当最重“经验”的行业，开始质疑“经验”。
2026年，51岁的任峰身边，开始出现越来越多30岁出头的年轻同行。
任峰是英矽智能（03696.HK）的联席首席执行官。今年上半年，英矽智能正式宣布盈利，依托生成式AI平台Pharma.AI开发的35个管线资产进入PCC（临床前候选化合物），AI技术平台和管线的BD合作披露金额达到110亿美元，位居国内AI制药类企业之首。
图源英矽智能
任峰所处的制药行业，原本最为看重产业积淀、研发经验，可以说有些“论资排辈”的意思。但如今，AI正悄然改写这套运行多年的规则。凭借大语言模型的能力，年轻的博士生们尝试将传统的经验科学变为工程问题，也因此在而立的年纪，便能以创业者的身份走到台前，收获不菲融资与高估值。
他们和“任峰们”之间的代际差极其鲜明。
后者曾大多以谨慎、克制的传统科学家形象面对资本市场和大众，“做80分、讲60分”是那个时代的生存哲学，保守一点没有错，毕竟太激进往往会翻车。就像任峰，2020年，面对英矽智能的加盟邀请，这位出身传统制药体系的“老兵”先花了近半年做顾问，反复求证AI制药“是真是假”，直到确信AI“在特定场景下确实能提效、做出创新性很强的东西”后，才正式加入。
但今天的年轻创业者们，无论是在个性表达，还是对AI技术的信仰上，都更为热烈。在投资人眼中，他们“更Open”，能毫无包袱地讲述要用AI颠覆制药行业的宏大愿景，为自己的小小团队树立对标Isomorphic Labs、Chai Discovery的目标。其中，如果按Isomorphic Labs在推进的新一轮融资来看，其投后估值至少能达到400亿美元。
某种程度上，和任峰交流，你会感受到他是当前的活跃玩家里一个难得的“中间态”存在。他出身传统制药体系，操盘着最前沿的AI系统，能把两种技能融合地刚刚好，也足够清醒：
任峰相信AI会很大程度上改变旧的新药研发体系，所以要求自己“一直学习、进化，不要让经验压倒判断力”；另一面，他对当前市场上的大模型叙事狂欢抱有警惕，时刻强调“落地”的重要性，并愿意主动讲起AI模型能力的诸多不足。在他看来，归根结底，把药做出来才是核心，这点永远排在第一位。
新旧两种特质在任峰身上交汇。他如何看待这场代际交替，又如何丈量野心与能力之间的距离？
对话（经编辑）：
老法师，你的经验“不吃香了”
36氪：2026年，AI4S创业生态格外繁荣，涌入制药方向的参赛选手愈发多元，对“AI颠覆新药研发”的叙事也越来越宏大。从实战经验很强的“老兵”视角，制药行业对AI的应用到底到什么程度了？
任峰：就我自己的观察而言，ChatGPT走红之初，中国还没有很强的基模，我们在国内的体感其实不强烈。去年以来，一是中国自己的模型产品越来越强，二是Coding能力的突破，让制药行业能以更低成本迭代出更优质的算法。如今在英矽智能内部，70%-80%的代码都由AI来写。
同时，AI在整个药物研发决策中的话语权也在不断提升。大概三年前，做药还是个传统的试错过程：药物化学家设计分子后，交给CRO进行合成、测试，AI在不同环节作为提效工具被使用；现在，AI已经融入了科学家的决策过程，而且权重不低。比如，即使分子先由人设计出来，我们也会交给AI再跑一遍，看它的性质好不好、活性强不强。然后，科学家再结合AI预测的结果，决定是否推进合成测试。这在以前完全由人来决定。
这样做的好处是，能够节省大量人力、时间和试错成本。AI一算，发现行不通，就PASS了，不会再推到合成阶段。
36氪：以前，大家对AI的定位是“工具”，如今已经能参与“决策”，这意味着什么？
任峰：一个特别明显的趋势是，制药行业对资深科学家经验的依赖在下降，但愿意给积极拥抱先进技术的年轻科学家更多机会了。
过去，药物研发是经验科学，所以，经验越丰富的“老法师”很受尊重，传统大药厂高管团队大多60、70岁。但AI的语境下，我们就是要把新药研发范式从经验驱动转向数据驱动。这时，成熟科学家的经验往往会成为桎梏，他们成功过，因此会下意识地先相信并坚持自己的判断、对AI得出的结果保持怀疑，尤其是在两者结论相反的情况下。
反而是经验稀缺的年轻科学家，初生牛犊不怕虎，他们只要认为AI方法值得尝试，便会动手去做，往往也能取得令人眼前一亮的效果。在我们公司，这样的故事很多，这让大家很惊喜，也让我对自己的经验越来越谨慎，千万别动不动就说什么“按我的经验来，你不行”这种话。
36氪：在最重视经验的行业，经验没那么有用了，“老法师”也有危机感了。
任峰：其实我觉得这是好事，而且是唯一能突破资历和经验约束，让企业更具创造性、更高效的方法。
既往，大药企布局AI，有时显得不那么坚决、效率不高。这是因为，如果制药行业的决策者一直是只崇尚经验的人，AI的应用便很难发展起来。包括本身就定位AI制药的企业，也要不断迭代自己的AI能力，一些和英矽智能同时期的海外AI制药公司，项目推进得比较慢，或许也是忽略了这一点。
36氪：从业者的代际差距越来越明显，企业间或许也是。英矽智能有没有被问过是“上一代AI制药公司”？
任峰：企业就是一波一波的。英矽智能这一代AI制药公司创业时，没有大语言模型，也不讲AGI，大家主要基于垂类模型来做。好处是参数量小、算力需求不高，缺点是单一模态只能一类或几类数据、解决一个问题，而药物研发需要同时优化很多参数，所以只能调用多个小模型。但ChatGPT等大语言模型出现之后，新一代AI制药企业开始主打多模态，依托智能体把不同小模型整合起来，效率可能会更高。
这种技术差异决定了AI制药公司之间就存在代差。但好处是经过多年积累，比如英矽智能有一些内部模型，我们可以将这些独立模块整合起来。我们训练这些独立模块的经验、数据和测试集，可以帮助我们强化开源LLM在药物研发垂类领域的推理能力。比如，我们今年也发布了生命科学基础模型训练框架Science MMAI Gym。
如果不主动进化，很快就会被淘汰。
AI做药，到哪一步了
36氪：模型能力在进化。现在，AI做药，哪些事上比较强、哪些还不太行？
任峰：总体而言，AI制药仍处于相对早期的发展阶段，距离“超级人工智能”，也就是GPT做药，以及AI制药全链条技术成熟还有相当一段距离。
在新药研发最上游，AI已经能很好开展全新靶点发现这类过去很难突破的底层问题。比如，它可以快速归纳公开文献里已有的研究结论，识别靶点间的关联，帮科研人员找到过去容易被忽略的靶点，或是深化对靶点生物学机制的理解。过去搭建靶点相关的知识图谱要投入巨大人力，现在AI能直接做。
但当前大模型的短板同样突出，由于学习素材全部来自已经发表、被报道过的研究，面对完全没有文献记载的未知生物学关联，大模型不能凭空发现。像我们的PandaOmics（Pharma.AI的模块之一，用于多组学数据分析），可直接分析患者多组学数据，对比患者与健康人群的组学差异，从原始数据里定位在病灶中异常高表达、过度激活的潜在靶点，很多没有文献报道。而这种从原始临床组学数据里挖掘全新靶点的能力，是大语言模型不具备的。
36氪：从底层生物学问题再往前一步，今年，大家也在说通过Agent自动提出科学假设、跑完实验闭环，批量验证不同假说。你们怎么看待这个方向、有没有相关尝试？
任峰：这本质上是借助Agent、云端工具去重构和优化科研工作流，把原本需要人工完成的环节承接起来，比如借助云端工具辅助实验设计。这是明确的行业大趋势，我们也在做相关探索，将Agent介入我们当前已被验证有效的专精算法和自动化实验室。
但是，现阶段有一个绕不开的前提，自动化实验室并不能直接拿来跑全新实验。一个实验方案想上自动化平台，必须先在人工实验室里完成一轮验证，校准结果，确保自动化产出的数据和人工实验数据能够对齐。
实验本身存在大量可调参数，比如酶浓度、反应温度、孵育时长等等，都需要迭代调优，不存在一步到位的最优方案。跳过人工验证直接交给自动化系统，风险很高。所以这个方向虽然前景清晰，但当下整体技术能力还不足以实现完全自主的闭环科研。
36氪：很多团队会选择拿AlphaFold2、ESM这类开源模型打底。创新药企基于开源底座，叠加自家垂直数据做开发，是不是也能得到可用的预测结果？
任峰：依托开源模型，叠加企业内部独有的研发数据，确实可以有效提升药物研发效率，这是已经被验证的。但是，开源模型本身性能有限，团队需要基于自研数据，在开源底座之上持续做优化、微调，才能得到效果优于开源原版的领域模型。调参难度比较高，不是谁都能做的。
36氪：待你说的“全链条技术”成熟后，AI制药可能先在哪些靶点或疾病领域取得突破？
任峰：实际上，AI本身具备很强的泛化能力。所以，AI对疾病领域、靶点并没有本能的选择性，只要有足够多数据，任何疾病领域的药物研发准确率都会随之提升。
大病种、病人队列数据量更大的领域，更有可能先找到更好靶点，因此市场预期相对更高。比如肿瘤，许多肿瘤患者都做过基因测序，行业已经沉淀了大量数据；此外，自身免疫疾病、神经系统疾病等患者基数较多的病种也比较有希望。
36氪：如果AI本身是不设限的，逻辑上我们应该会看到“百花齐放”式的新靶点研究。但目前许多AI制药公司列出的候选分子仍比较集中，比如大家都在做GPCR。为什么会这样？
任峰：造成同质化的一定不是AI，是使用AI的人。
理想状态下，AI制药永远要解决行业里最难、失败率最高的问题。但是，出于项目交付压力、大药企BD偏好等因素考虑，AI制药企业验证技术能力时的首选靶点，会选中等难度的靶点，不然就存在验证周期相对更长、投入更大，以及最终可能做不出来的风险。
传统药物研发中相对容易、有医学证据支持的靶点，对AI来说也更容易。比如GPCR、激酶，本身就具有更明确、适合成药的结合口袋；反之，如果做蛋白与蛋白相互作用，当前的研究还没有找到很好的结合口袋，没办法用小分子去介入。
所以，通行的做法是通过AI加速研发、提高创造性，先把相对容易的靶点做成，积累资金、经验，提升平台能力，再慢慢拓展到更难领域。
36氪：哪怕是在AI制药的语境下，也会出现先摘“低垂的果实”的情况？
任峰：是的。
36氪：如果AI也都在做同一个靶点和适应症，最后会“内卷”吗？
任峰：我认为不会。因为算法不同、人不同，导致结果不同。哪怕在英矽智能内部，不同研发人员使用同一个AI平台，针对同一靶点做筛选，最后得到的结果也会不同。因为大家设置的分子性质参数不一样，而参数又非常多，比如水溶性、透膜性、吸引性等等。
说到底，做药并不追求唯一解，市场不会一家独大。就像GLP-1靶点，市场上也有司美格鲁肽、替尔泊肽等各式各样的分子。
大浪淘沙，药是底牌
36氪：英矽智能也和一些AI科技公司做合作，比如Google Cloud、腾讯健康。大厂跨界制药，做得怎么样？
任峰：我们能明显感觉到他们的模型能力非常强，但起初不了解产业界真正想解决什么问题，于是他们会不断找我们这些AI制药公司、找跨国药企拿需求。
我记得有次，Google团队和我们讨论，讲他们用算法研究生物学机制，比如基因干扰、预测基因对细胞的影响。说实话，做得真好。但听完后我发现，他们一直在讲生物学，却漏掉了化学，始终没有提怎么把分子设计出来。
我们真正想要的，是把科技公司的强项用在药物研发的痛点上。比如，Google有大量专利和文本信息，如果能做一个平台，分析专利中化合物结构到底覆盖多大范围，让我们把设计出的分子放到模型上评估，快速判断有没有专利风险，能省掉大量时间。现在双方合作，就是一起“破专利”。
36氪：各类新玩家涌入AI4S、涌入制药领域，也让行业担忧“泡沫”再度出现的问题。你觉得当下最需要警惕的是什么？
任峰：我认为大家要想明白最后的落地场景是什么。当前，资金还集中在AI领域，技术泡沫下会出现很多商业模式不清晰的公司，这是最需要警惕的。
近两年，很多AI学科背景的从业者离开大厂、开发AI+生物交叉方向的垂类大模型，有些公司在很早期阶段就能达到几亿美元估值。这是一个很好的方向，但模型怎么落地？卖给别人做服务，还是自己做药？如果是前者，DeepMind有Co-Scientist、OpenAI有GPT-Rosalind，你的模型能力、资源储备是否足够强，可以和这些大厂竞争？如果是后者，你是否具备独有数据、理解临床层面最需要解决什么问题？
热钱很多的时候，大家会忽略这些事，只觉得大语言模型+生命科学听起来很Fancy，值得进入。AI制药领域曾经出现过许多被时代淘汰的企业，原因就是没有找到好的应用场景，既没有用在临床上，也没能实现商业化。
如今，技术再度突破，我希望大家千万不要走以前的老路，重蹈覆辙。
36氪：AI制药企业在争相做BD出海。在你看来，这是一个好的商业化出口吗？
任峰：近两年，跨国药企愈发认可中国AI制药企业的数据质量、研发速度和早期临床能力。过去，跨国药企主要与Atomwise、Insitro、Recursion等海外AI制药公司合作，我们想做BD要去美国、欧洲实地找客户；现在，各大跨国药企研发负责人会主动来北京、上海交流。
但当前阶段，AI制药企业受资金、发展阶段等因素影响，BD出去的主要是临床前阶段的早期分子。而BD价值与新药研发阶段强相关，不会因为AI的参与有何改变，所以大家做的交易的整体首付款都不算很高。比如说，大家都在讲我们和礼来的交易，也只是相对同阶段临床前分子来说价格不低，整体也没那么高。
话说回来，公司发展到一定阶段，不能一直靠“卖青苗”活着。有了更好的收入，我们也会考虑把项目继续往后推，不急着在PCC阶段出售。比如，做到临床一期、拿到一些人体数据，再争取更好的价格和更高的首付款。
36氪：如果浪潮再度退去，最终能支撑一家AI制药公司的是什么？
任峰：我认为AI制药赛道未来也会经历并购、整合，能留下来的企业不会太多。要走到最后，就要把项目、临床试验和商业化BD做好。有朝一日，即使别人把我们的模型都淘汰了，剩下来的药物还可以是核心资产。
药物才是支撑AI制药公司估值最重要的东西，也是最后的底牌。
