人工智能在製藥與材料科學領域的應用與投資展望

1. 技術概述與應用場景

製藥行業：

人工智能正在整個藥物開發流程中得到應用，顯著加快並改善成果。傳統藥物發現可能需要十多年、耗資數十億美元，而 AI 驅動的方法則可以分析龐大的化學和生物數據集，以更快的速度識別有前景的候選藥物。機器學習模型有助於設計具備特定性質的新分子（生成式化學），預測疾病的生物靶點，並進行大規模虛擬篩選以鎖定最可能有效的化合物。例如，AI 算法可以預測分子如何與蛋白靶點結合（這是藥效的關鍵），或者及早識別毒性風險。像 DeepMind 的 AlphaFold 這樣的深度學習模型，現在可以在幾分鐘內預測蛋白質三維結構——而這過去需要科學家花費數年。這一突破使結構驅動的藥物設計成為可能，指導研究人員設計更精確靶向生物目標的藥物。AI 還被用於臨牀試驗優化（如選擇最優的試驗地點和受試者羣體）。一個值得注意的案例是 Pfizer 的新冠藥物 Paxlovid：研發團隊使用實時 AI 預測模型來預測疫情爆發地區，從而幫助他們選擇試驗地點，並在四個月內完成了 150 個地點的 46,000 名患者入組。

除了發現和試驗外，AI 還支持藥物合成規劃（提出合成路線）和藥物再利用（挖掘現有藥物的新用途）。自然語言處理（NLP）模型，如 GPT-4，正被用於解析大量生物醫學文獻，並提出假設或實驗設計，從而增強研究者能力。總的來説，AI 在製藥領域涵蓋了新藥設計、靶點識別（例如癌症新靶點）、虛擬篩選、臨牀前建模、臨牀數據分析，甚至製造優化，其共同目標是減少開發時間與成本，將新療法更快帶給患者。

材料科學：

AI 技術正以類似的方式變革新材料的發現及其性能改進。傳統上，材料科學依賴於反覆試驗和基於物理的模擬，過程耗時。AI 則提供了數據驅動的預測：機器學習模型可以從材料的成分和結構預測其性能（強度、電導性、反應性等），從而實現快速篩選候選材料。這有助於發現適用於電池、半導體等需求的合金、聚合物或新化合物，而無需繁複的實驗。AI 驅動的研究帶來了諸如更高效電池材料、更輕更強的複合材料，以及用於清潔能源的新型催化劑等突破。

一個顯著案例是，Google DeepMind 開發了圖神經網絡模型 GNoME，預測了超過 200 萬個新的無機晶體結構；其中約有 38 萬個被評估為具有穩定性，可以合成。這一單一 AI 模型在人類已知穩定材料的儲備上實現了數量級的飛躍——若靠人工實驗將需數百年。

這些 AI 發現材料的潛在應用包括下一代電池、太陽能電池，甚至超導材料。AI 還被用於材料研發中的合成路徑優化：與藥物合成類似，算法可提出製造材料的方式（如最佳温度/壓力或混合順序）以達成預期性能。AI 與機器人集成已催生出自動化實驗室——在這些閉環系統中，AI 設計實驗、機器人執行並反饋結果。例如，伯克利實驗室的 A-Lab 使用 AI 控制的機器人連續合成和測試無機材料，其每日樣品處理量 reportedly 高於人工研究員 50–100 倍。

這大幅加快了 AI 預測的驗證，形成良性循環。另一個日益受到關注的領域是使用 AI 評估材料的環境影響——如預測其可回收性或毒性，以實現可持續發展目標。總的來説，AI 在材料科學領域的作用包括材料發現、性能預測、工藝優化和實驗室自動化，使得研究人員能以更快速度、更低成本開發出用於能源、電子、基礎設施等的更優質材料。

2. 代表性企業與案例（重點關注美股公司）

製藥行業：

美國有多個創新型公司領先於 AI 驅動的藥物發現。例如，英國/美國企業 Exscientia（NASDAQ: EXAI）利用 AI 設計的多個候選藥物正處於臨牀試驗中。2021 年，該公司與百時美施貴寶（Bristol Myers Squibb）合作，利用其 AI 平台在僅 11 個月內識別出一種有前景的免疫治療分子，獲得了 2000 萬美元的里程碑付款，該合作總額高達 12 億美元。Exscientia 設計的 AI 分子（例如 CDK7 抑制劑和 MALT1 抑制劑）正進入腫瘤學的 I 期臨牀。

另一家美國領先者是 Recursion Pharmaceuticals（NASDAQ: RXRX），其利用 AI 結合高通量生物學，繪製成千上萬分子的細胞作用圖譜。Recursion 與羅氏旗下 Genentech 達成多年合作，將其 “Recursion OS” 平台應用於多達 40 個神經科學與腫瘤學項目。2023 年，Recursion 還擴大了與拜耳的合作，AI 被用於精準腫瘤方向，合作總額達 15 億美元。

Schrödinger（NASDAQ: SDGR）則提供基於物理的建模平台，結合機器學習，廣泛應用於藥物與材料設計。NVIDIA 稱其平台 “引領了過去 20 年計算藥物與材料發現的前沿”，如今公司正整合生成式 AI 模型進一步提升預測能力。

製藥巨頭自身也大力投資 AI。輝瑞（Pfizer）、諾華（Novartis）、羅氏（Roche）、強生（Johnson & Johnson）、阿斯利康（AstraZeneca）和賽諾菲（Sanofi）均設立了 AI 部門或與科技公司合作。事實上，Sanofi、Eurofins、阿斯利康、諾華和強生是 AI 相關招聘數量最多的藥企。這些公司與 AI 初創企業簽署了多個合作案，例如輝瑞與 IBM 合作開發藥物再利用項目，默克（Merck）和 GSK 投資 AI 生物科技初創企業，羅氏收購了用於臨牀試驗數據分析的 AI 公司。

初創企業方面，英矽智能（Insilico Medicine）在香港/美國均有業務，在 2021 年推進 AI 設計的抗纖維化藥物（INS018_055）進入 I 期試驗，並在 2023 年推進至 II 期。其他如 BenevolentAI 與 BioXcel Therapeutics 也正利用 AI 進行靶點識別與藥物再利用。

大科技公司也在積極投入。Alphabet 旗下的 DeepMind 不僅開發了 AlphaFold，還設立 Isomorphic Labs 專注 AI 藥物發現；IBM 與微軟提供專為醫藥研發定製的 AI 雲服務。這個合作生態已取得實際成果——例如，第一個 AI 發現的藥物已進入人體試驗，日本在 2021 年已批准一款 AI 優化藥物（治療強迫症）上市。

材料行業：

材料行業的 AI 應用涵蓋化學巨頭和專門初創企業。美國的 Dow Inc.（NYSE: DOW）作為全球最大化工公司之一，開發了結合材料科學專業知識與機器學習的 “預測智能” 平台，大幅縮短配方開發時間。與美國化學會（ACS）的 CAS 部門合作，Dow 部署了定製 AI 搜索平台，使得材料候選篩選從數週縮短至數小時，能從上億化學方案中選出最佳組合。

BASF（總部在德國，在美中均有業務）也大力擁抱 AI。其催化部門與材料信息學初創公司 Citrine Informatics 合作，利用 AI 快速篩選碳捕集催化配方，模型通過連續學習優化材料篩選。該合作幫助找到數種有潛力的新材料，BASF 高層表示：“AI 驅動的材料開發是未來……早期投資者將獲得豐厚回報”。

初創企業方面，Citrine Informatics 提供 AI 平台，協助開發新合金和高分子材料，與 BASF、波音等均有合作。DeepMind 是材料科學的後起之秀，其發現 220 萬個晶體結構的研究成果表明，大科技公司也能對該行業產生巨大影響。這項成果與美國能源部下屬的 Berkeley Lab 聯合完成，展示了公共研究與 AI 結合的潛力。

硬件方面，如 NVIDIA（NASDAQ: NVDA）提供支持材料模擬的 GPU 及 AI 工具包（如 Materials Discovery Toolkit），公司高管指出 “加速計算 + 生成式 AI” 將大幅提升材料研發能力。

中國方面，晶泰科技（XtalPi）$晶泰控股(02228.HK) 作為源自 MIT 的公司，現總部設於深圳，平台結合量子物理、雲計算與 AI，服務於藥物與材料設計。中科院的實驗室構建了與伯克利 A-Lab 類似的 “自驅動實驗平台”，用於無機材料的高通量合成。

中國工業巨頭也在採用 AI：如中石化使用機器學習優化催化劑設計，寶武鋼鐵集團利用 AI 提升鋼材性能，同時減輕重量，在汽車與航空製造中競爭力更強。雖然材料 AI 初創數量不如製藥多，但如第四範式、商湯等 AI 企業已涉足科學應用，百度推出的 PaddleHelix 平台也被材料與生物公司用於分子設計。

3. 中美實踐對比

美國與中國均認識到 AI 在製藥和材料領域的變革性潛力，但其路徑和進展側重點有所不同。

在製藥領域，美國目前在前沿 AI 模型及其應用方面保持領先，而中國則迅速追趕，憑藉國家支持和龐大資源在數量上迅速擴張。美國公司與學界推動了如 AlphaFold 等關鍵技術突破，並主導了最早一批 AI 設計藥物的臨牀試驗。許多領先的 AI 藥物發現初創公司（如 Recursion、Schrodinger）都來自美國或歐洲，並與大型美國製藥公司合作密切。美國也擁有健全的風險投資體系和監管互動機制（例如 FDA 正在推進 AI 監管框架），有助於 AI 在藥品研發中的落地。

中國則通過國家戰略加速佈局。自 2017 年起，中國政府規劃即將 “AI+ 醫藥” 列入重點方向，促使大量初創企業成立。目前已有超過 100 家 AI 驅動的製藥公司在中國成立，推動 AI 解決製藥瓶頸，並藉助海外成功經驗建立商業模型。因此，中國在 2023 年實現了全球首批 AI 設計藥物進入人體試驗（如英矽智能的抗纖維化藥物），幾乎與西方進展同步。中國 AI 實驗室藉助豐富的患者數據與化合物庫，在醫院與臨牀系統中融合 AI 能力。不過，專家指出，中國在某些方面仍稍落後——如最先進的 AI 模型和創新藥物多數仍源自西方。但情況正在變化：華為、騰訊、百度等大型科技公司正加大在生命科學 AI 上的投資（如百度的 PaddleHelix 和北大聯合開發的 ActFound 模型），並與國際團隊合作。

從專利指標來看，中國目前已成為 AI 相關專利申請數量最多的國家，包括生成式 AI 在醫療領域的專利。2014–2023 年期間，中國申請了超過 38,000 項生成式 AI 專利，美國為約 6,300 項。這顯示中國研究活動的廣度，儘管專利數量並不等於質量。

在材料科學領域，美國也因 2011 年啓動 “材料基因組計劃”（Materials Genome Initiative）獲得先發優勢，建設了多個與 AI 集成的國家實驗室（如伯克利實驗室的 A-Lab）。DeepMind 的新材料研究亦以美國機構為主導（如 Berkeley, Oak Ridge）。美國大學和企業在材料信息學研究上產出佔比高。

中國則在材料學整體實力強，在製造業落地上速度快。中國的鋼鐵、化工、電池製造企業（如寧德時代）已大規模部署 AI 質量控制系統和結構優化平台。中國科學院和清華大學建立了多個 AI 材料發現項目，並藉助 AI 推動 “材料基因計劃” 及超級計算平台（如無錫的 AI 增強級超級計算系統）。

合作交流頻繁：大量中國材料科學家曾在美國受訓，並參與跨國研究項目。例如北京大學與華盛頓大學合作開發的 ActFound 模型即為中美聯合成果。

政策也是關鍵差異之一：美國以科研基金資助為主，產業自主驅動；中國則政府主導並推動企業配合。例如，中國政府推動 AI 提升動力電池性能作為國家級目標，形成上下游企業配合模式。

總體來看，中美兩國正雙軌並進：中國在執行速度與政府動員上優勢明顯，美國在核心算法與國際生態位居前列。兩國在 AI 製藥與材料專利、論文和投資方面居全球前兩位。儘管中美之間存在技術出口、數據跨境等潛在政策摩擦，科學家間的合作與 AI 工具的共享（如 AlphaFold 數據）使全球協同仍具現實基礎。

4. 市場趨勢與政策支持

市場趨勢——製藥：

AI 在製藥領域的整合正從實驗性走向主流，這從 “AI 在藥物發現市場” 的增長即可見一斑。分析師估算，2024 年全球 AI 製藥市場規模約為 20-30 億美元，年複合增長率約為 25-30%。部分包含生成式 AI 的預測甚至認為，到 2030 年代初市場規模有望達數百億美元。

增長動力來自成功案例與採納率上升：幾乎所有大型製藥公司如今都有 AI 戰略，包括內部開發和外部合作。AI/製藥相關的合作交易數量持續增長——2024 年第二季度，AI/製藥合作數量較上年同期增長 14%。我們已看到 AI 驅動的 IPO（多個 AI 生物科技初創企業於 2020–2021 年上市）以及鉅額融資輪，表明投資人熱情高漲。

在研發產出方面，目前全球已有十多種 AI 設計的藥物分子進入臨牀試驗（涵蓋癌症、纖維化、免疫等領域），預計每年將大幅增長。相關趨勢還包括 “製藥 4.0” 的興起——即藥品製造和供應鏈的全面數字化轉型，結合 AI 與物聯網。

例如企業將 AI 用於生產線預測維護、實時質量控制和供應鏈優化。這提高了效率與合規性（FDA 也鼓勵此類數字化技術用於質量管理）。在商業側，AI 也應用於市場營銷和藥物警戒（如患者 AI 問答、掃描安全報告的算法）。隨着技術價值被驗證，行業信心增長——大型藥企高管在電話會議中頻頻提及 AI 在研發中的作用，一些公司（如 GSK、默克）已設立首席數字官（CDO）負責 AI 整合工作。

當然，也存在 “炒作與現實之間的調整期”：並非所有 AI 發現的藥物都能臨牀成功（Exscientia 就有一款化合物未達成終點），提醒人們生物學的複雜性仍需謹慎對待。

市場趨勢——材料科學：

材料科學中的 AI 應用（通常稱為材料信息學）起步略晚，但如今也迅速增長。2023 年該市場估計規模為 1.35 億美元，預計到 2030 年將實現年均增長 16% 以上。

雖然規模較小，但客户羣集中，增長動力強。傳統材料企業面臨更快創新壓力（如開發更好電池、超導體、可持續材料等），而 AI 提供競爭優勢。

一項趨勢是跨行業合作增加：科技公司和研究機構與製造企業攜手。例如 DeepMind 與國家實驗室合作發現材料；初創企業也與航天、汽車企業共研材料。

可持續發展需求是重要推動力——企業需減少碳足跡，正尋找新型材料（如可回收塑料、無稀土電池化學）。AI 可快速評估選項：例如算法可篩選可生物降解、性能達標的生物基聚合物組合。

政策層面亦在驅動該趨勢：美國能源部與國家科學基金會提供 AI+ 材料項目資助，2022 年《芯片與科學法案》中明文支持半導體材料研究，並提及 AI 工具的使用。

中國在其 “十四五” 規劃中將先進材料列為重點，並明確 AI 為使能技術，地方政府也因此設立 AI 材料創新中心。

因此我們看到中國企業如寧德時代（CATL）應用 AI 提升電池材料性能，華為則用 AI 發現新型半導體封裝材料。

另一個趨勢是數據民主化——如美國 Materials Project、中國的材料數據庫等提供可訓練 AI 模型的數據，正逐步上雲端以便更廣泛訪問。

在企業側，收購與合作不斷：例如大型工程軟件公司收購材料模擬公司以整合 AI（如達索系統為其 BIOVIA 軟件增加機器學習模塊）。

“實驗室自動化” 與 “未來實驗室” 成為熱點詞：更多企業投資機器人實驗室（不僅是 A-Lab，像 Chemify 與 Open Discovery 正售賣自動化化學實驗平台）。這些實驗室生成大數據，進一步反饋 AI 模型——形成良性循環。

值得注意的是：與生物領域相比，材料 AI 研究對象更可控，進展常更快，落地門檻也相對較低。因此我們已看到 AI 設計材料被申請專利，部分已實現商業化（如 AI 發現的催化劑在化工廠應用，或機器學習優化的合金用於噴氣發動機）。

趨勢明確：採用 AI 的材料企業正更快創新，競爭對手若不跟進將面臨落後風險。市場分析師預計材料信息學將成為研發流程的標準組成部分。一旦出現 “登月級別” 成果（如室温超導或超電池），市場關注度和投資可能暴漲。

5. 投資機會評估

人工智能與製藥及材料科學的融合帶來了巨大的市場機遇，但也需仔細評估其商業化時間軸和潛在風險。從投資者角度看，AI 有望顯著提升研發生產力——一旦部署成功，將帶來更多藥物候選物、更快開發週期、以及高價值材料的發現，從而轉化為競爭優勢和財務回報。然而，各領域的成熟度與風險程度不同：製藥領域的 AI 商業化相對更成熟（已有多款藥物進入臨牀，部分企業已開始有收入），而材料 AI 雖前景廣闊，但多嵌入大型企業體系，回報週期長。

商業化與市場接受度：

在製藥領域，我們開始看到 AI 交付具體成果（如候選藥物）。部分 AI 設計的藥物已進入人體試驗，大型藥企紛紛簽署高額合作協議，驗證了該領域的商業可行性。預期未來 5–10 年內，將迎來首批 AI 發現藥物的正式獲批——這將引發新一輪投資潮和技術採納。

行業高管普遍接受 AI 為提升競爭力的關鍵：多數藥企研發負責人將其視為 “必要工具”。不過，藥物開發週期長且成本高昂——許多 AI 驅動的生物科技公司短期內仍無法推出商品化產品（即獲批藥物），其當前收入主要來源於平台授權與合作付款。這意味着若 AI 承諾未兑現，或試驗失敗，其股價可能劇烈波動。

在材料領域，AI 更多嵌入流程之中，其成果如新材料、新工藝以改良產品形式推出。例如，航空製造商採用更輕更強的合金，電池公司應用 AI 篩選的新型電極材料等。

材料開發週期相對較短（某些催化劑可在 2–3 年內商業化），但客户接受度和行業認證流程可能拉長落地時間。多數材料公司通過持續改進和逐步集成 AI 優化工具，提高效率與產品性能，從而在競爭中脱穎而出。

技術與監管障礙：

這兩個行業均面臨不同技術門檻。

製藥方面，AI 模型質量受限於數據質量——實驗數據常帶有噪音或樣本不均。能克服此問題的公司（如構建自動化實驗室生成統一數據，或開發新算法）將在競爭中佔優。另一個挑戰是將 AI 整合至現有研發流程中的難度：不僅需要系統改造，更需團隊信任模型輸出。

監管方面，FDA 目前並未特別針對 AI 藥物設限，但未來可能需要額外安全性驗證，尤其當 AI 用於靶點發現或分子設計時。

材料方面，AI 預測需實驗驗證——若實驗資源有限，將成為瓶頸。不過，自動化實驗室正逐步緩解此問題。另一障礙是知識產權歸屬：AI 生成的創新如何界定發明人身份、如何申請專利仍存在法律空白。許多企業採取 “雙軌制”——分子結構申請專利、算法保持商業機密。

市場與政策支持：

多重 “順風” 因素支撐投資邏輯。

全球製藥行業每年研發投入超過 2000 億美元，AI 工具切中其 “產出低效率” 痛點，一旦幫助提升研發 ROI，其價值將快速體現。

材料領域在清潔能源、高科技製造（芯片、儲能）中扮演關鍵角色，AI 若能幫助發現新材料、提升實驗效率，意味着巨大增益。

政策推動：無論是美國政府通過 DARPA、FDA、NIH 等資助，還是中國通過科技部專項與地方孵化器，都為行業提供政策與資金保障。

人才支持：能吸引頂尖 AI 和科學人才的公司更可能勝出，投資者可監測其招聘趨勢。例如，2024 年 Q2，製藥 AI 相關崗位發佈量同比增長 10%。

從證券投資角度的受益者分類：

1. AI 驅動藥物研發公司（純正標的）：如 Exscientia（EXAI）、Recursion（RXRX）、Schrödinger（SDGR）、Relay Therapeutics（RLAY）。這些公司代表 AI 製藥主題直接敞口，其股價隨臨牀進展和合作消息顯著波動。若某一 AI 候選藥物獲批，或公司被大藥企收購，將產生巨大回報。但也具有典型生物科技股的波動特徵。

2. 擁抱 AI 的大型製藥公司：如強生（JNJ）、諾華（NVS）、百時美施貴寶（BMY）、輝瑞（PFE）、阿斯利康（AZN）。雖然 AI 佔其估值比重不高，但若部署得當，其研發效率和利潤率有望逐步提升。可通過分析其新藥產出速度、合作數量等指標驗證 AI 效益。

3. AI 技術提供者（算力 + 平台）：如 NVIDIA（NVDA）、Alphabet（GOOGL）、Microsoft（MSFT）、Amazon（AMZN）。這些公司通過 GPU、雲平台和算法服務向 AI 製藥/材料公司提供基礎設施，AI 行業擴張將帶動其雲服務與軟件收入增長，是相對低波動的間接受益者。

4. 材料/化工行業的先行者：如陶氏化學（DOW）、巴斯夫（BASF）、Albemarle（ALB）、Applied Materials（AMAT）、特斯拉（TSLA）。這些公司通過 AI 加快新材料開發，提升市場份額和產品溢價能力。如陶氏使用 AI 開發新型聚合物配方、華為使用 AI 發現新型芯片封裝材料等。

5. 中國與跨境代表性企業：如百度（BIDU）通過 PaddleHelix 涉足 AI 製藥平台，騰訊（700.HK）投資多家 AI 生物科技公司（如 XtalPi、Atomwise）。藥明康德（2359.HK）、百濟神州（BGNE）等中國創新藥公司亦在 AI 合作方面積極佈局。英矽智能（Insilico Medicine）雖未上市，但若未來 IPO，將是高潛力標的。

市場投資策略：

構建 “AI+ 科學” 主題投資組合，均衡配置創新公司與主流巨頭。

留意政策導向與監管趨勢：如 AI 藥物獲 FDA 特別快速審批資格，或政府鼓勵 AI 材料入採購目錄，將形成催化劑。

關注 ETF 與指數產品，如 ARKG（含部分 AI 醫藥股），或未來可能推出的材料 AI 主題 ETF。

總體而言，這一主題代表了醫療與製造基礎設施的現代化趨勢，與 20 年前的互聯網基礎設施浪潮相仿。製藥行業每節省 10% 研發成本即可釋放巨大利潤；而材料領域一旦發現革命性新材料，將開啓產業鏈價值重估。

潛在受益標的（示例分類）：

AI 驅動藥物研發企業：Exscientia（EXAI）、Recursion（RXRX）、Schrödinger（SDGR）、Insilico Medicine（潛在 IPO）。

擁抱 AI 的藥企巨頭：Bristol Myers Squibb（BMY）、Johnson & Johnson（JNJ）、AstraZeneca（AZN）、Novartis（NVS）、Moderna（MRNA）。

AI 基礎設施公司：NVIDIA（NVDA）、Alphabet（GOOGL）、Microsoft（MSFT）、Amazon（AMZN）、Thermo Fisher（TMO）、Danaher（DHR）。

材料與化工創新者：Dow Inc.（DOW）、BASF（私營）、Albemarle（ALB）、Applied Materials（AMAT）、Corning（GLW）。

中概與港股企業：百度（BIDU）、騰訊（700.HK）、藥明康德（2359.HK）、百濟神州（BGNE）、寧德時代（CATL）。

總結

人工智能正逐步成為推動製藥與材料科學創新的核心驅動力。市場已從驗證階段邁向商業化落地階段，全球主要經濟體在政策、資本、人才方面均持續加碼投入。從投資角度看，AI 在科學中的廣泛應用不僅提升行業效率，更孕育出一批高成長企業。當前正值佈局窗口期，建議密切關注產業成果轉化、監管政策調整與跨國合作趨勢，擇機進入，長期持有。

這場 “AI + 科學” 的融合浪潮，將是未來十年最重要的科技與資本主題之一。