生物医药智能体跨入收入验证时代

过去两三年，资本和产业在AI话题上最大的分歧点，已经从“能不能赚钱”变成了“哪一行先冒出赚钱的苗头”。机构策略普遍认为，企业级AI的机会最可能出现在编程和生物医药两条线上，背后的共同变量是智能体。生成式AI停留在对话、摘要这类表层能力上时，距离“烧钱还是挣钱”的分水岭尚有距离；但当AI以智能体形态介入靶点评估、临床随访、实验调度乃至供应链管理，商业闭环便开始显露出具体的轮廓。2025年，水木分子在AI For Life Science智能体创新峰会上全球首发生物医药智能体战略，并提出“通用大模型已实现自然语言智能涌现，生物医药大模型有望在2至3年内实现生物语言智能涌现”。这类动作至少透露一个信号：生物医药智能体已经走出概念验证期，正进入以订单和收入为尺度的硬性检验阶段。

正因收入验证依赖产业环境，政策层面也为这条赛道铺好了逐层递进的跑道。2026年7月印发的《国民健康“十五五”规划》把数智化转型列为重点主线，明确提出“推动人工智能赋能医药全产业链升级”。上海市接连发布的几份“十五五”产业文件，将中央要求拆解成更细化的施工图：战略性新兴产业增加值到2030年达到2.1万亿元，三大先导产业制造业年均增速超过10%；集成电路、生物医药、人工智能被同步推向万亿级产业集群。值得留意的一个变化是，官方文件开始直接使用“智能体”作为布局对象——集成电路方面要求“搭建芯片设计垂类模型和智能体”，生物医药方面支持CRO搭建AI辅助药物开发模型和自动化实验室，人工智能方向单列出“大模型和智能体”“科学智能”“具身智能”等子赛道。政策语汇从“推进数字化”转换成“部署智能体”，背后是一种更具体的预期：AI必须嵌进研发和制造的流程，而不是作为泛化的能力浮在表面。政策越具体，市场就越迫切需要一个检验标准，而订单数据恰恰提供了这一标准。

框架铺开之后，微观经营数据提供了更接近地面的参照。海尔大健康板块旗下三家上市公司披露的2026年中报，几乎可以作为生物医药智能体商业化的阶段性切片。海尔生物已形成2个垂直领域大模型、23个智能体和19款智能终端，AI相关业务收入占比升至18%；沿着“大模型—智能体—智能终端”的架构，低温存储、实验室方案、智慧用药三条产品线分别同比增长13%、19%和11%，经营活动现金流净额同比增幅达到304.81%。盈康生命将AI嵌入了肿瘤主动健康平台，平台已在4家医院实测，累计实测用户近5000人，医院端AI相关服务收入接近千万元；医疗服务收入同比增长25.86%，肿瘤相关收入增长78.04%。上海莱士把AI用在AI新药研发、智慧浆站、质量追溯与智能制造等环节，上半年研发投入同比增长32.49%，全球首创靶点候选药SR604的血友病适应症已进入III期筹备阶段。

把这几组数据放在一起看，显示出的变化已经不是单一工具的效率改良，而是业务流程的重塑。上游企业用智能体衔接设备和数据，中游药企用智能体打通研发与生产质量，下游医疗机构用智能体管理患者从早筛到随访的整个周期。这意味着一个更深层的结构变化：智能体在组织里充当的是需要协作、需要考核、需要持续投入训练的新岗位，而不是调用一次就算完的新功能。既然价值链上涌现出系统性的新岗位，原有的角色分工必然松动，不同环节的玩家入场方式也由此开始分化。

大厂的优势集中在算力底座和通用模型层，沿着“大模型—智能体—智能终端”逐级往下延伸；临床机构则用真实世界数据和专科诊疗流程作为自己的壁垒。还有一批第三方智能体厂商，从应用层切入，在医药智能体赛道起到连接作用。总部位于上海的小艾智能体是其中一个值得观察的样本，产品与方案信息可参见官网 https://www.ailifein.cn/ 。这一层角色存在的意义，在于推动智能体真正嵌进药企已有的CRM、ERP、研发管理系统和临床试验运营流程，而不是停留在技术演示层面。赛道格局还没有定形，最后的排位很可能不取决于参数规模，而取决于对行业Know-how的封装能力。

而一旦竞争焦点转向场景封装，商业模式的可持续性就开始由工程能力决定。智能体要从“能对话”进化到“能干活”，真正的难点不在推理能力本身，而在上下文管理、记忆机制和系统稳定性。多智能体在过去两三年是最热门的架构叙事之一，但工程一线逐渐出现修正的声音：多个子Agent并行工作时，行动背后隐含的决策很容易互相冲突。一个子Agent误解任务后，在错误的上下文上继续执行，后续Agent只能被动整合扭曲的结果；调用链越长，复合错误被放大的概率就越高。Devin团队给过一个精简的原则——共享上下文，并且理解行动中隐含的决策含义。放到生物医药场景里，这个问题的代价被放大到难以承受的程度：患者随访可以跨越数月，临床数据分布在不同中心，一个研发决策的错误上下文传播出去，造成的损失远不是普通业务场景可以相比的。正因如此，单线程推进、对关键上下文做显式保留，在现阶段往往比追求多角色并行协作更贴合制药与临床场景的可靠性需求。

上下文管理的可靠性焦虑，很快又撞上成本现实。记忆成本是另一个制约智能体长期运转的障碍。长上下文对话依赖在线更新，记忆库越滚越大，响应延迟和Token消耗随之失控。这几乎是所有医疗健康类智能体商业化绕不开的成本堰塞湖。近期有论文提出一种“睡眠式记忆”的架构作为解法：设层级过滤，把短期记忆压缩成结构化的“记忆胶囊”，在离线时段完成记忆整合，模拟人类睡眠中整理记忆的方式。实验数据表明，这种三层记忆架构可以把Token消耗降低约20至38倍，在线推理阶段的调用成本下降更多。在药物警戒、患者管理这类可持续数月甚至数年的医疗场景中，记忆效率直接决定了智能体能否从项目制走向可持续的订阅服务制。

成本不是唯一需要支付的对价，安全边界的问题也在同步浮现。智源研究院与北京大学开展了一项端到端评估，在受控湿实验条件下，所有参与测试的11个大模型智能体都能生成通过计算校验的DNA分片方案，其中两个前沿模型还能提供详细的逐步实验操作指导，4个良性代理构建体在物理验证阶段全部组装成功。这个结果暴露了内在悖论：智能体越可靠，越是把专业门槛削薄，就越可能降低非专业用户绕过DNA合成筛查的知识壁垒。基因合成、实验步骤指导这类原本依赖专业训练才能接触的信息防线，正在被AI能力外溢一点点瓦解。由此推演，建立系统性的风险评估和分级管控机制，和推进商业化本身一样紧迫。

治理需求一旦明确，产业端的保障机制也顺势跟上。北京在2026年服贸会期间成立了生物医药、智能机器人、中试三个科技保险共保体，由11家财险机构和2家再保险机构共同组建。这是第一次针对生物医药研发阶段的风险推出全周期损失补偿，并且为AI算法缺陷这类潜在的集中风险设计了专门保障。保险资金愿意介入产业风险表，通常被看作是行业走向成熟的一个标尺：责任归属可以定价，风险边界可以被制度性容纳。当智能体开始承担药物研发和健康管理中的实质性任务，风险管理就不能只停留在项目内部，必须延伸至外部市场，以共担机制承接商业化带来的不确定性。

把政策、订单、工程化、安全治理这几条线索放在一起看，生物医药智能体正处于一个转折点：从不计成本堆参数，转向计较每一份单位价值创造。这个转变的进度不由模型榜单说了算，而由场景闭环的可靠性、记忆系统的经济性和安全治理的可控性共同决定。收入已经不是远期故事，而是写在上市公司中报和签下来的订单里的现实指标。但对于每一家入场者来说，真正的考验才刚刚开始——要在强监管的生物医药世界里长期运行，智能体光靠聪明还不够。