2025-2026年全球医药算力采购与AI需求深度研究报告：在生成式生物学时代的“戴维斯双杀”风险与机遇

执行摘要

全球制药行业正处于一个历史性的拐点，生物科学与高性能计算（HPC）的融合正在从根本上重构药物发现的底层经济逻辑。本报告深入剖析了2025年全球主要制药企业对于人工智能（AI）算力资源——特别是图形处理单元（GPU）和令牌（Token）消费——的采购策略，并对2026年的需求轨迹进行了前瞻性预测。

本报告的核心论点聚焦于投资界最为关注的博弈：行业是即将迎来通过AI效率提升带来的利润率扩张与估值重估的“戴维斯双击”（Davis Double Play），还是面临基础设施成本飙升挤压利润、同时市场对AI产出失望导致估值收缩的“戴维斯双杀”（Davis Double Kill）。

2025年的数据表明，行业已从试点阶段迈向工业化规模的“AI工厂”建设。采购策略已从通用的云资源租赁转向构建拥有数据主权的专用基础设施。以礼来（Eli Lilly）部署包含逾千张Nvidia B300 GPU的DGX SuperPOD 1 和阿斯利康（AstraZeneca）在抗体语言模型上的巨额投入 3 为代表，头部药企正在进行军备竞赛。

虽然算力的资本支出（CapEx）和运营支出（OpEx）对自由现金流造成了短期压力，但生成式生物学的Token消耗率正以每6-12个月翻一番的速度增长 5，预示着2026年将出现巨大且缺乏弹性的刚性需求。

然而，深入的财务分析揭示了显著的下行风险。“戴维斯双杀”并非危言耸听。华尔街分析师正日益严苛地审视AI支出的投入资本回报率（ROIC），指出算力成本具有通胀属性，而受支付方压力和《通胀削减法案》（IRA）影响，药品定价权却面临通缩压力 6。此外，受美国《生物安全法案》（Biosecure Act）驱动的数据供应链地缘政治割裂，正迫使企业进行昂贵的基础设施重复建设，对全球研发生态征收了事实上的“主权税” 8。

第一章 2025年全球医药算力采购全景：从“实验”到“工厂”的资本开支跃迁

2025年，全球制药行业的算力采购已不再是IT部门的战术性预算，而是上升为董事会层面的战略资本分配优先级。这一转变的标志是“算力”定义的重写、采购规模的指数级跃升，以及部署模式的根本性变革。不再满足于通用的公共云实例，顶级制药公司正在竞相锁定媲美国家实验室级别的高性能计算（HPC）资产。

1.1 “AI工厂”的崛起：制药行业的垂直整合新范式

2025年最决定性的趋势是“AI工厂”（AI Factory）概念在制药领域的落地。这不仅仅是数据中心的概念升级，而是研发模式的物理具象化——从传统的“湿实验室主导”转向“计算主导、湿实验验证”的闭环架构。这种架构要求算力不仅用于数据分析，更要用于大规模、连续的假设生成。

礼来（Eli Lilly）：垂直整合者的“算力护城河”

礼来已成为这一领域的“垂直整合者”（Vertical Integrator）原型 10。2025年10月，该公司宣布与Nvidia合作，构建制药行业最强大的AI超级计算机。这套系统不仅是简单的硬件堆叠，而是为了驱动一个完整的“AI工厂”，管理从数据摄入到高通量推理的全生命周期 1。

硬件规格与战略意图： 该系统部署了超过1,000张Nvidia Blackwell（B300）GPU，这是全球首个在制药企业内部部署的Nvidia DGX SuperPOD系统 1。其算力规模不仅用于处理公开文献，更核心的是为了利用礼来内部的“负面数据”（Negative Data）——即过去150年中数百万次失败实验的数据。
竞争逻辑： 礼来的战略逻辑在于，公开的AI模型（如GPT-4或基础的BioNeMo）主要基于发表的成功案例（阳性数据）训练，而真正的预测能力往往源于对失败的理解。通过拥有专有的算力基础设施，礼来能够在内部训练私有模型，预测分子的失败概率，从而建立起其他依赖公共模型的竞争对手无法复制的“计算护城河” 10。此外，B300架构相比H100在单位能耗下的Token吞吐量提升，表明礼来正在为极其复杂的代理体（Agentic）AI工作流做准备，这种工作流需要极高的推理密度 11。

阿斯利康（AstraZeneca）：生态编排者的“混合算力”

与礼来的重资产模式不同，阿斯利康采取了“网络化”（Networker）的策略，但这并不意味着其算力需求较小，而是采购形式更为多元化 10。

基因组与抗体计算： 阿斯利康的目标是在2026年前分析多达200万个基因组 12，这需要惊人的数据处理能力。同时，其在抗体药物研发上投入巨大，这涉及到对抗体序列空间的深度搜索。抗体语言模型（Antibody Language Models）的训练和推理消耗的算力远超小分子药物，因为抗体是大分子，结构预测的自由度呈指数级增加 4。
采购模式： 阿斯利康通过与Algen Biotechnologies签署5.55亿美元的协议，间接采购了特定的AI算力能力 3。这种模式下，算力成本部分内化于里程碑付款和特许权使用费中，但在其内部，为了支持与谷歌云（Google Cloud）和AWS的深度合作，其用于API调用和模型微调的Token采购量正在呈指数级增长。

1.2 硬件架构迭代：从Hopper到Blackwell的代际跨越

2025年的采购周期标志着从Nvidia Hopper（H100）架构向Blackwell（B200/B300）架构的全面过渡。这一过渡并非单纯的性能升级，而是由生成式生物学模型的特殊物理属性决定的。

关键指标	Nvidia H100 (Hopper)	Nvidia B300 (Blackwell)	对制药研发的具体影响
推理性能	基准线	~30倍于 H100	使“实时”筛选数亿分子成为可能，将周级任务压缩至分钟级 11。
能效比	10 焦耳/Token	0.4 焦耳/Token	对于需要连续运行生成循环的药企，这是降低运营成本（OpEx）的关键，直接关系到AI工厂的经济可行性 11。
显存带宽	3.35 TB/s	8 TB/s	蛋白质语言模型（PLM）极其依赖内存带宽。更高的带宽允许更大的上下文窗口，即模型能一次性“读懂”更复杂的蛋白质复合物 13。
集群互联	NVLink	NVLink Switch	允许构建数万卡规模的集群，使其作为一个整体运行，这对于训练全细胞模拟（Digital Twin）模型至关重要 1。

不仅是算力，更是内存带宽的战争：生成式生物学模型不仅是计算密集型的，更是内存带宽密集型的。传统的生物信息学任务（如序列比对）对CPU要求高，而深度学习驱动的蛋白质折叠（如AlphaFold 3）则受限于GPU显存。Blackwell架构的HBM3e高带宽内存正好解决了这一瓶颈。Nvidia指出，Blackwell的能效提升将每Token的能耗降低了25倍 11，这对于那些计划在2026年部署全天候运行的“AI代理”（AI Agents）的制药公司来说，是防止电费账单失控的唯一途径。

1.3 云端与本地（On-Prem）的博弈：新云（Neoclouds）的崛起

在2025年的采购版图中，传统的“公有云 vs 本地部署”二元对立已经演变为更复杂的生态系统。除了AWS、Azure和Google Cloud这三大“超大规模云厂商”（Hyperscalers），专注于AI算力的“新云厂商”（Neoclouds）如CoreWeave、Lambda和Nebius正在制药领域攻城略地 14。

新云厂商的价值主张

对于生物技术公司而言，新云厂商提供了两个核心价值：

稀缺硬件的即时可得性： 在AWS和Azure上，最新的H100/B200集群往往需要排队等候，且优先供给大模型公司。而CoreWeave等厂商囤积了大量GPU库存，能够为药企提供“裸金属”级别的即时访问 15。
针对AI优化的成本结构： 相比于通用云复杂的虚拟化开销，新云厂商提供针对AI训练优化的极简架构，对于需要进行数周高强度模型训练的“爆发式”需求，其性价比往往更高。

混合架构与数据主权回归

尽管云端算力在增长，但“数据回流”（Repatriation）的趋势在2025年同样明显。受制于日益严苛的数据主权法规（如GDPR、美国生物安全法案），制药公司正在将核心IP数据（如化合物库结构、临床前试验数据）从公有云迁移回私有云或本地数据中心。Forrester预测，到2026年，15%的企业将寻求在私有云上构建“私有AI”（Private AI），以规避数据被用于训练公共模型的风险 14。这意味着制药公司的采购清单中，除了云端Token，还将包含大量的本地服务器和存储设备，导致总拥有成本（TCO）的上升。

第二章生成式生物学的经济学：Token、推理成本与研发结构的重构

随着生成式AI的深度整合，制药研发的计量单位正在发生根本性变化。传统的“湿实验工时”或“全职员工（FTE）成本”正在被“Token消耗量”和“推理成本”所补充甚至替代。2025年，行业正处于从资本密集型的实体实验模型向运营支出密集型的计算模型过渡的阵痛期。

2.1 Token经济学：通胀还是通缩？

要理解AI对药企财务报表的影响，必须区分计算支出的两个阶段：训练（Training）与推理（Inference）。

训练成本：巨额的沉没资本

训练一个领域特定的基础模型（如专有的蛋白质语言模型或化学结构生成器）是一次性的大额资本支出事件。

量级： 在2025年，从头训练一个最先进的生物学基础模型的算力成本通常在5000万至1亿美元之间，这还不包括数据清洗和顶尖人才的薪酬 16。
财务处理： 这些成本通常被资本化，作为无形资产摊销，因此不会立即冲击当期利润表。这符合“戴维斯双击”的逻辑，即通过投资构建长期资产。
趋势： 虽然前沿模型的训练成本在上升，但微调（Fine-tuning）现有模型（如Llama 3或BioNeMo）的成本在下降。大多数药企并非从零开始，而是基于Nvidia BioNeMo等平台进行微调 17，这大大降低了技术门槛，使得中型生物技术公司也能参与竞赛。

推理成本：研发的“可变税”

推理——即使用模型生成预测或设计分子——是主要的可变成本来源。这是“Token消耗”这一指标变得至关重要的地方。

Token爆炸： 2025年，制药公司开始部署“代理体AI”（Agentic AI）。与简单的人机对话不同，代理体系统在接到“设计一个针对靶点X的结合剂”指令后，会自主进行文献搜索、假设生成、多参数优化循环。单次药物设计任务可能触发代理体生成数百万个“思维链”Token 18。
成本动态： 尽管芯片效率提升使得单位Token的成本下降（0.4焦耳/Token 11），但Token的总量呈指数级增长。这类似于杰文斯悖论（Jevons Paradox）：随着照明成本下降，我们并没有节省电费，而是点亮了更多地方。同样，随着生物推理变得便宜，药企并不是减少算力支出，而是将筛选范围从数千个分子扩大到数十亿个。
财务影响： 这导致了运营支出（OpEx）的膨胀。例如，Recursion Pharmaceuticals报告其营收成本和研发费用显著增加，部分原因正是其“Phenomaps”平台和整合Exscientia自动化化学带来的巨大计算强度 19。

2.2 湿实验与干实验（In Silico）的替代经济学

AI在制药领域的核心经济承诺是替代效应：用廉价、快速的数字模拟替代昂贵、缓慢的湿实验。

成本套利分析

湿实验： 传统的高通量筛选（HTS）活动可能测试100万个化合物，每个孔（well）的成本在0.10美元到1.00美元之间，且耗时数月。
干实验（In Silico）： 使用BioNeMo等平台进行的虚拟筛选，每个化合物的推理成本仅为微美分级别，且可在数天内完成 17。
AlphaFold 3案例： 运行复杂的结构预测（如AlphaFold 3）虽然计算密集，但仍具有巨大的成本优势。案例研究显示，优化的HPC策略可将成本降低67% 22。更关键的是，通过实验确定一个蛋白质结构（如冷冻电镜Cryo-EM）成本超过5000美元，而AI预测成本低于5美元。

“实验室在环”（Lab-in-the-Loop）的成本现实

然而，2025年的数据表明，AI并没有完全取代湿实验，而是改变了其功能。

从发现到验证： 在旧模式下，湿实验用于发现（盲筛）。在新模式下（如Sanofi、Recursion），湿实验用于验证（测试AI的预测）和数据生成（为AI提供训练素材） 10。
双重成本结构： 目前，企业不得不承担双重成本。他们既要建设昂贵的AI工厂（算力），又要维持甚至扩大自动化湿实验室（机器人）来喂养AI。案例： Recursion的商业模式依赖于通过大规模湿实验生成PB级的生物图像数据来训练模型 24。
风险： 除非AI的准确度达到极高水平，能够几乎完全跳过湿实验（实现“零样本”预测），否则行业将在短期内面临利润率下降的压力。因为企业叠加了新的IT成本，却尚未完全剥离旧的实验成本。这为“戴维斯双杀”提供了基本面依据——成本上升先于效率变现。

2.3 ROI的审视：来自资本市场的质疑

投资者和CFO们开始对缺乏有形回报的“AI溢价”表示怀疑。

投资规模： 行业正在向AI投入数千亿美元（高盛估计到2026年全球科技资本支出超5000亿美元，其中医疗占重要比例） 25。
回报滞后： 尽管AI能加速靶点发现，但临床试验（1-3期）的物理时间依然漫长。有形的回报（获批药物）具有滞后性。
高盛的警告： 高盛分析师Jim Covello发出警告：“支出太多，收益太少”（Too much spend, too little benefit） 26。如果AI仅仅是以6倍的成本（昂贵的GPU和人才）来加速模型更新，而不能解决根本的生物学难题，那么其价值主张就是失败的。
利润率压力： 德勤2025年的调查显示，尽管AI投资在增加，但许多企业的ROI依然“难以捉摸” 27。企业发现，AI的“最后一公里”——系统集成、变革管理和监管合规——比购买GPU本身要昂贵得多。

第三章临床验证的真相：AI药物研发的“成功率”迷雾与信任缺口

“戴维斯双击”的财务逻辑——即AI将推动估值倍数重估——完全通过一个核心假设来支撑：AI能够显著提高临床试验的成功概率（PoS）。如果AI设计的药物在临床阶段的失败率与传统药物无异，那么数十亿美元的算力投入不过是一种昂贵的“快速失败”（Fail Fast）手段。2025年，行业积累了足够的临床数据，开始通过事实检验这一假设。

3.1 “80-90%成功率”神话的解构

2024至2025年间，一个被广泛引用的统计数据是：AI发现的分子的I期临床成功率高达80-90%，而历史平均水平仅为40-65% 28。这一数据经常被用来为“AI优先”生物技术公司的高估值辩护。

多头观点

理化性质优化： AI模型（如生成化学模型）非常擅长优化分子的物理化学性质——溶解度、渗透性、代谢稳定性。这些正是导致药物在I期（主要测试安全性/药代动力学）失败的主要原因。因此，AI药物更易通过I期不仅符合逻辑，也被数据所证实。
资本效率： 更快、更少失败地通过I期本身就节省了大量资本。这支持了提高研发效率和扩张利润率的论点。

空头反击：II期临床的“死亡之谷”

安全不等于有效： 通过I期仅仅证明药物是安全的，并不证明它有效。药物开发的真正杀手是II期临床（有效性验证）。
数据现实： 最近的分析表明，AI设计的分子在II期临床的成功率并没有显示出统计学上的显著提升 30。
根本原因： 瓶颈在于生物学，而非化学。AI可以设计出一把完美的钥匙（分子）来打开一把锁（靶点），但如果这把锁本身选错了（错误的疾病靶点），药物依然会失败。当前的AI模型在化学结构生成上已臻化境，但在理解复杂的疾病因果生物学方面仍显稚嫩。
结论： 高I期成功率可能制造了一个“假阳性”信号，在早期推高估值，却在II期面临剧烈的估值修正。这种动态加剧了AI生物科技股的波动性。

3.2 高调的临床挫折：2024-2025年的“现实检验”

几次备受瞩目的失败打击了市场的狂热情绪，为“戴维斯双杀”场景提供了弹药。

BenevolentAI (BEN-2293)失败案例

其用于治疗特应性皮炎的局部泛Trk抑制剂BEN-2293在II期临床未能达到次要疗效终点 32。

影响： 这次失败导致公司裁员30%并进行战略重组。它证明即使是复杂的“知识图谱”AI平台也无法保证生物学上的有效性。
市场教训： AI无法消除基础生物学的不确定性。市场通过压缩估值倍数来惩罚这一现实，预演了“双杀”的一条腿。

Recursion (REC-994)失败案例

2025年5月，Recursion因长期数据未能确认疗效趋势，停止了其治疗脑海绵状血管畸形的主要候选药物REC-994的开发 33。

象征意义： Recursion是“工业化发现”的典型代表 10。其主要资产的失败质疑了“更多数据=更好药物”这一核心前提。
细微差别： 虽然Recursion辩称REC-994是早期资产，不能完全代表其更新后的“Phenomap”平台，但投资者对“这次不一样”的叙事已变得警惕。

Exscientia的合并事件

作为首个将AI设计药物推向临床的公司，Exscientia最终与Recursion合并，交易价值约6.88亿美元 34。

解读： 尽管官方宣称为强强联合，但市场普遍将其视为一种防御性整合。Exscientia此前曾面临管线优先级调整和成本削减 36。这表明，如果没有重磅商业化药物的支撑，纯粹的AI平台公司难以独立生存。

3.3 “计算机模拟”（In Silico）临床试验：真正的通缩力量？

尽管分子发现AI面临挑战，但临床执行AI（优化试验本身）正在交付实实在在的、具有通缩效应的价值。

市场增长： 计算机模拟临床试验市场预计到2033年将达到63.9亿美元 37。
机制： 企业利用患者的“数字孪生”（Digital Twins）来模拟对照组。这意味着招募更少的真实患者用于安慰剂组。
ROI： 这直接降低了试验成本（患者招募是最大的成本驱动因素）。安进（Amgen）报告称，利用AI工具将临床试验招募速度提高了一倍 38。
监管背书： FDA和EMA日益接受这种方法用于剂量优化和合成对照组 39。这是一个改变游戏规则的因素，允许更小、更快、更便宜的试验。
财务含义： 这是支持“戴维斯双击”的最强论据。如果AI能将III期临床（最昂贵的阶段）成本降低20-30%，对研发利润率的影响是巨大且立竿见影的，这比投机性的药物发现收益更具确定性。

第四章地缘政治与数据主权：生物安全法案下的算力与数据供应链断裂

2025年的算力采购格局不仅由技术决定，更受到日益割裂的地缘政治秩序的深刻重塑。中美技术竞争已延伸至生物技术领域，导致了基因组数据和AI基础设施的“分裂网”（Splinternet）。对于制药公司而言，这引入了一个高度通胀的新变量：主权成本。

4.1 美国《生物安全法案》（Biosecure Act）：结构性破坏

作为《国防授权法案》（NDAA）的一部分通过的美国《生物安全法案》，从根本上改变了全球研发供应链。该法案禁止获得美国联邦资金资助的实体与“受关注的生物技术公司”（明确点名药明康德WuXi AppTec、华大基因BGI、MGI等中国巨头）进行合作 9。

“药明康德缺口”与基础设施重复建设

药明康德历史上一直是生物技术领域的“世界工厂”，提供低成本、高质量的湿实验和数据服务。

影响： 西方药企无法再依赖这一高效的基础设施。它们必须将这些能力“回流”（Re-shore）或“友岸外包”（Friend-shore） 42。
脱钩成本： 替换药明康德的产能是资本密集型的。这需要在美国、欧洲或印度建设新的设施。对于资本支出（CapEx）而言，这是一个通胀因素。
AI的介入： 药明康德也是主要的数据生成者。这一数据流的切断造成了“数据真空”。企业正在通过投资国内的“AI工厂”和机器人实验室（如礼来的设施 1）来填补这一空白。这加速了向AI的转型（用西方算力替代中国劳动力），但也提高了短期成本基数。

数据集的二元分化

法案同样限制了基因数据的跨境传输。

中国的回应： 中国收紧了自己的数据出境法律。西方AI模型无法再利用中国患者的数据进行训练，反之亦然 43。
科学后果： 多样性对AI的鲁棒性至关重要。仅在西方基因组上训练的模型可能在亚洲人群中表现不佳。这迫使跨国药企训练两个独立的基础模型：一个针对西方市场，一个针对中国市场。
财务后果： 这是效率低下的定义。它使全球药企在两个市场上运营的训练成本（算力、数据清洗）翻倍。这相当于对研发利润率征收了一笔“主权税”。

4.2 数据主权与“新云”的区域化

将数据保留在特定司法管辖区内的需求正在重塑云采购策略。

主权云的崛起： 欧盟AI法案与GDPR：欧洲正在强制执行严格的数据驻留规定。这推动了对“主权云”（Sovereign Clouds）的需求——即物理上位于欧盟境内并由欧盟实体运营的基础设施 14。
私有AI： 为了降低数据泄露或监管违规的风险，药企越来越多地将工作负载从公有云撤回至私有AI基础设施 14。这允许它们运行“物理隔离”（air-gapped）的模型。
战略风险： 纯粹依赖美国超大规模云厂商（AWS/Azure）被欧洲和亚洲政府视为一种风险。我们正在目睹云市场的“巴尔干化”。

4.3 供应链脆弱性：作为战略资产的GPU

H100/Blackwell GPU本身的供应也受到地缘政治风险的影响。

出口管制： 美国限制向中国出口高端芯片。这意味着西方药企和中国药企之间的“AI能力差距”将扩大。
竞争优势： 西方药企（礼来、辉瑞）拥有获取最佳硬件（Nvidia B300）的不受限途径。中国竞争对手必须依赖国产芯片（如华为Ascend），其性能目前仍有差距 13。
长期视角： 这可能赋予西方药企暂时的“计算护城河”，支持欧美制药公司的估值溢价（戴维斯双击的潜在动力）。然而，这也激励中国加速其芯片研发，可能导致到2030年出现技术路线的分化 45。

第五章 2026年展望：代理体（Agentic）AI时代的指数级需求爆发

展望2026年，制药行业的算力需求预计将经历一次“相变”。我们将从2023-2024年的实验阶段和2025年的建设阶段，迈入2026年的代理体阶段。这一转变将推动Token和推理算力需求的超指数级增长。

5.1 需求曲线：超指数级增长

行业分析师和技术专家的共识是，生物技术领域的AI算力需求正在超过供给。

倍增率： 生物技术的算力需求每6-12个月翻一番 5。
预测： 到2026年，用于生物推理的Token处理量将比2025年增加十倍 46。

驱动因素

代理体AI（Agentic AI）： 如前所述，代理体在连续循环中运行。一个“设计代理体”不仅输出一个答案，还会自我批判、迭代和精炼，为每个单次的人类查询消耗数千个Token 18。
多模态模型： 模型正在超越单一的文本或蛋白质结构。2026年的模型将把基因组学、蛋白质组学、影像学和临床文本整合到单一的“大型定量模型”（Large Quantitative Models）中 47。这些模型的规模和计算强度将高出几个数量级。
数字孪生： 用于计算机模拟试验的全尺寸患者数字孪生部署 48 将需要持续的模拟，推动高性能集群的持续高负载运行。

5.2 从“发现”向“生成性设计”的范式转移

到2026年，行业将坚定地从“发现”（寻找已存在之物）转向“设计”（工程化所需之物）。

Nvidia的预测： Nvidia高管预测，到2026年，“药物发现和设计AI工厂将消耗所有湿实验数据……使行业从发现过程转变为设计和工程过程” 49。
含义： 这改变了算力采购的性质。
- 从突发到基载： 公司不再是为了特定的筛选活动而“突发”使用算力，而是运行“基载”算力来驱动连续的设计引擎。
- 推理主导： 支出将从训练（构建模型）转向推理（使用模型）。这有利于Blackwell架构（低能耗/Token），而非Hopper架构。

5.3 基础设施约束：“电力墙”

2026年的限制因素将不再是芯片，而是电力。

电力紧缩： 随着全球AI数据中心需求达到200吉瓦（GW） 34，药企将与大型科技公司争夺电力容量。
成本影响： 我们预计数据中心的电力成本将上升，从而推高云服务价格。
战略优势： 那些锁定了长期购电协议（PPA）或在能源丰富地区（如拥有北欧水电资源的诺和诺德）建设基础设施的公司，将拥有结构性的成本优势。

第六章财务分析：戴维斯双击还是双杀？

本章将技术和运营分析综合为一个财务框架，直接回应核心问题：我们面临的是戴维斯双击（估值 $\uparrow$ ，盈利 $\uparrow$ ）还是戴维斯双杀（估值 $\downarrow$ ，盈利 $\downarrow$ ）？

6.1 “戴维斯双击”的机制

要实现双击，必须满足两个条件：

盈利增长（EPS $\uparrow$ ）： AI必须通过研发效率的提升真正驱动利润率扩张。
倍数扩张（P/E $\uparrow$ ）： 市场必须将制药行业视为“成长型科技”行业，而非“价值型”行业。

多头情景：效率收益： 如果AI能将临床试验成本降低25-50% 50，并将发现时间缩短50% 51，研发利润率将显著扩大。
科技股般的倍数： 表现优异者（如礼来、诺和诺德）的市盈率已与其传统同行（如辉瑞）脱钩，交易倍数显著提升 52。这表明市场已经在定价“AI溢价”。
可防御的护城河： 拥有“AI工厂”和专有数据（礼来）的公司被视为拥有可防御的护城河，证明其享有类似大型科技公司的“质量溢价”。

6.2 “戴维斯双杀”的机制

双杀情景是AI转型破坏价值的风险所在。

条件1：利润率压缩（EPS $\downarrow$ ）

“资本开支陷阱”： 建设AI工厂极其昂贵。如果这些成本（折旧+运营支出）叠加在现有的湿实验成本之上（即处于“双重成本”时期），2025-2026年的利润率将受到压缩。
通缩性定价（“技术通缩”效应）： 这是最深刻的风险。技术本质上是通缩的。如果AI使药物发现变得“容易”和“便宜”，新分子的稀缺性价值就会下降。
支付方压力： 卫生技术评估（HTA）机构（如ICER）和支付方（通过IRA谈判）将利用研发成本下降的事实作为理由，要求降低药品报销价格：“既然你们用AI把开发成本减半了，我们就应该支付一半的价格” 53。
结果： 效率收益被消费者（支付方）而非股东攫取。收入下降，而固定成本（AI基础设施）居高不下。

条件2：倍数收缩（P/E $\downarrow$ ）

幻灭感： 如果备受瞩目的AI药物在II期临床失败（如Recursion/BenevolentAI案例所示），“AI溢价”将蒸发。市场会将制药板块重新评级回低增长倍数。
高盛的警告： “支出太多，收益太少”的叙事 26 表明，如果ROIC不能改善，投资者可能会对资本开支周期感到厌倦。

6.3 定量评估：2025-2026展望

估值分化： 目前行业呈两极分化。“AI赢家”（礼来、诺和诺德）的PE倍数超过30倍；“传统药企”（辉瑞、BMS）则低于15倍。
风险： “AI赢家”的定价反映了完美的预期（双击）。任何临床失误或利润率压缩都会触发剧烈的去评级。
结论： 对于高飞的“AI优先”生物技术公司和拥有未验证临床押注的“垂直整合者”，戴维斯双杀是一个重大风险。然而，对于“传统”玩家，风险更多在于被淘汰，而非估值崩塌（因为估值已经很低）。

6.4 “研发税”的现实

到2026年，AI算力很可能被视为一种强制性的经营成本（“研发税”），而非差异化因素。

类比： 就像电力或互联网没有永久性地提高全行业的利润率（竞争会抹平收益）一样，AI带来的效率提升很可能会被竞争所抵消，最终导致更低的药品价格和长期稳定的（而非扩张的）利润率。
赢家： AI药物趋势的终极赢家可能不是制药股，而是基础设施提供商（Nvidia, AWS, Neoclouds），他们出售“铲子”，无论临床成功与否，都能从资本开支周期中获取利润 13。

第七章结论与投资建议

本研究确认，2025年是AI算力资本部署极其激进的一年，其驱动力是将药物发现工业化的战略紧迫感。向“AI工厂”、Blackwell GPU和代理体工作流的转移是不可否认的事实。然而，“戴维斯双击”远非板上钉钉。该行业面临着强大的逆风：技术上的II期瓶颈、地缘政治上的生物安全法案成本、以及经济上的通缩性定价压力。

2026年最可能的结果是一个利润率波动期。同时运行湿实验和AI工厂的“双重成本”将拖累盈利，而估值中的“AI溢价”依然脆弱。

战略建议： 投资者应保持选择性。规避那些缺乏临床验证资产的“AI优先”纯生物技术公司（高“双杀”风险）。关注拥有资产负债表来度过高资本开支周期、并拥有专有数据以真正兑现生成式生物学承诺的“垂直整合者”（如礼来）。最安全的Alpha依然在于推动这场革命的算力基础设施提供商，它们处于价值链的上游，享受着行业刚性需求的红利。

来源：https://vestlab.beikee.org/