医药创新的竞赛，向来是一场关于时间、金钱与风险的残酷马拉松。“十年+十亿美金=一款新药”的“双十定律”，是无数药企难以挣脱的魔咒。
为探寻破局之路，1月27日，E药经理人联合钉钉，以及协办单位安恒信息、影刀RPA、深维智信，在上海举办“2026医药钉峰会暨E药经理人首届AI大会”，以“AI重塑医药生产力”为核心，汇聚产学研各界代表，直面产业最紧迫的议题。
峰会上下午场分别由舶望制药IT负责人史俊和医药行业数字化转型专家，微解药《AI半月谈》《张蕊会客厅》栏目主理人张蕊主持。邀请钉钉商业总裁杨猛，中国医药企业管理协会副会长、E药经理人系列媒体出品人谭勇，西湖大学讲席教授、前创校副校长许田，云南白药集团数字战略科学家、云南白药数智科技公司总经理李少春，钉钉大健康行业总经理韦亚伟分享行业洞察。
同时，峰会还邀请信达生物生产运营部钱骏，昭衍新药市场部温慧霞，仙乐健康数字化部门韩冰，乐普生物信息技术部毛磊分享实践经验；影刀市场VP，医药大健康负责人诺拉，深维智信CEO韩三普，安恒信息高级副总裁杨勃分享落地案例。
此外，峰会还特别设置三场圆桌讨论，由钉钉行业总经理李伟，圣和药业董事长王勇，振东制药总裁王锐，海枫生物董事长、上药集团原总裁左敏，深势科技创始人、CEO孙伟杰，恒瑞医药董事、执行副总裁张连山，普瑞基准创始人、CEO季序我，维亚生物上海首席执行官任德林，信达生物制药集团高级副总裁孙兴，诺纳生物首席执行官洪涤，赛菲尼医药董事长黄予良，成都先导战略规划副总裁窦登峰，钉钉大健康行业总经理韦亚伟、壹生检康创始人、CEO王强宇，康弘药业副总裁殷劲群分别就AI的产业进阶、重塑新药研发范式、从临床到商业化的全链路变革三大话题展开深入讨论。
会议共识指向一个清晰的未来：“AI+”浪潮正在悄然改写这场马拉松的规则。它不仅能让药物发现从“大海捞针”变为“精准导航”，更关键在于，它能否在新药价值兑现的“最后一公里”——从临床到商业化的惊险一跃中，真正成为颠覆性的“加速器”与“稳定器”？在临床研发的深水区，AI如何直面数据、算力与信任的挑战？在商业化的关键战场，中国能否孕育出自己的“OpenEvidence”，让创新药不仅被发现，更能被精准、高效地送达每一位需要的患者手中？
01 AI+新药研发将改变临床“战场”？
在新药研发的早期，“干湿结合”已成为AI赋能的核心模式。与会嘉宾指出，通过“利用基于物理的分子采样，与生成式AI有效结合”，能够在“短短几周内探索海量的分子空间”，设计出传统方法难以发现的新颖结构。这大大加速了先导化合物的发现进程。例如，有企业通过其AI平台，将虚拟筛选规模提升至“万亿”级别，并将苗头化合物的发现成功率推高至约80%。
“对药物研发中后期风险的预测是至关重要的。”这一警示背后，医药行业得出“十年+十亿美金=一款新药”这一“双十定律”的惨痛案例。2007年前后，辉瑞因核心产品在III期临床阶段折戟，直接关闭了其位于美国密歇根州安娜堡的核心研发中心，超过两千名科研人员受到影响。这一事件至今仍被反复提及，成为传统研发模式下，失败成本在后期呈指数级放大的标志性事件。
也正是在这个意义上，AI在临床研发中的角色开始发生位移。
有嘉宾指出，AI正被用于早期预测候选药物的药代动力学性质、毒性及免疫原性等关键指标，旨在从根本上改变这种“赌注式”的研发模式。以抗体药物的“聚集性”问题为例，传统动物模型转化性差，难以准确预测人体反应。有企业就基于此建立了AI预测平台，能够有效评估抗体发生聚集的倾向，从而在早期淘汰高风险分子，避免将巨大资源投入后期可能失败的临床阶段。
而在临床开发阶段，AI的应用正在向更深层次延伸。针对临床疗效不佳的药物，通过AI工具系统性分析药物在人体内作用的复杂网络，从海量基因组学数据中寻找影响药效的关键生物标志物，进而实现患者的精准分层，提升临床试验的成功率与药物价值。有嘉宾分享，借助AI工具，原本需要9个人工作一年的基因数据分析，现在6周左右即可完成类似规模的工作，效率提升显著。
不过，尽管前景广阔，但AI在临床研发中的深入应用仍面临一系列严峻挑战。
多位与会嘉宾指出，AI的三大支柱是“数据、算力和算法模型”，其中，高质量、结构化、标准化的数据是首要基石。
目前，无论是实验室科研数据，还是医院真实世界临床数据，都存在质量参差、标准不一、孤岛林立的问题。例如在小分子领域，约50%的靶点缺乏明确三维结构信息；而大分子和抗体领域，可用于模型训练的高质量、大规模实验数据依然稀缺。
而当AI向复杂临床决策支持迈进时，对算力和模型也提出更高要求。例如，实现诊疗对话类的深度临床决策，需要多轮推理和复杂分析，其算力消耗可能是简单问答的“十倍到二十倍”。同时，医学领域容错率极低，要求模型结果高度精准、可解释且符合伦理。解决大模型幻觉问题，确保推理过程基于临床指南、权威文献等可靠医学证据链，是产品被医生接受的关键。有嘉宾指出，临床决策支持类大模型需做到99%以上的精准度，在无法确定时要敢于坦言“不知道”。
当然，在跨越挑战的过程中，仍然需要不同领域人才的高度融合与协同。
AI引入后，传统生物学、医学专家与计算科学、数据科学专家需要深度融合。产业界共识是，AI并非替代人类专家，而是赋能工具。在决策边界上，不同企业有不同的“管理哲学”：在前期探索性强的发现阶段，可开放让AI生成多样化选项甚至提供决策建议；在涉及重大资源投入、临床方案制定及监管申报等环节，最终决策权必须掌握在人类专家手中。“药物研发，有时就是一场赌博，一些人的经验是最重要的。” 一位嘉宾如此评价。
此外，监管框架对AI技术的适应相对缓慢，AI参与研发决策的可追溯性、算法公正性等，都需接受严格监管审视。
不过，现场嘉宾仍然达成了一个共识：未来，AI在新药临床研发中的角色将愈发核心与立体。例如，自动化实验室（Automation Lab）的兴起，不仅是为了提升实验效率，更是为了以标准化、高通量的方式生成用于喂养和迭代AI模型的高质量数据。AI模型根据这些数据进行优化，再指导自动化实验进行验证，形成一个自我强化的飞轮，加速从假设到验证的科学循环。前不久，礼来与英伟达的合作就验证了这一趋势。
在AI+新药研发的应用方面，应用场景也将从研发后端向前端延伸。与会嘉宾指出，除了分子发现和临床优化，AI在转化医学、疾病机理研究、新型生物标志物发掘等方面的潜力巨大。尤其是在真实世界研究（RWS）和真实世界证据（RWE）生成领域，随着数据质量的提升和合规路径的清晰，AI有望在适应证拓展、上市后研究等方面发挥巨大作用。有嘉宾展望，“未来眼科、肿瘤等专科领域，或将出现一系列深度垂直、精准可靠的专用AI模型或智能体。”
02 能否诞生中国版OpenEvidence？
当AI在新药研发领域高歌猛进之时，其商业化的“最后一公里”——如何让创新药更高效、精准地触达医生与患者，并实现其市场价值，同样成为焦点。
例如，在美国市场上，OpenEvidence作为AI+医疗领域的新星，其成功的商业模式为行业提供了重要的参考。该公司利用大模型技术，在医疗信息处理、临床决策支持等领域实现了突破，短短两年时间估值便达到120亿美元。
因此，在中国市场的医疗生态下，能否以及如何诞生自己的“OpenEvidence”，是业界共同思考的命题。
回到OpenEvidence的成功路径上，其核心在于利用大模型技术，深度理解和处理海量医学知识，为医生提供实时、精准、可溯源的临床决策支持。它在极短时间内获得了大量医生用户和高频使用，其价值迅速得到验证。这揭示了一个趋势：AI在医疗商业化的核心价值，正从传统的营销工具，转向成为医生临床工作中不可或缺的“智能伙伴”。
这种转变能够为药企的商业化进程提供直接赋能。因此，一位与会嘉宾提出大胆假设，当AI工具深度渗透临床诊疗场景，实现对疾病分期、分型、并发症及治疗需求的精准识别后，药企将得以开展前所未有的精准医学教育、产品信息传递与市场活动匹配。以减重门诊场景为例，AI可基于诊疗数据，自然且精准地匹配对应的治疗药物。这种变革带来的不仅是运营效率的提升，更是药企商业模式从传统 “广撒网” 模式，向精细化、精准化深度服务模式的进阶。
然而，将这一模式在中国市场落地，也面临一系列独特挑战。
在医生端，从辅助诊疗到信任就要走过漫长之路。与会嘉宾指出，中国医生对AI工具的态度普遍谨慎。他们不仅要求结果准确，更关注其临床思维是否符合复杂现实，是否具备落地可行性。嘉宾分享了一个深刻案例：即使AI诊断建议在医学上完全正确，资深医生也可能基于患者年龄、家庭意愿等综合因素做出不同决策。
因此，中国版的产品不能仅仅是“冰冷的精准”，更需要理解并融入中国特色的医患沟通与临床决策逻辑。如何跨越从“有用工具”到“可信赖伙伴”的鸿沟，是首要挑战。
而对于制药企业而言，也面临着内部组织变革与一线赋能的难题。对于拥有庞大销售队伍的药企，如何让一线代表真正用好AI工具，是一大管理课题，简单推行往往收效甚微。有企业分享了实践经验：通过建立内部使用排行榜，将AI工具使用频率与区域客户覆盖深度挂钩，并让优秀团队分享经验，形成正向激励。他们发现，工具使用活跃的区域，往往与业务成果正相关。
与会嘉宾一致认为这一案例极具参考价值，AI商业化赋能必须与一线业务人员的实际工作流深度融合，并配套有效的管理机制与激励体系。
当然，关于AI产品在医疗领域的落地，难以回避的问题是，医疗领域专业壁垒极高，通用大模型极易产生幻觉，难以满足临床级的精准与安全要求。
对此，与会嘉宾的共识是，“你需要在每一个科室都有 IP”。这意味着“AI+医疗”产品必须走垂直化、专科化道路，在特定疾病领域深耕，结合高质量专病数据、医学知识图谱和临床路径，打造高度可靠的专业模型。技术架构上可采用混合模式：用专业小模型处理意图识别和初步推理，再调用大模型进行语言生成与整合，最终输出严格依据医学证据链，确保精准可控。
总而言之，中国版OpenEvidence的诞生，绝非一家公司可以独立完成，它需要药企、AI技术公司、医疗机构和数字化平台方的深度协同共创。
与会嘉宾的讨论主要集中在三条路径：
第一，共创行业专属模型。未来趋势是与钉钉等AI平台合作，将药企积累的结构化产品知识、医学资料、专家共识等“私有知识”与通用模型结合，训练出医药行业甚至药企专属的 “领域模型”，提升内部培训、医学信息查询、市场资料生成等方面的效率与准确性。
资源有限情况下，AI+商业化投入需战略聚焦。多位嘉宾的观点提供了方向：一是赋能一线业务洞察，利用AI分析市场数据、文献，生成客户洞察，辅助代表制定精准拜访策略；二是深度服务关键客户，利用AI工具帮助医生设计临床研究、梳理文献、管理患者，从销售产品转向提供解决方案，构建深度伙伴关系。
例如，影刀RPA通过自动化技术，帮助药企实现政策情报自动抓取、新媒体营销数据整合乃至AI搜索优化，在于部分本土企业的合作中已实现了“运营成本降至十分之一，效率提升十倍”的突破。深维智信则通过AI构建“虚拟客户”，对销售代表进行沉浸式、可量化的沟通训练，在其与药企的合作实践中显著提升了代表学术推广能力与考核成绩。安恒信息也从安全底座角度切入，为医药AI营销提供数据与隐私保护方案，确保在合规前提下推进智能触达与内容生成，筑牢商业化落地的信任基础。
这些实践表明，AI正从“赋能个体”与“重构流程”两个维度，切实推动营销体系向精准化、自动化演进，成为药企穿透商业化“最后一公里”不可或缺的实战能力。
最重要的是，提升全员AI素养。正如一位嘉宾所言，在预算有限时，首要投资可能是“横向地把全员的AI素养提升起来”。只有当市场、医学、销售等各个岗位的员工都了解AI能做什么、如何为其所用时，由业务需求驱动的、自下而上的创新场景才会源源不断地涌现。这是一个“从业务中来，到业务中去”的循环。
因此，当提出“能否诞生中国版OpenEvidence”这一核心拷问之时，答案并非简单的“是”或“否”，而在于如何走出一条符合中国医疗生态、解决中国药企真实痛点的特色之路。这条路要求AI产品不仅精准，更要“有温度”；不仅是一项技术，更要能驱动药企内部的组织协同与流程再造；不仅要单一产品，更要融入整个医疗数字化生态。
