“2026年，创投圈的浪潮再次翻涌：AI从技术概念走进产业深水区，硬科技创业从“小众赛道” 变成“主流共识”，年轻的创业者们正在用代码和双手，重新定义中国创新的未来坐标。

每一年，由36氪 · 暗涌主办的WAVES大会，都是中国创投圈的年度风向标。今年的 WAVES 2026以“今年盛夏”为主题，落地广州番禺良仓新造创意园，在两天的时间里，我们汇聚了顶级投资人、产业领袖、新锐创业者，用14场深度圆桌、数十场独立演讲，拆解 AI、硬科技、出海、医疗等核心赛道的底层逻辑，见证那些“少数人” 的坚持，如何汇聚成改变行业的浪潮。”

6月17日下午，WAVES2026新浪潮大会进行了一场圆桌对话，主题为「生命的新算法——AI+医疗圆桌」。

以下为对话内容，经36氪整理编辑：

胡香赟｜36氪医疗作者（主持）

周杰龙｜望石智慧 创始人兼CEO

赵宇博士｜哲源科技 联合创始人

周鑫丨弘晖基金 执行董事

胡香赟：大家下午好！欢迎来到36氪WAVES“AI医疗——生命的新算法”圆桌论坛。 “生命的新算法”，其实是一个比较宏大且富有哲思的话题，之所以以此命名这场圆桌，是因为我们现在也处在这样一个转折点上。AI For Science已成为全球新一轮科技革命的重要支撑，而在医疗这个相对传统、且既往被认为比较难被算法改造的领域里，AI也变得不可或缺。研发层面的靶点发现、分子设计已不必多谈。产业层面，一些AI制药公司的IPO进程也在加速；BD出海的热潮里面，AI公司的身影也越来越多。

所以，今天非常荣幸能邀请到三位来自产业界和投资界的嘉宾，和我们分享一下他们的观察。请大家依次做个简单的自我介绍，比如您的公司在用AI做哪些事情；或者，您所在的投资机构在投资AI制药/AI医疗项目时更关注哪些问题？

周杰龙：主持人好，非常感谢36氪的邀请。我是望石智慧的创始人跟CEO周杰龙，望石智慧是一家用人工智能驱动新药研发的科技公司，我们正在打造的是一个以微观世界模型为底座、多智能体协作的AI制药系统。我们现在有两个基础平台，一个是以微观世界模型为基础，我们称之为3D小分子生成模型的AI平台；还有一个是以多智能体串联医药早研的全链条智能体系统。这两个系统其实都依托于我们多年积累的丰富的数据资产，以及完全自研的模型。

目前，我们和国内外数百家医药机构和科研机构都有合作，也推动了多条管线进入临床。今年5月，我们和广药、华为达成了三方战略合作，共同落地AI药研解决方案。

赵宇：大家好，很感谢拥有一个机会来到年轻人的世界。我们是哲源科技，一家面向生命科学的团队。生物学模型可以简单理解为：我们搭建了一套认知生命的全新技术体系，不同于业内常见的循证医学、结构生物学研究思路，我们走的是计算医学技术路线，依托组学数据搭建人工智能体系，解析生命与基因疾病，探索疾病发病的底层逻辑、人体患病机制、靶点扰动对疾病产生的干预效果等。我们的核心技术“生命功能的数字孪生技术”曾拿到首届国家科技部“全国颠覆性技术”认定。

这些年，我们产出多项落地成果。比如，我们完成了一项前瞻性虚拟临床试验，该临床试验现已迭代至第五个版本；此外，我们针对胰腺癌的1类创新药PR00012已对外披露临床一期数据，完成了上百个靶点的虚拟验证。

我们认为，从第一性原理推导，AI 制药的底层逻辑应当是先理解疾病，再挖掘有效靶点，最后指导分子生成，这也是我们团队的核心工作方向。

周鑫：弘晖基金是一家聚焦医疗+科技领域的风险投资机构，已经成立12 年，目前管理规模接近300亿元、累计投资约200家企业，医疗赛道是我们的重仓板块，其中，创新药相关被投企业60家。现阶段，AI制药是我们的核心布局方向，从早期靶点发现、分子设计、分子优化、分子筛选，再到后期AI赋能临床试验等，整条产业链我们都在持续挖掘、布局，今天很荣幸能和各位行业从业者交流。

胡香赟：今天三位嘉宾聚焦的领域整体还是不太一样的，接下来的问题想先给两位创业者。我们很好奇，在企业真实落地的场景中，对比传统研发模式，AI究竟改变、颠覆了哪些原有流程或研发思路？杰龙总，望石智慧深耕小分子早期研发智能体，搭建了靶点、分子到湿实验的完整闭环，先请您分享。

周杰龙：望石智慧一直聚焦药物早期研发，所以我结合早研环节分享实际落地感受。

药物早期研发过程通常都遵循所谓的“DMTA 循环”，即设计、合成、测试、分析四大环节。实际上，不论技术如何迭代，这套流程框架始终是保留的。只不过，传统模式完全以人为核心驱动。传统研发完整流程中，行业专家依靠自身经验完成分子设计，再凭借经验初步评估分子活性、成药性、可合成性，最后交由合成团队开展合成与生物测试，全流程依靠人工衔接各环节。

这套传统模式存在三大核心痛点：第一，分子设计完全依托经验与直觉。当前行业竞争激烈，极易出现专利冲突、专利创新性不足的问题；第二，环节链条冗长，全人工流转模式下，每一环节也容易出现断层，极度割裂；第三，数据孤岛问题严重。行业已经沉淀了海量的研发数据，但受人工流转、标准不统一影响，各环节数据格式、标准不统一，数据冗余企业积累的数据资产也无法转化为核心竞争力。

针对以上痛点，我们搭建了依托智能体的全栈式智能研发体系：首先针对分子设计痛点，研发出结合语言模型与几何模型的大模型基座的多模态AI 3D小分子生成平台，辅助专家完成分子设计，规避经验带来的创新缺陷；此外，我们落地了包含多智能体体系，依靠智能体自主串联全研发环节，实现数据自动化管理、流程自主执行。第三，这些研发全过程数据全部可以沉淀到智能体中数字罗盘系统。过往，多数药企项目周期漫长，研发数据分散存储在PPT、Excel、PDF等各类文件中，数据无法统一沉淀，甚至出现核心研发成果被竞品抢先申请专利的风险，基于这个数字罗盘，药企就可以统一沉淀其全部数字资产。

总结来说，我们改造、升级了行业原有模式，把 “研发思路存储于人脑、流程依靠人工沟通衔接”，转变为AI深度融合研发设计逻辑，依靠智能体自主驱动完整研发流程，实现数据持续沉淀、反向迭代模型的范式。

胡香赟：简单总结，AI能够盘活行业长期积累的海量真实研发数据。接下来请赵博分享。

赵宇：这个问题中有两个核心关键词，AI对行业的改变，以及研发范式颠覆，我结合第一性原理展开分享。

在生物医药行业，研发一款新药价值巨大，但传统模式下，大量药物针对同一靶点重复开展临床试验，持续消耗临床资源，这也是当下AI for Science落地的核心意义。

很多人觉得AI for Science概念空洞，实际并非如此。人类的核心优势是使用工具，生命本质是跨尺度、非线性的复杂数据集合。依靠人类大脑很难完整解析这套复杂系统，普通人智商上限有限，顶尖科学家智商也存在天花板，单纯依靠人脑解析高维生命系统的时代已经过去。

AI for Science本质是依托机器学习、神经网络，搭建远超人类认知上限的高维分析模型，弥补人类认知短板，挖掘生命科学全新规律、洞见与发现。可以类比具身机器人，机器人是人类肢体机能延伸，AI模型则是人类认知、大脑的延伸。

回归生命科学研究，人类对生命的认知程度等同于人类对宇宙的认知，两者都存在大量未知领域。我们不能持续依靠行业专家主观猜测、重复实验开展研究。医学本身属于实验科学，但生命系统复杂度远超人类现有认知，不能依靠简单线性实验推导全部疾病机制。

分子研发是药物实现疾病干预的载体，但研发分子前，必须先吃透疾病底层逻辑，才能精准定位靶点。靶点位于细胞内部，适配小分子药物；靶点在细胞膜表面，适配大分子药物；无明确靶点，则考虑细胞治疗。单纯优化分子只能提升分子筛选效率，无法改变传统研发底层逻辑。

当前，全球药物研发通用范式是 “先写答案，后找题目”，也就是依托已知靶点研发具备专利保护的分子，分子研发完成后，再反向寻找适配疾病。这种模式分为两条路径，第一条是仿制，过去30年，中国都属于仿制药大国，以复刻海外成熟药物靶点与分子，重复开展临床试验为主；第二条是自主探索，无可参考靶点时，将研发分子逐一投入临床试错，药物研发、临床试验、伦理审批都需要极高成本，试错成本难以承受。

我们依托第一性原理搭建全新研发范式，先完整解析疾病，锁定适配靶点，再针对性选择药物形态，同步规划临床适用人群、疾病亚型。以我们的胰腺癌管线为例，完整拆解所有胰腺癌亚型后锁定专属靶点后，我们的1B期临床数据可以对标行业2A期成熟临床研究。药物研发初期，我们就明确该药物除胰腺癌外，还可用于结直肠癌、结石障碍相关治疗，临床入组首位受试者时，即可预判药物适用范围。这就是 “先确定题目，再书写答案” 的全新研发逻辑。

人体拥有25000个编码区基因，每个人携带300-500处基因缺失、扩增、变异，个体基因差异是疾病差异化发病的核心诱因。我们需要通过模型解析个体基因变异对全身生命功能的全局影响，这也是哲源科技核心研究方向。

胡香赟：相当于过去行业聚焦研发First in class（FIC）分子，现在行业思路正在转变，转向First in disease（FID），从疾病根源切入研发。

两位企业创始人分享了全新产业视角，接下来把问题交给周总。到2026年，AI医疗、AI制药的市场情绪明显与前两年不同，甚至有投资人说能驾驭好AI的团队才能融到资。从资本视角，您怎么判断当前AI医疗或AI制药赛道所处的行业阶段？投资机构愿意长期持有的标的，通常具备哪一两个核心特质？

周鑫：这其实也是我们内部长期思辨持续探讨的核心命题。我先回答赛道发展阶段问题：AI 制药和其他行业AI落地节奏进程一致，目前已经来到行业发展关键转折点。

我们基金从2016年开始系统跟踪AI及相关赛道，十年前，AI制药成熟项目极少，当时市场主流仍聚集在AI医学影像诊断，比如肺结节识别。当年我们调研超过40家相关企业，最终没有落子，核心原因并非是AI技术能力不足，而是配套监管、产业落地条件不成熟。直至去年，我们切实感知AI技术已经具备成熟落地能力，即便在 “先分子、后适应症” 的传统研发范式中，AI也能释放真实的产业价值。自此，我们决定加大AI制药赛道投资布局。

再谈长期陪伴企业的筛选标准：能够穿越周期的企业，必须具备构建高壁垒护城河的核心能力。AI赛道护城河分为算力、算法、数据三大维度，其中数据是核心壁垒。

企业必须具备：第一，独家且足量自有数据；第二，自研算法迭代能力，能够自主优化模型，修补开源算法存在的固有缺陷；第三，充沛的算力支撑，算力本质对应资金实力，企业需要具备持续融资能力，完成A 轮、B 轮、C轮等多轮融资，支撑千万乃至上亿美元研发投入。这也是我们筛选项目的核心考量维度。

胡香赟：也就是说，AI技术已经到你们觉得值得出手的阶段，它可以落地真实研发场景。

其实，实现这一目标后，大家长期关注的另一核心问题是，AI制药如何实现可持续商业化。复盘生物医药产业发展历程，跨国药企（MNC）一直承担着新技术落地、迭代的关键作用。前两年，业内的主流探索路径之一是BD出海，依靠产品、技术平台授权稳定现金流；但从去年年末到今年上半年，这一合作模式已逐渐升级、转向医药基础设施共建，例如礼来/英伟达、默沙东/谷歌云，交易金额都达到10亿美金级级别。今年，望石智慧也和华为、广药达成同类三方合作，想请您分析行业BD合作模式的变化，以及望石智慧做这项合作的考量。

周杰龙：我们确实关注到这个行业在发生一些根本性的变化。去年年末至今年上半年，海外头部药企重磅合作密集落地，比如礼来与英伟达达成10亿美金级别算力合作、默沙东联合谷歌合作搭建全栈式AI研发体系、百时美施贵宝（BMS）与Anthropic合作研发Claude医药大模型等。除此以外，辉瑞还联合Boltz搭建AI分子亲和力预测平台，礼来与多家AI CRO 类企业达成合作等，相关合作的金额规模均达到较高水平。

这类合作释放的统一信号是，AI模型已经具备一定规模化商用能力，医药行业基础模型授权或将成为全新商业范式。

从望石智慧自身来说，我们就是定位在医药AI基础设施服务商，对外输出基础模型、全链条智能体整套服务，属于行业全新的商业业态，和传统分子授权、CRO 服务模式存在本质区别。

我们与广药、华为三方战略合作，底层逻辑和海外头部药企算力合作具备共通性，三方形成互补共生体系。比如，广药提供真实药物研发落地场景，华为提供全栈国产化算力，支持私有化部署，保障药企核心研发数据安全；望石智慧输出全套AI基础设施，包含3D小分子生成平台、全链条智能体平台、干湿实验一体化研发平台等。

此前，广药提出五年“再造一个新广药”战略，整体新药研发体系将全面依托AI平台落地，三方合作打通场景、算力、AI 技术完整产业链。这次合作就是一个全新的样板，后续，我们也会持续复制这套三方共生合作模式，拓展更多产业合作伙伴。

胡香赟：感谢杰龙总。接下来转向哲源科技，我们知道公司已经落地了多项AI+医药的交叉技术探索，比如虚拟临床试验“数字人吃数字药”的想法就备受行业关注。请赵博介绍虚拟临床试验定义、企业对外合作模式，以及你们在落地过程中看到的新机会。

赵宇：首先，澄清大众对虚拟临床试验的认知误区。它的核心定位不是为监管机构提供辅助工具。计算医学所有技术落地，核心目标是挖掘疾病底层科学认知、全新研究洞见，AI 虚拟模型相当于高算力、高认知的超级大脑，不能简单等同于监管辅助工具。

我们和北京肿瘤医院合作的虚拟临床试验现已迭代至第五个项目，实现了“数字孪生人体服用虚拟药物”的前瞻性预判。可以类比气象预报、地质勘探行业，我们团队依托计算医学实现人体用药反应预判。首个前瞻性试验纳入8名受试者，模型仅用4周就输出了全部用药预判结果，临床8周完成揭盲，模型预判结果与真实临床数据100%匹配。另有未对外公开的跨病种、跨药物虚拟临床试验项目，落地效果同样达到预期。这只是我们落地成果之一。

我们所处的核心赛道是计算医学，区别于计算生物学，所有模型推演结论均会在人体临床试验中完成验证，例如我们和广州合作开展乳腺癌疾病预判研究，全部项目具备完整科研负责人与真实临床数据，相关成果均可公开求证。

再分享商业化路径。我们不做传统CRO外包服务。大家都知道，跨国药企管线依靠外部收购，自研管线产出占比极低。此前，行业内的一部分BD合作更接近工程层面的成果复刻，缺少原创底层科学突破，这是因为国内药企过去长期深耕仿制药，对疾病底层生物学机制解析能力存在一定短板。

我们采用IT Function商业化模式，针对胰腺癌等疾病搭建标准化计算医学功能模块，逐步对外落地授权，有望给合作药企带来更高的研发价值。

以我们从事的一项罕见病研究为例。初期，我们共纳入9例罕见病患者生物样本，针对每例受试者构建个体化人体数字孪生模型，通过匹配上万例健康人群及其他肿瘤患者的公共/内部数据集构建大规模虚拟对照队列，开展批量虚拟对照试验。在算力资源充足的前提下，本模型可并行完成上万组虚拟临床试验分析。

初步分析结果表明，在9例患者样本中识别出1条显著异常信号通路，相较于万人级对照队列，该通路组间差异的检验P值趋近于0。为验证上述发现的稳健性，我们进一步扩充样本量，累计纳入100例新增受试者样本，总队列规模达109例。扩大样本后，该信号通路组间差异的检验P值低至10的负49次方。现有通用统计学判定标准中，这即表示组间差异具有统计学显著性，通路具备极强的临床区分效能。

该信号通路对应一款已获批上市干预药物，但临床应用存在副作用，业内专家判断无法单独推进临床。我们仅耗时一周，依托虚拟临床试验锁定这条核心信号通路。这套新模式可以把传统医学海量临床试错流程前置，依靠模型完成前期预判，把经验化的医学探索转化为标准化工程体系。

我们团队内部没有传统生物学科研人员，全部为工程研发人员，目标打造标准化输入输出体系，摆脱依靠科研人员灵感、经验开展研发的传统模式。

胡香赟：感谢赵博。周总，我们能看到这一代生物医药创业者们基本都在项目初期就同步规划起AI落地路径和商业化方案。但是，市场上的AI制药落地故事鱼龙混杂，AI 与医药交叉学科的门槛又很高。从投资视角，如何分辨真AI 企业与伪AI项目，从而找到那些具备长期发展潜力的真实落地路径？

周鑫：AI在新药研发全链条均有落地场景，覆盖靶点发现、分子设计、分子优化、高通量筛选、临床加速等全流程。比如，赵老师提到的从疾病切入研发的FID与传统分子优化两条路径，AI其实都能创造实际价值。

我们的判断标准是，全流程各环节能够依靠AI实现量级提升，即为真AI落地项目。对我们来说，单纯依靠最终分子成果，的确很难区分分子是AI生成还是人工设计，尤其是针对那些长期仅有单一管线推进的企业来说，存在人工手搓分子的可能性，辨别难度较高。

所以，我们判断真伪的核心逻辑是，拆解企业全研发环节，核查AI产出是偶发特例，还是批量稳定输出；同时对比AI研发团队规模与传统药企完成等量工作所需人力与周期。如果企业依靠远低于传统药企的人力、资金成本，产出同等数量新药候选分子，实现研发效率数量级提升，我们便认定这是具备真实AI能力的优质企业。此前，我们调研过同类项目，有的AI团队仅消耗传统企业1/10人力，就能产出同等数量候选药物，是典型真AI落地案例。

赵宇：我来补充一个角度。第一，区分信息化与数字化，二者属于两次技术迭代，行业普遍混淆。日常产业落地90%相关工作仅停留在信息化层面，距离数字化存在巨大差距，单纯拥有数据不等于完成数字化转型。第二，区分AI模型底层逻辑。企业是依托人类已知生物规则搭建小型统计程序，还是依托超高维参数大模型自主挖掘全新规律；模型是企业完全自研，还是直接调用开源大模型简单部署。跨学科认知存在天然壁垒，生物医药从业者、IT技术人员互相存在认知盲区，不能简单笼统看待交叉学科落地问题。

胡香赟：刚刚，我们梳理了AI现有落地场景、未来发展方向。最后一个问题聚焦行业未来，想请3位嘉宾用简短两句话分别概括，未来1-2年，AI制药赛道需要跨越的核心瓶颈、待解决的关键问题。

周杰龙：生物医药行业最大瓶颈仍是数据。干湿实验结合的落地案例很多，但单分子合成成本高昂，十万级分子湿实验成本高达十几亿，现有的实验数据规模不足以支撑高精度模型训练。所以，行业需要依托超算、微观世界基础模型，从第一性原理仿真生成海量模拟数据，结合真实湿实验数据训练模型，不能只停留在概念层面。因此，总结下来核心瓶颈是数据、数据、数据。

赵宇：讨论数据必须绑定配套算法，不同技术路线对数据类型需求完全不同。比如，我们团队侧重临床数据，周总团队侧重分子结构数据，两类数据就很难通用，脱离方法学单纯讨论数据没有实际意义。

我认为，未来1-2年，最大阻碍是行业跨学科认知壁垒，多数生物医药从业者缺少机器学习专业基础，难以理解非线性、跨尺度生命模型，对新技术天然存在保守心态，生物医药行业需要主动接纳AI模型带来的全新认知工具。

周鑫：我也认为，核心问题在于数据，但是要加一些限制定语：真正的核心壁垒是足量的、与方法学匹配的、有正面和负面双向反馈的、干净且准确的数据。

胡香赟：感谢三位。今天的讨论基本接近尾声，从“算法”到“生命”，科学的研发道路注定周期漫长、挑战重重，但国内已经涌现出大量优质AI制药创业者，因此，中国AI制药赛道一定有望逐步实现从跟跑向领跑跨越，持续产出突破性研发成果。

感谢三位嘉宾的完整分享，感谢现场、线上的所有观众。