当AI遇上量子计算：癌症治疗为什么迎来新变量？

五年前，AI制药公司比的是模型。谁的模型更聪明，谁筛分子更快，谁就是明星。但今天，仅仅拥有一个更强的大模型，已经越来越难建立长期优势。因为单点技术的领先窗口越来越短，你做得到的，对手半年后也能做到。真正决定竞争力的，开始变成另一件事——谁能够组织更多不同类型的技术，把它们连接成一个持续进化的研发系统。

2026年7月，WAIC期间，英矽智能战略投资“元码智药”，并联合“沙丘量子”签署三方合作协议，正是这种变化的一个缩影。这项合作不只是投了一家公司、签了一份协议，而是在尝试回答一个更深的问题：AI制药的下半场，技术栈应该长什么样？

所谓技术栈（Tech Stack），是一套能够持续产生研发效率的底层能力组合。它既包括AI模型、计算平台，也包括实验体系、数据反馈机制、递送技术以及临床验证能力。真正的价值，不在于拥有某一项技术，而在于这些能力能够形成持续迭代的研发系统。

一、为什么体内CAR-T成了必须拿下的阵地

要理解这次合作，得先看懂一个产业趋势。

CAR-T疗法是癌症免疫治疗的明星——给病人体内的免疫细胞（T细胞）装上“GPS导航”，精准杀死癌细胞。效果惊人，部分血液肿瘤患者获得长期缓解，甚至达到长期无病生存。据第三方行业研究机构（如Grand View Research、Fortune Business Insights等）估算，全球CAR-T治疗市场有望在2028年达到百亿美元级别。

但传统CAR-T有个结构性缺陷：它是“体外定制”的。抽血→送工厂→基因改造→扩增→冷链运输→回输。全程几周起步，一针费用高达百万人民币。每个病人都是独立批次，没法规模化。所以全行业都在往“体内CAR-T”转向。直接把“改造说明书”送进体内，让T细胞就地完成改装。不用抽血、不用送厂、立等可取。

而元码智药手里最值钱的，是两样东西。

第一，它有一条已经进入人体测试阶段的抗癌管线。

这条管线用的技术很前沿——环状mRNA + 体内CAR-T。你可以把它理解成一份更稳定、更持久的“基因说明书”，能在病人体内直接把免疫细胞改造成“抗癌特种兵”。而且它同时瞄准两个癌细胞靶点，比只瞄一个更不容易让癌细胞“逃跑”。最关键的是，这条管线不是停留在实验室或动物实验阶段，而是已经在少量病人身上开始尝试了（临床IIT阶段）。这意味着它有真实的人体数据在往前推进，不是纸上谈兵。

第二，它有一套别人不容易复制的“精准快递”技术。

环状mRNA再厉害，如果送不进目标细胞，也是白搭。元码智药的靶向tLNP递送系统，就是那个能精准找到T细胞并把说明书安全投递进去的“快递员”。这套系统是体内CAR-T能否成药的关键瓶颈之一，也是元码智药的核心壁垒。

那么问题来了：英矽智能为什么要投它？

因为英矽智能自己有强大的AI设计能力——能设计出更好的环状mRNA序列。但AI设计的东西好不好用，需要在实际场景中验证。元码智药的管线正好提供了这个“测试场”。投元码智药，等于给自己的AI找了一个能快速验证、快速迭代的实战平台：AI设计→实验验证→数据回流→AI升级。形成一个持续优化的正循环。

但药物研发的瓶颈，并没有因为AI而消失，而是在不断向更底层迁移。 即便拥有了环状mRNA和递送系统，真正的瓶颈，很快又回到了计算本身。

二、为什么量子计算被引入

路径通了，但新问题来了。RNA分子的序列设计、结构稳定性预测、折叠效率优化、脱靶风险评估——这些问题的背后，是高复杂度的分子模拟和量子化学计算。在部分高精度分子模拟任务中，对传统超级计算机而言，计算成本会随着体系复杂度迅速增长。量子计算因此被认为可能为部分高复杂度分子模拟提供新的计算范式。

需要特别说明的是：量子计算并不是在所有问题上都会更快，而是在某些高复杂度优化、量子化学模拟等特定问题上，理论上具有潜在优势。沙丘量子所做的，正是将量子计算引入药物分子设计——其异构量子物理引擎（HQL），希望在高复杂度分子模拟、配体-靶点结合能计算等问题上提供新的求解路径。

当然，这一技术方向仍处于持续探索和验证阶段，距离大规模产业应用还有相当距离。但英矽智能将其纳入技术版图的信号意义很明显：它在为下一代计算范式提前布局。

三、AI、量子、新药模态的“技术闭环”

三家的分工极其清晰：

这个合作结构的本质是：用量子计算探索复杂分子模拟的新路径→用AI平台优化环状mRNA设计→用元码智药的实验平台验证→数据回流继续迭代。

它是一个“学习-设计-验证-再学习”的飞轮。而真正有价值的，不是这四个环节本身，而是四个环节之间的数据循环。任何AI生成的结果，都必须通过实验验证；任何实验产生的新数据，又会反过来训练AI模型。实验不再只是研发流程中的一个环节，而开始成为整个数据飞轮的核心节点。AI能够缩短研发时间，但AI并不能替代实验，也不能替代物理规律。它需要更先进的算力、更高质量的数据、更高效的实验平台去共同放大这种效率。数据在各个环节之间流动、反馈、迭代——每完成一次实验，AI都会变得更聪明；AI越聪明，下一轮实验效率就越高。

数据飞轮真正驱动的，不只是算法，而是整个研发体系。对于AI公司来说，数据飞轮意味着模型越用越好；而对于制药公司来说，数据飞轮意味着整个研发体系会越跑越快。未来真正的竞争优势，不再来自单次算法突破，而来自持续产生高质量研发数据的能力。这才是AI制药真正的壁垒：不是单点模型，而是Data Flywheel（数据飞轮）。

四、AI制药正在进入“技术融合时代”

如果把视角拉远，这次合作反映的是一个更大的产业趋势。这种变化并非偶然，过去几年，生成式AI、自动化实验平台、多模态生物数据以及先进算力几乎同步发展，使得原本相互独立的技术开始具备协同演进的条件，这也是AI制药从“单点创新”走向“系统创新”的重要背景。

过去十年，AI制药的核心叙事是“模型驱动”——谁的算法更准，谁筛分子更快，谁就有优势，但这个逻辑正在见顶。因为单点技术的领先窗口越来越短，真正拉开差距的，变成了系统能力。

什么是系统能力？就是能不能把AI、先进算力、新型药物模态、递送系统、实验验证和临床推进串成一条持续迭代的链条。

英矽智能自己的数据已经证明了AI的效率：传统药物发现从立项到临床前候选化合物提名需要2.5到4年，而英矽智能平均只要12到18个月，每个项目只合成60到200个分子（数据截至2026年7月公开资料）。但AI的效率需要被“放大”——靠更先进的算力、更新型的药物模态、更精准的递送系统。

更进一步看，AI制药的竞争阶段也在持续演变。过去十年，AI制药竞争经历了三个不同阶段：

第一阶段，比的是算法。谁找到分子更快。

第二阶段，比的是平台。谁拥有更多实验、更好的数据、更快的验证。

第三阶段，比的将不再是任何一种技术。而是谁能够组织更多技术，让它们共同学习、共同进化。

未来真正的竞争对象，已经不再是某一个AI模型，而是一整套能够持续学习、持续验证、持续优化的研发系统（R&D System）。

未来AI制药公司的价值，或许不再来自某一个算法，而来自其组织整个研发体系持续迭代的能力。这意味着AI企业正在从“工具提供者”，逐渐演变为新药研发基础设施的建设者。

写在最后

今天回头看，AI制药的发展，大致经历了三个阶段：AI辅助研发 →AI驱动研发 →AI组织研发。

如果说过去十年，AI改变的是药物研发中的一个环节，那么未来十年，它更可能改变的是整个药物研发体系。从这个意义上说，英矽智能此次布局，真正值得关注的，未必只是一次投资，也未必只是一次合作。它更像是在提前构建一种新的研发基础设施。

未来的新药，或许不再诞生于某一个更聪明的模型，而将诞生于一个能够持续学习、持续验证、持续进化的研发系统。

AI医疗 · 聚焦产业底层的范式迁移

本文不构成任何投资建议或医疗建议。