随着糖尿病和肥胖治疗药物的热销,制药巨头礼来市值突破 1 万亿美元,正式加入“万亿美元俱乐部”。2026 年第三季度,其 GLP-1 类药物组合销售额近 170 亿美元,堪比 AI 独角兽 Anthropic 的同期营收。然而,这一巨额回报背后是漫长、昂贵且高失败率的研发过程。
若 AI 能重塑这一流程,制药行业将迎来何种变革?近日,美国风险投资机构 Andreessen Horowitz(a16z)发布报告《大型制药公司可以比肩大型软件公司》,深入分析 AI 如何通过提高成功率、缩短周期来降低药物研发成本,并探讨新一代生物技术公司的商业机会。
爆款驱动:制药业的“超级单品”经济
制药业呈现出高度集中的商业结构:少数“爆款”药物支撑起巨头的庞大市值。全球市值最高的 30 家药企总市值约 5 万亿美元,其中 9 家超过 2,000 亿美元。相比之下,达到同等规模的软件公司有 16 家。
收入集中度极高,前 25% 的药物贡献了约 85% 的收入。对于头部药企,最畅销的三款药物平均贡献了一半营收。
图|全球主要制药公司的市值与 2026 年营收对比(来源:a16Z)
以礼来为例,其替尔泊肽成分的两款药物 Mounjaro 和 Zepbound 在 2025 年合计销售额近 400 亿美元,相当于 Salesforce 的年营收。默沙东则更依赖单一产品,癌症药物 Keytruda 贡献了其 54% 的收入。
此外,适应症扩展也是关键增长点。例如 Dupixent 从特应性皮炎拓展至哮喘等病症后,销售额从 2019 年的 20 多亿美元增至 2025 年的近 180 亿美元。尽管专利保护期通常为上市后 10 至 14 年,但期间产生的现金流足以支撑企业长期发展。全球约有 300 款品牌药年销售峰值在 10 亿至 100 亿美元之间,远超同规模软件公司的数量。
图|主要畅销药物的年销售峰值对比(来源:a16Z)
无论是开发全新机制的“同类首创”,还是优化现有疗效的“同类最佳”,AI 均有望在靶点发现、分子设计等环节提供助力,但最终仍需通过严苛的临床验证。
成本困境:AI 能否破解“埃鲁姆定律”
过去十年,美国处方药支出翻倍,但 FDA 每年批准的新药数量停滞在几十款。大型药企的创新越来越多依赖外部引进,2015-2021 年间获批的新药中,约 65% 来自外部。
图|2015-2025 年美国 FDA 年度新药批准数量及美国药品销售额变化(来源:a16Z)
新药研发面临极高的淘汰率,进入临床试验的候选药物最终获批比例不足 10%。算上失败成本和资金时间价值,成功开发一款药物的现值成本接近 20 亿美元,耗时约 13 年。
AI 的介入旨在改变这一经济账:
- 早期研发:利用模型分析文献数据,评估疾病靶点;预测分子结构性质,辅助筛选优化。
- 临床阶段:参与试验方案设计、患者招募及监管文件准备。
a16z 认为,若 AI 能提高成功率或缩短周期,将显著改善投资回报。假设一款药物年销售峰值为 5 亿美元,若研发成本从 16 亿美元降至 8 亿美元,其 10 年期内部收益率将从 8% 跃升至 22%。
图|不同研发成本下药物项目的预计回报率(来源:a16Z)
然而,长期毒理学研究等受监管限制的环节难以仅靠 AI 压缩时间。同时,AI 生成的新分子需大量真实实验验证,这将增加对高质量实验数据和实验室自动化的需求。
估值重构:研发平台能否获得“软件级”溢价
目前,药企估值主要基于现有药物管线和未来销售预测,早期项目因不确定性高而估值权重低。相比之下,软件公司凭借可持续的平台收入和可重复的增长模式,更容易获得高估值。
药企还面临“专利悬崖”风险。以艾伯维的修美乐为例,专利到期后销售额从 2022 年的 200 亿美元骤降至 2025 年的 40 亿美元。为维持增长,药企必须不断补充管线。
图|2016 年 9 月- 2026 年 3 月,25 家大型制药公司的估值倍数变化(来源:a16Z)
若 AI 能使药物发现变得稳定可重复,投资者可能重新评估药企价值,更加重视其研发平台的持续产出能力。这也将利好拥有先进平台的生物技术初创公司,使其无需急于证明单一药物价值即可融资。
前提是,这些平台必须在真实世界中持续交付成功药物,而非仅停留在预测层面。
技术拐点:AI 制药的“GPT-3 时刻”
长期以来,制药业受制于“埃鲁姆定律”(研发效率随时间下降)。a16z 认为,前沿 AI 模型的进步可能扭转这一趋势,当前领域正处于类似大语言模型 GPT-3 的发展阶段:潜力初显,但尚需广泛验证。
模型能力的提升主要体现在两方面:
- 泛化能力:将生物学规律应用于新靶点和任务。
- 功能性生成:设计出在真实世界中有效的新分子。
图|2024-2026 年,不同 AI 模型在抗体-抗原结构预测任务中的表现(来源:a16Z)
大型药企已开始布局,如 Isomorphic Labs 与礼来、诺华达成潜在里程碑付款高达数十亿美元的合作。Anthropic 和 OpenAI 等科技巨头也通过建立湿实验室或收购生物科技公司切入该领域。
商业模式分化:卖工具 vs. 造药物
AI 制药领域正在形成两种主要商业模式:
1. 技术服务提供商:向药企出售数据、自动化设备、预测模型或科研智能体。例如提供虚拟细胞模型、类器官系统或分子设计工具的公司。随着模型普及,模型部署、数据整合及监管申报辅助也成为新兴商机。
2. 垂直整合药企:利用自研 AI 平台开发药物,如 Recursion、Isomorphic Labs、insitro 等。它们通过“实验-模型-临床”的数据闭环迭代技术。虽然投入大、周期长,但若成功上市收益巨大。
图 | AI 制药产业结构示意图(来源:a16Z)
无论哪种模式,湿实验需求都在增加。全球 CRO 市场规模约 900 亿美元,AI 带来的候选药物激增将为实验数据提供商和实验室自动化公司带来新机遇。
挑战与展望:从代码到临床的距离
尽管前景广阔,AI 制药仍面临三大核心挑战:
- 数据匮乏:生物学缺乏像互联网文本那样大规模的高质量现成数据,关键数据需通过昂贵的真实实验获取。
- 机制复杂性:仅优化分子设计不足以成功,还需准确理解疾病机制和干预靶点。
- 反馈周期长:药物需经历漫长的实验室、动物及人体试验才能确认安全有效,AI 缩短这一过程的能力尚待验证。
a16z 已将此作为长期投资方向,累计投资超 75 家生命科学初创公司。未来,行业焦点将在于 AI 能否真正帮助找到高价值靶点、提升临床通过率并降低成本。对患者而言,最终衡量标准将是更多安全有效的新药能否加速上市。
参考链接:
1.https://www.a16z.news/p/big-pharma-can-rival-big-software
注:封面/首图由 AI 辅助生成

