21世纪经济报道记者 季媛媛

2026年初春，AI制药赛道在资本的簇拥下持续升温，但一个核心焦虑始终笼罩着行业：究竟是“AI概念”还是“AI制药”？

资本市场不再为单纯的技术叙事买单，转而紧盯着临床验证数据与商业变现能力 。就在这一关键节点，英矽智能（03696.HK） 与Liquid AI的合作成果浮出水面。

3月9日，英矽智能宣布与专注液态基础模型（LFM）的Liquid AI达成战略合作，共同打造面向制药研究的轻量化科学基础模型。双方已推出首个成果——LFM2-2.6B-MMAI（v0.2.1），该模型突破了以往“多个单一功能模型拼接”的路径，以单一模型在多项药物发现基准测试中实现业界领先表现，可覆盖多个关键细分任务与应用场景。

在这项探索中，LFM2-2.6B-MMAI通过将 Liquid AI 卓越的 LFM 架构与英矽智能大模型专精训练平台 MMAI Gym相结合，验证了在本地部署（on-premise）的条件下，系统中覆盖药物发现多流程任务，并取得具备竞争力的表现。

MMAI Gym 是英矽智能于 2026 年初推出的大模型专精训练框架，包括覆盖 1,000+ 药物研发基准测试与约 1,200 亿 token 的制药领域数据。经 MMAI Gym 训练后的 LFM2-2.6B-MMAI 模型可支持 200 余种任务类型，覆盖药物研发多个关键阶段，包括： ADMET成药性质预测、多参数分子优化、蛋白口袋条件和靶点评估、分子药效团推理以及逆合成路径规划等。

英矽智能联合创始人、总裁、中东中心负责人Alex Aliper 博士对21世纪经济报道记者表示，Liquid AI 成为 MMAI Gym 的首个合作伙伴，是对这一全新商业模式的强有力早期验证。这表明我们不仅能够构建由 AI 驱动的药物发现平台来识别创新的疗法，还能在推动大语言模型（LLM）训练、使其进化为“领域专家”方面扮演关键赋能者的角色。随着 LLM 应用加速落地，公司有望在生态中形成不可或缺的 “卖水人”位置。

“MMAI Gym 也进一步拓展了公司的价值边界：通过与更多 LLM 提供方合作，我们期待实现收入结构多元化，非制药业务的商业贡献有望持续提升。”Alex Aliper 博士说。

 从“管线故事”到“卖水人”

在过去几年，AI制药的主流叙事往往与“大规模算力堆砌”绑定。然而，英矽智能此次与Liquid AI的合作成果展示了一种截然不同的路径。

根据公开信息，此次发布的LFM2-2.6B-MMAI模型，参数规模仅26亿，设计初衷并非要在参数数量上对标千亿级通用大模型，而是强调在本地部署环境下的“专精”与“实效”。这种“架构中立”的突破带来的收益是显著的。一方面，性能逆袭。在涵盖药代动力学和毒理学的22项任务中，该模型有13项超越了参数量为其10倍的谷歌TxGemma-27B。在多参数优化基准（MuMO-Instruct）上，其成功率最高达98.8%；另一方面，落地可行。由于仅需26亿参数且支持本地私有化部署，制药企业无需将核心研发数据上传至云端，即可在内部服务器上获得“云端级”性能。

对此，Alex Aliper博士也解释道，Liquid AI 的核心技术是液态神经网络（Liquid Neural Networks, LNNs）。它在“结构”与“推理方式”上都与当前主流大模型采用的 Transformer（如 GPT）存在根本差异。

Transformer 基于注意力机制，将信息切分并计算片段间相关性；随着输入长度增加，其计算与显存开销呈平方级增长，因此在超长序列场景中资源消耗巨大。LNN 的核心思想则更接近生物神经突触：神经参数会随输入信号流动态调整，更强调在动态环境中的自适应与实时处理。Transformer 擅长大规模知识建模，而 LNN 更偏向于自适应、在线式的处理与控制。

MMAI Gym 是一个跨架构的训练场，拥有超过1000项生物医药领域的专精基准和1200亿token的生物医药训练数据，类似一座顶级“专业训练馆”：既能训练 GPT（Transformer）这类“力量型全能选手”，也能训练 Liquid AI 这类“敏捷型选手”。

“高效的液态神经网络模型可以协助科学家高效达成科研目标，进而缩短药物发现周期。对于药企而言，这不仅意味着数据安全性的提升，更意味着算力采购与API调用成本的指数级下降。”Alex Aliper 博士说。

对于英矽智能此次与Liquid AI合作的意义。也有券商医药行业分析师对21世纪经济报道记者指出，英矽智能作为港股“AI制药第一股”，其上市之初的估值更多基于其自研管线（目前已有28个 preclinical candidates）及与复星医药、赛诺菲等巨头的BD合作。MMAI Gym及其与Liquid AI的合作，正在为英矽智能开辟第二条增长曲线，即AI基础设施服务商。

这一战略的价值在于，一方面，收入结构多元化。MMAI Gym的商业模式由两部分构成，一是Gym的授权，二是在Gym内训练形成的基础模型商业化。这使得英矽智能的客户从传统的制药企业，扩展到了AI科技公司；另一方面，高毛利的知识授权。英矽智能拥有超过1,000项生物医药领域的专精基准和1,200亿token的生物医药训练数据。这种“AI训练AI”的模式，本质上是将其过去十年在药物研发中积累的失败经验与成功数据资产化，边际成本低，议价能力强。

“通过开放MMAI Gym，英矽智能与头部LLM开发者（如Liquid AI）在数据与评测层面形成深度协同。正如Aliper博士所言，这能帮助公司获取对新模型架构、推理技术的洞察，与AI行业前沿保持同步。”前述分析师指出。

如何从“技术可行”到“监管认可”？

在资本市场对“单纯管线估值”日趋谨慎的当下，这种“制药纵深+生态赋能”的双轮驱动，或许正是投资者一直在寻找的“抗周期”资产，更可能加速整个AI制药行业的范式转移。

一直以来，传统药物研发深陷“双十定律”，AI的介入一度被寄予厚望。过去一年，AI制药领域投融资活跃、BD（商务拓展）合作密集、企业布局多元，政策与产业共振，推动行业进入规模化发展的“快车道”。

随着模型创新与数据治理的逐步突破，行业也将迎来关键的发展拐点，市场对行业里程碑与核心参与者的关注也日益升温。

国金证券分析认为，从AI药企的角度，随着AI制药行业奇点来临，首个重要时点，必然是人类首个AI驱动研发药物的获批上市。同时，因为AI制药本身是科技跨界的崭新赛道，未来的首个破局者，即可能是AI药企，也可能是传统仿创龙头在AI领域前瞻深耕者，还可能是非药领域的新进科技公司。

不过，前述分析师也指出，尽管此次合作的技术指标亮眼，但AI制药要真正兑现其变革性价值，仍面临几座必须翻越的高山。例如，临床验证的“终极审判”。截至目前，全球尚无AI主导设计的药物完全获批上市，仅少数项目推进至三期临床。英矽智能自身的管线虽然进展迅速，但同样需要面对临床试验的高失败率。正如行业预测所指出的，2026年将是三期临床数据成为“终极试金石”的关键一年。

与此同时， 存在监管审评的“黑箱”难题。在DMPK、hERG毒性预测等专业任务上，AI模型的“幻觉”正在减少，但要直接参与新药申报依然遥远。Alex Aliper博士坦承，目前 MMAI Gym 的训练重点仍在于提升大模型在生物与化学专业任务上的精度与专业性，现阶段尚不能直接替代或生成可用于监管申报的合规文件。

有业内人士指出，美国FDA关于AI的草案指引预计2026年落地，欧盟《人工智能法案》也将生效，届时对于“高风险AI应用”需要提交涵盖模型架构、训练数据及治理机制的详细文档。这意味着AI模型不仅要准，还要可解释、可溯源。这对于依赖复杂神经网络的液态模型而言，是巨大的合规挑战。

此外，面临数据孤岛与质量瓶颈。尽管MMAI Gym提供了1,200亿token的训练数据，但行业普遍面临高质量标注数据稀缺的问题。对于数据开放的问题，Alex Aliper博士指出，Gym 对外提供的数据只占公司整体知识资产的一部分；最具战略价值的资产——如高价值专有实验数据、内部验证算法，以及端到端的一体化发现工作流仍保留在公司内部。与此同时，公司依托 AI 发现管线与实验验证项目持续生成新的专有数据，形成不断前移的“动态护城河”，并非仅凭训练数据可被复制。

“AI 赋能药物发现仍是我们的核心主航道。MMAI Gym 并非替代既有业务，而是形成‘制药纵深 + MMAI Gym 生态赋能’的双引擎。”在Alex Aliper博士看来，前者解决垂直科研问题、积累深科学能力；后者面向更广泛的大模型生态提升底层算法能力并拓宽商业边界，从而在大模型时代更精准地捕捉新增量机会，同时保持 AI 制药领先地位。

从“企业主导”到“生态重构”

当人工智能正以前所未有的速度重塑药物研发的版图时，技术狂奔与行业规范间的鸿沟，传统AI药研评测体系长期深陷“学术化倾向”与“产业落地脱节”的泥沼。多数基准测试依赖公开学术数据集，聚焦于分子生成、性质预测等单一技术环节，却对药物研发从靶点发现到临床转化的全流程复杂性视而不见。

企业主导的基准建设之所以能够引发行业关注并可能促进行业跟随，其核心在于解决了AI药研领域的两大核心诉求：可复现性与实用性。而企业主导的基准建设与跨界合作的兴起，能否最终推动全球药研AI生态从“野蛮生长”向“有序进化”转型？

对此，Alex Aliper博士直言：在 AI 药物研发这类快速迭代的前沿领域，建立一套可被行业共同采用的评测标尺，是衡量技术进步并确保结果可复现的基础。随着 AI 在化学与生物任务中的能力持续增强，行业亟需用标准化方式检验其在分子设计、ADMET 预测、合成规划、多模态生物推理等环节的真实表现。我们推出的基准环境以真实药物发现任务为核心进行设计，更贴近制药研发的实际需求，而非停留在学术化的模型评测层面。

“随着行业不断演进，其他 AI 制药公司、学术机构乃至国际组织也可能陆续推出各类基准体系。”Alex Aliper博士认为，这将有利于生态建设：多元化的评测框架有助于提升 LLM 在生物医药任务中的方法学严谨性与结果可复现性，并推动行业形成最佳实践。但若基准主要源自学术数据集或孤立的计算任务，可能难以覆盖药物发现这一高度复杂、跨学科的全流程。英矽智能的优势在于能将真实研发经验转化为可量化、可落地的评估任务。

英矽智能与Liquid AI的合作，也在向外界传递了一个清晰的信号：AI制药的竞争，正从“参数规模的军备竞赛”转向“工程效率与商业落地的精耕细作”。

通过MMAI Gym，英矽智能巧妙地利用自身数据壁垒，构建了一个向外赋能的技术平台。这既是对冲管线研发高风险的商业智慧，也是推动行业从“手工作坊”迈向“工业化流水线”的关键一步。对于投资者而言，衡量这类合作的价值，关键不在于签约规模或合作名义等传统指标，而在于能否产生可量化、可转化的增量成果。例如，在真实药物发现基准上的性能提升、候选分子从发现到提名的周期是否显著缩短，以及这些算法进步能否进一步沉淀为可复现、可验证的研发产出。

毕竟，当冰山融化时，造方舟的人固然重要，但提供造舟工具的“卖水人”，同样掌握着穿越周期的密钥。