沙利文發布《2025中國AI4LS行業發展藍皮書》（附全文獲取方式）

AI for Science（AI4S）時代到來。生命科學領域隨之迎來一場深層次的范式革命，傳統依賴試錯與經驗積累的研發路徑，正被以人工智能為核心的數據驅動模式重塑。

AI技術將原本海量、分散且復雜的生物信息轉化為可驗證、可復現的科學規律，突破了長期以來困擾生命科學研發的效率瓶頸和結構再現性難題。

在這一變革基礎上，AI for Life Sciences（AI4LS）正加速構建以數據為核心生產要素的新型科研基礎設施。該體系涵蓋高通量數據采集、智能算法建模、自動化實驗驗證與知識圖譜構建等關鍵技術模塊，形成創新的研發生態。

當前，AI4LS已在藥物研發、研發實驗室、基因組學、合成生物學等多個前沿領域展現出賦能效應?？梢灶A見，AI4LS將持續引領生命科學向更加高效、精準、可預測的方向演進，成為推動生物經濟高質量發展的關鍵引擎。

弗若斯特沙利文（簡稱“沙利文”）于2025年11月4號正式發布《2025中國AI4LS行業發展藍皮書》（以下簡稱“藍皮書”），全面解析了AI4LS從科學研究范式演變、多維驅動體系到場景應用落地的全景生態，并系統梳理了技術矩陣、商業模式及未來趨勢。

通過對高潛力賽道與核心增長動力的深度挖掘，本藍皮書旨在為相關企業與投資者提供具備前瞻性的市場洞察與戰略決策參考。

掃描二維碼立即獲取報告

第一章 AI4LS的概覽

從“工具輔助”至“范式重構”，AI4LS通過機器智能與科學原理的深度融合，重塑生命科學的研究規則

AI4S范式的核心定義

圖靈獎得主Jim Gray提出的四范式理論為理解科研模式演變提供了經典框架，而當前科學家們正在提出的第五范式——以AI為核心的智能化科研AI for Science（AI4S）。AI4S所代表的下一代科學范式，是指融合機器學習、深度學習等人工智能技術，分析處理多維度、多模態、多場景下的模擬和真實數據。不同于傳統計算機，其作用僅能代替人類完成復雜繁瑣的計算。AI更加追求“智能”，希望計算機能夠模擬人類思考，從而進行學習、推理與決策。

AI4S范式的技術路徑

自文藝復興以來，科學研究的演進始終沿著數據驅動與模型驅動兩條并行的范式展開。數據驅動的范式擁有統計學方法與機器學習技術的加持，然而固有“黑箱”的特性導致其難以對結論形成機理層面的解釋；模型驅動研究通過揭示自然界的底層規律推動理論科學的突破性發展，但苦于計算量巨大，在需要使用這些原理時，人們往往陷入空有理論而無法使用的境地。

AI4LS開創性地將兩者深度融合，即從“數據”中提煉經驗性“原理”，也可以使用“原理”來仿真模擬出“數據”。相較于其他領域如自然語言處理中大模型對符號關聯的淺層建模，AI4LS所實現的機理層融合使得復雜的系統研究成為可能。

AI4S的應用領域——生命科學

從生命科學中的蛋白質結構預測，到材料科學中的新型配方設計，再到地球科學中的氣候建模與能源系統優化，AI4S正嵌入多個科學領域。某些領域具有獨特的科研特征與產業需求，成為AI4S能力釋放最為徹底、價值體現最為顯著的代表。其中，生命科學因其數據基礎深厚、問題復雜度高與應用前景廣，正逐步確立其作為AI4S最理想應用場景之一的地位。

生命科學領域的研究對象具有極高的復雜性與多樣性，從微觀的分子結構到宏觀的生理過程，傳統方法往往面臨數據過于龐大、變量關系難以解析以及研發周期漫長等諸多難題。而AI4LS恰好具備處理多維復雜數據的天然優勢，能夠快速發現隱藏在海量數據背后的潛在規律，并將這些規律轉化為精準的預測與優化策略，大幅提升生命科學研究與產業開發的效率和成功率。藍皮書內對AI4LS成果中AlphaFold 3、Chai-2和Boltz-2進行重點呈現。更多內容請參見完整版報告。

AI4LS的發展歷程

當以較長的時間周期和更宏觀的視角去總結和預測AI4LS行業的發展，按照行業總體上需要解決的問題，可以把AI4LS的歷史和未來可預見范圍內的發展大致分為三個階段：

?概念導入期——“模仿”階段（2016-2021）：AI4LS 1.0的角色是“智能外延”。算法基本依賴人工設置的規則進行學習，屬于數據的智能延伸，通過深度學習海量實驗觀測數據實現規律總結。

?大規?；A設施建設期——“預測”階段（2021-2026）：AI4LS2.0的關鍵詞為“預測”，強調有邊界、有誤差評估、可驗證性。AI不再是“盲目學習者”，而是帶著約束與目標在特定科學框架內運行。

?成熟應用期——“創造”階段（2026年及以后）：AI4LS3.0從“預測助手”躍遷為“設計者與探索者”，具備從功能需求到結構設計的全閉環自主能力，真正實現在復雜系統中的自主創新。

此外，藍皮書分別對AI4LS三大發展階段的典型應用和關鍵轉折事件進行梳理和呈現。更多內容請參見完整版報告。

第二章 AI4LS多維驅動體系

產業需求牽引、政策引導護航、技術矩陣支撐與資本賦能

產業需求——在基礎科學研究的指數級進步與產業轉化需求在日益增長的背景下，生命科學行業長期面臨著數據規模、實驗成本與研發周期的“不可能三角”

01實驗成本阻礙科學突破

實驗成本的持續攀升正成為生命科學產業轉型升級的硬性約束。從早期高通量篩選到臨床前體外實驗，大量昂貴且重復的濕實驗不斷推高研發費用，使新項目的資本回報周期被拉長，投資人和企業的風險承受閾值迅速逼近極限。專業技術人員短缺更進一步放大了時間與資金消耗，造成創新管線在前進途中頻頻受阻。藍皮書將從濕實驗環節和重復性人工操作角度拆解實驗成本。更多內容請參見完整版報告。

02研發周期放大失敗風險

在生命科學產業中，研發周期過長與項目成功率偏低是長期制約行業效率與創新活力的核心難題。在資本趨于審慎、市場競爭加劇的背景下，傳統研發流程顯得愈發笨重低效。因此，如何在保障科學嚴謹性的前提下壓縮時間成本、提高決策效率與試驗命中率，正成為驅動產業向AI4LS加速融合的關鍵動因。藍皮書將從線性流程與高失敗率、臨床招募與設計滯后兩個角度分析研發周期的高風險所在。更多內容請參見完整版報告。

03數據規模限制研究效率

在生命科學邁向數據驅動時代的進程中，日益龐大的數據規模已成為推動產業轉型的關鍵力量。這一趨勢不僅體現在數據生成速度的激增，還包括跨機構數據整合的障礙和高質量標注資源的匱乏，全面制約了研究效率和知識轉化能力。藍皮書梳理數據爆發與處理壓力、數據孤島與共享障礙、數據質量與通量瓶頸等數據規模帶來的挑戰。更多內容請參見完整版報告。

04倫理壓力影響實驗進展

當前，以高通量篩選為代表的實驗技術雖能加速數據采集，但其依賴的專用耗材與大規模動物模型導致單次實驗成本高達數十萬美元。而涉及靈長類等高等動物的復雜藥效評估，則因倫理審查壓力不斷升級面臨實施壁壘。更嚴峻的是，實驗方案的不可復現性進一步加劇資源浪費，導致大量初期實驗結果無法向臨床研究階段有效轉化。資源密集型的研發模式推高研發成本，更在倫理合規與生態可持續性層面引發系統性風險。從歐美的政策動向來看，FDA正通過立法與監管更新，加速將AI、器官芯片等新興技術納入藥物評估流程，逐步取消對動物實驗的依賴，EMA以政策指令和科學評估為抓手，系統推動動物實驗的替代方法在化學品與藥品開發中的廣泛應用。藍皮書對相關政策進行系統性梳理。更多內容請參見完整版報告。

政策引導——中國政府高度重視以AI為核心的技術革新在生命科學領域的戰略價值，構建了從國家頂層設計到地方實踐支持的多層次政策體系

面向AI4LS的政策，政策數量呈現數量持續攀升、內容不斷細化、關注重心由宏觀頂層設計向示范應用和治理標準邁進的發展趨勢。

早期政策以國家級規劃和專項經費為主，著力構建大數據平臺、高通量自動化實驗中心與公共算力基礎；進入“十四五”階段后，陸續下發一系列聚焦場景示范的應用通知，并配套生成式AI管理辦法及標準建設征求稿，表明監管與標準化正成為行業健康發展的核心。

國務院也于2025年8月印發《關于深入實施“人工智能+”行動的意見》（國發〔2025〕11號），將醫藥健康作為應用方向之一，推動人工智能與生物醫藥的深度融合。與此同時，各地政府也不斷補強區域創新生態，聚焦示范區打造、人才引育、專用平臺孵化及產業全鏈條扶持。

總體來看，AI4LS政策既加大經費與項目支持力度，也日益強調應用場景落地、標準規則和可持續治理，為AI驅動的生命科學研究和產業化轉型奠定了更為全面的制度基礎。

此外，藍皮書匯總了國家及各地政策在2017年至2025年期間出臺的AI相關產業發展支持政策。更多內容請參見完整版報告。

技術矩陣——AI4LS在生命科學領域的落地依托于五大核心技術支柱的快速發展

數據資源：生命科學領域的“基礎設施”

大規模、高質量的數據資源是AI4LS模型訓練和科學發現的基石，而獲取方式正由傳統的人工實驗逐步轉向自動化的生產模式。自動化的意義在于數據產出量的指數級擴張，更體現于通過標準化、閉環化和高可信度的數據供給。

藍皮書對被定義為生命科學“數據工廠”的實驗室自動化平臺進行了深入剖析，更多內容請參見完整版報告。

此外，當前生命科學研究呈現出多模態數據并存的特征，這些數據信息在整體上勾勒生命過程的全貌，遠超單一數據維度所能提供的洞見。人工智能技術對其價值的挖掘，可以自動提取出基因序列、蛋白結構、影像病灶、臨床表型等高維特征，并在統一的模型中學習它們之間的關聯，在更高層次上揭示生命科學的規律。

算法平臺——從海量數據中萃取科學發現

隨著Transformer、GNN等深度學習架構的引入，AI模型在處理序列信息和多模態輸入方面能力顯著增強，使得從DNA序列到蛋白質結構、從化合物結構到表型行為的“端到端建?！背蔀榭赡?。

藍皮書報告內匯總了海內外包括AlphaFold3、Lingo3DMol、Biotrajectory以及NanoForge在內應的實例，更多內容請參見完整版報告。

強化學習優化通過構建與實驗系統或生理模型的交互環境，從而實現實驗設計、參數調控、治療路徑選擇等關鍵任務的動態優化。此外，模擬復雜過程中的因果推理能力，其適配現實場景，主要應用在分子合成路徑規劃、生物實驗路徑搜索和個性化治療等領域。

此外，藍皮書還對其他技術矩陣的細分模塊展開解析，包括提供規?；?、高速的計算能力的算力平臺、確保模型輸出符合科學規律的領域知識嵌入以及支撐系統運行與交叉創新的復合團隊。更多內容請參見完整版報告。

資本支持——資本往往支持那些建立系統性壁壘并形成跨科研、產業、資本的聯動，且具備更強的放大潛力與穩定成長性的企業

藍皮書呈現了2019年至2024年期間中國AI制藥領域一級市場投融資情況，總體來看，投融資熱度從高峰后回調，資本逐漸回歸理性、更加注重技術落地與產業協同的大背景下，AI4LS領域的投融資邏輯也正在發生深刻轉變。

相比早期對算法突破或概念創新的單點關注，當前資本更加青睞具備結構化能力的企業——往往擁有可驗證的技術路線、可擴展的平臺架構以及可對接產業需求的實際應用路徑。資本押注的不再是“是否會做AI”，而是“能否將AI嵌入生命科學核心流程中并持續釋放價值”。

在這一趨勢下，藍皮書從技術、應用場景和商業化路徑和產業協同能力的維度對資本所青睞的企業特征進行了歸納梳理。更多內容請參見完整版報告。

場景應用解析和挑戰應對策略

AI4LS廣泛滲透至多樣化的應用場景并發揮效應，在技術、科學融合、倫理與法律以及生態系統方面的挑戰亟待應對

應用場景：藥物研發

AI正重構藥物研發各關鍵環節的技術路徑與效率邊界，提升設計質量與開發成功率重塑藥物研發核心環節

人工智能技術能夠在低樣本、小數據、復雜非線性問題中構建出穩定可遷移的預測與生成模型，從而實現在多個階段同時提升設計質量與成功概率，改變了藥物研發長期依賴經驗、線性推進的被動模式。從制藥的流程看，AI技術已經在多個環節找到了適合自己的應用場景：

藍皮書進一步對AI在包括靶點的發現與驗證、結合位點確證、苗頭化合物發現、先導化合物優化、成藥性優化以及臨床前驗證在內的細分研發環節展開解析，體現了AI在研發范式重構中的系統性價值。更多內容請參見完整版報告。

AI技術企業與藥物管線

AI藥物管線正由早期探索集中邁向驗證與確證階段，關鍵代表項目已在多個靶點上體現出從機制創新到臨床推進的可行性與速度優勢。藍皮書梳理了AI開發藥物管線在不同臨床階段、不同疾病領域與不同研發環節的結構特征。更多內容請參見完整版報告。

藥物研發場景下的代表性AI企業

不同類型企業圍繞平臺構建、模型驅動與落地能力展開多元探索，代表性公司通過差異化技術路徑和應用模式，正在推動AI從工具向賦能主體的躍遷。

藍皮書中列舉了AI+Biotech、AI+SaaS/技術平臺、AI+CRO與AI+Hybrid四種類型企業及其代表性企業案例。更多內容請參見完整版報告。

應用場景——智慧研發實驗室

智慧實驗室通過系統化改造與智能化集成，打破傳統實驗體系中的效率瓶頸與再現性難題，構建以數據驅動為核心的新一代生命科學研發基礎設施

傳統生命科學實驗的痛點分析

藍皮書解析了影響傳統生命科學實驗發展的關鍵障礙，包括效率與通量瓶頸、數據孤島與管理混亂以及復現性與一致性的不足，并說明這些長期積累的結構性矛盾如何制約生命科學發展效率、可靠性與智能化水平，也正是智慧實驗室這一全新范式出現的根本驅動力。更多內容請參見完整版報告。

智慧實驗室的發展目標

智慧實驗室的發展目標是以系統性重構的方式，全面提升生命科學研究的效率、標準化水平、數據價值和智能決策能力。

藍皮書系統闡述了智慧實驗室的發展目標，核心圍繞效率提升、標準化重構、數據價值挖掘、智能決策驅動四大維度展開。更多內容請參見完整版報告。

頂層設計框架指導智慧實驗室的構建

智慧實驗室并非一蹴而就地構建完成，而是通過一個由基礎到高級、由局部自動化到整體智能化的演進過程推進的。技術體系的每一層都承接并回應著相應的發展目標，構成智慧實驗室頂層架構中的關鍵支柱。

藍皮書內呈現了智慧實驗室在五個層級從逐步搭建與集成的路徑。更多內容請參見完整版報告。

實驗室自動化的發展路徑

在生命科學自動化版圖里，中國企業正沿著“單模塊—工作站—系統—智慧”四個迭代臺階迅速鋪開。前期以硬件解放人力、規范操作流程為核心，中期通過系統集成實現流程連續化與數據一體化，而最終則依托AI與算法構建具備自學習與自優化能力的科研閉環。

藍皮書系統梳理了單模塊自動化、工作站自動化、系統自動化與智慧自動化及其代表產品。中國企業正通過以上技術路徑，推動智慧實驗室從單點設備升級為系統集成，構建具備自主執行與動態調度能力的新型科研基礎設施。更多內容請參見完整版報告。

藍皮書進一步拓展了AI技術更多生物科技鏈條的實踐圖譜——AI技術在合成生物學場景中的精準設計能力以及在基因組學與個性化醫療場景中的數據解讀價值，均被系統梳理并呈現于報告之中。更多內容請參見完整版報告。

場景應用解析和挑戰應對策略

中國AI4LS行業在產業協作、跨界融合與自主創新的協同驅動下，正加速形成全球競爭力，邁向從技術追隨到范式引領的轉變

藍皮書內系統性梳理了以下中國AI4LS行業在產業協作、跨界融合以及自主創新方面的發展趨勢。具體內容請參見完整版報告。

?產業合作推動AI4LS商業化落地：中國AI4LS企業正通過“驗證+協作”、“標準+接口”、“整合+落地”的深度產業合作路徑，打通從算法模型到臨床應用的關鍵環節，加速技術落地轉化與商業模式構建。

?跨領域協同帶動平臺型企業崛起：AI4S技術的通用性正推動中國企業跨領域融合、多場景復制，眾多平臺型企業加速崛起，構建起貫通醫藥、材料、能源等產業的多元化創新生態。

?科研、產業、創新三重驅動下的孕育環境：中國AI4LS企業在科研投入、產業基礎和創新能力的三重驅動下，正逐步建立起支撐管線開發、自主創新和全球競爭的系統性優勢，孕育出面向國際舞臺的行業龍頭企業。

部分中國AI4LS領域的企業介紹

藍皮書匯總了包括鎂伽科技、望石智慧、予路乾行、劑泰科技在內的AI4LS領域企業作為案例研究，這些企業正通過其在智慧實驗室、藥物研發、分子動力學模擬及納米遞送等關鍵環節的技術突破與模式創新，展現了中國AI4LS領域多元化的技術路徑與蓬勃的產業生態。

鎂伽科技

鎂伽科技是中國機器人技術應用領域領先的自主智能體（Autonomous agents）提供商，致力于為智慧實驗室與智能制造場景提供全面的自主智能體及多智能體解決方案。

通過高度智能化的軟硬件系統，推動行業加速邁向高效、精準、可持續的智能化未來。憑借在人工智能與機器人自動化領域創新性構建的“感知（Perception）、構思（Conception）及執行（Execution）”閉環技術架構，鎂伽的多功能自主智能體能夠獨立執行復雜任務，同時模塊化產品組合設計可輕松配置并規模化部署于不同場景，將人力從重復性工作中解放出來，使其專注于實驗室與制造場景中的高價值任務，為下一代科研與制造業等領域發展做好前瞻布局。

目前，鎂伽正將技術優勢與產品創新力應用于生命科學及化工、食品飲料及農業、消費級集成電路、新能源等行業，并持續拓展至更為多元化的戰略新興領域，助力客戶建設智能組織、突破技術邊界、重塑運營范式，成為引領產業升級轉型的關鍵驅動者與最佳合作伙伴。

望石智慧

望石智慧（StoneWise）成立于2018年，是一家使用人工智能技術驅動新藥研發的科技公司。

憑借人工智能藥物研發底層理論的突破、藥物研發數據的深度治理、藥物研發行業的沉淀認知和強大的軟件與工程能力，望石搭建了能夠精準地生成與靶點口袋結構契合的分子或分子骨架的多模態AI 3D分子生成大模型基座。

公司的分子生成模型以GPT/Transformer框架為基礎，融合了幾何深度學習等算法。該模型還可作為基座模型，合作伙伴能夠在此基礎上，充分整合自身擁有的數據、認知以及模型等要素，進行定制化迭代。

目前，已有近百家藥企、科研機構客戶日常使用。依托該模型，公司內部自研管線已收獲顯著成果，其中最快的管線已進入臨床一期；同時基座模型衍生出的實體庫業務，也在海內外積極擴展中。

予路乾行

蘇州予路乾行生物科技有限公司（Divamics Inc.）是一家以人工智能、量子力學及分子模擬算法為核心技術的新藥早研企業。

公司自創立之初即定位服務全球市場，依托自研的Divamics多尺度分子動力學平臺與Biotrajectory動力學軌跡數據庫，以獨創的“分子電影”藥物設計理念，為生物醫藥企業提供AI驅動的Hit-to-PCC一體化藥物研發服務。

目前已服務國內外50多家醫藥行業客戶，合作推進80余條新藥研發管線。公司總部位于蘇州，在北京設有計算中心，在新加坡、日本設有BD中心。

劑泰科技

劑泰科技是一家人工智能驅動納米材料創新的生物科技公司，專注于利用靶向藥物遞送和發現技術，加速患者在重要疾病領域獲得創新療法。公司由美國工程院院士陳紅敏博士以及MIT科學家賴才達博士、王文首博士聯合創立，已獲得國家專精特新“小巨人”、國家高新技術企業等重要資質認定。

公司自主開發全球首個人工智能驅動的納米遞送解決方案提供平臺NanoForge，擁有目前全球最大規模千萬級LNP脂質庫，并基于NanoForge打造了三大核心解決方案：AiLNP（AI核酸遞送系統設計平臺）、AiRNA（AI mRNA序列設計平臺）、AiTEM（AI小分子制劑設計平臺）。

公司已具備實現肝臟、肺部、肌肉和免疫細胞等8個關鍵器官和組織LNP精準靶向遞送能力，在多器官、多組織靶向遞送難題上取得突破性進展，為腫瘤、代謝系統疾病、自體免疫性疾病、神經系統退行性疾病等提供成藥機會，也在器官水平上為生命體抵抗衰老提供可能。

《藍皮書》對AI4LS行業部分公司進行介紹，包括公司介紹、業務板塊布局、核心產品管線、競爭優勢以及技術平臺等進行介紹。

更多詳細內容請掃描二維碼 獲取完整報告

關于沙利文生命科學事業部

沙利文生命科學事業部在生命科學領域擁有專業的分析能力和豐富的項目經驗。依托沙利文全球智庫資源和大中華區跨行業業務發展平臺，沙利文生命科學事業部在生命科學產業投融資服務有著獨特核心優勢。沙利文生命科學事業部在中國擁有廣泛的企業客戶，并在過去20年里建立了龐大的客戶網絡，積累大量生命科學各細分領域的項目經驗。

項目類型包括知識中心項目（深度內容、宣傳活動），Pre-IPO項目（DCF估值、商業計劃書服務），IPO上市項目（行業顧問、臨床稽查、募投撰寫），市場調研，市值管理及戰略咨詢等，并與國內外知名的資訊平臺及投融資機構合作，為企業提供醫藥及醫療器械等專業細分領域行業一站式解決方案，受到投資者的廣泛關注。