AI 領域專家表示，5 到 10 年內有望治癒大多數疾病，但伯恩斯坦則提醒稍安勿躁。8 月 26 日，伯恩斯坦發布美國生物製藥行業報告，系統梳理了 AI 在藥物研發中的實際進展：約 70 個 AI 相關項目已進入臨床開發管道，絕大多數仍處於早期階段，真正的考驗將在未來 3 到 5 年出現。
DeepMind 執行長 Demis Hassabis 表示「也許 10 年內 AI 能治愈所有疾病」，Anthropic 執行長 Dario Amodei 更激進：「5 到 10 年治愈大多數人類疾病」。伯恩斯坦認為這些說法更像是對 AI 社會價值的辯護，而非基於藥物開發的現實。從靶點發現到臨床試驗，再到醫療系統的消化能力，每一層都是瓶頸。AI 可能加速某些環節，但生物學最終必須在人體中驗證，這個節奏無法被演算法壓縮。
成功率的提升比速度加快更有價值
伯恩斯坦估算，成功率提升 20% 所創造的研發回報，遠大於同等幅度的時間與成本節省。失敗的代價集中在後期，避免失敗比加速流程更值錢。
AI 對成功率的影響取決於它解決的是什麼問題。若 AI 主要用於已知靶點的分子優化，成功率可能被推高，但這類「容易問題」的價值有限。若 AI 用於攻克生物學理解尚不充分的難治疾病，即使整體成功率不高，創造的價值反而更大。
伯恩斯坦指出一個反直覺的結論：AI 使用得越多，濕實驗可能也需要越多。最困難的問題正面臨訓練數據最稀缺的困境，生成新數據需要大量實驗投入。AI 和濕實驗是互補關係。多做一個濕實驗的成本遠低於一個後期失敗項目。
Pharmaceutical AI Deployment: Eli Lilly has the broadest coverage, Amgen has the deepest integration, and Roche has the greatest computational power.
伯恩斯坦統計了 15 家大型藥企的 183 項 AI 藥物發現合作。各家策略差異顯著。
禮來的外部合作網絡最廣，2019 年至今共 25 項交易，公開首付款約 3.53 億美元。合作方包括 Insilico Medicine、Profluent、Verge Genomics、Genesis Therapeutics 等。禮來還配備 NVIDIA Co-Innovation AI Lab，外部廣度與內部算力結合最為均衡。
羅氏以 20 項合作位列第二，明確聚焦腫瘤（8 項）和神經科學（4 項）。Genentech 的混合 AI 工廠被伯恩斯坦稱為「行業已公布最大規模本地 GPU 部署」。Recursion 的 12 億美元合作是最大單筆交易。
安進的外部合作最少（5 項），內部 AI 和算力佈局最具差異化。2012 年收購的 deCODE Genetics 提供行業領先的人群基因組學引擎，可識別和驗證疾病相關遺傳變異以優先排序靶點。安進在本地 DGX SuperPOD 上訓練了五個專有抗體語言模型，數據護城河明顯。
阿斯利康交易數量 19 項，經濟高度集中於 CSPC Pharmaceutical Group 三項協議，佔其公開首付款絕大部分。
諾和諾德的 10 項合作全部集中在 2022 年後，其中 7 項針對心血管代謝和腎臟疾病，是治療領域最聚焦的大型藥企。
輝瑞的平台型合作最多（9 項為全管線範圍），AI 基礎模型關係可追溯至 2016 年 IBM Watson，未識別到專用算力合作。
Bernstein 強調這些都是外部視角的判斷，真正整合品質與內部文化轉型難以量化。
AI 生物科技：臨床資產才是真正的試金石
約 70 個 AI 來源項目主要集中在上市公司，定義差異很大，從 AI 藥物重定位到 AI 靶點發現加 AI 分子設計，跨度極大。
Insilico 的 Rentosertib 是端到端 AI 藥物研發的代表性案例。AI 平台 PandaOmics 識別 TNIK 為特發性肺纖維化靶點，Chemistry42 生成式 AI 設計分子，從靶點假設到臨床前候選約 18 個月。該藥已進入 III 期，預計 2029 年 10 月讀出主要終點，這是 AI 藥物行業最重要的數據點之一。
Recursion 透過細胞成像和多組學驅動的靶點發現，與羅氏、拜耳、賽諾菲均有合作。
Generate Biomedicines 設計蛋白質藥物，GB-0895（TSLP 抗體）已進入 III 期，用以驗證 AI 設計蛋白能否轉化為差異化給藥方案。
Relay Therapeutics 透過蛋白質運動建模設計藥物，zoogalalisib（PI3Kα 抑制劑）已進入 III 期，測試能否透過構象選擇性改善治療窗口。
Schrödinger 採用物理計算優先策略，Zasocitinib（TYK2 抑制劑）已提交上市申請。該靶點已有 BMS 的 deucravacitinib 提供臨床驗證，更應被視為計算輔助優化成功案例，AI 在新靶點發現上的突破尚未在此體現。從靶點選擇到臨床測試耗時 8 到 10 年，未縮短行業標準時間線。
FDA approval data has not yet reflected the impact of AI
FDA 近五年年均批准 48.5 個新藥，較 1985 至 2025 年年均 33.8 個高出約 43%。伯恩斯坦認為這更多反映監管現代化、生物藥崛起和過往研發投入的累積效應，AI 尚未對審批數據產生可見推動。考慮到 AI 源管道規模仍小且臨床驗證尚需時間，這一局面短期內不會改變。
伯恩斯坦的結論務實。AI 已在分子設計、虛擬篩選和靶點發現中發揮作用，部分早期項目進入臨床後期。「治愈所有疾病」需跨越生物學理解、臨床試驗、監管審批和醫療系統容量多重瓶頸，這不是算法迭代能解決的問題。AI 製藥價值可能在於幫行業做出更好決策，不在於加速流程。真正答案還要等 3 到 5 年。
免責聲明
本文為潮向研究對第三方證券公司研究報告（貝爾斯登，2026年8月26日）的整理與解讀，並結合公開市場資訊。文中引用的評級、目標價、盈利預測及相關判斷，均為該證券公司分析師的觀點，僅代表其所屬機構的立場，不代表潮向研究的觀點，亦不構成任何投資建議。
市場有風險，決策需獨立。本文不應作為買賣任何證券的依據。
撰文：Rita