对于第一代AI制药公司来说，行业评价逻辑已从“看平台、看技术”转向“看靶点、看管线、看交付”。
据IPO早知道消息，10月24日，在第十一届医药创新与投资大会期间，英矽智能联席首席执行官兼首席科学官任峰博士在媒体群访中分享了公司处于AI制药竞争中的思考。
首先，在谈到AI制药企业BD合作趋势时，任峰表示：“过去交易双方洽谈时，通常要从介绍AI平台开始，经过多轮尽职调查和沟通，验证平台是否有效、能否高效发现分子。如今，合作方往往会更快进入具体项目，直接讨论靶点以及希望解决的疾病问题，不再需要花费大量时间证明平台本身的可行性。”
同时，大型药企越来越看重靶点的创新性，他们关注对方能否跳出同质化竞争，深入生物学底层，发现未被充分认识的疾病机制；此外，合作伙伴也会评估公司将靶点推进为药物管线的交付能力。
与之相对应的是，随着科技大厂入局及技术路线从单一模态向多模态演进，单模态算法工具和单纯的筛库平台，其溢价能力正在快速下降。
换言之，在大型药企对First-in-Class资产的需求升温的背景下，靶点发现能力愈发凸显稀缺性。
除了AI分子设计平台Chemistry42，英矽技术体系还具备PandaOmics靶点发现平台，通过患者多组学数据寻找与疾病密切相关的新靶点。例如，PandaOmics辅助识别了此前未与疼痛管理建立系统性关联的全新疼痛治疗的靶点Target Z，公司基于Chemistry42进行分子优化，提名临床前候选化合物ISM9528。据介绍，该项目在已测试的镇痛模型中表现出较强的镇痛活性，优于吗啡、普瑞巴林等对照药物，同时具有较大的安全窗口。
此外，在任峰看来，外界对AI制药的一个理解误区，是将生成更多分子等同于提高研发效率。
AI生成大量候选分子只是第一步，假如每生成一个分子都需要依赖湿实验逐一验证，研发团队仍然要承担大量实验成本，AI的效率优势也难以充分体现。真正重要的是算法能否从大量可能性中识别出最有希望的候选分子，排除那些虽然新颖、却缺乏实际应用价值的设计，最终将搜索空间不断收敛到少数值得推进的分子。
AI制药平台的重要目标之一，是帮助研发人员更快地找到值得投入资源的方向，而非让他们面对越来越多的选择。
在数据和算法层面，任峰进一步介绍，公司从早期就建立了具体问题的垂类模型，例如针对溶解度、透膜能力、代谢稳定性等不同问题分别使用相应类型的数据训练算法，且不基于任何基座模型。
这也解释了英矽与当前以大模型为基础、通过多模态能力和智能体调度不同工具的技术路径之间的差异。前者强调针对具体科学问题建立专门模型，多年持续迭代；后者则希望利用更通用的模型能力协调不同工具。“两种路线可能会趋近，双方既存在竞争，也可能相互促进。”
任峰还指出，任何一家公司的内部数据，与规模庞大的开源数据相比都只是很小的一部分，英矽的方式是利用公开数据建立模型，再通过内部实验持续反馈和优化。
内部实验数据的优势在于质量较高、与实际研发问题紧密相关，但数据量不足。因此，公开数据提供更广泛的训练基础，内部实验则帮助模型验证预测结果、识别偏差并进一步优化，兼顾数据规模与真实研发场景中的验证质量。
从这一角度看，AI制药的效率将高度依赖于数据、算法和实验之间能否形成持续迭代的闭环。
AI制药领域新生代公司不断进入，大模型技术快速发展，新技术路线容易获得高市场预期。任峰表示，新兴行业在快速迭代中出现过热甚至一定泡沫并不意外，关键在于热度消退后，企业是否仍有能够支撑自身价值的资产。
“技术和算法在行业繁荣期能较快受到关注，但当市场重新评估技术的实际价值时，相关溢价也可能迅速收缩。相比之下，管线资产不会因为AI概念热度下降就失去市场认可，其价值最终仍取决于靶点创新性、临床数据、开发进度以及未来的商业化前景。”
