东北证券AI制药与NAS行业深度报告梳理

发布时间：2026-08-21 一、AI总结内容 一、AI制药核心要点 1. 制药行业研发存在反摩尔定律：1950年起每10亿美元研发投入对应新药获批量每9年减半，2016年平均新药开发成本25亿美元，2026年升至40亿美元，FTA年批新分子仅40-50个，投入产出剪刀差催生AI制药需求。 2. 传统研发成功率低：一期到获批仅7.9%，二期转三期仅28.9%，AI辅助可将一期成功率提至80%-90%、二期提至40%，缩短一半研发时间，年节约相关费用约550亿美元，分子筛选成本可降至传统1/200。 3. AI制药五大路径：生成式AI分子设计（代表企业：美国相关公司）、结构生物学与分子模拟AI融合（代表：阿尔法折叠）、生物多模态大模型（代表：英伟达BioNLM）、知识图谱与图神经网络推理、AI自动化实验室与干湿闭环平台（代表：美股Recursion）。 4. 行业发展阶段：处于第三至第四阶段（资产化验证向研发体系化过渡），全球AI制药市场2021年7.9亿美元，2025年24.1亿，预计2026年29.9亿，头部药企近5年AI布局超500亿美元，2025年签168笔AI合作。 5. 监管进展：FDA2025年1月发布AI监管草案，2026年与EMA联合发布GAIP十项原则，2026年3月将AI虚拟图性纳入监管，5月启动AI优化临床试验试点，CDR首设AI独立分类。 二、NAS行业核心要点 2. 行业两大趋势：消费级NAS从企业级跨界而来，2020-2024年复合增速33.4%，2 级，需搭载NPU实现本地AI运算，解决传统NAS数据处理依赖云端、检索效率低等痛点，可提升产品附加值与ASP。 3. 竞争格局：台系品牌（群晖、威联通）深耕企业与发烧友市场，国产品牌（绿联、极空间）以高性价比抢占消费级份额，2025年绿联线上份额超40%，全球消费级NAS出口份额居首，科技大厂（华为、小米等）入局加剧竞争。三、风险与关注 1. AI制药：临床成功率提升仍需更多数据，AI分子设计需配合湿实验验证，监管落地仍存不确定性。 2. NAS行业：消费级渗透率仍低，AI NAS技术迭代快，价格战、大厂渠道冲击或影响竞争格局。四、后续关注点 1. AI制药：AI参与药物能否完成二期、三期关键研究，临床信号能否跨疾病领域复现。2. NAS行业：消费级NAS渗透率提升、AI NAS占比及ASP变化，HDD/SSD价格波动，龙头商业化进展。 二、音频原文（转写） 你好呀，那个各位投资者，我们今天给大家来分享这个海药海外ai制药系列我们主要先讲这个第一部分就是ai重建制药工业核心变量，其可能也是整个行业的一个概览。那我是这个东北医疗大健康组的这个文，正如啊，稍等。首先的话，我们还是看第一部分第一部分的话，我们可以看到这个aigl从效率工具向啊，正在走向这个研发的基础设施，那传呃长期以来的话，其实我们看到这个呃药物的研发效率是啊，一直是在下降的，然后这个线下被称为ero啊，即药物领域的一个反摩尔定律，按照通胀调整之后呢，我们可以看到制药企业每10亿美元啊研发投入对应的一个新药，批准数量从这个1950年开始是每9年减半。 啊，也就是我们这个左边第一张图，那这一现象其实反映了这个长期呃这个行业投入产出的一个效率下降的一个结构性压力，那造成这个压力的主要原因啊，比较复杂，那呃我们归因的话其实主要是这个已有疗法的不断积累。然后使得这个新药在疗效安全依从，以及这个成本效益上面必须要证明额外的价值，那第二个的话就是监管体系对于安全性以及临床证据质量保持一个审慎要求，第三个是企业通过增加预算人工啊以及这个项目数量来。 应对这个低的效率，但并不能够带来成功率的一个提升，那所以我们也看到了啊，这个以上的这些因素都导致了说现在在药物零研研发领域的话，这个投入的增加跟产出的改善之间是出现了这个错配的，那我们从成本端来看的话，其实现在这个呃产出效率恶化的这个趋势仍在继续继续那麦肯锡2026年的一个分析其实就表明我们可以看到他啊16年的时候平均每个新药分子啊，它开发的一个成本。大概是需要40亿美，呃，需要25亿美金到现在2026年，其实是上升到了40亿美金啊，所以这个呃研发的效率或者研发的这个经济，呃是越来越呃，越来越贵了，对那呃，但是我们看到这个全球制药行业现在每年基本上都要投入3000亿美金，但fda现在每年新批的一个新分值数量，长期是维持在每年百分呃，不每年40到50个的一个增加水平，并没有随着投入的增加而同比例增加，所以我们说这个投入产出之间的剪刀差就给ai吃药。 啊给ai制药提升效率这个留下的一个啊价值的一个逻辑。那这一块的话，其实我们看到就是还是呃，可以来讲整个制药领域传统制药领域还是比较困难的。那传统药物研发的话，它的成功率是较为有限，一期临床试验啊，到这个完整获批的话基本上是7.9%的一个成功率，那二期往三期推的话，这个成功率仅在百分之至28.9啊，是整个研发链条中最低的一个阶段，那近70%的研发投入都集中在了这个临床开发的阶段。 你进入一期啊，从进入一期到呃，从进入一期临床，到最终获批上市啊，整体的成功率只有13%。啊，所以我们觉得其实从二期开始就很关键了。嗯，这个也是二期的话，其实也是这个呃药物开始这个去回答到底有没有这个疗效啊？在ai辅助的这个临床开发方面，其实目前已经看到一些积极的信号。 那经过这个bcg的一个分析，我们可以看到这个ai在这个ai发现的分子，在这个临床一期取得会取得80~90%的一个成功率。然后之前传统制药行业的话，大家的水平是在40~65%。那临床二期的话成功率现在啊ai赋能之下能够达到40%，与这个呃历史水平相近呃，所以呃，所以我们所以我们综合文献来看的话应用ai技术，它是可以来缩短前期一约一半的一个研发时间。然后使得新药的研发成功率能够从这个12%提升到14%呃，然后大概每年能够节约化合物筛选跟用于临床试验费用大概是在五呃550亿美金那英伟达的数据，其其实也表明。 那个ai是可以将分子筛选的成本降至传统方法1/200，然后与这个啊啊，与这个药物发现跟临床前研究 的整体相比的话啊，这个时间周期大概缩短百分之四十啊，所以其实我们觉得呃，这个呃ai是能够显著提效或者说显著降本当未来对于成功率的一个进一步的提升，可能还需要更多数据的支持。嗯，我们也看到这个，我们还是再来讲这个传统新药的一个研发困境。那呃，我们可以看到这边是有一个这个肿瘤学的一个系统坍塌啊，也就是我们会看到这个对于阿阿兹海默症复杂的实体瘤等疾病啊，临床前的一个模型跟真使患者之间的外推关系往往很难建立那筛选模型，有效性的轻微下降，就可能导致这个吞吐量的提升，大概十倍到百倍所带来的一个收益。 所以呃现在主要还是在这个转化成功率上面啊，大家啊啊，面临的一些挑战啊，在但是我们也看到说啊ai这边其实也能够去呃这个提高这个转化的成功率。那从监管层面来讲的话像fda，它在今年这个3月份的时候也发布了nams的一个。草案指南为这个ai驱动临床前预测方法，提供正式的四维验证框架啊。通过使用这个情景定义人类生物学相关技术特征表啊，记住特性表征以及适用啊，呃，合适用途的一个验证。 啊，这个是我们从这个药企，它的这个研发周期跟独占期来看啊药企面临的一个困境，那大家其实啊，在去年开始，大家也一直知道那海外的一些大的m n c，他们其实面临一个呃专利。专利期悬崖啊，我们看到这个呃，其实美国的这个专利期，它是自申请日开始算20年，然后呃目前的话大大规啊，目前的话，很多大型药企正在面临这个独占期期到啊独占权到期的一个压力，像艾克威亚就指出到了2030年有超过2300亿美金的一个生物医药收入，面临独占区到期的一个风险，到2030年，早期的话还有额外2000到2500亿美金的一个暴露，然后同时呢，他也发布了这个。 预计在2025年到2030年，美国市场将有118个生物药面临专利保护期到期啊，包括像强生啊，再生源安静。Ah那像这个我们刚才其实也提到了这个ai是能够显著的降低研发的周期的那沙利文，其实也指出了传统的这个药物研发需要四到六年，a i的话能够显著减少，显显短它所需要时间。那ai制药的我们说ai制药的核心路径其实是可以看到这个是有四个步骤，跟这个传统的啊筛选啊，相对比的话，那我们把它归纳成五个路径，那第一第一个路径的话，其实就是生成式的ai分子跟蛋白质的设计，那利用vegan扩散模型，还有这个啊分子大语言模型来实现全新15分子的从头创制代表企业是有这个啊，以上三个那个美国的一些企业，然后啊，其优势是在于啊，能够无限的扩展啊，化学空间短板式啊，纯计算生成必须要通过合成来验证，这也就是我们讲的干实验的一个猜想，必须要配合师实验的一个数据验证。 然后第二条的话是结构啊，分结构生物学跟分子模拟的ai融合，那以这个阿尔法fold为这个啊，为这个代表，那它其实之前在蛋白预测这边做了一些工作啊，我们可以看到啊，像这个薛定谔，它其实也是采用的这个分子模拟。来去做这个ai的啊来去啊，做一些静态的预测啊，包括这个细胞类动态行为的一个偏差啊，然后第三个途径的话，其实就是是生物不好意思啊，第三个途径就是生物多模态的一个大模型，通过统一预训预训练融合蛋白序列小分子，然后金主的等易购的这些数据，然后再进行呃后面再进行来降低靶点啊的一个建模门槛，那呃这个商业化标杆就是英伟达下面的这个by啊。 By all name然后这个呃第四条路径的话其实就是知识图谱跟这个图神经的一个网络推理，但它是依靠这个生物医药知识网络进行一个靶点挖掘。啊，但预测的结果基本上高度的是依赖这个文献的一些数据质量，这个是传统药企，他们之前啊，更更更依赖的一些途径，那第五个的话，其实就是最近比较火的这个ai自动化实验室跟这个啊干湿闭环平台。来啊，它可以用来打通这个虚拟计算到实验室实验到这个数据回流迭代的一个全站体系。 那啊，使得整个设计合成测试学习啊，成为一个闭环，那代表企业的话就是美股那边的recution。然后，它其实是用这个pb级的这个细胞表情数据库以及全自动化的一个筛选产线。但是呃，这个呃前期的这个自动化的实验室的重资产投入确实也提高了这个这条路径的这个门槛。那我们其实呃看到这个现在人工智能在药物研发中的应用，其实已经从这个单个算法工具开始逐步扩展成为这个数据整理假设生成实验验证项目决策等整个迭代体系，那英伟达在呃2026年ai的一个现现状报告里面其实就呃做了一个做了一个表，表述就70%的一个受访组织正在积极使用ai百分之69的其实正在使用这个生成式的ai，然后制药跟这个生物技术领域74%啊，呃有这个活跃ai的使用率46%有的药制药企业已经是在药物开发跟这个啊啊，在药物的发现跟开发的领域来获得ai投资的一个回报，然后57%是将药物发现列为首要的ai用例48%的企业也正在使用ai智能体来进行药物发现。 呃麦肯锡的一个调查啊，目前也是啊，我们也是看到了这个接近80%的这个呃企业正在使用深层式ai，但是它跟这个呃可能跟英伟达的。这个报告是有一些呃相冲突的，它是讲这个大概也有80%的，这些企业没有获得可以量化的一个效益对然后在监管层面的话，其实我们说啊fda，自从2016年啊收到接近500件，含这个ai组件的药物提交之后在2025年的1月份是发布了ai监管决策的一个草案指南2026年嗯，与这个ema是联合发。 发布了这个gaip的十项原则，那ai在药物研发中的价值其实可以分为三类啊，提提高效率，缩小这个筛选的包括缩小筛选的范围，减少这个低价值的合成啊，然后这个改善风险的识别就是更更早的去发现这个。成药性跟这个安全性的一个风险，那还有一点就是提高转化，提高转化判断的一个质量，包括连接分子啊啊靶点啊，患者以及临床终点。那一个分子，它拥有一个呃，一个分子能够高清和的跟那个靶点相结合，其实并不代表这个靶点有临床的呃可干预的一个价值。 那ai在靶点发现。Ai在靶点的发现中主要作用其实是整合人类基因啊，人类遗传学转录组，然后蛋白组单细胞数据空间学表形筛选文献知识，跟临床数据来帮助研发团队提出并排序啊，这