Reprodukcja „momentu półprzewodników”: w AI farmaceutycznym powstaje wersja „transakcji butelkowej”, kto będzie następnym „producentem kilofów”?
Inwestorka Freda Duan wskazała w swoim wpisie, że AI w branży farmaceutycznej tworzy obecnie strukturalne możliwości podobne do „transakcji butelkowych” w półprzewodnikach. Główna logika polega na tym, że dzięki AI nawet nieudane eksperymenty stają się wartościowymi danymi treningowymi, a mokre laboratoria przechodzą transformację z „tworzenia leków” na „tworzenie danych”. Synteza DNA, produkcja białka oraz CRO mogą stać się pierwszymi beneficjentami tego trendu jako „dostawcy łopat”.
AI na nowo kształtuje podstawową logikę odkrywania leków — cicha "transakcja wąskiego gardła" podobna do tej znanej z branży półprzewodników, dyskretnie formuje się w łańcuchu dostaw farmaceutyków.
4 października, partnerka czołowego funduszu dolarowego Altimeter Capital, Freda Duan, niedawno opublikowała artykuł wskazujący, że "transakcja wąskiego gardła" w sektorze AI dla odkrywania leków (AIDD) właśnie się tworzy, a jej struktura jest bardzo zbliżona do wcześniejszej sytuacji w półprzewodnikach — od GPU przez HBM, sieci, po zasilanie — tworząc podobny łańcuchowy trend.
Zbiorowe wejście czołowych laboratoriów AI to najbardziej widoczny sygnał.Anthropic utworzył dedykowany zespół badawczy ds. nauk o życiu i założył laboratorium mokre, OpenAI stworzyło rodzinę modeli GPT-Rosalind zaprojektowaną specjalnie do biologii i odkrywania leków, niezależnie działające Anew Labs ByteDance posiada już wewnętrzną bibliotekę leków, natomiast Isomorphic Labs jasno deklaruje, że zamierza wprowadzić leki zaprojektowane przez AI do testów klinicznych na ludziach.
Jednocześnie sygnały po stronie łańcucha dostaw są równie wyraziste.Firma sintezy DNA Twist Bioscience (TWST) przewiduje, że zamówienia związane z odkrywaniem leków AI w roku finansowym 2026 i 2027 będą rosły trzycyfrowo procentowo rok po roku. Działalność GenScript w zakresie odkrywania leków AI w pierwszej połowie roku finansowego 2026 podwoiła się w stosunku do poprzedniego roku; badania kanałowe wskazują, że zweryfikowana wydajność to już około 8 000 projektów dziennie, z szansą podwojenia tego wyniku do końca 2026 roku.
Ta logika jest bardzo podobna do ścieżki przenoszenia wąskiego gardła w branży półprzewodników.Rzadkość GPU napędziła gwałtowny wzrost zapotrzebowania na pamięć HBM, urządzenia sieciowe, systemy zasilania i chłodzenia.
W obszarze AI dla leków wąskie gardło również przesuwa się w dół łańcucha produkcyjnego: model AI generuje projekt → synteza DNA → produkcja protein → weryfikacja eksperymentalna → testy przedkliniczne, a każdy etap może stać się kolejnym beneficjentem.
(Dane z łańcucha dostaw pokazują, że segmenty upstream związane z odkryciem i wczesnym rozwojem przedklinicznym już odczuwają wpływ wzrostu liczby eksperymentów)
Czołowe laboratoria AI przyspieszają ekspansję, odkrywanie leków wchodzi w fazę zmiany paradygmatu
Freda Duan opisuje obecny układ w sektorze AI dla leków jako prawdziwą "zmianę reżimu" (regime change).
Anthropic wyniósł badania naukowe o życiu na poziom strategiczny; pierwszym dużym projektem w laboratorium mokrym było wykorzystanie agenta Claude do identyfikacji niezcharakteryzowanego wcześniej systemu enzymatycznego powiązanego z powtarzającymi się sekwencjami DNA typu CRISPR.
Rodzina modeli GPT-Rosalind od OpenAI obejmuje chemię leków, inżynierię protein, genomikę i przepływy pracy w laboratoriach.
Przedni dział AI do odkrywania leków ByteDance jest już niezależnie zarządzany, znany jako Anew Labs, integruje modele bazowe, walidację w laboratorium mokrym i własny pipeline leków, przy czym ByteDance zachowuje większość udziałów.
Isomorphic Labs wyraźnie ogłosił, że jego celem jest wprowadzenie leków zaprojektowanych przez AI do etapów badań klinicznych na ludziach.
Warto zauważyć, że ścieżki komercjalizacji instytucji są wyraźnie różne.
- Anthropic obecnie jest pozycjonowany bardziej jako platforma badawcza i wyraźnie zaznacza, że nie zamierza stać się biotechnologiczną firmą kliniczną tradycyjnego typu;
- Anew Labs ByteDance jest coraz bliżej modelu platformy biotechnologicznej z własnym pipeline leków;
- Isomorphic Labs znajduje się pomiędzy tymi dwoma, deklarując własną inicjatywę wejścia z lekami do kliniki.
To oznacza, że ścieżki komercjalizacji AI dla odkrywania leków się rozgałęziają: licencjonowanie dla dużych firm farmaceutycznych, współpraca z milestone’ami i opłaty patentowe, albo bezpośrednie inkubowanie niezależnych firm. Dla downstream łańcucha dostaw, niezależnie od trasy, wzrost zapotrzebowania na eksperymenty jest faktem.
Dlaczego AI wręcz zwiększa potrzeby na laboratorium mokre?
AI zwiększa efektywność, więc dlaczego podnosi liczbę eksperymentów? Odpowiedź tkwi w radykalnej zmianie ekonomii generowania hipotez przez AI.
Po pierwsze, generowanie hipotez zbliża się do zerowego kosztu, więc eksperymenty są nowym wąskim gardłem. W tradycyjnym odkrywaniu leków koszt przesiewania przez ekspertów był bardzo wysoki, więc tylko najbardziej prawdopodobni kandydaci trafiali do kosztownego procesu walidacji.
AI sprawia, że projektowanie kandydatów nie powoduje praktycznie żadnych kosztów krańcowych, "szanse wejścia" znacznie rosną, a wąskie gardło przenosi się z projektowania do biologicznej walidacji.
Po drugie, nieudane eksperymenty też mają wartość — negatywne przykłady stają się danymi do treningu. Anthropic to typowy przypadek: Claude zaprojektował 1,320 ligandów proteinowych, Adaptyv przekształcił te sekwencje w DNA, wyraził proteinę i testował wiązanie, z czego tylko 354 osiągnęły skuteczne wiązanie.
Jednak 966 nieudanych przypadków nie poszło na marne — informacja o tym, co nie wyraża się, nie wiąże, czy ma słabą afinitet stanowi cenne negatywne etykiety używane do treningu kolejnej iteracji modelu.Tradycyjne odkrywanie leków pyta tylko: "Czy X działa?", AI dodatkowo pyta: "Czego model może nauczyć się z tego eksperymentu?".
Po trzecie, laboratorium mokre przekształca się z producenta leków w producenta danych treningowych. TWST jasno wskazuje, że ich działalność przesuwa się w kierunku generowania strukturalnych danych eksperymentalnych bezpośrednio wejściowych do modelu AI z zaprojektowanych sekwencji. Workflow GenScript zwraca dane o wiązaniu w 4–7 dni.
W niektórych przypadkach klienci mogą nie interesować się fizycznym produktem proteinowym, tylko przekazaniem strukturalnych wyników eksperymentu z powrotem do modelu. TWST i GenScript coraz bardziej pełnią rolę "fabryk danych biologicznych".
Dane z łańcucha dostaw potwierdzają eksplozję popytu, zdolności produkcyjne przyspieszają wzrost
W artykule wskazano, że oprócz logicznych argumentów, na poziomie łańcucha dostaw widać już wymierne, ilościowe sygnały.
TWST przewiduje, że zamówienia związane z odkrywaniem leków AI w FY26 wzrosną trzycyfrowo procentowo, a wzrost zamówień w FY27 będzie równie duży. AI-business GenScript podwoił się rok do roku w pierwszej połowie roku finansowego 2026, a ich publicznie deklarowana wydajność przemysłowa to ponad 4 000 projektów walidacji dziennie, z kompletnym workflow sekwencji do danych.
Badania kanałowe pokazują jeszcze szybszy postęp. Obecna realna moc produkcyjna to około 8 000 projektów dziennie, z perspektywą wzrostu do około 16 000 do końca 2026 roku.
Z perspektywy łańcucha dostaw, kolejne beneficjenty to: model AI → projektowanie sekwencji → synteza DNA (TWST itd.) → produkcja protein (GenScript itd.) → walidacja eksperymentu → sekwencjonowanie (ILMN, TXG itd.) → sprzęt automatyzujący → testy przedkliniczne (CRO).
Pod względem wielkości rynku, jeśli AI jest tylko efektywniejszym narzędziem R&D, puli wydatków to 300–400 mld USD rocznie dla globalnego R&D farmaceutycznego. Jeśli AI faktycznie zwiększa liczbę projektów lekowych, szansa jest większa, bo napędzi extra popyt na syntezę DNA, produkcję protein, walidację eksperymentów i prace przedkliniczne.
Dodatkowo, patrząc od strony wydatków samych firm AI, można oszacować: jeśli Anthropic w 2026 roku osiągnie roczne przychody na poziomie 80 mld USD, zainwestuje tylko 1% w odkrywanie leków AI, to oznacza już blisko 800 mln USD rocznego inwestowania.
Jak ta sytuacja różni się od lat 2020/21?
Freda Duan przypomina, że osoby zaznajomione z tematem inwestycyjnym automatycznie pomyślą o boomie i późniejszym załamaniu AI dla odkrywania leków, z lat 2020–2021.
Cząsteczka DSP-1181 Exscientia trafiła do fazy I kliniki w mniej niż rok od odkrycia, ale zakończono ją, bo nie spełniła założeń mechanizmu oceny fazy I. Ówczesna porażka miała dwa powody: gwałtowny spadek makro otoczenia, oraz brutalne potwierdzenie, że "szybsze odkrywanie nie jest równoważne lepszej biologii klinicznej".
Są jednak fundamentalne różnice między latami 2020/21 a 2026, tamten cykl miał miejsce przed pojawieniem się GPT.
Kluczowa logika tamtego cyklu (2020/21) to: użycie obliczeń do redukcji niskowartościowych eksperymentów w laboratorium mokrym, AI jako narzędzie wyszukiwania, cel: mniej syntez, mniej testów, szybciej wybrać kandydatów.
Logika roku 2026 jest zupełnie inna: AI szeroko powiększa przestrzeń hipotez, laboratorium mokre generuje dane do walidacji. Cykl wewnętrzny to: AI → eksperyment → dane → lepsze AI → więcej eksperymentów. Liczba eksperymentów generowanych przez AI jest tak duża, że fizyczna biologia sama staje się wąskim gardłem.
Według dostępnych danych, badanie z 2024 roku pokazuje, że sukces I fazy dla leków odkrytych przez AI wynosi około 80–90%, więcej niż historyczna średnia branży; wskaźnik sukcesu II fazy to około 40%, zbliżony do historycznej średniej, choć próbki są wciąż ograniczone.
Jak wąskie gardło przenosi się na łańcuch i gdzie tkwi ryzyko transakcji
Freda Duan podkreśla, że obecnie synteza DNA i produkcja protein to najbardziej bezpośrednie punkty wąskiego gardła.
Wraz z kierowaniem kolejnych leków do faz przedklinicznych, badania na zwierzętach mogą stać się kolejnym ograniczonym etapem. Ceny naczelnych zwierząt bliskie są wcześniejszych maksimów, moce CRO są ciągle ograniczone, a AI tylko pogłębi ten nacisk.
Analitycy uważają, że potencjalny czas trwania tego trendu może być długi, przynajmniej do wyników fazy klinicznej I/II po 2028 roku, trudno oczekiwać fundamentalnego końca tej logiki. Kluczowe kamienie milowe:
- Koniec 2026–2027, pierwsze leki zaprojektowane przez AI Isomorphic trafiają do testów klinicznych na ludziach, kolejne projekty AI przechodzą do fazy IND-enabling;
- 2028–2030, wyniki kliniczne zaczną pokazywać, czy AI rzeczywiście przewyższa tradycyjne leki.
W najbliższym czasie, jeśli budżet na eksperymenty przestanie rosnąć, projekty AI nie przełożą się na rezultaty laboratoryjne, lub zdolności produkcyjne zbyt szybko dogonią popyt, upstreamowa "transakcja kilofów i łopat" będzie pod presją.
W dłuższym horyzoncie, jeśli leki AI odnajdą się spektakularnie na etapie odkrycia i fazie I, ale przegrają na etapie II/III z typowym wskaźnikiem niepowodzeń, cała logika inwestycji zostanie postawiona pod znakiem zapytania — dlatego wyniki II fazy są tak ważne.
Profesor Uniwersytetu Kalifornijskiego w Los Angeles Quanquan Gu świetnie podsumował tę logikę:
Biologia może stać się kolejnym obszarem rekurencyjnej samooptymalizacji AI — projektowanie na komputerze, testowanie w laboratorium, feedback eksperymentalny zamieniany na półsyntetyczne dane treningowe, ulepszanie modelu, i tak w kółko.
Zastrzeżenie: Treść tego artykułu odzwierciedla wyłącznie opinię autora i nie reprezentuje platformy w żadnym charakterze. Niniejszy artykuł nie ma służyć jako punkt odniesienia przy podejmowaniu decyzji inwestycyjnych.
Może Ci się również spodobać
Aktywność sektora usług w USA rośnie w najszybszym tempie od ponad pięciu lat! Wrześniowy PMI wzrósł do 58,8, a presja inflacyjna znów się nasila przy silnym popycie
We wrześniu aktywność sektora usługowego w USA znacznie przyspieszyła. Indeks PMI aktywności biznesowej w sektorze usług wzrósł z 56,5 w sierpniu do 58,8, co oznacza czwarty z rzędu miesięczny wzrost i już szósty miesiąc z rzędu pozostawanie w strefie ekspansji. Jest to najszybsze tempo ekspansji od lipca 2021 roku.
Morgan Stanley: Niedobór pamięci AI potrwa przez kilka lat, trzy główne ścieżki przełamania, pamięć masowa i heterogeniczna moc obliczeniowa zyskują strukturalne szanse
Morgan Stanley opublikował raport dotyczący branży półprzewodników, wskazując, że niedobór pamięci DRAM będzie trwał przez cały obecny cykl rozwoju przemysłu AI, a ekspansja mocy obliczeniowej AI nie będzie czekać na budowę i uruchomienie nowych fabryk wafli.
Morgan Stanley: Niedobór mocy w amerykańskich centrach danych sięga 34%, główni producenci chipów jak na razie odporni, presja dotyka niższych segmentów rynku
Raport podkreśla jednak, że Nvidia i Broadcom dzięki globalnemu zaangażowaniu, wyższemu poziomowi mocy obliczeniowej na jednostkę energii oraz przejrzystej widoczności w łańcuchu dostaw, prognozy wyników na rok 2027 tymczasowo nie są zagrożone przez ograniczenia związane z dostępem do energii. Segmenty związane z ASIC, pamięcią, modułami optycznymi oraz urządzeniami analogowymi i niższymi w łańcuchu dostaw będą narażone na większe ryzyko zmienności popytu.
Ceny krypto
Więcej
