大型制药公司为何能与大型软件公司比肩

Eli Lilly 的市值已超过一万亿美元。全球有超过 300 种药物预计每种年销售额将超过 10 亿美元（即“重磅药物”）。1 与此同时，开发一款成功药物可能需要十多年时间，而且大多数候选药物都会失败（进入人体临床试验的药物中，最终获批用于患者的不足 10%）。如果我们能改变这一切呢？

自 2015 年以来，我们一直投资于技术与生物学的交叉领域，支持了 insitro、Formation Bio、BigHat Bio 等 75 多家生命科学初创公司。AI 的最新进展让我们对一个长期看好的市场有了新的兴奋理由。

制药行业有着独特的经济学——在药物开发阶段它是“爆款”生意，而一旦药物成功，它就变成了“年金”生意。AI 可以通过提高成功概率、同时缩短开发时间和降低成本来改变这两者。但为什么是现在？几十年来，研发生产率一直在下降，每花费一美元获批的药物越来越少，但潮流可能终于要转变了。科学领域的 AI 模型正在快速进步。这为向制药公司销售软件、模型和数据的公司创造了机会——但也会催生一批开发自有药物的 AI 原生公司。

除了市场机会之外，还有巨大的人类机会。仍有许多疾病我们尚不了解，更不用说知道如何治疗。我们坚信 AI 将帮助改变这一现状。

1. 为什么制药业如此有价值

制药公司是世界上规模最大、利润最高、最具战略重要性的企业之一。前 30 家制药公司的市值合计约 5 万亿美元。作为参照，有 9 家上市制药公司市值超过 2000 亿美元，与软件公司规模相当——软件行业有 16 家上市公司处于同一规模区间。2

仅 Eli Lilly 一家市值就超过 1 万亿美元，使其跻身历史上由科技宠儿主导的俱乐部。万亿美元俱乐部约有 16 家公司，主要是科技、基础设施和前沿巨头。3 Lilly 在成功推出 tirzepatide 后加入了这一行列，该药是如今广为人知的 GLP-1+ 类药物中的关键药物之一。仅 2026 年第三季度，Lilly 的 GLP-1 产品组合就实现了近 170 亿美元收入，几乎与 Anthropic 当季收入相当。分析师预计，到 2030 年 Lilly 的 GLP-1 产品组合年销售额将增长至超过 1000 亿美元。

制药经济学存在双重性：在药物开发阶段它是“爆款”生意，而一旦药物成功并获批，它就变成了“年金”生意。

制药是“爆款”生意

制药行业最大的成果集中在少数畅销药物上。药物收入遵循接近幂律的分布，排名前 25% 的药物贡献了约 85% 的收入。

对于前 10 大制药公司，约 50% 的收入来自其产品组合中的前 3 项资产。2025 年，Lilly 收入的 63% 来自其 GLP 产品组合。对 Merck 而言，2025 年收入的 54% 来自单一癌症免疫疗法药物 Keytruda。受资源限制，较小的生物科技和制药公司往往更加集中于少数几种药物。

药物是有价值的年金

药品市场既深又多元，如果你做对了，回报规模巨大。最成功药物的年收入可与一些最大的软件公司相媲美。

有少数几款划时代的药物——例如GLP-1受体激动剂以及Skyrizi、Keytruda和Dupixent等生物制剂——其年峰值销售额将达到300亿美元以上。礼来（Eli Lilly）的注射型GLP-1产品组合（Mounjaro和Zepbound）在2025年实现了近400亿美元的销售额，大致相当于软件巨头Salesforce同期收入。

由于专利保护，最成功的药物能连续多年保持市场领先地位。一种药物通常在进入临床前提交专利申请后获得20年的专利独占期。这意味着一种典型药物在商业上市后有10至14年的独占期，并在商业上市后平均6年内攀升至峰值销售额。顶尖药物打破了这一模式：Dupixent是免疫学领域经典的“单一产品中的管线”药物，于2017年上市，2019年销售额突破20亿美元，并在2025年实现近180亿美元销售额，通过不断扩展适应症至更多疾病，持续推动销售额逐年增长。该药物在美国的专利到期日预计在2031年，从而创造出十多年不断增长、受专利保护的现金流。

除了这些“重磅炸弹”之外，还有大量被业界称为“blockbuster drugs”（重磅药物）的药物，每一种的年峰值销售额都超过10亿美元。峰值年销售额将在10亿至100亿美元之间的药物，占当今市场上所有品牌药的29%（根据当前峰值销售预测约为300种药物）。4 约有190家上市软件公司的收入处于同一区间。5

新药如何创造价值

按当今药品销售额计算，三大治疗类别是肿瘤学（占全球药品销售额的30%）、代谢性疾病（18%，包括GLP-1类药物）和免疫学（11%）。6 但如今仍有许多疾病得不到治疗。

总体而言，用新药创造有意义的价值有两种方式：

“First-in-class”（首创）药物，具有新颖的作用机制（例如，首个获批作用于某一特定靶点或通路的疗法，有时用于治疗此前无法治疗的疾病）。
“Best-in-class”（同类最佳）药物，在现有作用机制基础上加以改进，但比先前进入者提供更好的疗效、安全性、给药便利性或持久性。

这两类中都有大赢家（Keytruda是美国PD-1免疫疗法市场的首创药物，而Skyrizi尽管是IL-23类别中第三个上市的产品，却是同类最佳——两者峰值销售额均超过300亿美元，且都是各自类别的主导者）。我们对追求其中一种或两种路径的下一代生物技术领导者感到兴奋：开创全新的药物类别，并让当前的标准治疗变得更好。

除了市场背景（首创 vs 同类最佳）之外，药品市场还常按分子类型（药物的“模态”）来划分。

生物制品（主要是抗体、多肽、mRNA疗法、细胞疗法等）占全球制药收入的42%，包括源自生物来源的疗法，如Humira和Keytruda、胰岛素、可注射GLP-1以及CAR-T产品等细胞疗法。如今大多数生物制品药物以注射和输注方式给药。
另一方面，小分子药物占全球制药收入的43%，包括化学合成的化合物，如阿司匹林、他汀类药物、抗生素，以及突破性抗癌药物，如Revolution Medicines的pan-RAS(ON)抑制剂Rasonque。大多数小分子药物为口服给药。7

在所有药物类别中，AI无疑将在未来几年行业的成功中发挥主导作用。新的人类生物学AI模型有望识别新的疾病靶点，并从远超既往已知药物训练数据集的泛化中获得洞见。在分子设计方面，基于专有数据集训练的AI模型正帮助我们找到可能更安全、更有效、且设计更具创意以满足患者需求的结构。

结合AI在临床试验和商业分销方面带来的效率提升，这可能改变整个制药市场的经济格局，使企业能够进行更多“射门尝试”，提高新疗法在临床中成功并最终惠及患者的几率。

2. AI如何改变药物经济学

过去十年，美国处方药支出增长了一倍多，但FDA每年仍仅批准约40-50种新药。大型制药公司的许多创新来自外部，约三分之二的新药通过收购或授权获得。

内部药物开发历来成本高昂、周期漫长且充满不确定性，不断增加的研发投入往往未能转化为新药批准数量的相应增长。每一个被识别出的有前景的分子都必须经历多年的动物研究、临床试验和监管审查，才能成为可供患者使用的获批疗法，而仅有极小比例（<5%）的候选药物能从药物候选阶段走到FDA批准。将失败药物的成本分摊到各阶段后，开发一种药物的现值（PV）成本接近20亿美元，平均耗时13年，而不断上升的临床试验成本进一步给研发生产率带来压力。

正如Formation Bio团队所预测的，我们很可能正步入一个药物候选充裕的时代。我们看到了在从靶点识别到上市发布的发现与开发流程的每一步中利用AI实现更快、更好流程的机会。这些机会可能包括：对现有学术文献进行推理以帮助挑选和评估药物靶点、利用预测性计算机模型优先选择更可能成功的分子、设计临床试验研究方案、改善患者招募，以及加快FDA申报文件的起草。虽然部分时间线受到FDA的严格监管（例如长期慢性毒理学研究），但我们预计在许多此类步骤中会有大量节省时间和成本的机会。

将一款药物推进通过研发管线需要大量真实世界验证数据。如今，许多制药公司与合同研究组织（CRO）合作，生成实验数据以验证和优化其候选药物，并处理大量临床试验样本。全球CRO市场目前规模为900亿美元，其中300亿美元用于发现与临床前研发，600亿美元用于临床试验。我们预计，随着生成候选药物的速度加快，以及AI实验室寻求更多数据来训练模型，湿实验室需求将激增。我们认为，新一代数据提供商和机器人实验室自动化公司有机会在满足这一需求方面发挥重要作用。

AI可以通过两种主要方式降低药物开发的现值成本：

1）提高成功概率
2）缩短获批时间

两者结合，这些改进可以显著降低开发一款成功药物的风险调整后成本。在某些情况下，这可能使公司能够推进原本可能不经济的治疗靶点和适应症。这还可能使AI原生治疗业务在结构上更具盈利能力，提高研发投入资本的回报率。

制药公司如何估值

大型制药公司的估值框架通常是对成熟药物组合进行贴现现金流（DCF）分析（例如，基于可预测的药物销售所带来的预期未来现金流来对企业估值），具体包括已获批药物和已通过2期临床试验的药物。估值方法的简单概括是：对前瞻盈利（通常是未来多年）采用市盈率倍数，并对仍在临床试验中的药物进行概率加权调整。

通常，公司会获得8-20倍的市盈率，这基于其产品组合中每种药物的剩余现金流年限和独占期。这相当于3-7倍的收入倍数，净利润率为收入的20%至40%。

制药公司的药物发现引擎通常不会获得太多“认可”。

软件企业通过经常性订阅模式直接将其平台变现，通常通过在现有产品之上叠加新产品和功能来实现扩张，从而带来持久增长和终值。相比之下，由于开发周期长且分析师缺乏可见性，处于开发后期的药物在现值基础上通常只是舍入误差。此外，制药公司需要在药物专利到期时不断替换现有收入基础。例如，艾伯维的Humira收入在该药物核心专利失去独占权（LOE）后，从2022年的200亿美元降至2025年的40亿美元。这历来是大型制药公司热衷收购背后的驱动力，因为补充资产管线对于最小化收入波动至关重要。

如果药物发现变得更具可重复性，投资者可能会开始更直接地评估制药公司发现引擎的实力——使其获得更多“估值信用”。我们可以设想行业的未来状态：更类似于科技行业，投资者愿意押注制药公司的 AI 基础设施将帮助其持续开发新药，以替代因专利悬崖而损失的收入，并减少对单一药物特许经营权的依赖。反过来，制药公司对其基础设施层不断增长的投资，可能通过实现更快、更可预测、更持久的增长，改变其商业模式的质量。

认识到技术平台的价值也可能影响生物技术公司的运营方式。历史上，生物技术初创公司开发了业内一些最前沿的技术平台——他们发明了新的发现方法、新的药物模态和用于患者选择的新检测方法。但生物技术公司系统性地被迫降低对平台基础设施投资的优先级，转而推进单个药物资产，这可以理解，因为投资者将所有价值都赋予后者。

随着技术平台借助 AI 变得更具资本效率，“平台估值信用”（这可能降低生物技术初创公司的资本成本），加上更低的发现成本所带来的更多元化组合，可能使生物技术初创公司实现更广泛的管线雄心，并鼓励全行业更多的技术投资。在 a16z，我们与礼来公司共同推出了一只合资基金，名为 The Biotech Ecosystem Fund，正是为此目的。

3. 为什么是现在做 AI

Eroom 定律（“Moore”倒过来拼写）观察到，尽管技术和计算能力有所进步，药物发现却变得更慢、更昂贵。我们相信，Eroom 定律终于找到了与之对等且相反的力量：持续的前沿模型改进。

AI 多年来一直在进入生物技术领域，但最新一代模型正在解锁新的能力。我们在科学推理和分子设计方面看到了早期进展，并且制药公司和前沿 AI 实验室的商业兴趣都在增长。

我们在模型层面看到两个主要的进步向量：

LLM / 推理模型正在加速（并且常常完成）当今由科学家、研究人员和其他知识工作者在整个发现和开发过程中执行的任务。这包括文献综述、实验设计、数据分析、监管申报等等。
分子生成显然正由一波结构预测模型所赋能，这些模型已迅速在整个行业中变得不可或缺。对于生物制品和小分子，这里领先模型的主导类别是基于扩散的模型，它们既能实现从头分子生成，也能优化潜在候选药物。

我们认为，如今 Bio x AI 的市场成熟度已接近 GPT-3 水平，我们对未来 5 年的发展感到兴奋。GPT-3 水平意味着什么？GPT-3 是一个拐点，我们看到单个模型能够在几乎没有任务特定训练的情况下跨许多任务工作。我们开始看到生物模型涌现出类似的能力。

具体到分子生成领域，我们看到两个方向取得了进展：

泛化能力（或迁移能力） = 学习可复用的生物学模式，从而能够在极少或无需任务特定再训练的情况下，跨新靶点和新任务进行预测与设计。
功能性生成 = 创造出能够在现实世界中存在并发挥作用的新型生物设计。其中一些可能挑战人类直觉（例如新型结合表位）。

在分子生成领域，缩放定律似乎依然成立，随着各公司持续在越来越大的实验数据集上训练，它们不断展示出其模型新版本的改进。8

除了模型发布之外，这一代技术也显现出商业势头的迹象。其中，我们看到大型制药公司正以多种合作结构投资于初创企业：

Isomorphic Labs 与 J&J、Novartis 和 Eli Lilly 建立了合作关系，其中包括与 Novartis 价值 12 亿美元、与 Lilly 价值 17 亿美元的潜在里程碑付款协议
Chai Discovery 与 Pfizer、Novartis、BMS、GSK、Roche 和 Eli Lilly 建立了合作关系
Boltz 与 Pfizer、Takeda、GSK 和 BMS 建立了合作关系
BigHat Bio 与 Eli Lilly、J&J 和 Merck 建立了合作关系
Nabla Bio 与 AstraZeneca、BMS 和 Takeda 建立了合作关系
Genesis Molecular AI 与 Gilead 和 Incyte 建立了合作关系
Profluent 与 Eli Lilly 和 BioMarin 建立了合作关系

这些合作是商业界对该技术抱有信心的早期迹象，而下一个考验将是持续的模型改进能否转化为更好的药物进入临床。

我们还看到前沿 AI 实验室对生物学和药物发现的兴趣日益浓厚，这凸显了该领域作为未来重点方向的重要性。从长远来看，这些实验室将扮演什么角色仍不确定。它们当前的模型已经能够增强经验丰富的科学家（例如 GPT-Rosalind），帮助其大规模解读文献和实验数据，并加速处理大量后台事务。但这些雄心似乎正在增长。过去几个月里，Anthropic 开设了一个湿实验室，并宣布开发针对被忽视疾病的自家候选药物。OpenAI 收购了 Orchestra Bio，帮助其为生物技术公司构建更强大的智能体层以执行项目。

最直接的机会是通过将 AI 整合到现有路径中，让制药变得更快、更好、更便宜，正如我们已经在其他知识工作行业中看到生产力工具和推理智能体被采用那样。仅此一项就会对人类进步做出巨大贡献。然而，在最终的前沿，鉴于我们在药物发现模型中看到的进展速度和性能表现，我们打赌我们将看到真正的奇迹：那些此前根本不可能存在的新药。

4. AI 可能解锁的新型生物业务

初创企业如何在这一新的生物 AI 技术浪潮中获取价值？公司可以出售改进药物发现的技术，也可以利用该技术自行开发和商业化药物。第二种方式承担更多风险、需要更多资本，但当然也提供更大的上升潜力。在某些情况下，初创企业会同时追求这两种商业模式。

向生物制药行业以及前沿 AI 实验室出售数据和技术

已有（少数）先例表明，大型企业可以借助这一动向建立起来。Veeva 是规模最大的垂直市场软件（VMS）成果之一，市值达 500 亿美元，与其最大客户签订的合同价值超过 1 亿美元。Boltz 和 Chai 等公司也采用横向商业模式，目前向制药公司销售产品。

在这一路径下，我们看到几类新兴的初创公司：

数据提供与实验室自动化：高质量数据是该行业的一大瓶颈。机器人实验室自动化以及专家数据收集与基准测试有助于解决这一问题。Medra、Tacit、Latch 和 BigHat Bio 等公司目前正在从事这方面的工作。
生物学预测模型：构建模型，在计算机中模拟细胞以及器官乃至患者等更大系统对药物的反应，旨在减少对湿实验室的依赖并缩短反馈循环，以提高临床成功的概率。一些公司正在开发“虚拟细胞”模型；另一些则投资于类器官系统；还有一些正在利用不在公共领域的专有数据集训练专门的预测模型。Axiom Bio、insitro、Noetik、Radical Numerics 和 Inductive Bio 等公司目前正在从事这方面的工作。
科学推理智能体：通过大规模推理学术文献以及公共或私有数据集，帮助识别被忽视的机会，辅助研发流程。这类产品通常是将 LLM 应用于科学领域。Edison Scientific 和 Phylo 等公司目前正在从事这方面的工作。
分子设计：专注于从头药物设计的扩散模型是当今业界采用最广泛的模型。Chai 和 Boltz 等公司目前就在做这件事。此外，人们还在训练新模型，用于免疫原性预测、RNA 和寡核苷酸设计、蛋白质-蛋白质相互作用预测以及许多其他特定模态的设计任务。
模型编排与企业部署：鉴于企业各部门部署 LLM 和领域特定模型的使用场景非常广泛，企业对以下方面的需求日益增长：(a) 帮助团队选择哪些模型用于哪些任务，(b) 用自有专有数据微调模型，以及 (c) 搭建快速强化学习（RL）环境，使模型在单项任务上的表现能够快速提升。这方面的早期应用包括临床试验文档管理和监管文件提交。Valkai 和 Collate 等公司目前正在这一领域开展工作。

构建全栈生物技术公司

我们最感到兴奋的机会之一是垂直整合的治疗公司，它们利用 AI 发现和开发自己的药物，从而从内部开发的资产中获取全部价值。采取这一战略的公司包括 Recursion、Isomorphic、insitro、Xaira、Relay Tx 和 Octant Bio。

这些公司将制药价值链上的端到端能力整合在一起，从生成实验数据和构建专有 AI 模型，到开发自己的药物。我们认为，将这些活动集中在一个屋檐下具有巨大潜力。实验室中的发现可以改进模型，更好的模型可以指导实验设计和候选药物的筛选，而临床试验的结果又可以反馈到这一过程中，最终加深我们对疾病的理解，并改进下一代有影响力的药物。

5. 为什么生物学仍然很难

AI 改变生物学长期以来一直是一个承诺。过去十年我们取得了令人振奋的进展，但我们认为当前的技术发展速度是前所未有的。我们对近期将看到的影响持乐观态度，但也认识到生物学仍然是一个庞大而复杂的问题空间。有一些不利因素值得考虑（或努力解决！）：

数据匮乏的领域：与其他物理 AI 类别（如机器人或自动驾驶汽车）一样，生物学没有互联网规模的训练数据语料库。例如，现有最大的高保真蛋白质公共训练数据语料库是蛋白质数据库（PDB），这是一个公开可用的档案库，收录了过去 50 年间积累的 30 万个通过实验确定的大型生物分子 3D 结构。相对于互联网数据的规模，这微不足道。
生物学是一个高度复杂的系统：设计成功的药物需要深入理解药物试图扰动的多层生物系统。全面建模生物学所需的数据规模是巨大的（可能远大于语言，而且还要加上上述有限的现有数据）。要做到这一点，可能需要重大的架构改进或更本地化的模型。正如 insitro 创始人 Daphne Koller 所论证的那样，如果我们不了解首先应该靶向哪些生物学机制，更好的分子设计未必会带来更有效的药物。
不可验证的领域，反馈循环漫长：与数学或编程等其他领域不同，药物设计或生物学见解目前通常还无法在计算机上（“in silico”）完全验证。药物设计的验证发生在湿实验室中，并最终在人体中通过临床试验进行，而临床试验的监管时间线非常漫长。

我们看到初创公司正在正面应对这些挑战，但这些方法究竟能在多大程度上加速生物制药行业的反馈循环，仍然未知。

很难想象还有比更快、更低成本地开发更好的药物，并构建一台更好的机器来理解和治疗我们能想到的每一种健康状况更具影响力的 AI 应用了。是时候解决疾病问题了——我们很高兴继续支持那些正在努力实现这一目标的团队。

立即订阅

本通讯仅供参考，不应作为法律、商业、投资或税务建议的依据。此外，本内容不构成投资建议，也不适用于任何a16z基金的投资者或潜在投资者。本通讯可能链接至其他网站或包含从第三方来源获得的其他信息——a16z未对此类信息进行独立核实，也不对其当前或持续的准确性作出任何陈述。如果本内容包含第三方广告，a16z未对此类广告进行审核，也不认可其中包含的任何广告内容或相关公司。所提及、引用或描述的任何投资或投资组合公司并不代表a16z管理工具中的所有投资；请访问https://a16z.com/investment-list/查看完整投资列表。其他重要信息可在a16z.com/disclosures查阅。您收到本通讯是因为您此前已选择订阅；如果您希望退出未来的通讯，可以立即取消订阅。

GlobaData分析师共识销售数据

AAPL、MSFT、GOOGL、AMZN、SPCX、META、TSLA、Samsung、PLTR、ORCL、PANW、SAP、NFLX、DELL、CRWD、IBM。不包括总部位于中国的半导体、设备和网络公司

CapIQ

GlobalData

CapIQ

GlobalData，2025年。

GlobalData。此数据仅针对品牌药，不包括仿制药或生物类似药

该基准反映了一组可用模型的选择，并非详尽无遗；值得注意的是，来自Boltz、Chai和Biohub的公开模型以及私有模型版本未包含在内