本文对AI制药行业进行了全面分析，指出AI制药是重构医药研发效率的基础技术体系，已初步验证在靶点发现、分子设计等早期研发环节的效率提升，但临床成功率提升尚未充分证明。文章详细介绍了AI在靶点发现、蛋白质结构预测、小分子生成、表型筛选、蛋白质设计、临床试验优化和自动化实验室等环节的应用，分析了软件授权、研发服务、联合研发、自主研发和混合五种商业模式，梳理了行业主要参与者，并指出生物学复杂性、数据质量、临床试验周期、监管和资本消耗是主要瓶颈。最后，文章提出行业竞争将围绕模型能力、数据资产、实验闭环、临床转化和价值捕获五层展开，并给出了投资角度的分析框架和行业阶段判断。
本文通过采访一位硅谷AI创业公司创始人，探讨了闭源与开源模型竞争、中美模型竞争以及Anthropic与OpenAI的竞争格局。受访者认为，闭源模型的壁垒在于数据、上下文和个性化带来的数据飞轮，而开源模型更适合低上下文、低记忆、价格敏感的场景。在高价值场景中，模型智能差异比价格更重要。开源模型目前主要靠蒸馏闭源模型，天花板受限，反超可能性较低。未来竞争的关键在于人才密度、资金和市场，以及是否出现范式突破。
本文深入探讨了 AI 领域中备受争议的“蒸馏”技术。文章追溯了蒸馏从最初的模型压缩方法到如今被用于“蒸馏攻击”的演变过程，分析了其技术原理、规模化实现方式以及引发的伦理与竞争争议。通过访谈多位研究员，文章揭示了蒸馏并非简单的复制，而是涉及复杂系统工程，且不构成长期壁垒。同时，文章也讨论了蒸馏与数据飞轮的关系，以及行业对黑盒与白盒蒸馏的不同态度，呈现了这项技术背后的商业、伦理与竞争图景。
北大教授、前字节跳动算法专家张驰分析中美AI现状。他指出国内大模型存在“应试刷榜”、基础算力设施薄弱、高质量数据飞轮断裂等问题。因国产模型体验差距，顶尖开发者纷纷流失至美国产品，导致数据反馈闭环恶化；过度依赖模型“蒸馏”也限制了原创能力。尽管在硬件和具身智能领域尚存优势，但在纯软件领域的整体差距恐将持续扩大。
