文章的开头，依旧先动动发财的小手哦，我们2026嘉年华见网页链接{[献花花]雪球活动投票链接}

全篇实在太长，所以我分三段在雪球免费分享，想快速看完整版的可以移步[呲牙]。

接上一轮节选一的内容，这一部分全篇都是讲AIDD的内容。

3.2 交付方式在变：从"做实验"变成"交数据"

问： 客户都有自己的大模型，我们的湿实验室怎么接入他们的模型系统？交付模式是什么样？

答（公司）： "合作方式有多种。他们可能有自己的大模型，也可能有自己的agent，他可能会跟我们分享，也可能不跟我们分享。……我们这种定制化的服务，可以根据他们的不同需要的格式来输出数据、帮他们整理数据，这些都是新的交付方式。"

又补了一句很关键的边界：

"交付方式……没有一个说AI for science都有一种新的交付模式。有的交付模式跟传统没有什么区别，有的那就非常具体，我们都很灵活，这也是我们的长处。"

这段回答的价值，在于它没有把AI生意说成一种新物种。

管理层说的是实话：有的客户要的跟传统一样（给我做实验），有的客户要的是"按我的格式交数据"。

后者才是新的。这意味着CXO的"产品"从"实验结果"变成了"可训练的数据集"——交付物变了，定价逻辑也会变。

3.3 产能弹性：

问： 如果面对的需求是10倍甚至数十倍于以前，产能弹性有多少？明年后年能扩多少？

答（公司）： "无论是人员、系统集成、硬件、设施管理，肯定是行业一流，没有人应该能够像我们这样更加敏捷地快速增长产能"。

"第二，我们当然也意识到这些需求它来得快，后面怎么样其实我们也不知道。我们对市场的这个需求还是保持敬畏。"

这不是前后矛盾，这是真话。 AI需求的持续性，谁都没有历史数据可参照——包括这家公司。

（顺便，这也是我们判断AI需求真实性的一个锚：连卖方都在问"是不是可持续"，说明这事还没有共识。）

3.4 AI对R端：

这个问题被问了两次，角度不同，但指向同一件事。

第一次问（偏长期）： 拉长到三年或五年，AIDD对CRO的R端影响怎么展望？

答（公司）： "现在可以成药的靶点，在所有的人类基因组的蛋白里面只占一个很小的部分，我们对疾病生物学的理解其实是很有限的。如果AI能够让我们提出更多的假设……那它能够立项、可以开始的新药发现，无论是作为单药还是联用的可能性，可能有巨大的提升。"

后面这段我很喜欢：

"他把更多的知识和洞见交到每一个可能的创新者的手中，不限地域……你只要有大模型、有智能体，你就可以提出这些想法。这更加开放化、去中心化、全球化，对创新肯定是有利的。"

公司还引了董事长2018年报里那句话，并给了升级版：

"2018年的时候，李总说，任何人只要有一支笔、一张纸、一张信用卡，就可以通过药明康德的平台做新药研发。我们现在可以说，你只要有一个手机、一个屏幕、一个智能体，你就可以做新药研发。"

第二次问（偏尖锐）： 如果AIDD大幅提高成功率，是不是就不需要合成几十万个分子了？对R端是不是负面影响？

答（公司），四层：

第一层： "分子的数目可能会减少，但分子的复杂程度可能会增长。比如PROTAC，它的线性合成步骤要比一个传统经典小分子复杂得多。"

第二层： "你要调控的分子内的反应，比如protein-protein interaction这种非常复杂的结合位点，可能也会更复杂。"

第三层： "如果成功率高的话，会有更多的人进入到这个行业里边来合成分子，因为成功率高了嘛。"

第四层： "druggable的target也会不断的上升。"

两种问法，一个答案：AI扩大的是"可成药空间"，不是缩小"合成工作量"。

因为省下来的试错成本，会立刻被两件事吃掉——更复杂的分子结构，和更多的入局者。

这跟当年"AI会让程序员失业"的争论一模一样。工具变强了，做的人变多了，总工作量反而涨了。

3.5 AI在工艺里：只是辅助，不是主角

问： 在分子合成提速这件事上（酶合成、流体化学），AI到底起了多大作用？这里面是knowhow更多，还是AI更多？

答（公司）：

"流体化学本身容易自动化，在自动化的时候就可以把这个AI应用进去。另一方面我们在酶的进化的时候，也用到了AI辅助对酶进行进化。但是我们目前看到的话，AI还只是一个辅助作用。 我们在努力地在用AI来提高这个效率，但这是正在进行过程中。"

"AI还只是一个辅助作用。"

AI在药物"发现"环节是加速器，在"生产"环节目前只是助手。 因为生产工艺靠的是实验数据和经验积累，不是靠模型算出来的。

这也解释了前面那140步和2700步为什么值钱——那是试出来的，AI替不了。

3.6 订单在往体内走，这是最实的产业信号

问： 我们之前观察到AI的湿实验外包集中在体外的药理药效验证。现在有没有进入体内，比如动物体内的药效、药代动力学？

答（公司）： "从体外到体内，它是有一个时间的过程的，它可能是一波一波的。你先做了体外，其中一部分快速迭代了以后，它会转到体内，这些跟我们那个RDM漏斗其实是有异曲同工的效果。"

它说明了一件很具体的事：AI客户不是"只买便宜的体外筛选"，而是开始买贵的体内药效和ADME-PK。

体外筛选是"量"的生意，单价低、频次高。体内实验是"质"的生意，单价高、周期长、门槛高。

订单从体外往体内走，意味着AI客群的客单价在往上走。 这是产业升级的实锤，不是故事。

而且公司特意点了一句：这是相辅相成的两个部分"——因为AI模型要训练药代参数，需要真实的体内数据。模型越精，越需要真数据。

3.7 数据产权与DDSU：会不会自己下场？

问： 我们的数据积累是全行业最多的。这些数据的产权问题怎么处理？能不能用来训练我们自己的模型？

答（公司）： "这些数据……实验数据有很多的价值。无论是运营数据，我们广泛地用运营数据来降本增效，这也是我们经常分享的。其他的实验数据，怎么和客户一起使这个客户数据的价值更好地发挥出来，我们也是在和其中的一些客户在深入的探讨。当然这个探讨还在比较早期的阶段。"

问： 现在越来越多企业进入AI生成新分子。我们之前有DDSU这块业务，未来会不会用自己的模型去生成分子？很多大厂都已经下场了。

答（公司）： "DDSU它在特定的历史时期，赋能客户了一种业务方式。那我们只要把握这个我们赋能者的这个基本角色，那客户有什么样的需求，我们可以提出新的服务方式，但是肯定是顺应客户和市场需要的。"

CFO补了一句更明确的：

"我们其实最感兴趣的是做基础建设的投入，包括我们自己的AI基础建设。虽然现在在CAPEX里面还是非常小的一部分……但是我们本职还是一个赋能的角色。"

"把握赋能者这个基本角色。"

这个选择的好处是：不与客户竞争。 一旦药明自己去做分子、卖管线，它和全球几千家客户立刻变成对手——那才是真正的护城河崩塌。

代价是：赚不到AI制药的估值溢价。 市场给AI制药公司动辄几十倍PS，给CXO只有十几倍PE。

这是一次主动放弃估值故事的选择。 从生意的角度，我认为是对的；从股价的角度，短期是吃亏的。



本话题在雪球有57条讨论，点击查看。
雪球是一个投资者的社交网络，聪明的投资者都在这里。
点击下载雪球手机客户端 http://xueqiu.com/xz]]>