上海
AI制藥正在進入一個新的發展階段。
過去幾年，AI在生物醫藥領域的作用持續深化，應用范圍已從小分子篩選、結構預測、抗體和蛋白設計、RNA藥物與疫苗研發、自動化實驗等，延伸至臨床研究、CMC和藥企數智化等關鍵環節。
隨著應用場景不斷拓展，行業關注重點也在發生轉變。過去，AI制藥更多強調模型在單一任務中的表現，或工具在局部環節中的效率提升；如今，行業更期待的是，如何將分散在不同研發環節中的模型、工具、數據和實驗能力組織起來，形成貫穿疾病理解、分子設計、實驗反饋、開發轉化和跨環節協同的系統能力。也正是在這個意義上，AI制藥的下一階段，不應只是單點技術應用的深化，更應該是藥物研發體系本身的重新組織和產業價值實現。
這種重構，至少體現在以下8個趨勢中。
1
從“分子優化”前移到“疾病系統建?！?，AI正在重寫藥物研發的起點
過去，AI制藥的很多工作是圍繞相對確定的靶點展開：靶點給定之后，模型幫助篩選分子、生成分子、優化性質，再進入實驗驗證。近年來，這一路徑仍然重要，但AI的作用邊界正在向更前端延伸：它不僅幫助研究者在已知靶點上尋找更好的分子，也開始參與疾病機制理解、細胞狀態建模、臨床表型關聯、人體數據分析和原創靶點發現。
AIBC 2026中，相關議題把這種“研發起點前移”的脈絡呈現得更加清楚。例如：
Towards building a Virtual Cell World Model by AlphaCell（劉琦，同濟大學）
Linking spatial transcriptomics to clinical phenotypes through interpretable AI（段斌，上海交通大學）
多組學+AI，創新藥研發“經驗試錯”到“數據驅動”的范式變革（季序我，普瑞基準）
從解讀到編程：AI虛擬細胞構建及其在細胞命運調控中的應用（李鑫，中國科學院動物研究所）
人工智能驅動的靶標發現與新配體設計（朱峰，浙江大學）
構建人工智能藥物設計平臺加速新型靶標的確證與苗頭分子發現（卞月珉，上海大學）
AI科學家賦能原創靶標發現與驗證（鄭雙佳，上海交通大學/臨港實驗室）
AI+量子計算：找到下一個千億級 GLP 靶點的瑞士軍刀（李翛然，醫圖生科）
這些議題共同強化了一個判斷：新藥研發的核心問題，正在從“如何更快地找到候選藥物分子”，演進為“如何更早、更準確地理解疾病”。尤其在CNS、腫瘤、免疫等復雜疾病領域，傳統動物模型、單一組學數據或單個靶點假設，往往難以解釋真實人體中的疾病狀態和治療反應。AI的價值，正在于把臨床數據、多組學、空間轉錄組、細胞擾動和文獻證據組織起來，構建更接近真實生物系統的疾病模型。
對于藥企和科研團隊來說，這意味著AI不只是早研環節的效率工具，而可能成為源頭創新的新入口。誰能更早理解疾病，誰就可能更早定義新的靶點、新的機制和新的研發機會。
2
從“單模態建模”到“多模態、多尺度表示”，AI正在重組生物醫藥數據底座
藥物研發中的數據從來都不是單一形態的。它可能是分子結構、蛋白序列、三維構象、冷凍電鏡密度圖、質譜圖、轉錄組、空間組學、臨床表型，也可能是文獻、專利、實驗記錄和專家經驗。過去，這些數據往往分散在不同系統、不同學科和不同研發環節中，很難被統一理解和調用。
近年來，多模態、多尺度建模已成為AI制藥的重要方向；從AIBC 2026的相關議題看，這一趨勢正在進一步走向系統化和深入化。代表性議題包括：
Language models of biomedical sciences or language models for biomedical sciences（徐峻，中國科學院醫學技術研究所）
基于人工智能構建全自動冷凍電鏡結構解析（申懷宗，深圳醫學科學院）
細胞轉錄反應重塑分子表征空間用于高效和多尺度的藥物發現（裴劍鋒，北京大學/英飛智藥）
基于蛋白詞表的虛擬篩選方法（田博學，清華大學）
Advancing AI for Biomedical Discovery: Foundation Models, Agents, and Safeguards（張載熙，上海交通大學）
冷凍電鏡與AI在制藥研發中的應用（孔佑心，賽諾菲）
通曉化學語言，助力藥物分子的設計和優化（焦陽，達索系統）
SpectraAI: AI-Driven Molecular Identification and Discovery（夏俊，香港科技大學（廣州））
這背后反映的是：AI不再只是處理某一種數據，而是在更深層次上參與重建生物醫藥數據的表達方式。化學結構可以被理解為“化學語言”，蛋白質序列和結構可以被轉化為模型可學習的表示，冷凍電鏡和譜圖數據也可以成為結構解析、分子識別與機制推理的重要入口。
當不同模態、不同尺度的數據被統一組織起來，AI才有可能從“預測工具”進一步變成“推理系統”。未來AI制藥的競爭，不只是模型參數大小的競爭，更是數據表示能力、數據連接能力和跨尺度推理能力的競爭。
3
從黑箱模型到結構、物理與動力學融合，AI制藥進入機制約束階段
生成式模型、大語言模型和深度學習方法快速進入藥物研發，但行業也越來越清楚地意識到：藥物研發不是單純依靠黑箱模型就能解決的問題。蛋白質不是靜態的，分子結合也不是簡單的相似性匹配，構象變化、長程相互作用、蛋白柔性、溶劑效應、能量景觀和動力學過程，都會影響真實藥物分子的發現與優化。
因此，在本屆大會的相關議題中，一個被進一步強化的方向，是AI與結構生物學、物理模型、分子動力學、量子計算等方法的深度融合。代表性議題包括：
結構生物學中的計算問題：從算法到應用（馬劍鵬，復旦大學）
AI和物理深度融合的新藥發現軟件平臺DrugFlow的開發（侯廷軍，浙江大學/碳硅智慧）
ViSNet-PIMA：基于長程作用精確建模的生物分子性質計算與動力學模擬（王童，清華大學）
物理驅動的AI生物分子動力學的時序建模（劉子敬，粵港澳大灣區數字經濟研究院）
攻克難成藥靶點-AI重塑變構藥物研發（沈倩誠，宇道生物）
基于量子生成特征求解的大模型藥物分子精準設計（廖俊，中國藥科大學）
這說明，AI制藥的評價標準正在持續升級：不僅要“能生成”，還要“生成得合理、解釋得清楚、預測得更接近真實體系”。特別是在難成藥靶點、變構調控、蛋白-蛋白相互作用、膜蛋白和蛋白動態構象等復雜問題上，僅依靠數據驅動模型往往不夠，結構信息、物理規律和動力學約束正在成為提升模型可信度和可用性的關鍵。
對于關注技術深度的科研團隊和AI制藥公司來說，這一趨勢尤其重要。未來真正能夠形成壁壘的，不一定是單一模型，而是能否把AI、結構、物理、動力學和實驗驗證結合成一套更可靠的方法體系。
4
從小分子到多種藥物形態，AI正在成為通用分子設計語言
過去談AI制藥，很多人首先想到的是小分子AIDD：虛擬篩選、分子生成、ADMET預測、分子對接和FEP計算等。近年來，AI藥物設計對象的擴展趨勢已經十分明確；從AIBC 2026的議題來看，這種多元化正在被更完整地呈現出來。除了小分子之外，抗體、蛋白質藥物、RNA、mRNA疫苗、功能核酸、核酸適配體、環肽等多種分子形態，都成為AI進入藥物研發的重要場景。
代表性議題包括：
人工智能蛋白質藥物設計平臺及鎮痛藥物研發（陳海峰，上海交通大學/智藥元創）
抗體從頭生成與可開發性一鍵評估（葛虎，唯信計算）
A Data-Driven AI Approach for Multi-Parameter Antibody Therapeutic Design（趙偉安，尋明生科）
功能核酸從頭設計（韓達，中科院杭州醫學研究所）
人工智能驅動的RNA精準治療（褚晏伊，中國科學院分子細胞科學卓越創新中心）
人工智能驅動的新生抗原個體化腫瘤治療性疫苗的開發（張弛，上海生物制品研究所）
AI驅動的個性化 mRNA 腫瘤疫苗：從新抗原到遞送（李曉林，中國科學院杭州醫學研究所）
干濕一體化環肽藥物研發智能體（鄒一可，上海交通大學）
不同藥物類型有不同的設計難點。小分子強調結構、活性、選擇性、成藥性和合成可行性；抗體強調表位識別、親和力成熟、可開發性和免疫原性；RNA和mRNA疫苗強調序列設計、遞送、穩定性和免疫應答；環肽、多肽和功能核酸也有各自的構象和開發挑戰。AI的價值不只是將小分子研發范式擴展至其他藥物類型，而是針對不同分子形態建立新的表示、生成、優化和驗證體系。
這意味著AIBC 2026不只是一場傳統意義上的AIDD會議，而是一次觀察AI如何進入多類型藥物設計的重要窗口。
5
從“找活性分子”到“可開發性前置”，AI正在改變藥物設計目標
過去很多AI制藥項目容易把目標聚焦在“找到活性分子”上：親和力更高、IC50更低、結合更強、篩選更快。但真正進入產業研發之后，藥企更關注的是分子的可開發性和產業化潛力，包括可合成性、表達穩定性、成藥性、CMC適配性，以及放大生產、純化工藝、制劑開發和質量一致性等關鍵環節的可控性。近年來，行業已經越來越重視將這些研發后期的關鍵約束條件前置到設計階段；從AIBC 2026的相關議題看，這一方向正在得到更具體、更系統的展開。代表性議題包括：
抗體從頭生成與可開發性一鍵評估（葛虎，唯信計算）
A Data-Driven AI Approach for Multi-Parameter Antibody Therapeutic Design（趙偉安，尋明生科）
Membrane Protein Solubility Design as Novel Therapeutics（慶睿，上海交通大學）
Hybrid Modelling Approach for Prediction and Control of Monoclonal Antibody’s Glycosylation（彭軍滇，A*STAR Bioprocessing Technology Institute）
CMC全鏈條研發的人工智能垂直大模型（金傳飛，東陽光藥）
這說明AI藥物設計的評價標準正在持續升級：關注點正從“分子是否具備理想活性”，擴展到“分子是否具備良好的可開發性”。尤其對于抗體、蛋白、多肽、RNA和復雜生物藥而言，可開發性往往直接決定后續轉化效率?；钚院芎玫姆肿樱绻€定性差、表達困難、聚集風險高或工藝不穩定，最終仍然可能難以進入產業化開發階段。
因此，AI制藥下一階段的成熟標志，不只是生成更多候選分子，而是更早地把活性、選擇性、安全性、穩定性、可制造性和CMC風險納入同一套設計目標。對藥企、Biotech、CRO/CDMO和投資機構來說，一個AI平臺是否真正有價值，不能只看它能不能“找到分子”，更要看它能不能找到更接近真實開發要求的分子。
6
從工具堆疊到智能體驅動，AI Agent成為研發流程的新組織方式
如果說過去幾年AI制藥的大量應用仍以工具化形態存在，那么在本屆大會的議題中，AI Agent作為研發流程組織方式的價值被進一步凸顯。它所回應的，并不是“再增加一個工具”，而是當模型、數據、文獻、實驗和決策環節同時增多之后，如何對研發任務進行組織、調度和連續推進。
過去，研究人員往往需要分別調用文獻檢索工具、分子生成模型、對接軟件、ADMET預測工具、合成路線規劃工具和實驗數據分析工具。工具越來越多，但真正的難點在于：誰來理解任務、拆解流程、調用工具、整合結果，并在多輪迭代中積累經驗。AI Agent的快速發展，正在嘗試回答這些問題。
AIBC 2026中，多個議題集中呈現了這一方向：
從“工具堆疊”到“自主決策”，智能體賦能藥物研發的實踐與展望（周杰龍，望石智慧）
FROGENT：端到端全流程藥物設計智能體（吉君愷，深圳大學）
SciMiner：面向藥物研發DMTA閉環的記憶增強、持續學習且可解釋的智能體（熊昭平，質子展開）
AI智能體平臺驅動的抗體藥物研發新范式（王天元，科邁生物）
多智能體加速AI for science科研范式轉型（金若凡，北京中關村學院）
AI Agent并不只是一個新的交互界面，也不只是“會聊天的AI”。在藥物研發中，它更可能成為一種新的流程組織方式：理解研發目標，拆解任務路徑，調用不同模型和工具，整合文獻、數據和實驗結果，并在連續項目中形成記憶和反饋。
這意味著AI制藥的競爭正在從“誰有一個好模型”，轉向“誰能組織一個可執行、可迭代、可協同的智能研發系統”。對于AI制藥公司來說，Agent可能成為平臺化能力的新載體；對于藥企來說，Agent則可能成為內部研發流程數字化、智能化和標準化的重要入口。
7
從模型輸出到干濕閉環，AI制藥競爭轉向系統化迭代能力
AI制藥早已不是只看“有沒有實驗驗證”的階段。過去幾年，行業已經越來越重視濕實驗結果、真實項目案例和管線進展。更值得關注的變化在于，實驗驗證正在從模型輸出后的結果檢驗，逐步轉變為驅動AI研發系統持續學習與迭代的關鍵環節。實驗不只是回答“這個分子行不行”，還在不斷為模型提供新的約束、新的失敗樣本和新的優化方向。
也就是說，真正重要的不是“模型給出一個結果，然后實驗驗證一下”，而是能否形成設計、制造、測試、分析、反饋、再設計的閉環能力。AIBC 2026中，與干濕閉環、自動化和DMTA相關的議題包括：
How AI and Automation are Rewriting the Rules of Drug Discovery（韓漣漪，恒瑞醫藥）
AI驅動的分子設計–制造–測試–分析閉環：加速智能藥物發現（申萬祥，浙江大學）
基于液相色譜技術的化合物自動自主分離制備系統（陳晨，羅氏中國）
干濕一體化環肽藥物研發智能體（鄒一可，上海交通大學）
AI Agent 驅動的生物醫藥全生命周期：從實驗室智能體到工業級閉環控制（鄧司偉，深圳津渡生物）
這些議題共同強化了一個判斷：AI制藥的核心能力，正在從單一模型輸出能力，進一步轉向系統化迭代能力。尤其在DMTA循環中，設計不是終點，實驗也不是終點。每一輪實驗數據都應該反哺模型，每一次失敗都應該成為系統記憶的一部分，每一次優化都應該縮短下一輪探索路徑。
這對于產業落地尤其關鍵。真正能夠提高研發效率的，不是某一次預測結果，而是一個能夠持續學習、持續反饋、持續優化的研發閉環。因此，干濕閉環并不是一個宣傳口號，而是AI制藥能否嵌入真實研發流程、形成長期壁壘的重要分水嶺。
8
從早期發現到全生命周期，AI進入醫藥產業系統工程
AI對醫藥產業的影響，已經不再局限于早期藥物發現。從AIBC 2026的演講題目看，AI在藥企研發戰略、臨床試驗、真實世界研究、CMC、藥物智造、知識產權、知識管理和企業數智化等環節中的應用，正在被更系統地呈現出來。
代表性議題包括：
AI醫藥數智化戰略發展與應用價值創造（邱婧君，復星醫藥）
人工智能驅動下的藥物研發轉型（張曉華，華東醫藥）
AI在臨床試驗和真實世界研究中的應用（李棟，清華大學長庚醫院）
數字健康 智驅未來 華為醫藥智能化方案介紹（樊杰，華為制藥軍團）
CMC全鏈條研發的人工智能垂直大模型（金傳飛，東陽光藥）
AI在藥物研發中的深度融合與知識產權保護策略（韓威威，蘇州大學）
讓知識“再發現”：Springer Nature構建AI時代的生物醫藥“知識群”（巨蓉，Springer Nature）
這進一步說明，AI生物醫藥醫藥早已不只是“AI+藥物發現”，而正在逐步演變為覆蓋醫藥企業全鏈條的系統工程。對藥企來說，AI可能進入信息洞察、靶點發現、分子設計、臨床開發、生產制造、上市后研究和商業決策；對AI公司來說，技術價值也不再只體現在早期篩選，而是要更深地嵌入藥企真實工作流；對產業服務商來說，AI正在帶來從工具交付到平臺協同的新機會。
更重要的是，當AI進入全生命周期，行業討論的重點也會發生變化：從“某個模型準不準”，變成“企業如何組織數據資產、研發流程、知識系統、合規策略和生態協同”。這也是AIBC 2026值得關注的原因之一。它呈現的不只是技術熱潮，而是AI如何進入醫藥產業系統的真實進程。
9
總結和展望
本文不是一份普通的會議日程介紹，而是一張AI生物醫藥產業變化的觀察圖。
從模型到閉環，從工具到智能體，從小分子到多分子類型，從早期發現到全生命周期，AI制藥正在沿著更加系統、真實、接近產業價值的方向演進。AIBC 2026希望呈現的，正是這一階段正在發生的變化。
對藥企而言，這里可以觀察AI如何進入真實研發流程、臨床開發、CMC、生產制造和企業數智化體系；對AI制藥公司而言，在這里展示的是技術競爭如何從模型能力走向系統能力；對科研團隊而言，這里呈現疾病建模、多組學、結構生物學、虛擬細胞和新型分子設計正在打開的新問題；對投資機構、CRO/CDMO、自動化平臺、算力與數據服務商等產業參與者而言，這里也是判斷下一階段技術路線、客戶需求和產業機會的重要窗口。
AIBC 2026的價值，不只是聽到一批前沿報告，更在于把藥企、AI制藥公司、科研團隊、產業服務方和投資機構放在同一個交流場景中。很多關于技術路線是否成立、產品需求是否真實、合作邊界如何劃分、產業機會在哪里的判斷，只有在面對面的交流中，才能被更快驗證和重新校準。
對于希望理解行業變化、尋找合作伙伴、展示解決方案、建立產業影響力的機構和個人來說，AIBC 2026都是一次值得到場參與的機會。
期待與您在AIBC 2026現場相見！共同觀察AI制藥產業的新變化，也共同參與這一輪產業生態的連接與重構。
大會信息
大會名稱
2026人工智能與生物醫藥生態大會
7月2-3日
智藥邦
協辦單位
上海市藥學會人工智能藥學專業委員會
大會規模
1500人
報名參會
標準門票：1880元/位
截止日期：2026-07-03 18:00
團購有優惠！
團購請咨詢李老師 16502195688 (手機微信同號)
掃描二維碼注冊會議
參會 / 媒體合作及演講咨詢
聯系人：李老師
電話：16502195688
微信：16502195688
郵箱：service@phaimus.com
贊助 / 參展 / 專場 / 需求對接等合作咨詢
聯系人：漆老師
電話：15618864572
微信：15618864572
郵箱：business@phaimus.com
AIBC Awards申請通道
AIBC2026大會組委會設立 AIBC Awards——AI制藥企業年度榜單，面向AI+生物醫藥領域創新企業開展年度評選，重點關注具有代表性的引領企業與創新企業。詳情參見：
申報企業需填寫并提交：
《AIBC Awards AI制藥企業年度榜單報名表》
掃碼填寫
申報截止日期：6月10日
榜單發布/頒獎：7月2日，AIBC2026大會期間
具體安排以組委會最終通知為準。
評選規則/材料提交相關事宜咨詢：
聯系郵箱：info@phaimus.com
郵件標題請備注：AI制藥企業年度榜單評選
往屆內容回顧
點擊鏈接查看往屆大會內容和演講專家
點擊視頻查看AIBC2025回顧
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
