这种模式对企业的人才和资金获取能力都有着最高的要求。

图表：三类AI Biotech企业发展路径

资料来源：摩熵咨询，中信建投

近年来AI制药领域正经历着快速的迭代和变革，算法的更新迭代和算力的支持为AI在制药领域的应用打下了良好的基础。目前AI算法在临床前药物发现阶段已经有着深入且深刻的应用，有望驱动AI制药管线和市场的快速增长。海外头部临床CRO公司在临床试验中已经布局AI多年，临床试验的时间和成本同样有望得到降低，完全由AI研发的新药有望在1-2年内成功上市。能够认为AI有望重塑药物发现的模式，在基于个性化的“精准医疗”中充分展现潜力，并且为制药行业带来潜移默化且持续地降本增效，有望从源头提高创新药研发的成功率。

未完待续

【声明】内容源于网络

常裕产业研究院

常裕新创集团旗下专注于产业研究的专门机构，为集团旗下产业投资、产业服务等业务提供方向。持续专注于人工智能、新能源、新材料、智慧医疗、航空航天等战略性新兴产业的研究。作为集团“大脑”，不以盈利为目标，只以专业为追求！

内容 72

粉丝 0

常裕产业研究院常裕新创集团旗下专注于产业研究的专门机构，为集团旗下产业投资、产业服务等业务提供方向。持续专注于人工智能、新能源、新材料、智慧医疗、航空航天等战略性新兴产业的研究。作为集团“大脑”，不以盈利为目标，只以专业为追求！

总阅读553

粉丝0

内容72