沙利文发布《2025中国AI4LS行业发展蓝皮书》（内附全文获取方式）

AI for Science（AI4S）时代到来。生命科学领域随之迎来一场深层次的范式革命，传统依赖试错与经验积累的研发路径，正被以人工智能为核心的数据驱动模式重塑。AI技术将原本海量、分散且复杂的生物信息转化为可验证、可复现的科学规律，突破了长期以来困扰生命科学研发的效率瓶颈和结构再现性难题。

在这一变革基础上，AI for Life Sciences（AI4LS）正加速构建以数据为核心生产要素的新型科研基础设施。该体系涵盖高通量数据采集、智能算法建模、自动化实验验证与知识图谱构建等关键技术模块，形成创新的研发生态。当前，AI4LS已在药物研发、研发实验室、基因组学、合成生物学等多个前沿领域展现出赋能效应。可以预见，AI4LS将持续引领生命科学向更加高效、精准、可预测的方向演进，成为推动生物经济高质量发展的关键引擎。

弗若斯特沙利文（简称“沙利文”）于2025年11月4号正式发布《2025中国AI4LS行业发展蓝皮书》（以下简称“蓝皮书”），全面解析了AI4LS从科学研究范式演变、多维驱动体系到场景应用落地的全景生态，并系统梳理了技术矩阵、商业模式及未来趋势。通过对高潜力赛道与核心增长动力的深度挖掘，本蓝皮书旨在为相关企业与投资者提供具备前瞻性的市场洞察与战略决策参考。

PART.

AI4LS的概览

从“工具辅助”至“范式重构”，AI4LS通过机器智能与科学原理的深度融合，重塑生命科学的研究规则

AI4S范式的核心定义

图灵奖得主Jim Gray提出的四范式理论为理解科研模式演变提供了经典框架，而当前科学家们正在提出的第五范式——以AI为核心的智能化科研AI for Science（AI4S）。AI4S所代表的下一代科学范式，是指融合机器学习、深度学习等人工智能技术，分析处理多维度、多模态、多场景下的模拟和真实数据。不同于传统计算机，其作用仅能代替人类完成复杂繁琐的计算。AI更加追求“智能”，希望计算机能够模拟人类思考，从而进行学习、推理与决策。

AI4S范式的技术路径

自文艺复兴以来，科学研究的演进始终沿着数据驱动与模型驱动两条并行的范式展开。数据驱动的范式拥有统计学方法与机器学习技术的加持，然而固有“黑箱”的特性导致其难以对结论形成机理层面的解释；模型驱动研究通过揭示自然界的底层规律推动理论科学的突破性发展，但苦于计算量巨大，在需要使用这些原理时，人们往往陷入空有理论而无法使用的境地。

AI4LS开创性地将两者深度融合，即从“数据”中提炼经验性“原理”，也可以使用“原理”来仿真模拟出“数据”。相较于其他领域如自然语言处理中大模型对符号关联的浅层建模，AI4LS所实现的机理层融合使得复杂的系统研究成为可能。

来源：沙利文分析

AI4S的应用领域——生命科学

从生命科学中的蛋白质结构预测，到材料科学中的新型配方设计，再到地球科学中的气候建模与能源系统优化，AI4S正嵌入多个科学领域。某些领域具有独特的科研特征与产业需求，成为AI4S能力释放最为彻底、价值体现最为显著的代表。其中，生命科学因其数据基础深厚、问题复杂度高与应用前景广，正逐步确立其作为AI4S最理想应用场景之一的地位。

生命科学领域的研究对象具有极高的复杂性与多样性，从微观的分子结构到宏观的生理过程，传统方法往往面临数据过于庞大、变量关系难以解析以及研发周期漫长等诸多难题。而AI4LS恰好具备处理多维复杂数据的天然优势，能够快速发现隐藏在海量数据背后的潜在规律，并将这些规律转化为精准的预测与优化策略，大幅提升生命科学研究与产业开发的效率和成功率。蓝皮书内对AI4LS成果中AlphaFold 3、Chai-2和Boltz-2进行重点呈现。更多内容请参见完整版报告。

来源：沙利文分析

AI4LS的发展历程

当以较长的时间周期和更宏观的视角去总结和预测AI4LS行业的发展，按照行业总体上需要解决的问题，可以把AI4LS的历史和未来可预见范围内的发展大致分为三个阶段：

概念导入期——“模仿”阶段（2016-2021）：AI4LS 1.0的角色是“智能外延”。算法基本依赖人工设置的规则进行学习，属于数据的智能延伸，通过深度学习海量实验观测数据实现规律总结。

大规模基础设施建设期——“预测”阶段（2021-2026）：AI4LS2.0的关键词为“预测”，强调有边界、有误差评估、可验证性。AI不再是“盲目学习者”，而是带着约束与目标在特定科学框架内运行。

成熟应用期——“创造”阶段（2026年及以后）：AI4LS3.0从“预测助手”跃迁为“设计者与探索者”，具备从功能需求到结构设计的全闭环自主能力，真正实现在复杂系统中的自主创新。

此外，蓝皮书分别对AI4LS三大发展阶段的典型应用和关键转折事件进行梳理和呈现。更多内容请参见完整版报告。

PART.

AI4LS多维驱动体系

产业需求牵引、政策引导护航、技术矩阵支撑与资本赋能

产业需求——在基础科学研究的指数级进步与产业转化需求在日益增长的背景下，生命科学行业长期面临着数据规模、实验成本与研发周期的“不可能三角”

●实验成本阻碍科学突破

实验成本的持续攀升正成为生命科学产业转型升级的硬性约束。从早期高通量筛选到临床前体外实验，大量昂贵且重复的湿实验不断推高研发费用，使新项目的资本回报周期被拉长，投资人和企业的风险承受阈值迅速逼近极限。专业技术人员短缺更进一步放大了时间与资金消耗，造成创新管线在前进途中频频受阻。蓝皮书将从湿实验环节和重复性人工操作角度拆解实验成本。更多内容请参见完整版报告。

●研发周期放大失败风险

在生命科学产业中，研发周期过长与项目成功率偏低是长期制约行业效率与创新活力的核心难题。在资本趋于审慎、市场竞争加剧的背景下，传统研发流程显得愈发笨重低效。因此，如何在保障科学严谨性的前提下压缩时间成本、提高决策效率与试验命中率，正成为驱动产业向AI4LS加速融合的关键动因。蓝皮书将从线性流程与高失败率、临床招募与设计滞后两个角度分析研发周期的高风险所在。更多内容请参见完整版报告。

●数据规模限制研究效率

在生命科学迈向数据驱动时代的进程中，日益庞大的数据规模已成为推动产业转型的关键力量。这一趋势不仅体现在数据生成速度的激增，还包括跨机构数据整合的障碍和高质量标注资源的匮乏，全面制约了研究效率和知识转化能力。蓝皮书梳理数据爆发与处理压力、数据孤岛与共享障碍、数据质量与通量瓶颈等数据规模带来的挑战。更多内容请参见完整版报告。

●伦理压力影响实验进展

当前，以高通量筛选为代表的实验技术虽能加速数据采集，但其依赖的专用耗材与大规模动物模型导致单次实验成本高达数十万美元。而涉及灵长类等高等动物的复杂药效评估，则因伦理审查压力不断升级面临实施壁垒。更严峻的是，实验方案的不可复现性进一步加剧资源浪费，导致大量初期实验结果无法向临床研究阶段有效转化。资源密集型的研发模式推高研发成本，更在伦理合规与生态可持续性层面引发系统性风险。

从欧美的政策动向来看，FDA正通过立法与监管更新，加速将AI、器官芯片等新兴技术纳入药物评估流程，逐步取消对动物实验的依赖，EMA以政策指令和科学评估为抓手，系统推动动物实验的替代方法在化学品与药品开发中的广泛应用。蓝皮书对相关政策进行系统性梳理。更多内容请参见完整版报告。

政策引导——中国政府高度重视以AI为核心的技术革新在生命科学领域的战略价值，构建了从国家顶层设计到地方实践支持的多层次政策体系

面向AI4LS的政策，政策数量呈现数量持续攀升、内容不断细化、关注重心由宏观顶层设计向示范应用和治理标准迈进的发展趋势。早期政策以国家级规划和专项经费为主，着力构建大数据平台、高通量自动化实验中心与公共算力基础；进入“十四五”阶段后，陆续下发一系列聚焦场景示范的应用通知，并配套生成式AI管理办法及标准建设征求稿，表明监管与标准化正成为行业健康发展的核心。国务院也于2025年8月印发《关于深入实施“人工智能+”行动的意见》（国发〔2025〕11号），将医药健康作为应用方向之一，推动人工智能与生物医药的深度融合。与此同时，各地政府也不断补强区域创新生态，聚焦示范区打造、人才引育、专用平台孵化及产业全链条扶持。

总体来看，AI4LS政策既加大经费与项目支持力度，也日益强调应用场景落地、标准规则和可持续治理，为AI驱动的生命科学研究和产业化转型奠定了更为全面的制度基础。

来源：沙利文分析

此外，蓝皮书汇总了国家及各地政策在2017年至2025年期间出台的AI相关产业发展支持政策。更多内容请参见完整版报告。

技术矩阵——AI4LS在生命科学领域的落地依托于五大核心技术支柱的快速发展

●数据资源：生命科学领域的“基础设施”

大规模、高质量的数据资源是AI4LS模型训练和科学发现的基石，而获取方式正由传统的人工实验逐步转向自动化的生产模式。自动化的意义在于数据产出量的指数级扩张，更体现于通过标准化、闭环化和高可信度的数据供给。蓝皮书对被定义为生命科学“数据工厂”的实验室自动化平台进行了深入剖析，更多内容请参见完整版报告。

此外，当前生命科学研究呈现出多模态数据并存的特征，这些数据信息在整体上勾勒生命过程的全貌，远超单一数据维度所能提供的洞见。人工智能技术对其价值的挖掘，可以自动提取出基因序列、蛋白结构、影像病灶、临床表型等高维特征，并在统一的模型中学习它们之间的关联，在更高层次上揭示生命科学的规律。

●算法平台——从海量数据中萃取科学发现

随着Transformer、GNN等深度学习架构的引入，AI模型在处理序列信息和多模态输入方面能力显著增强，使得从DNA序列到蛋白质结构、从化合物结构到表型行为的“端到端建模”成为可能。蓝皮书报告内汇总了海内外包括AlphaFold3、Lingo3DMol、Biotrajectory以及NanoForge在内应的实例，更多内容请参见完整版报告。

强化学习优化通过构建与实验系统或生理模型的交互环境，从而实现实验设计、参数调控、治疗路径选择等关键任务的动态优化。此外，模拟复杂过程中的因果推理能力，其适配现实场景，主要应用在分子合成路径规划、生物实验路径搜索和个性化治疗等领域。

此外，蓝皮书还对其他技术矩阵的细分模块展开解析，包括提供规模化、高速的计算能力的算力平台、确保模型输出符合科学规律的领域知识嵌入以及支撑系统运行与交叉创新的复合团队。更多内容请参见完整版报告。

资本支持——资本往往支持那些建立系统性壁垒并形成跨科研、产业、资本的联动，且具备更强的放大潜力与稳定成长性的企业

蓝皮书呈现了2019年至2024年期间中国AI制药领域一级市场投融资情况，总体来看，投融资热度从高峰后回调，资本逐渐回归理性、更加注重技术落地与产业协同的大背景下，AI4LS领域的投融资逻辑也正在发生深刻转变。

相比早期对算法突破或概念创新的单点关注，当前资本更加青睐具备结构化能力的企业——往往拥有可验证的技术路线、可扩展的平台架构以及可对接产业需求的实际应用路径。资本押注的不再是“是否会做AI”，而是“能否将AI嵌入生命科学核心流程中并持续释放价值”。在这一趋势下，蓝皮书从技术、应用场景和商业化路径和产业协同能力的维度对资本所青睐的企业特征进行了归纳梳理。更多内容请参见完整版报告。

PART.

场景应用解析和挑战应对策略

AI4LS广泛渗透至多样化的应用场景并发挥效应，在技术、科学融合、伦理与法律以及生态系统方面的挑战亟待应对

应用场景：药物研发

AI正重构药物研发各关键环节的技术路径与效率边界，提升设计质量与开发成功率

●重塑药物研发核心环节

人工智能技术能够在低样本、小数据、复杂非线性问题中构建出稳定可迁移的预测与生成模型，从而实现在多个阶段同时提升设计质量与成功概率，改变了药物研发长期依赖经验、线性推进的被动模式。从制药的流程看，AI技术已经在多个环节找到了适合自己的应用场景：

来源：沙利文分析

蓝皮书进一步对AI在包括靶点的发现与验证、结合位点确证、苗头化合物发现、先导化合物优化、成药性优化以及临床前验证在内的细分研发环节展开解析，体现了AI在研发范式重构中的系统性价值。更多内容请参见完整版报告。

●AI技术企业与药物管线

AI药物管线正由早期探索集中迈向验证与确证阶段，关键代表项目已在多个靶点上体现出从机制创新到临床推进的可行性与速度优势。蓝皮书梳理了AI开发药物管线在不同临床阶段、不同疾病领域与不同研发环节的结构特征。更多内容请参见完整版报告。

●药物研发场景下的代表性AI企业

不同类型企业围绕平台构建、模型驱动与落地能力展开多元探索，代表性公司通过差异化技术路径和应用模式，正在推动AI从工具向赋能主体的跃迁。蓝皮书中列举了AI+Biotech、AI+SaaS/技术平台、AI+CRO与AI+Hybrid四种类型企业及其代表性企业案例。更多内容请参见完整版报告。

应用场景——智慧研发实验室

智慧实验室通过系统化改造与智能化集成，打破传统实验体系中的效率瓶颈与再现性难题，构建以数据驱动为核心的新一代生命科学研发基础设施

●传统生命科学实验的痛点分析

蓝皮书解析了影响传统生命科学实验发展的关键障碍，包括效率与通量瓶颈、数据孤岛与管理混乱以及复现性与一致性的不足，并说明这些长期积累的结构性矛盾如何制约生命科学发展效率、可靠性与智能化水平，也正是智慧实验室这一全新范式出现的根本驱动力。更多内容请参见完整版报告。

●智慧实验室的发展目标

智慧实验室的发展目标是以系统性重构的方式，全面提升生命科学研究的效率、标准化水平、数据价值和智能决策能力。蓝皮书系统阐述了智慧实验室的发展目标，核心围绕效率提升、标准化重构、数据价值挖掘、智能决策驱动四大维度展开。更多内容请参见完整版报告。

●顶层设计框架指导智慧实验室的构建

智慧实验室并非一蹴而就地构建完成，而是通过一个由基础到高级、由局部自动化到整体智能化的演进过程推进的。技术体系的每一层都承接并回应着相应的发展目标，构成智慧实验室顶层架构中的关键支柱。蓝皮书内呈现了智慧实验室在五个层级从逐步搭建与集成的路径。更多内容请参见完整版报告。

来源：沙利文分析

●实验室自动化的发展路径

在生命科学自动化版图里，中国企业正沿着“单模块—工作站—系统—智慧”四个迭代台阶迅速铺开。前期以硬件解放人力、规范操作流程为核心，中期通过系统集成实现流程连续化与数据一体化，而最终则依托AI与算法构建具备自学习与自优化能力的科研闭环。蓝皮书系统梳理了单模块自动化、工作站自动化、系统自动化与智慧自动化及其代表产品。中国企业正通过以上技术路径，推动智慧实验室从单点设备升级为系统集成，构建具备自主执行与动态调度能力的新型科研基础设施。更多内容请参见完整版报告。

蓝皮书进一步拓展了AI技术更多生物科技链条的实践图谱——AI技术在合成生物学场景中的精准设计能力以及在基因组学与个性化医疗场景中的数据解读价值，均被系统梳理并呈现于报告之中。更多内容请参见完整版报告。

PART.

中国AI4LS行业发展趋势一览

中国AI4LS行业在产业协作、跨界融合与自主创新的协同驱动下，正加速形成全球竞争力，迈向从技术追随到范式引领的转变

蓝皮书内系统性梳理了以下中国AI4LS行业在产业协作、跨界融合以及自主创新方面的发展趋势。具体内容请参见完整版报告。

产业合作推动AI4LS商业化落地：中国AI4LS企业正通过“验证+协作”、“标准+接口”、“整合+落地”的深度产业合作路径，打通从算法模型到临床应用的关键环节，加速技术落地转化与商业模式构建。

跨领域协同带动平台型企业崛起：AI4S技术的通用性正推动中国企业跨领域融合、多场景复制，众多平台型企业加速崛起，构建起贯通医药、材料、能源等产业的多元化创新生态。

科研、产业、创新三重驱动下的孕育环境：中国AI4LS企业在科研投入、产业基础和创新能力的三重驱动下，正逐步建立起支撑管线开发、自主创新和全球竞争的系统性优势，孕育出面向国际舞台的行业龙头企业。

PART.

部分中国AI4LS领域的企业介绍

蓝皮书汇总了包括镁伽科技、望石智慧、予路乾行、剂泰科技在内的AI4LS领域企业作为案例研究，这些企业正通过其在智慧实验室、药物研发、分子动力学模拟及纳米递送等关键环节的技术突破与模式创新，展现了中国AI4LS领域多元化的技术路径与蓬勃的产业生态。

镁伽科技

镁伽科技是中国机器人技术应用领域领先的自主智能体（Autonomous agents）提供商，致力于为智慧实验室与智能制造场景提供全面的自主智能体及多智能体解决方案。通过高度智能化的软硬件系统，推动行业加速迈向高效、精准、可持续的智能化未来。凭借在人工智能与机器人自动化领域创新性构建的“感知（Perception）、构思（Conception）及执行（Execution）”闭环技术架构，镁伽的多功能自主智能体能够独立执行复杂任务，同时模块化产品组合设计可轻松配置并规模化部署于不同场景，将人力从重复性工作中解放出来，使其专注于实验室与制造场景中的高价值任务，为下一代科研与制造业等领域发展做好前瞻布局。

目前，镁伽正将技术优势与产品创新力应用于生命科学及化工、食品饮料及农业、消费级集成电路、新能源等行业，并持续拓展至更为多元化的战略新兴领域，助力客户建设智能组织、突破技术边界、重塑运营范式，成为引领产业升级转型的关键驱动者与最佳合作伙伴。

望石智慧

望石智慧（StoneWise）成立于2018年，是一家使用人工智能技术驱动新药研发的科技公司。凭借人工智能药物研发底层理论的突破、药物研发数据的深度治理、药物研发行业的沉淀认知和强大的软件与工程能力，望石搭建了能够精准地生成与靶点口袋结构契合的分子或分子骨架的多模态AI 3D分子生成大模型基座。

公司的分子生成模型以GPT/Transformer框架为基础，融合了几何深度学习等算法。该模型还可作为基座模型，合作伙伴能够在此基础上，充分整合自身拥有的数据、认知以及模型等要素，进行定制化迭代。目前，已有近百家药企、科研机构客户日常使用。依托该模型，公司内部自研管线已收获显著成果，其中最快的管线已进入临床一期；同时基座模型衍生出的实体库业务，也在海内外积极扩展中。

予路乾行

苏州予路乾行生物科技有限公司（Divamics Inc.）是一家以人工智能、量子力学及分子模拟算法为核心技术的新药早研企业。公司自创立之初即定位服务全球市场，依托自研的 Divamics 多尺度分子动力学平台与 Biotrajectory 动力学轨迹数据库，以独创的“分子电影”药物设计理念，为生物医药企业提供 AI 驱动的 Hit-to-PCC 一体化药物研发服务。目前已服务国内外50多家医药行业客户，合作推进80余条新药研发管线。公司总部位于苏州，在北京设有计算中心，在新加坡、日本设有 BD 中心。

剂泰科技

剂泰科技是一家人工智能驱动纳米材料创新的生物科技公司，专注于利用靶向药物递送和发现技术，加速患者在重要疾病领域获得创新疗法。公司由美国工程院院士陈红敏博士以及MIT科学家赖才达博士、王文首博士联合创立，已获得国家专精特新“小巨人”、国家高新技术企业等重要资质认定。

公司自主开发全球首个人工智能驱动的纳米递送解决方案提供平台NanoForge，拥有目前全球最大规模千万级LNP脂质库，并基于NanoForge打造了三大核心解决方案：AiLNP（AI核酸递送系统设计平台）、AiRNA（AI mRNA序列设计平台）、AiTEM（AI小分子制剂设计平台）。公司已具备实现肝脏、肺部、肌肉和免疫细胞等8个关键器官和组织LNP精准靶向递送能力，在多器官、多组织靶向递送难题上取得突破性进展，为肿瘤、代谢系统疾病、自体免疫性疾病、神经系统退行性疾病等提供成药机会，也在器官水平上为生命体抵抗衰老提供可能。