摘要：统计数据显示，2024年中国规模以上医药制造业企业达到了9793家，占工业总企业的比重为1.91%。规模以上医药工业企业合计增加值占全部工业增加值比重约为4%。

“在医药领域，AI正从“尝试者”蜕变为“重塑者”。

从AI算法开始触碰生命密码的那一刻起，医药行业就开始了一场静悄悄的变革。

曾几何时，AI在医药领域的探索如同盲人摸象——项目铺陈的繁杂无序，从影像识别到分子模拟，似乎所有领域都想插上一脚，却往往在落地时折戟沉沙。

现在医药行业逐渐清醒：唯有锚定真正有价值的场景，牵手对的合作伙伴，AI才能挣脱实验室的桎梏，成为改变行业的生产力。

正如诺华CEO万思瀚所言，AI对制药业最深远的影响，终将定格在研发这一核心战场。而英伟达与安进联手搭建模型平台，也誓言要缩短药物开发周期。

这些信息都在明白无误地昭示：医药行业的AI应用，开始跳出炫技的迷思，正以更务实的姿态，在研发攻坚、效率革新、生态协同中寻找破局点。

那么，这场变革究竟藏着怎样的逻辑？AI如何从“尝试者”蜕变为“重塑者”？答案就藏在那些聚焦价值、精准落地的实践之中。

适配转型与效率革新，

医药企业AI升级的目标

统计数据显示，2024年中国规模以上医药制造业企业达到了9793家，占工业总企业的比重为1.91%。规模以上医药工业企业合计增加值占全部工业增加值比重约为4%。

除此之外，中国药企正在利用数智化开展着多维度的深刻变革。从发展逻辑的迭代，到对AI从认知到实践的态度转变，再到借AI实现转型适配与效率革新，这一系列变化勾勒出行业在时代浪潮中的探索路径。

无论是业务模式的重构、技术应用的深化，还是运营效能的提升，都指向同一个方向——中国药企正在以更开放、更智能的姿态，应对行业挑战，开辟发展新局。

中国药企发展的逻辑正在发生转变。

金赛药业首席信息官兼数字研究院院长鲜翾，在接受数据猿采访中表示：“药企的核心生产力最初源于研发。在患者筛查与管理中由于存在诸多产品需求，由此衍生出医疗器械、医疗耗材等业务，推动企业从单一产品维度迈向多产品发展。”

鲜翾进一步指出，在过去，药品多由技术驱动：从创新技术出发，用于特定分子开发，历经多年打磨后推动药品上市。同时，药品拥有较长的专利周期，企业有充足时间布局销售——建立销售团队，通过销售人员拜访专家，改变其认知，使专家认可产品的临床价值并推荐给患者，从而走向市场。

在这种模式下，企业的决策链条呈线性，增长相对稳定，一旦达到销售顶峰，在竞争对手尚未崛起前可维持较长时间。但其弊端也会逐渐显现，如决策速度较慢，即便产品优质，过程中仍可能存在资源浪费等。

现在国家积极推行医药集采和国谈政策。对创新药而言，国谈成为快速进入全国医院合作体系的契机，许多医院对非国产药品准入更为严格，体现了国家对医药创新能力的支持。这一变化意味着药企不仅需要强化创新技术的底层平台搭建能力，而且销售模式也因国产政策的倾斜而面临新的调整，从而改变中国药企发展的底层逻辑。

从轻视到尊崇，中国药企对AI态度发生了根本性转变，智能化探索加速。

医药领域的AI应用需实现数据与思维链的整合。

鲜翾敏锐的观察到，在企业内部，不同业务板块的数字化进程存在差异：供应链侧仍处于信息化阶段；营销侧已达到数字化水平，实现数据实时在线、透明可追踪；研发侧等领域部分应用场景则迈入智能化阶段。

其中研发侧则希望跳过传统的信息化、数字化步骤，直接借助AI实现智能化“弯道超车”，避开繁琐的系统建设和数据提取环节，直达结果应用。

其核心在于底层知识的构建，包括两方面：一是多组学、病例等生物学相关数据的建立；二是人类多年的科研发现（如学术平台成果）及企业内部积累知识的整理，最终搭建公司级知识平台与图谱。

“过去药企常轻视AI的基础建设和应用，如今开始对AI大模型逐渐产生敬意，这一态度转变为行业带来显著的变化。”鲜翾表示。

与此现实向呼应，工业和信息化部等7部门联合发布的《医药工业数字化转型实施方案》明确，到2027年，数字技术将深度赋能医药全产业链，到2030年，规模以上医药企业数字化转型全覆盖。

目前，医药企业AI升级的需求锁定在适配转型与效率革新等方面，鲜翾将其概括为三个特点：

第一，转型需求倒逼能力升级。国家政策带来市场机会后，医药企业需快速提升团队能力：既要招募足够人员覆盖市场，更要确保团队能快速掌握产品知识、清晰地向专家传递价值。而目前许多医药人才还不具备高效学习能力，这促使企业从2023年初启动数字化转型，首要目标是让决策链条透明化，需确保销售、费用从预算到执行的全链条数据真实、可靠、及时，实现可视化追踪。

第二，通过AI突破打破传统系统的瓶颈。数字化转型中，技术团队面临系统搭建的挑战：梳理业务流程、开发或定制软件需耗费大量时间。而AI升级有望打破这一困境：大模型和AIoT设备的应用，让数据获取与处理更高效——无需手动填表，销售可通过语音输入，结合NLP技术自动处理；设备直接采集数据，减少人工干预，替代了传统依赖系统标准化输入、刻画个人行为等模式。

第三，利用AI实现运营管理的优化。企业已有成熟的经营管理指标体系，AI进一步推动落地效果。未来，系统可能不再是依赖核心，人类通过自然语音对话即可完成操作，甚至每个人的数字分身能处理工作总结、代办事务，实现跨分身沟通，大幅提升运营效率。

探索人工智能应用，

增强企业核心竞争力

中国药企的核心竞争力逐渐增强，在全球舞台上崭露头角。2025年美国《制药经理人》杂志公布的“全球制药企业50强”榜单中，有6家中国企业上榜。

在新药研发方面，根据Citeline旗下的Pharmaprojects数据库显示，中国研发管线数（Pipeline Count，药企当前处于研发阶段的药物项目总数）位居全球第二，2025年有7032个，且保持15.1%的高速增长，全球有17%（1181家）的药物研发企业总部设在中国。

在全球智能化浪潮下，众多的中国医药企业积极探索人工智能应用，以提升研发效率、优化医疗服务、创新商业模式，增强企业核心竞争力。

金赛药业的AI应用实践与突破非常具有代表性。

作为创新驱动的全产业链制药企业，金赛药业的业务从生长激素拓展至肿瘤、免疫、内分泌代谢等多领域，通过高额研发投入、产学研合作及AI赋能，打造多元化创新产品管线，朝着全球领先制药公司的目标迈进。

鲜翾介绍说：“金赛药业将‘SMART原则’作为AI应用的最高准则，要求AI应用必须能量化降本增效成果，并明确各环节的知识贡献需求。这一原则推动员工从底层工作中解放出来，同时也对其能力提出更高挑战。 ”

同时她也指出，借助AI，金赛药业的精细化管理得以延伸：通过对中高管会议录音分析，评估其工作是否符合SMART原则（如是否赋能一线、解决实际问题），破解了以往中高管能力难以量化的难题；同时，AI能深度理解工作场景，让管理半径显著扩大。

在研发端，AI打破了传统依赖人工经验的模式：9000万篇医学文献可通过AI高效处理，辅助研发人员结合公司内部资产、全球最新科研进展及临床专家意见，形成更精准的探索结论。

AI也推动“干实验”（计算生物、计算化学的虚拟分子生成与性能测试）与“湿实验”（实验室实体实验）协同：部分实验交由CRO公司完成，同时通过AI记录和模拟内部研发团队的“经验手感”，实现经验的数字化沉淀与复制。

另外，金赛药业利用AI实现了经验传承的数字化突破。对于难以拆解的“隐性经验”（如资深专家的思维链和操作逻辑），AI提供了新的解决方案：通过持续记录专家的行为（如诊疗中的病例查看、检测选择、治疗方案制定等），并结合其主动输出的思维过程，AI可模拟并透明化这些经验，最终实现“复制”专家能力的效果，解决了传统数字化方法难以拆解隐性知识的痛点。

双鹤润创搭建AI驱动的创新药物开发平台，为生物医药创新提供一站式服务。

北京双鹤润创科技有限公司作为华润双鹤旗下的科技创新平台，自主搭建涵盖创新药分子设计、药物化学、药理毒理等六大技术平台，支持肿瘤、代谢、儿科等领域药物开发。多个1类新药依托平台能力快速推进至临床阶段，如核心研发项目Fascin蛋白抑制剂，作为全球首款针对肿瘤转移的创新药，仅用3年时间便推至Ⅱ期临床研究，显著减少对外部CRO的依赖。

另外，通过人工智能分子设计（AI）技术，实现靶点筛选、分子优化、成药性预测的全流程智能化。在与北京某三甲医院合作的眼科项目中，仅设计合成少量分子便确定候选化合物（PCC），临床前研发周期大幅缩短。该眼科项目通过人工智能从分子设计到IND enabling用时不到10个月，相比传统方法至少提升6个月时间。

在齐鲁制药的应用中，浪潮云帆医药科研智能体解决了科研人员分析专利文献的难题。

传统模式下，10人团队每周仅能分析几百篇专利，靶点提取准确率低；引入该智能体后，10人团队精简至1人，每周可完成千余篇专利分析，靶点识别准确率提高至90%。它能快速锁定全球专利库中与靶点相关的最新研究成果，提取关键要素信息，跟踪全球竞争态势。

另外，与DeepSeek大模型融合后，突破多元异构信息语义鸿沟，研发专利语义深度解析引擎，实现通用大模型逻辑推理能力与医药领域专业知识的深度耦合。

此外，其数字人 “内容对比助手” 在药品生产环节，能快速定位文件差异，将文件审核精确度提升至90%，保障药品合规性管理。

天士力数智本草大模型助力中医药研发，开了一个先河。

天士力数智中药团队基于华为澎湃算力和向量库等先进工具，融入中医药守正（包括1000+古籍及翻译，9万+方剂，4万+中成药等）、创新（4千万+文献摘要，3百万+天然产物等）、产业化（10万+临床方案，16万+中药专利以及药典政策指南等）三大类海量数据，搭建“数智本草”大模型。

一是实现了全链条研发辅助。该模型在参数量、产业证据完整性以及数据丰富性方面优势明显，不仅具备语言处理能力，还拥有计算大模型，可提供可溯源的中药研发证据链条。通过智能问答、交互计算与文档生成三种模式，为用户提供从中药机制解析到中药复方及组分创新开发的全链条研发辅助，实现证据提炼、辅助决策与效能提升，促进 “从病到方” 和 “从方到病” 两大目标的实现。

二是开发围绕诊疗、学习、研究的一系列应用产品。例如，专为临床大夫开发的智能问诊系统，内置国医大师独特经验和四诊算法，实现语音输入和实时分析，提升诊疗效率和准确率；中成药推荐系统帮助中药店店员自动语音输入，实时显示大病预警、问诊建议、药品推荐及价格、库存、用药安全等信息，解决顾客健康相关问题。

深耕细作场景，

让AI成为行业的变革之力

医药企业的AI应用最怕陷入“眉毛胡子一把抓”的困境，盲目跟风布局却难见实效。其破局的核心正在于精准发掘真正有价值的场景。

从研发环节的核心攻坚，到信息工具向研发辅助的深度转型，从企业内部的协同提效，再到医院端工具的落地赋能，这四类场景构成了医药AI应用的关键赛道。

☆聚焦研发场景的人机协同与经验赋能

在药企AI应用的诸多方向中，研发场景是核心阵地，通过技术赋能资深经验、构建高效人机协同模式，推动药物研发从传统“试错”向精准化、高效化转型。

研发场景的AI应用核心就是学习经验思维链。聚焦于“经验大脑”——即学习和理解资深研发人员的思维链。通过解析专家在靶点筛选、分子设计、临床试验方案制定等关键环节的决策逻辑，AI能将复杂的研发经验转化为可复用的规则与判断模型。这不仅让高难度的制药工作实现标准化、可追溯，更为人机协同奠定了基础，使AI从简单工具升级为能理解研发深层逻辑的“辅助决策者”。

人机协同则是明确分工，各展所长。在药物研发中，人与机器的定位需清晰界定。当前技术下，机器尚无法独立完成核心决策，所谓“一键生成分子”等噱头缺乏实际价值。实际研发中，机器的核心作用是拓展思路，如通过AI模型快速筛选海量化合物、预测分子活性与毒性，为研发人员提供更多潜在方向；而人类则凭借专业经验负责最终把关，在机器提供的可能性中做出精准决策，把控研发流程的每一步推进。这种“机器拓展边界+人类核心决策”的协同模式，是药物研发高效推进的关键。

☆从信息工具到研发辅助的进阶之路

在药企AI应用的演进中，从单纯的信息处理工具向深度研发辅助的跨越，是技术价值深化的关键一步。这一转型不仅体现在工具功能的升级，更在于通过多技术协同，将AI深度融入研发全流程，成为科研决策的“增效器”。

多技术协同构建研发辅助基础能力。药企的研发辅助AI并非单一工具，而是智能体与深度技术的协同体系。它整合了深度学习、结构生成（如AlphaFold系列）等技术，尤其在分子筛选、化合物生成等核心环节形成合力。例如，通过深度学习分析海量分子结构数据，结合结构生成技术预测潜在活性分子，为研发提供更精准的候选方向，实现技术能力与研发需求的精准匹配。

从信息处理到科研赋能，解放基础劳动，聚焦核心决策。“早期AI在药企多作为信息工具存在，而如今已进阶为能承担基础科研工作的助手。”鲜翾表示，“如金赛药业的GenAIR智能科研助手替代了以往由实习生或新人完成的重复性任务，让研发人员从繁琐的信息整理中解放出来，聚焦更具创造性的分析与决策。”

知识图谱与方向锚定，提升前期探索效率。借助大模型与RAG技术，AI平台能整合多源信息构建动态知识图谱。若图谱实现自动化更新与衍生，研究者可快速从中学习领域前沿、关联研究进展，高效锚定科研方向。

从信息工具到研发辅助，药企AI的进阶不仅是技术的升级，更是研发模式的革新——通过技术赋能与人机协同，让科研效率与精准度实现双重提升，为药物研发注入持续动力。

☆药企协同深化与效能升级的实践路径

在医药行业竞争加剧与数字化转型的双重驱动下，AI正成为打破部门壁垒、提升组织效率的核心工具。从跨领域人才协作到全链路数据驱动，从个体能力增强到管理模式革新，AI通过多维度渗透，推动药企实现协同效率与运营效能的双重突破。

鲜翾表示药企与AI的协作，将带来四个层面的深刻变革。

1、跨领域人才协同，AI消除壁垒，推动理性协作。药企往往涵盖研发、生产、销售、市场等多领域，不同背景人才（如C端营销人才与ToB研发人才）的思维差异和沟通壁垒，常导致协作低效。AI智能体（Agent）成为破解这一难题的关键：它通过标准化沟通流程、过滤情绪化表达，将协作锚定在数据与逻辑层面。

例如，在新药上市前的跨部门筹备中，市场团队的用户洞察、研发团队的临床数据、销售团队的渠道分析，可通过AI智能体整合为统一数据看板，自动识别分歧点并基于数据提出解决方案，推动各领域人才快速达成共识，减少内耗。

2、数据与AI双向驱动，释放数据价值。数据是药企协同与效能的基石，而AI则是激活数据价值的引擎，二者形成双向优化循环。如药企常面临数据统计争议（如区域销售业绩归属、研发项目成本分摊等），AI通过标准化数据采集口径（如销售数据实时对接CRM系统、研发成本自动关联项目编号），从源头减少分歧。借助Chat BI等工具，数据团队的数据集生成、指标计算效率提升。”

3、分层赋能，个体提效与组织能力沉淀并行。AI对药企的赋能呈现“个体-组织”分层渗透的特点，既增强个体战斗力，又夯实组织根基：AI成为个体能力的“放大器”，推动员工从重复劳动中解放，转向高价值创造性工作；药企通过AI构建部门级动态知识库，内容需经校验与审批并与标准作业流程（SOP）绑定。未来，AI甚至可自动识别知识库中的风险点（如过期的生产标准），让人员仅聚焦异常处理，流程效率会得到提升。

4、管理模式适配，实现从“管控”到“AI统筹”。AI时代倒逼药企管理模式升级，管理者需从传统的进度、资源管控，转向对“人机协作”的统筹，实现任务分工精细化、ROI核算动态化。

☆助力医院AI工具建设与场景落地

在医疗数字化转型中，药企正成为医院AI工具建设的重要协同者。通过深度对接临床需求、联合开发迭代、破解技术痛点，药企与医院共同推动AI工具从实验室走向临床场景，最终实现对医生的精准赋能与医疗效率的提升。

院企协同开发，实现从临床需求到工具落地全流程共建。药企助力医院AI工具建设的核心，在于以临床需求为起点，与医生共同完成从开发到优化的全流程。鲜翾说，“我们帮医院的医生搭建AI工具，为其工作赋能。比如说针对孕期的妈妈如何用药的场景，我们的技术团队完成AI原型（demo）搭建，医生持续输入临床高频问题（如孕期合并高血压的用药选择、药物致畸风险评估等），验证工具回答的专业性并沉淀标准化答案；我们的技术团队则通过提示工程（prompt engineering）和小范围参数调整迭代模型，目标是将回答准确率提升至85%以上。这一过程中，医生的临床经验与药企的技术能力形成互补，让工具更贴合实际诊疗场景。”

聚焦高频场景，瞄准医生最迫切的“效率痛点”。AI工具的开发始终锚定医生临床工作中的高频需求场景，直击信息繁杂、记忆负荷大等痛点。如罕见病病因复杂、病例分散，医生常面临“信息碎片化”难题。鲜翾表示：“AI工具能整合全球罕见病研究文献、病例数据、用药经验，可快速响应患者精细化咨询（如某罕见遗传病的药物选择与剂量调整），辅助医生做出更精准的判断。这些场景均因“信息密度高、专业性强、标准化需求迫切”而成为AI工具的最佳落脚点，最终实现医生效率与诊疗质量的双重提升。”

破解“幻觉”难题，以标准化测试筑牢可靠性根基。AI模型的幻觉（生成错误信息）是临床应用的最大障碍，而药企通过建立场景化测试体系，为工具可靠性提供保障。鲜翾解释道，其核心逻辑是每个应用场景构建专属测试集，如同大模型发布前的基准测试——当有新模型宣称功能升级时，通过测试集验证其回答准确性，且需由临床医生和药学专家共同判断。这种跨界验证虽需协调临床与技术团队的认知差异，但从根本上避免了错误信息对诊疗的干扰，为工具落地扫清了关键障碍。

这些生动的实践，只是医药行业AI应用的冰山一角，背后蕴藏着的巨大潜力，正等待我们进一步挖掘与探索。

来源：数据猿