“在醫藥領域，AI正從“嘗試者”蛻變為“重塑者”。

從AI算法開始觸碰生命密碼的那一刻起，醫藥行業就開始了一場靜悄悄的變革。曾幾何時，AI在醫藥領域的探索如同盲人摸象——項目鋪陳的繁雜無序，從影像識別到分子模擬，似乎所有領域都想插上一腳，卻往往在落地時折戟沉沙。現在醫藥行業逐漸清醒：唯有錨定真正有價值的場景，牽手對的合作伙伴，AI才能掙脫實驗室的桎梏，成為改變行業的生產力。正如諾華CEO萬思瀚所言，AI對制藥業最深遠的影響，終將定格在研發這一核心戰場。而英偉達與安進聯手搭建模型平臺，也誓言要縮短藥物開發周期。這些信息都在明白無誤地昭示：醫藥行業的AI應用，開始跳出炫技的迷思，正以更務實的姿態，在研發攻堅、效率革新、生態協同中尋找破局點。那么，這場變革究竟藏著怎樣的邏輯？AI如何從“嘗試者”蛻變為“重塑者”？答案就藏在那些聚焦價值、精準落地的實踐之中。

適配轉型與效率革新，醫藥企業AI升級的目標統計數據顯示，2024年中國規模以上醫藥制造業企業達到了9793家，占工業總企業的比重為1.91%。規模以上醫藥工業企業合計增加值占全部工業增加值比重約為4%。除此之外，中國藥企正在利用數智化開展著多維度的深刻變革。從發展邏輯的迭代，到對AI從認知到實踐的態度轉變，再到借AI實現轉型適配與效率革新，這一系列變化勾勒出行業在時代浪潮中的探索路徑。無論是業務模式的重構、技術應用的深化，還是運營效能的提升，都指向同一個方向——中國藥企正在以更開放、更智能的姿態，應對行業挑戰，開辟發展新局。中國藥企發展的邏輯正在發生轉變。金賽藥業首席信息官兼數字研究院院長鮮翾，在接受數據猿采訪中表示：“藥企的核心生產力最初源于研發。在患者篩查與管理中由于存在諸多產品需求，由此衍生出醫療器械、醫療耗材等業務，推動企業從單一產品維度邁向多產品發展。”鮮翾進一步指出，在過去，藥品多由技術驅動：從創新技術出發，用于特定分子開發，歷經多年打磨后推動藥品上市。同時，藥品擁有較長的專利周期，企業有充足時間布局銷售——建立銷售團隊，通過銷售人員拜訪專家，改變其認知，使專家認可產品的臨床價值并推薦給患者，從而走向市場。在這種模式下，企業的決策鏈條呈線性，增長相對穩定，一旦達到銷售頂峰，在競爭對手尚未崛起前可維持較長時間。但其弊端也會逐漸顯現，如決策速度較慢，即便產品優質，過程中仍可能存在資源浪費等。現在國家積極推行醫藥集采和國談政策。對創新藥而言，國談成為快速進入全國醫院合作體系的契機，許多醫院對非國產藥品準入更為嚴格，體現了國家對醫藥創新能力的支持。這一變化意味著藥企不僅需要強化創新技術的底層平臺搭建能力，而且銷售模式也因國產政策的傾斜而面臨新的調整，從而改變中國藥企發展的底層邏輯。從輕視到尊崇，中國藥企對AI態度發生了根本性轉變，智能化探索加速。醫藥領域的AI應用需實現數據與思維鏈的整合。鮮翾敏銳的觀察到，在企業內部，不同業務板塊的數字化進程存在差異：供應鏈側仍處于信息化階段；營銷側已達到數字化水平，實現數據實時在線、透明可追蹤；研發側等領域部分應用場景則邁入智能化階段。其中研發側則希望跳過傳統的信息化、數字化步驟，直接借助AI實現智能化“彎道超車”，避開繁瑣的系統建設和數據提取環節，直達結果應用。

其核心在于底層知識的構建，包括兩方面：一是多組學、病例等生物學相關數據的建立；二是人類多年的科研發現（如學術平臺成果）及企業內部積累知識的整理，最終搭建公司級知識平臺與圖譜。“過去藥企常輕視AI的基礎建設和應用，如今開始對AI大模型逐漸產生敬意，這一態度轉變為行業帶來顯著的變化。”鮮翾表示。與此現實向呼應，工業和信息化部等7部門聯合發布的《醫藥工業數字化轉型實施方案》明確，到2027年，數字技術將深度賦能醫藥全產業鏈，到2030年，規模以上醫藥企業數字化轉型全覆蓋。目前，醫藥企業AI升級的需求鎖定在適配轉型與效率革新等方面，

鮮翾將其概括為三個特點：

第一，轉型需求倒逼能力升級。國家政策帶來市場機會后，醫藥企業需快速提升團隊能力：既要招募足夠人員覆蓋市場，更要確保團隊能快速掌握產品知識、清晰地向專家傳遞價值。而目前許多醫藥人才還不具備高效學習能力，這促使企業從2023年初啟動數字化轉型，首要目標是讓決策鏈條透明化，需確保銷售、費用從預算到執行的全鏈條數據真實、可靠、及時，實現可視化追蹤。

第二，通過AI突破打破傳統系統的瓶頸。數字化轉型中，技術團隊面臨系統搭建的挑戰：梳理業務流程、開發或定制軟件需耗費大量時間。而AI升級有望打破這一困境：大模型和AIoT設備的應用，讓數據獲取與處理更高效——無需手動填表，銷售可通過語音輸入，結合NLP技術自動處理；設備直接采集數據，減少人工干預，替代了傳統依賴系統標準化輸入、刻畫個人行為等模式。

第三，利用AI實現運營管理的優化。企業已有成熟的經營管理指標體系，AI進一步推動落地效果。未來，系統可能不再是依賴核心，人類通過自然語音對話即可完成操作，甚至每個人的數字分身能處理工作總結、代辦事務，實現跨分身溝通，大幅提升運營效率。探索人工智能應用，增強企業核心競爭力中國藥企的核心競爭力逐漸增強，在全球舞臺上嶄露頭角。

2025年美國《制藥經理人》雜志公布的“全球制藥企業50強”榜單中，有6家中國企業上榜。在新藥研發方面，根據Citeline旗下的Pharmaprojects數據庫顯示，中國研發管線數（Pipeline Count，藥企當前處于研發階段的藥物項目總數）位居全球第二，2025年有7032個，且保持15.1%的高速增長，全球有17%（1181家）的藥物研發企業總部設在中國。在全球智能化浪潮下，眾多的中國醫藥企業積極探索人工智能應用，以提升研發效率、優化醫療服務、創新商業模式，增強企業核心競爭力。金賽藥業的AI應用實踐與突破非常具有代表性。作為創新驅動的全產業鏈制藥企業，金賽藥業的業務從生長激素拓展至腫瘤、免疫、內分泌代謝等多領域，通過高額研發投入、產學研合作及AI賦能，打造多元化創新產品管線，朝著全球領先制藥公司的目標邁進。鮮翾介紹說：“金賽藥業將‘SMART原則’作為AI應用的最高準則，要求AI應用必須能量化降本增效成果，并明確各環節的知識貢獻需求。這一原則推動員工從底層工作中解放出來，同時也對其能力提出更高挑戰。 ”同時她也指出，借助AI，金賽藥業的精細化管理得以延伸：通過對中高管會議錄音分析，評估其工作是否符合SMART原則（如是否賦能一線、解決實際問題），破解了以往中高管能力難以量化的難題；同時，AI能深度理解工作場景，讓管理半徑顯著擴大。在研發端，AI打破了傳統依賴人工經驗的模式：9000萬篇醫學文獻可通過AI高效處理，輔助研發人員結合公司內部資產、全球最新科研進展及臨床專家意見，形成更精準的探索結論。AI也推動“干實驗”（計算生物、計算化學的虛擬分子生成與性能測試）與“濕實驗”（實驗室實體實驗）協同：部分實驗交由CRO公司完成，同時通過AI記錄和模擬內部研發團隊的“經驗手感”，實現經驗的數字化沉淀與復制。另外，金賽藥業利用AI實現了經驗傳承的數字化突破。對于難以拆解的“隱性經驗”（如資深專家的思維鏈和操作邏輯），AI提供了新的解決方案：通過持續記錄專家的行為（如診療中的病例查看、檢測選擇、治療方案制定等），并結合其主動輸出的思維過程，AI可模擬并透明化這些經驗，最終實現“復制”專家能力的效果，解決了傳統數字化方法難以拆解隱性知識的痛點。雙鶴潤創搭建AI驅動的創新藥物開發平臺，為生物醫藥創新提供一站式服務。北京雙鶴潤創科技有限公司作為華潤雙鶴旗下的科技創新平臺，自主搭建涵蓋創新藥分子設計、藥物化學、藥理毒理等六大技術平臺，支持腫瘤、代謝、兒科等領域藥物開發。多個1類新藥依托平臺能力快速推進至臨床階段，如核心研發項目Fascin蛋白抑制劑，作為全球首款針對腫瘤轉移的創新藥，僅用3年時間便推至Ⅱ期臨床研究，顯著減少對外部CRO的依賴。另外，通過人工智能分子設計（AI）技術，實現靶點篩選、分子優化、成藥性預測的全流程智能化。在與北京某三甲醫院合作的眼科項目中，僅設計合成少量分子便確定候選化合物（PCC），臨床前研發周期大幅縮短。該眼科項目通過人工智能從分子設計到IND enabling用時不到10個月，相比傳統方法至少提升6個月時間。在齊魯制藥的應用中，浪潮云帆醫藥科研智能體解決了科研人員分析專利文獻的難題。傳統模式下，10人團隊每周僅能分析幾百篇專利，靶點提取準確率低；引入該智能體后，10人團隊精簡至1人，每周可完成千余篇專利分析，靶點識別準確率提高至90%。它能快速鎖定全球專利庫中與靶點相關的最新研究成果，提取關鍵要素信息，跟蹤全球競爭態勢。另外，與DeepSeek大模型融合后，突破多元異構信息語義鴻溝，研發專利語義深度解析引擎，實現通用大模型邏輯推理能力與醫藥領域專業知識的深度耦合。此外，其數字人 “內容對比助手” 在藥品生產環節，能快速定位文件差異，將文件審核精確度提升至90%，保障藥品合規性管理。天士力數智本草大模型助力中醫藥研發，開了一個先河。天士力數智中藥團隊基于華為澎湃算力和向量庫等先進工具，融入中醫藥守正（包括1000+古籍及翻譯，9萬+方劑，4萬+中成藥等）、創新（4千萬+文獻摘要，3百萬+天然產物等）、產業化（10萬+臨床方案，16萬+中藥專利以及藥典政策指南等）三大類海量數據，搭建“數智本草”大模型。一是實現了全鏈條研發輔助。該模型在參數量、產業證據完整性以及數據豐富性方面優勢明顯，不僅具備語言處理能力，還擁有計算大模型，可提供可溯源的中藥研發證據鏈條。通過智能問答、交互計算與文檔生成三種模式，為用戶提供從中藥機制解析到中藥復方及組分創新開發的全鏈條研發輔助，實現證據提煉、輔助決策與效能提升，促進 “從病到方” 和 “從方到病” 兩大目標的實現。二是開發圍繞診療、學習、研究的一系列應用產品。例如，專為臨床大夫開發的智能問診系統，內置國醫大師獨特經驗和四診算法，實現語音輸入和實時分析，提升診療效率和準確率；中成藥推薦系統幫助中藥店店員自動語音輸入，實時顯示大病預警、問診建議、藥品推薦及價格、庫存、用藥安全等信息，解決顧客健康相關問題。深耕細作場景，讓AI成為行業的變革之力醫藥企業的AI應用最怕陷入“眉毛胡子一把抓”的困境，盲目跟風布局卻難見實效。其破局的核心正在于精準發掘真正有價值的場景。從研發環節的核心攻堅，到信息工具向研發輔助的深度轉型，從企業內部的協同提效，再到醫院端工具的落地賦能，這四類場景構成了醫藥AI應用的關鍵賽道。☆聚焦研發場景的人機協同與經驗賦能在藥企AI應用的諸多方向中，研發場景是核心陣地，通過技術賦能資深經驗、構建高效人機協同模式，推動藥物研發從傳統“試錯”向精準化、高效化轉型。研發場景的AI應用核心就是學習經驗思維鏈。聚焦于“經驗大腦”——即學習和理解資深研發人員的思維鏈。通過解析專家在靶點篩選、分子設計、臨床試驗方案制定等關鍵環節的決策邏輯，AI能將復雜的研發經驗轉化為可復用的規則與判斷模型。這不僅讓高難度的制藥工作實現標準化、可追溯，更為人機協同奠定了基礎，使AI從簡單工具升級為能理解研發深層邏輯的“輔助決策者”。人機協同則是明確分工，各展所長。在藥物研發中，人與機器的定位需清晰界定。當前技術下，機器尚無法獨立完成核心決策，所謂“一鍵生成分子”等噱頭缺乏實際價值。實際研發中，機器的核心作用是拓展思路，如通過AI模型快速篩選海量化合物、預測分子活性與毒性，為研發人員提供更多潛在方向；而人類則憑借專業經驗負責最終把關，在機器提供的可能性中做出精準決策，把控研發流程的每一步推進。這種“機器拓展邊界+人類核心決策”的協同模式，是藥物研發高效推進的關鍵。☆從信息工具到研發輔助的進階之路在藥企AI應用的演進中，從單純的信息處理工具向深度研發輔助的跨越，是技術價值深化的關鍵一步。這一轉型不僅體現在工具功能的升級，更在于通過多技術協同，將AI深度融入研發全流程，成為科研決策的“增效器”。多技術協同構建研發輔助基礎能力。藥企的研發輔助AI并非單一工具，而是智能體與深度技術的協同體系。它整合了深度學習、結構生成（如AlphaFold系列）等技術，尤其在分子篩選、化合物生成等核心環節形成合力。例如，通過深度學習分析海量分子結構數據，結合結構生成技術預測潛在活性分子，為研發提供更精準的候選方向，實現技術能力與研發需求的精準匹配。從信息處理到科研賦能，解放基礎勞動，聚焦核心決策。“早期AI在藥企多作為信息工具存在，而如今已進階為能承擔基礎科研工作的助手。”鮮翾表示，“如金賽藥業的GenAIR智能科研助手替代了以往由實習生或新人完成的重復性任務，讓研發人員從繁瑣的信息整理中解放出來，聚焦更具創造性的分析與決策。”知識圖譜與方向錨定，提升前期探索效率。借助大模型與RAG技術，AI平臺能整合多源信息構建動態知識圖譜。若圖譜實現自動化更新與衍生，研究者可快速從中學習領域前沿、關聯研究進展，高效錨定科研方向。從信息工具到研發輔助，藥企AI的進階不僅是技術的升級，更是研發模式的革新——通過技術賦能與人機協同，讓科研效率與精準度實現雙重提升，為藥物研發注入持續動力。☆藥企協同深化與效能升級的實踐路徑在醫藥行業競爭加劇與數字化轉型的雙重驅動下，AI正成為打破部門壁壘、提升組織效率的核心工具。從跨領域人才協作到全鏈路數據驅動，從個體能力增強到管理模式革新，AI通過多維度滲透，推動藥企實現協同效率與運營效能的雙重突破。鮮翾表示藥企與AI的協作，

將帶來四個層面的深刻變革。

1、跨領域人才協同，AI消除壁壘，推動理性協作。藥企往往涵蓋研發、生產、銷售、市場等多領域，不同背景人才（如C端營銷人才與ToB研發人才）的思維差異和溝通壁壘，常導致協作低效。AI智能體（Agent）成為破解這一難題的關鍵：它通過標準化溝通流程、過濾情緒化表達，將協作錨定在數據與邏輯層面。例如，在新藥上市前的跨部門籌備中，市場團隊的用戶洞察、研發團隊的臨床數據、銷售團隊的渠道分析，可通過AI智能體整合為統一數據看板，自動識別分歧點并基于數據提出解決方案，推動各領域人才快速達成共識，減少內耗。

2、數據與AI雙向驅動，釋放數據價值。數據是藥企協同與效能的基石，而AI則是激活數據價值的引擎，二者形成雙向優化循環。如藥企常面臨數據統計爭議（如區域銷售業績歸屬、研發項目成本分攤等），AI通過標準化數據采集口徑（如銷售數據實時對接CRM系統、研發成本自動關聯項目編號），從源頭減少分歧。借助Chat BI等工具，數據團隊的數據集生成、指標計算效率提升。”

3、分層賦能，個體提效與組織能力沉淀并行。AI對藥企的賦能呈現“個體-組織”分層滲透的特點，既增強個體戰斗力，又夯實組織根基：AI成為個體能力的“放大器”，推動員工從重復勞動中解放，轉向高價值創造性工作；藥企通過AI構建部門級動態知識庫，內容需經校驗與審批并與標準作業流程（SOP）綁定。未來，AI甚至可自動識別知識庫中的風險點（如過期的生產標準），讓人員僅聚焦異常處理，流程效率會得到提升。

4、管理模式適配，實現從“管控”到“AI統籌”。AI時代倒逼藥企管理模式升級，管理者需從傳統的進度、資源管控，轉向對“人機協作”的統籌，實現任務分工精細化、ROI核算動態化。☆助力醫院AI工具建設與場景落地在醫療數字化轉型中，藥企正成為醫院AI工具建設的重要協同者。通過深度對接臨床需求、聯合開發迭代、破解技術痛點，藥企與醫院共同推動AI工具從實驗室走向臨床場景，最終實現對醫生的精準賦能與醫療效率的提升。院企協同開發，實現從臨床需求到工具落地全流程共建。藥企助力醫院AI工具建設的核心，在于以臨床需求為起點，與醫生共同完成從開發到優化的全流程。鮮翾說，“我們幫醫院的醫生搭建AI工具，為其工作賦能。比如說針對孕期的媽媽如何用藥的場景，我們的技術團隊完成AI原型（demo）搭建，醫生持續輸入臨床高頻問題（如孕期合并高血壓的用藥選擇、藥物致畸風險評估等），驗證工具回答的專業性并沉淀標準化答案；我們的技術團隊則通過提示工程（prompt engineering）和小范圍參數調整迭代模型，目標是將回答準確率提升至85%以上。這一過程中，醫生的臨床經驗與藥企的技術能力形成互補，讓工具更貼合實際診療場景。”聚焦高頻場景，瞄準醫生最迫切的“效率痛點”。AI工具的開發始終錨定醫生臨床工作中的高頻需求場景，直擊信息繁雜、記憶負荷大等痛點。如罕見病病因復雜、病例分散，醫生常面臨“信息碎片化”難題。鮮翾表示：“AI工具能整合全球罕見病研究文獻、病例數據、用藥經驗，可快速響應患者精細化咨詢（如某罕見遺傳病的藥物選擇與劑量調整），輔助醫生做出更精準的判斷。這些場景均因“信息密度高、專業性強、標準化需求迫切”而成為AI工具的最佳落腳點，最終實現醫生效率與診療質量的雙重提升。”破解“幻覺”難題，以標準化測試筑牢可靠性根基。AI模型的幻覺（生成錯誤信息）是臨床應用的最大障礙，而藥企通過建立場景化測試體系，為工具可靠性提供保障。鮮翾解釋道，其核心邏輯是每個應用場景構建專屬測試集，如同大模型發布前的基準測試——當有新模型宣稱功能升級時，通過測試集驗證其回答準確性，且需由臨床醫生和藥學專家共同判斷。這種跨界驗證雖需協調臨床與技術團隊的認知差異，但從根本上避免了錯誤信息對診療的干擾，為工具落地掃清了關鍵障礙。這些生動的實踐，只是醫藥行業AI應用的冰山一角，背后蘊藏著的巨大潛力，正等待我們進一步挖掘與探索。