1.1 AI+创新药的定义与技术内涵
1.1.1 AI制药的基本定义
1.1.2 AI赋能药物研发的底层逻辑
1.1.3 AI+创新药与传统制药的本质区别
1.2 AI+创新药的核心技术特征
1.2.1 全链条赋能优势：从靶点发现到上市后研究的全流程渗透
1.2.2 效率革命优势：研发周期平均缩短1/3至1/2
1.2.3 降本增效优势：研发投入降低10%，综合研发成本降幅可达37.5%
1.2.4 成功率提升优势：总成功率由10%提升至14%
1.3 AI+创新药的战略价值
1.3.1 破解“双十定律”的核心钥匙
1.3.2 中国创新药“弯道超车”的战略支点
1.3.3 生物医药产业新质生产力的核心引擎
1.4 AI+创新药技术发展历程
1.4.1 全球技术演进：CADD（计算机辅助药物设计）→ AIDD（AI驱动药物设计）→ 生成式AI制药
1.4.2 关键里程碑：AlphaFold2蛋白质结构预测突破→ 首个AI设计药物进入临床→ AI制药企业集中上市
1.4.3 中国技术发展路径：高校院所基础研究→创业公司涌现→商业化验证加速
1.5 本报告数据来源及研究方法
1.5.1 本报告数据来源
1.5.2 本报告研究方法

2.1 行业监管体系及机构职能
2.1.1 监管体系（药品监管与AI技术监管的交叉领域）
2.1.2 核心监管机构（国家药监局、工信部、科技部）
2.2 AI+创新药行业标准建设
2.2.1 国际标准参与与对标
2.2.2 国内标准研制现状（算法性能测试方法等国家标准及行业标准）
2.2.3 数据标准与模型验证标准瓶颈
2.3 行业主要政策规划汇总及解读
2.3.1 《“人工智能+制造”专项行动实施意见》对AI制药的专项部署
2.3.2 《医药工业数智化转型实施方案（2025—2030年）》
2.3.3 “十五五”规划对生物医药与AI融合的顶层设计
2.3.4 地方层面配套政策（北京、上海、深圳等）
2.4 政策影响分析
2.4.1 政策引导下的产业化拐点
2.4.2 算力补贴与平台建设支持（如“训力券”）
2.4.3 当前政策体系的短板与完善方向

3.1 成本结构拆解：从“高投入长周期”到“高效率低成本”的范式转变
3.1.1 传统创新药研发成本构成（靶点发现→临床前→临床Ⅰ/Ⅱ/Ⅲ期→上市）
3.1.2 各环节AI介入前后的成本对比
3.1.3 关键量化对比：传统研发需6-7年、投入超4亿美元（临床研究阶段）；AI优化后可压缩至2.4-3.5年
3.2 中长期降本路径：全链条AI渗透与自动化
3.2.1 靶点发现与验证阶段的AI降本效应
3.2.2 临床前研究的AI加速（候选化合物筛选周期从6个月缩短至2周）
3.2.3 临床试验优化的成本节约（全球每年节约临床试验费用280亿美元）
3.2.4 “干湿闭环”自动化实验平台的降本逻辑
3.3 隐形成本与价值对冲
3.3.1 AI制药特有的成本项
（1）算力基础设施投入成本
（2）高质量数据获取与标注成本
（3）跨学科人才团队建设成本
3.3.2 成本对冲：对传统研发模式的替代价值
（1）降低试错成本
（2）提高研发成功率带来的机会成本节约
3.4 AI+创新药成本研究小结

4.1 中国AI+创新药行业发展历程
4.1.1 学术探索期（2015年以前） ：高校院所基础研究阶段
4.1.2 创业萌芽期（2016-2020） ：首批AI制药公司成立
4.1.3 技术验证爆发期（2021-2024） ：AlphaFold2突破带动行业热度
4.1.4 商业化验证期（2025至今） ：从概念验证向商业化兑现转变
4.2 行业运行现状
4.2.1 企业数量与分布
4.2.2 产业发展阶段：从技术验证向规模化应用跨越
4.2.3 产业发展核心痛点
4.2.4 投融资动态
4.2.5 行业发展驱动因素（政策托举、技术突破、市场需求）
4.3 市场规模与在研管线情况
4.3.1 全球AI制药市场规模
4.3.2 中国AI制药市场规模
4.3.3 AI设计药物临床管线进展（全球首个AI设计药物进入临床Ⅲ期）
4.4 中国AI+创新药主要玩家及产品/平台谱系调查
4.4.1 AI+Biotech代表（英矽智能、剂泰科技等）
4.4.2 AI+CRO代表（晶泰科技、深度智耀等）
4.4.3 AI+SaaS代表（提供AI工具平台的厂商）
4.4.4 传统药企转型代表（恒瑞医药、石药集团等）
4.4.5 互联网科技巨头布局（腾讯、字节跳动等）
4.5 行业竞争格局调查
4.5.1 市场份额与订单获取情况
4.5.2 技术梯队划分（AI平台能力、管线进度、商业化能力）
4.5.3 竞争态势演变（从技术概念比拼转向商业化交付能力比拼）
4.6 中国AI+创新药产业链分析
4.6.1 中国AI+创新药产业链全景图
4.6.2 中国AI+创新药产业链成熟度
4.6.3 中国AI+创新药价值链分布
4.7 AI+创新药行业现状调查小结

5.1 算力基础设施
5.1.1 GPU集群与AI算力平台现状与主要玩家
5.1.2 云计算平台（阿里云、腾讯云、华为云等）在AI制药领域的赋能
5.1.3 量子计算与高性能计算在药物研发中的应用前景
5.2 数据资源
5.2.1 基因组数据与多组学数据
5.2.2 蛋白质结构数据库（AlphaFold预测结构、PDB等）
5.2.3 化学分子库与化合物数据库
5.2.4 临床试验数据与真实世界数据
5.3 算法与模型技术
5.3.1 蛋白质结构预测模型（AlphaFold系列等）
5.3.2 生成式AI模型在分子设计中的应用（ChatGPT延伸至分子设计）
5.3.3 深度学习与强化学习在药物发现中的应用
5.3.4 多模态大模型与药效预测
5.4 上游关键挑战
5.4.1 高质量生物医学数据的获取与标准化
5.4.2 算力成本高企与资源获取门槛
5.4.3 模型在复杂生物体系中的泛化能力验证
5.5 上游产业链研究总结

6.1 AI制药平台的总体架构与发展现状
6.1.1 平台化技术栈的发展现状（靶点发现→虚拟筛选→分子生成→ADMET预测→自动化合成）
6.1.2 主要AI制药平台对比（Pharma.AI、XtalPi平台等）
6.2 靶点发现与验证分系统
6.2.1 AI驱动靶点发现的发展现状
6.2.2 主要玩家与技术壁垒
6.3 化合物设计与虚拟筛选分系统
6.3.1 基于结构的药物设计（SBDD）vs 基于配体的药物设计（LBDD）
6.3.2 生成式AI在全新分子设计中的应用
6.4 临床前优化与ADMET预测
6.4.1 AI在药代动力学与毒理学预测中的应用
6.4.2 “干湿闭环”验证体系建设
6.5 中游产业发展关键挑战
6.5.1 AI预测结果与湿实验验证的差距
6.5.2 平台泛化能力与跨靶点迁移能力
6.5.3 知识产权保护与数据安全问题
6.6 中游产业链研究总结

7.1 AI赋能临床试验设计
7.1.1 临床试验方案优化（数字孪生技术辅助方案设计）
7.1.2 受试者精准招募（准确率从25%提升至85%）
7.1.3 临床试验数据管理与监查
7.2 AI+CRO服务模式
7.2.1 AI+CRO商业模式演进
7.2.2 主要玩家与服务能力对比
7.3 AI在监管申报与合规中的应用
7.3.1 AI辅助IND/NDA申报文件准备
7.3.2 监管科学中的AI应用
7.4 中游产业链发展关键挑战
7.4.1 临床阶段的AI验证难度
7.4.2 监管机构对AI辅助数据的接受度
7.5 中游产业链研究总结

8.1 小分子创新药的AI研发
8.1.1 AI在小分子药物发现中的核心价值
8.1.2 主要玩家与典型案例（英矽智能Rentosertib等）
8.2 大分子药物（抗体、蛋白）的AI设计
8.2.1 AI在抗体发现与优化中的应用
8.2.2 主要玩家与典型案例
8.3 新一代疗法领域的AI应用
8.3.1 AI+基因治疗（AAV衣壳改造等）
8.3.2 AI+细胞治疗
8.3.3 AI+蛋白降解剂（PROTAC等）
8.4 主要玩家与典型案例
8.4.1 主要玩家
8.4.2 典型案例（全球首个AI设计药物进入Ⅲ期临床等）
8.5 市场空间与商业模式
8.5.1 AI+创新药自主研发的商业模式（自研管线、对外授权、合作开发）
8.5.2 2026-2031年AI驱动创新药市场规模测算
8.6 AI+创新药在自主研发领域应用研究小结

9.1 药物重定位的临床需求与市场价值
9.2 AI驱动药物重定位的技术路径
9.2.1 基于网络靶标理论的药物-疾病关系预测
9.2.2 基于结构预测的药物重定位策略
9.3 主要玩家与典型案例
9.4 市场空间与商业模式
9.4.1 AI药物重定位的商业模式
9.4.2 2026-2031年市场空间测算
9.5 AI+创新药在药物重定位领域应用研究小结

10.1 英矽智能概况
10.1.1 企业基本简介
10.1.2 发展历程（2014年成立→2025年港交所上市）
10.1.3 股权架构与历轮融资
10.2 组织架构与团队配置
10.2.1 创始人及核心团队背景
10.2.2 研发人员占比及专业分布
10.3 产品与服务体系
10.3.1 AI平台矩阵
（1）Pharma.AI生成式AI平台
（2）自动化高通量筛选平台
10.3.2 核心管线进展（PCC总数达28项，8个项目取得临床进展）
10.3.3 商业模式（软件授权、管线对外授权、自主研发）
10.4 核心技术突破
10.4.1 全球首个AI驱动药物Rentosertib的IIa期临床结果登上《自然·医学》
10.4.2 多领域管线布局与差异化优势
10.5 经营与市场地位
10.5.1 收入结构与业务板块（药物发现、管线开发、软件解决方案等）
10.5.2 BD合作累计签约总额近75亿美元
10.5.3 核心客户与合作伙伴（礼来等）
10.6 发展优势与经验借鉴
10.6.1 企业核心优势
（1）“AI平台+自研管线”双轮驱动模式
（2）全球首个实现临床阶段药效概念性验证的AI制药公司
（3）全链条AI赋能能力
10.6.2 成长路径复盘
10.6.3 对行业其他玩家的启示

11.1 行业发展趋势
11.1.1 技术趋势：多模态大模型融合、生成式AI深度渗透、干湿实验闭环自动化
11.1.2 产品趋势：从单环节工具向全链条平台演进
11.1.3 产业趋势：从垂直整合走向专业分工与生态协同
11.1.4 竞争趋势：头部集中与跨界整合加速
11.2 行业发展主要风险
11.2.1 技术转化不及预期风险（AI模型泛化能力验证）
11.2.2 数据质量与数据可得性风险
11.2.3 监管政策变化风险
11.2.4 商业化落地不及预期风险（多数企业尚未盈利）
11.3 2026-2031年市场空间测算
11.3.1 中国AI+创新药行业市场总体市场空间预测
11.3.2 中国AI+创新药行业细分市场空间测算

12.1 研究总结
12.1.1 市场特点总结（从概念验证到商业化兑现，从技术驱动到价值驱动）
12.1.2 技术趋势总结（多模态融合、生成式AI、全链条赋能）
12.1.3 企业格局总结（AI Biotech、AI CRO、传统药企、科技巨头四大梯队协同发展）
12.2 2026-2031年投资机会多维透视
12.2.1 市场痛点分析（数据壁垒、算力成本、验证周期、商业化路径）
12.2.2 行业爆发点分析（AI设计药物临床验证关键节点、BD合作加速期）
12.2.3 产业链投资机会
（1）上游：AI算力基础设施、高质量生物医学数据服务商
（2）中游：具备全栈平台能力的AI制药服务商
（3）下游：AI驱动的差异化创新药管线
12.2.4 新进入者投资机会（AI+新疗法、AI+药物递送、AI+监管科技）
12.3 产业发展策略与投资建议
12.3.1 强化高质量生物医学数据的建设与共享
12.3.2 推动AI制药行业标准与监管科学建设
12.3.3 鼓励“AI平台+自研管线+对外合作”多元商业模式创新
12.3.4 提升中国AI制药在全球创新网络中的话语权
12.4 产业发展壁垒
12.4.1 技术壁垒（AI模型精度、跨靶点泛化能力、干湿实验闭环）
12.4.2 数据壁垒（高质量标注数据的获取与标准化）
12.4.3 人才壁垒（AI+生物医药跨学科复合型团队）
12.4.4 资金壁垒（长期高研发投入与商业化周期长的矛盾）
12.4.5 监管壁垒（AI辅助数据的监管接受度与审评标准）

【附】中国AI+创新药行业重点企业推荐
13.1 晶泰控股有限公司
13.1.1 企业发展概况
13.1.2 产品与技术
13.1.3 商业模式
13.1.4 核心优劣势
13.2 剂泰科技(北京)股份有限公司
13.2.1 企业发展概况
13.2.2 产品与技术
13.2.3 融资与市场地位
13.2.4 核心优劣势
13.3 深度制耀（北京）科技股份有限公司
13.3.1 企业发展概况
13.3.2 产品与技术
13.3.3 融资进展
13.3.4 核心优劣势
13.4 北京深势科技股份有限公司
13.4.1 企业发展概况
13.4.2 产品与技术
13.4.3 融资进展
13.4.4 核心优劣势
13.5 华深智药科技（北京）有限公司
13.5.1 企业发展概况
13.5.2 产品与技术
13.5.3 合作进展
13.5.4 核心优劣势
13.6 水木未来（北京）科技有限公司
13.6.1 企业发展概况
13.6.2 产品与技术
13.6.3 市场定位
13.6.4 核心优劣势
13.7 西湖云谷智药（杭州）基因科技有限公司
13.7.1 企业发展概况
13.7.2 产品与技术
13.7.3 核心优劣势
13.8 深圳晶蛋生物医药科技有限公司
13.8.1 企业发展概况
13.8.2 产品与技术
13.8.3 核心优劣势
13.9 百曜（北京）科技有限公司
13.9.1 企业发展概况
13.9.2 产品与技术
13.9.3 核心优劣势
13.10 江苏恒瑞医药股份有限公司
13.10.1 企业发展概况
13.10.2 AI制药布局
13.10.3 核心优劣势