AI独立化浪潮来袭，MNC集体押注！

撰稿｜张晓旭

9月28日，罗氏在Pharma Day2026期间披露重磅信息：公司正在建设AI驱动的自主实验室，并提出AI independence的战略方向。

按照罗氏的规划，公司的Lab in the Loop体系将进一步把AI模型、机器人实验和实验数据反馈等连接起来，让模型能够根据实验结果持续调整下一轮实验与研发决策；到2026年底，预计公司的AI智能体TargetNexus将参与80%的研究组合决策。

过去，跨国药企使用AI，更多是把它作为研发流程中的一种工具：预测靶点、筛选分子、优化临床试验、分析患者数据，或者通过与AI公司合作获得模型能力。如今，越来越多MNC开始尝试把AI从工具进一步变成一种独立的研发生产力。

01

罗氏为什么要推进AI独立？

罗氏过去几年已经在AI基础设施上投入颇多。

2026年3月，罗氏宣布扩大与英伟达的合作，部署2176块NVIDIA Blackwell GPU，使其全球自有及云端GPU基础设施超过3500块。罗氏当时明确表示，这套AI基础设施将支持从药物发现、临床开发到生产和商业化的多个环节，其中在研发端重点支撑Lab in the Loop。

近日，在9月的Pharma Day期间，罗氏进一步把AI举措升级为自主实验室。

传统药物研发的核心循环可以概括为：提出假设、设计分子、开展实验、获得数据、重新判断，高度依赖科学家人工完成。AI可以在其中某些环节发挥作用，比如：辅助预测分子性质，自动化实验平台能提升实验效率，机器人可承担部分重复性工作。

Lab in the Loop的意义在于将这些环节连接起来，以罗氏的自主实验室为例，它把AI模型、内部数据、实验设备、机器人和研发决策被放进同一个循环中，最终形成企业自己的研发操作系统。罗氏还将实验室的自主化程度分为6个等级，目标是实现从AI辅助工作流到实验室整体自主。

罗氏的自主实验室分级，图片来源：罗氏官网

当AI只是作为一款工具时，药企可以直接采购现成模型与软件，或是选择与AI企业合作。但当AI深度介入大量研发管线的项目决策时，企业需要掌握的就不再只有算法本身，还包括核心数据、真实实验反馈，以及由此产生的研发决策结果。

具体到罗氏的业务体系中，AI的权重进一步提升。搭建自主实验室，意味着要打造一套不再依附于单一模型、个别科学家或外部AI服务商的完整研发基础设施。

在这样的实验室里，AI模型提出候选方案，自动化实验平台执行实验，实验结果重新进入数据系统，再反馈给模型，模型据此调整下一轮设计。循环次数越多，企业能够积累的数据越多，AI模型与实验系统之间的联系也越紧密。

AI为研发带来的价值，已有明确数据可以佐证。罗氏公开信息显示，2025年第四季度至2026年第二季度，公司管线决策中约40%由可追溯的AI或计算技术所贡献。公司还提出，预计至2026年底，AI工具TargetNexus将参与80%的研究组合决策。

罗氏建设的自主实验室，将是进一步释放AI研发价值的重要载体。

02

MNC走向不同的AI路径

过去数年里，全球大型跨国药企都在不同程度上推进AI制药：部分选择与英伟达、OpenAI、Anthropic等AI公司开展合作，部分将AI模型嵌入药物研发全流程。

如今，MNC们的AI布局呈现出新的共性特征：AI不再仅仅是研发部门外购的一套工具，企业开始搭建权责清晰的专属组织、专业团队、技术平台，甚至配套专属实验体系。综合来看，大药企的AI独立化实践主要有三条路径。

部分MNC设置AI组织的方式，来源：公司公开信息

一是把AI做成相对独立的研发单元。

这些公司AI拥有相对明确的组织边界，并直接承担药物发现、实验自动化或研发闭环建设。

其中，武田的AI研究加速器AIRx尤其具有代表性。AIRx由一批专门的药物研发人员组成，拥有类似Biotech的自主性，同时获得大型药企的资源，并以此孵化未来的AI驱动研发模式。武田还将AIRx与Discovery Automation & Robotics结合起来，把AI、自动化和实验流程放在同一个研发体系中。

礼来的AI Co-Innovation Lab则与英伟达共同建设AI实验室，双方计划在五年内投入最高10亿美元，重点打造连接计算dry lab和AI驱动wet lab的持续学习系统，并推进机器人和Physical AI。

罗氏更进一步，公司的Lab in the Loop模式已运行多年，近日则直接宣布建设自主AI实验室，从AI模型到实验数据，再到自动化实验和下一轮模型训练，AI开始获得一套相对完整的研发基础设施。

二是建立企业级AI中枢，同时把能力输送到研发。

这类MNC的共同特点，是在公司层面建立AI组织、基础设施和开发平台，同时AI能力向研发、临床、制造和商业等多个业务环节扩散。

例如，阿斯利康已建立Enterprise AI Unit，将AI视为覆盖研发、商业和运营的企业级能力。研发端同时推进AI驱动的药物发现，将机器人、自动化流程和数据整合到药物发现中；公司披露，超过90%的小分子发现管线已经使用AI优化分子设计。

赛诺菲组建了AI Center of Excellence，作为公司全球AI能力中枢，负责AI基础设施、数据能力和可规模化AI产品的开发与部署，并向研发、制造、商业等业务输出AI能力。在药物研发端，AI已被用于候选药物识别、临床试验方案与入组分析、研发项目决策等环节。

三是在研发体系内部强化AI能力。

这一路径下，AI组织嵌入原有的药物研发体系，直接推动研发流程的AI化。

比如拜耳在Pharma R&D内部建立了Data Science & Artificial Intelligence团队，负责AI平台、数据科学和模型能力建设，并提出到2030年通过AI将研发生产力提升40%。

在实际应用中，拜耳已推进AI在发现和设计领域产生了诸多成果：针对四个目标靶点进行从头设计（de novo）的小蛋白质结合体设计，设计成功率达到100%，周期缩短至约八周；基于计算机模拟的抗体人源化筛选出的初筛有效分子，其免疫原性风险降低了20%至60%，表达水平提升了20%至40%，同时亲和力基本保持不变；基于ADMET的机器学习，在考虑的大约40亿个分子中，专注于合成了约2000个具有药代动力学可行性的分子，使外排性能改善了90%以上。

尽管各家企业落地AI的组织架构与发展目标各有差异，但一个趋势已经很明确：跨国药企持续提升AI在药物研发体系中的战略地位，推动AI从单点应用工具升级为企业核心组织能力。

这一趋势下，研发数据、AI模型、算力基础设施、自动化实验系统与研发决策机制正在被重新整合，AI相关团队逐步成长为具备独立资源、自主技术能力，且深度参与研发决策的核心业务单元。

03

繁荣背后，价值真正显现尚需时日

对于大型药企而言，把AI从一个普通数字化项目提升到独立组织的地位，能带来诸多优势。

首先，它能解决资源统筹问题。

传统MNC研发体系庞大，研发项目、数据、实验设备和决策流程分散在不同部门。AI若只是作为一个工具，容易变成局部优化：某个团队用一个模型，另一个团队采购另一套系统，最终彼此割裂。

独立AI组织可以集中人才、算力、数据和实验自动化资源，并形成统一的平台，统筹全局的AI能力应用。

其次，独立组织可提升决策效率。

AI药物研发需要优化的不只是某一个模型的准确率，更包括整个设计—实验—反馈循环的速度。如果AI部门能够直接调动实验自动化平台，并对研发项目拥有更直接的决策权，模型产生价值的路径会更短。

最后，企业可积累自身的“数据飞轮”。

模型本身可以购买，通用算法也可以快速迭代，但企业内部真实实验产生的数据、失败数据、项目决策数据以及临床数据，很难通过采购获得。

例如，拜耳的TargetQuest平台验证了数据积累的巨大价值。公司将患者层面的疾病数据与文献知识、临床数据进行整合，通过数据变换、因果关系提取，形成持久化的机器学习数据整合引擎，可用于支持跨治疗领域的治疗假设发现。

对于拥有几十年甚至上百年研发沉淀的MNC来说，积累数据资产、构建自身“数据飞轮”尤为重要。

当然，独立组织也可能面临明显短板。

例如，要如何与传统研发体系协同仍是难题。

AI团队追求模型迭代速度，药物研发则受到实验周期、临床试验、CMC、监管和医学判断等多重约束。AI系统运行得更快，并不意味着整个药物研发链条都可以同步加速。

AI模型参与研发决策之后，责任边界也会变得更加复杂。

如果AI判断一个项目应该推进，最终却在临床阶段失败，问题究竟来自模型、数据、实验设计，还是研发人员对AI建议的理解？赛诺菲仍然强调human in the loop，就说明人的决策仍然处于不可替代的关键位置。

更重要的是，AI能否最终转化成更高质量的药物管线，仍然需要时间验证。

目前，MNC们公布了AI覆盖率、模型数量、GPU规模、自动化实验数量，也有的展示了AI参与的研发决策比重，但这些指标与最终的新药成功之间仍然存在很长的距离。

罗氏此次提出AI independence和自主实验室，意义在于将MNC的AI应用能力竞争推向新高度。不过，这场竞争能否真正带来更多创新药、更短研发周期和更高临床成功率？仍需未来真实的研发结果来回答。

在Pharma Day2026上，罗氏还提出2030年将实现最多20个新分子实体的目标，AI与自主实验室能在其中贡献多少力量，也值得期待。

*封面图片来源：神笔PRO

秒追医疗健康产业创新

声明：动脉网所刊载内容之知识产权为动脉网及相关权利人专属所有或持有。未经许可，禁止进行转载、摘编、复制及建立镜像等任何使用。文中如果涉及企业信息和数据，均由受访者向分析师提供并确认。

点喜欢