DSP-1181作为首个由AI设计进入临床的分子宣告失败，AI医疗产业链的上下游关系将从“卖算法”的浅层合作，转向共担风险的深度绑定，但产业链的底层分工结构不会发生根本改变。
DSP-1181的临床失败，是AI制药（AIDD）从狂热回归理性的标志性事件。它揭示了一个核心事实：AI在药物研发中目前仍扮演“相对辅助”的角色，而非颠覆者。这一认知将直接重塑AI医疗产业链上游（数据与算力）、中游（AI研发与IT企业）和下游（传统药企）之间的协作逻辑——单纯的软件售卖或算法授权模式难以持续，取而代之的将是风险共担、利益绑定的新型商业合作。
失败案例背后的产业链现实
DSP-1181的挫折并非孤例，而是当前AI制药行业积累训练期的缩影。根据浙商证券对全球80条获批临床的AI药物管线的统计，推进至III期的管线仅占5.0%，而运用AI发现全新靶点的管线占比仅为4.0%。这意味着，即便AI技术能显著缩短研发周期（普遍认为可降低一半研发周期、减少10%研发投入），但药物研发的本质风险——尤其是临床阶段的失败概率——并未被消除。
这一现实促使产业链各方重新审视自身定位。当前全球参与AI药物研发的大型药企超过56家（含逾36家传统药企和20家CRO企业），AI制药初创企业超495家，互联网头部企业超31家。庞大的参与者数量背后，是商业模式的分化与重构。
从“卖软件”到“共担风险”的模式演进
产业链的调整首先体现在商业模式上。目前AI制药主要存在AI SaaS（售卖软件）、AI CRO（售卖研发服务）和AI Biotech（自主研发药物）三类模式。行业趋势判断显示，单纯的SaaS软件服务模式未来会逐渐消失，企业将向AI CRO和AI Biotech转型。
这一转型的本质是风险责任的转移：
- 上游（数据供应商、云平台）：数据集仍是关键竞争壁垒，云计算平台保障算力供给。但下游客户将不再仅为“工具”付费，而是要求数据质量与预测结果的可验证性。
- 中游（AI研发企业、IT企业）：从“交付算法”转向“交付结果”。AI CRO模式要求企业为研发成败承担更多责任；AI Biotech模式则让企业直接面对临床风险，以差异化临床价值而非技术炫技为核心。
- 下游（传统药企）：作为直接需求者，药企将更审慎地选择合作伙伴，倾向于与能共担临床风险、具备全链条能力的中游企业深度绑定。
产业链协同的新方向
面对DSP-1181的教训，产业链协同正从两个方向深化：
其一，向临床阶段延伸。 临床试验是新药研发中耗时最久、资金花费最高、最容易出问题的环节。已有AI公司介入患者招募工作，通过匹配医疗记录与受试药物信息提高效率；也有公司利用公开临床数据帮助判断试验成功率。这标志着AI的渗透正从临床前走向临床中后期。
其二，聚焦差异化价值。 对AI制药而言，开发具有差异化临床价值的产品比AI技术本身更重要。产业链上下游的合作将更多围绕未满足的临床需求展开，而非盲目追求技术先进性。
常见问题
DSP-1181失败是否意味着AI制药路线走不通？
不是。DSP-1181的失败说明AI制药仍处于积累训练期，AI在药物研发中目前主要起辅助作用——全球获批临床的AI管线中，运用AI发现新靶点的仅占4.0%。失败案例将促使行业更理性地看待AI的边界，而非否定其缩短周期、降低成本的价值。
产业链重构对上游数据供应商有何影响？
上游数据与算力仍是关键竞争壁垒，但需求方将更看重数据的临床验证价值。随着中游企业向AI CRO和AI Biotech转型，单纯的数据买卖会向“数据+验证”的深度合作演变，数据供应商可能需要与下游共享研发风险与收益。
传统药企在重构中处于什么位置？
传统药企是AI药物研发的直接需求者，始终处于产业链下游的核心地位。重构后，药企将更倾向于与能共担临床风险、具备全链条能力的中游伙伴合作，而非采购一次性算法服务。同时，药企自身也可能通过自建或并购增强AI能力，从而改变现有的外包协作格局。