10月24日,由中国医药创新促进会和香港交易所联合主办的第十一届医药创新与投资大会在南京开幕。对于外界关心的华为是否会直接进入药物研发,总裁樊杰明确表示:不做药,也不做管线。他的正面定义是,华为制药军团的定位是医药行业的AI赋能者,而不是跟大家抢着做药。海报新闻IT之家经济观察报
于是问题变得具体:这个技术底座,到底能帮药企解决什么实际问题?把樊杰在大会期间的披露,和同一会场里科学家、药企、投资人的讨论拆开看,答案是三件事——模型训不起、跑不划算、数据动不了;外加一件底座也解不了的事:临床验证。
第一道门槛是算力:百卡只是训练的起点,而很多药企连百卡都还没迈进去
一家中国药企如果想把AI从辅助筛选推进到模型训练,拥有合规、可获取、性能够用的算力,本身就是一道需要单独解决的问题。樊杰列过一笔中外差距:罗氏制药已经投了3700卡算力,礼来年初投入1016卡B300,施贵宝、阿斯利康各有1500卡;而国内头部药企才刚进入百卡时代,几十卡一般用于推理,百卡才是训练的起点。每日经济新闻海报新闻
训练也不能一张一张地用卡:训练模型至少需要64张卡,很多时候甚至是百卡和千卡规模,几百张卡要串起来形成集群才能发挥作用。华为的解法是集群化和超节点,当前有1024卡的超节点方案,用樊杰的话说在全球是最大的。门槛的另一面是供应——很多药企抱怨买不到算力,买到之后供应商又供货不稳,这正是“底座”想接走的脏活累活。经济观察报IT之家海报新闻
第二道门槛是工程:卡买回来只是开始,跑得划不划算看算子
模型和算力卡之间隔着一层叫算子的关键中间件,模型靠它调用卡和各个模块,适配优劣可导致高达十倍的性能差距。过去做算子适配要三四个月,现在借助工具链和AI编程缩短到一两天——快的意义不只是省时间,而是把模型迁移的门槛降到了药企能承受的程度。经济观察报每日经济新闻
可观测的样本是TorchFold:昌平实验室基于昇腾算力重建了蛋白质结构预测模型,华为提供适配和模型精调服务,实测精度与AlphaFold对齐。这件事的分量在于趋势:AlphaFold、Glide、FEP+、ADMET这些曾经的开源模型正陆续走向闭源,药企越来越不能指望现成的公共生态。底座要解决的正是:开源退潮之后,药企手里仍然要有一套训得动、跑得准的模型。经济观察报海报新闻
第三道门槛是数据:底座动不了“不想给”的部分,但能解决“不敢给”的部分
数据的墙分两层。企业内部,早研部门拿不到湿试验数据,湿试验部门拿不到临床数据,早研在黑盒里跑,分子到了临床被淘汰,也不知道错在哪儿。企业外部,临床数据躺在医院里,出院还涉及合规、可信空间、数据交易和利益分配。药企对数据共享的态度很直接:这是自己的核心资产,不可能贡献给别家药企。每日经济新闻海报新闻
华为的切入方式是先把边界立起来:数据主权还给客户,自己不碰、不做模型,把模型交给深势科技、望石智慧、分子之心这些伙伴,华为做算力、存力和网力的协同和适配。外部环境也在配套:国家数据局2025年遴选的首批63个可信数据空间试点里,有6个覆盖医保医疗医药领域,到2025年年底累计孵化了7000多个数据产品和服务。数据从“不敢”到“能动”,靠的就是底座加制度的这种组合拳。经济观察报每日经济新闻
巨头都在下场,华为选的是一条谁都没占的中间位置
这条边界放在2026年的行业版图里才看得出分量。OpenAI发布了面向生物学的推理模型GPT-Rosalind,10月20日又宣布收购药物研发协调平台Orchestra Bio,并把它整合进自己的Rosalind体系。Anthropic花约4亿美元股票买下十人规模的AI药物发现公司Coefficient Bio;谷歌旗下的Isomorphic Labs完成21亿美元B轮,正以数百亿美元估值谈新一轮——而它还没有一款药走到监管审批面前。东方财富网36氪
华为则把已有的企业级产品适配到制药行业,为药企、科研机构及AI制药企业提供算力、存储、网络、工具链和数据治理能力,做技术底座与生态支持者。IT之家
国内的动作同样密集:字节把AI制药团队分拆成Anew Labs,首轮融资2.9亿美元、投后估值15亿美元,四个临床前管线一起带走;腾讯投资晶泰十年,还公开了一项由AI设计的GLP-1短肽专利。这些玩家有一个共同点:模型、管线、专利,总要握住一样。华为的“三不做”恰好绕开了它们——不碰数据、不做模型,模型公司不是对手,是伙伴。36氪每日经济新闻
这个位置背后是一笔冷静的账:华为已与两家公司合作建了百卡集群,这类接近亿元级的投资规模在医疗行业目前还很少见。中国信通院统计,2025年AI制药全球市场规模66.3亿美元,增长43.55%,而同年这个赛道的全球融资达到110亿美元——收入体量不及资本投入,樊杰因此把行业定性为相对过热。被问到为什么叫“制药军团”而不是“算力军团”,樊杰的回答是:因为需要一批懂药的人来做这个事。经济观察报海报新闻每日经济新闻
底座解不了的80%:临床这一关,AI目前只是加持
创新药行业有“三个十定律”的说法:十年时间、十亿美元投入、不到百分之十的成功率。热门讨论里最高赞的一条担忧,是怕这个定律被AI冲垮:“别人十年一款药,我们一年十款药”。担心的方向没有错,但证据不支持这个速度。上海药物研究所所长李佳在同一场大会上给了对比:AI辅助药物一期的成功率有80%多,相对历史50%确有优势,但二期的成功率仍是40%,在有效性问题上还没看到突破性的进展。按行业追踪机构的统计,截至2026年初,全球进入临床的AI相关药物项目173个,三期只有15个,至今没有一款AI药通过审批上市。知乎海报新闻36氪
在临床之前,AI的提速是实打实的。英矽智能联席CEO任峰给过一个可量化的样本:整个项目从靶点到锁定临床前候选化合物,花了18个月、260万美元,而传统first-in-class按文献报道需要4年半、几千万到上亿美元。海报新闻
但真正的成本大头在临床之后:按零氪科技张天泽的说法,进入临床后的工作占到了药物研发80%的时间与金钱,大量失败都在临床阶段。36氪的总结更直白:AI把发现端的失败提前了,临床端的失败仍然要一款一款地试。36氪
至于被寄予厚望的Rentosertib——全球首个AI全程驱动发现的候选药物——今年9月才进入Ⅲ期临床试验,初步数据预计要到2029年。而9月获批的国内首款AI辅助研发原创药艾普司韦,从源头发现到完成临床试验只用了三年半,它证明的是AI辅助的可行性,还不是规则的改写。光明网
对AI进入临床,樊杰的用词很谨慎——不是颠覆,是加持:让类器官在临床前把问题分子提前淘汰,再把错误分子的特征反馈给模型,这是眼下AI改变临床试验的方式。他判断拐点不会太久,但拐点不由卡和模型决定,由临床数据和商业化结果决定。每日经济新闻
回到选题的问题:技术底座为药企解决的是训不起、跑不划算、动不了这三类单靠买设备解决不了的问题;而疗效、安全性、审批这些又重又慢的部分,AI目前只是加持,不是替代。接下来值得盯的信号不是华为会不会下场,而是百卡集群什么时候从“行业罕见”变成药企的标配、Rentosertib的三期数据什么时候读出——那才是“底座”第一次被临床终点打分的时刻。
当前文章无评论,是时候发表评论了