医药行业AI4S（三）：因果数据——机制理解瓶颈突破口，AI+生物数据新基建正崛起

　　投资要点 　　AIDD(AI-driven Drug Discovery，AI加速药物发现)新周期开启：此轮和上一轮有什么不一样？1）主要经济体同步加码AI for Science，AI制药正逐步成为AI巨头公司的战略主航道。2026年以来，谷歌/Anthropic等巨头将AI制药视作公司未来的重要增长引擎；2）AI逐步深度参与MNC药物研发整个周期。3）投资新潮初现：以训练下一代AI大模型为目标，工业化大规模产出扰动干预湿实验数据，搭建AI数据基础设施。 　　AI制药新周期核心竞争力：大规模高质量有效数据。只依托存量公开数据迭代模型，边际收益持续下降。AI驱动药物研发阶跃式进步极度依赖于高质量湿实验数据，而其绕不开的是对疾病机制的理解。我们看好虚拟细胞（AIVC）成为揭示细胞系统的“编程语言”的接口，带动AI+生物基础设施建设。1）需要什么样的数据？行业存量数据大量是观测类数据只能得到相关性结论，建立因果关系需要大量干预/扰动实验数据。动态状态是构建具备真实推演能力模型的关键，是支撑AI虚拟细胞实现动态仿真的核心数据底座。2）现存数据缺口大，专业化数据生产商正快速崛起。当前可用高质量带标签扰动数据集，相比理论需要还差约1000倍，因此自建实验平台建立干预/扰动实验数据是下一代AI模型竞争中的必要条件。数据供给端已经形成多元参与者矩阵：单细胞测序企业是重要数据来源、类器官与器官芯片企业可产出贴近生理环境的细胞实验数据、蛋白质组学企业依托自研质谱平台，产出转录组难以覆盖的功能蛋白、完整的磷酸化修饰数据，部分生物医药企业也开始对外输出临床数据资产。单一模态数据很难完整还原细胞复杂运行逻辑，多组学融合的数据集合可以有效降低模型的认知偏差。 　　投资展望：1）湿实验需求的确定性。发挥AI在生物学领域的全部潜力，必须产出大量全新湿实验数据；为数据瓶颈环节对应的工具栈带来长期利好。2）AI对CXO影响：CXO公司一致认为AI制药将提升候选分子数量，增厚上游客户管线，拓宽疾病覆盖领域并提升相关临床/临床前研究复杂度，从而带来外包需求的提升。过去经验显示，药物研发技术革新，工具效率提升，药企研发总投入持续上行。如果AI驱动研发投入能够带来更高回报，药企整体R&D总开支反而进一步扩张。 　　风险提示：AI制药模型研发进度不及预期风险；投入制药领域的资本开支不及预期风险；市场竞争加剧风险；地缘政治风险；政策变动风险。