打开任何一份2026年的医药行业展望，AI制药几乎是出现频率最高的词组。融资新闻、合作公告、技术发布会，密度比三年前高出几个数量级。但如果把这些新闻放在一起看，会发现一个奇怪的现象：声量在持续放大，而能验证声量的东西：获批上市的AI原创新药仍然是零。

截至2026年初，全球处于临床阶段的"AI发现"药物超过200个，其中94个在Phase 1，56个在Phase 2，15个进入Phase 3，FDA批准数量是零。行业分析普遍认为，第一款真正意义上的AI发现药物获批，最快也要等到2027到2028年。这不是某一家公司的问题，而是整个赛道的现状：每一家头部AI制药公司都还在等待属于自己的第一次监管批准。这种"声量与验证脱节"的状态，正是这篇文章想要拆解的起点。AI制药不是一个伪命题，但它也早已不是三年前那个"AI筛药颠覆传统研发"的单一叙事。今天的AI制药，是至少四种完全不同商业模式的混合体，是几十亿美元BD交易和几百万美元季度营收并存的现实，是少数公司开始盈利、多数公司持续烧钱的分化战场。

在讨论商业模式之前，先回答一个更基础的问题：AI在药物研发的哪些环节真正创造了价值？与其讨论技术原理，不如直接看产业化结果。过去几年，AI已经在蛋白结构预测、分子设计、临床试验优化等多个环节落地，但不同环节的商业价值和技术成熟度差异很大。更重要的是，技术最成熟的地方，未必最有商业价值；商业价值最高的地方，也未必最容易复制。例如，蛋白结构预测已经成为行业标配，但由于工具逐渐开源和普及，很难形成长期壁垒。相反，专有的湿实验数据、自动化实验闭环以及真实世界患者数据，虽然没有那么引人注目，却往往更难复制，也更容易形成护城河。

这也是AI制药行业正在发生的变化：竞争的重点正在从算法本身，逐渐转向数据、实验能力和商业化落地能力。

把所有打着"AI制药"旗号的公司放在一起看是没有意义的，因为它们的商业模式本质上完全不同，财务特征、风险结构、估值逻辑也完全不同。大致可以分成四类。

模式一：软件/平台授权（SaaS）

这是最接近传统软件生意的模式：把计算平台license给药企，按订阅或使用量收费，自己不承担临床开发的风险。Schrödinger是这条路线最成熟的代表。它的物理模拟+AI计算平台服务于全球前20大药企中的多数，2025年软件收入达到2亿美元，软件业务毛利率稳定在74%，年度合同价值（ACV）持续两位数增长。这是AI制药领域少数能拿出"真实、可持续、有毛利"财务报表的公司。

Schrödinger 2025年5月做出的一个战略决定：放弃SGR-1505和SGR-3515在Phase 1之后的独立临床开发，转而对外寻求合作方接手，同时裁员7%。这个决定每年能省下约7000万美元，本质上是公司主动从"想自己做biotech赚大钱"退回到"老老实实做平台躺着赚稳定的钱"。管理层自己的表述是，药物发现收入是"价值验证器，而非价值驱动器"。换句话说，他们卖软件赚钱，自研管线主要是用来证明平台有效，而不是指望管线本身赚钱。这个表态本身就很说明问题。

模式二：联合开发（Co-development）

这是目前AI制药领域最常见的BD模式：AI公司提供技术平台和研发能力，药企提供资金、临床开发能力和商业化渠道，双方通过“首付款+里程碑付款+销售分成”的结构共担风险、共享收益。

Isomorphic Labs（Alphabet旗下，基于AlphaFold技术）在2024年先后与礼来和诺华达成合作。礼来支付4500万美元首付款，对应最高17亿美元交易总额；诺华支付3750万美元首付款，对应最高12亿美元交易总额。两笔交易合计接近30亿美元，但首付款占比分别只有约2.6%和3.1%。这意味着药企对AI平台的定价依然十分谨慎，绝大部分价值需要等到研发、监管和商业化里程碑兑现后才能获得，本质上是一种低成本购买未来成功概率的方式。

英矽智能（Insilico Medicine）与礼来在2026年达成的合作则提供了一个更新的参照系：交易总额最高27.5亿美元，首付款1.15亿美元，占比约4.2%，高于Isomorphic的两笔合作。这笔交易刷新了中国AI制药单笔合作纪录，也因为首付款金额接近美国反垄断申报门槛而引发市场对于收购可能性的讨论。不过从交易结构来看，其核心逻辑并没有改变——大部分价值仍然依赖未来里程碑兑现。

晶泰科技与DoveTree的合作则把这种模式推向了极致。双方披露的合作总金额约470亿港元（约59.9亿美元），其中首付款及确定性后续付款合计约8.85亿港元（约1亿美元），其余超过98%的金额均来自潜在里程碑付款和销售分成。换句话说，这笔交易虽然创下了公开披露AI制药合作金额的新纪录，但绝大部分价值仍然属于“如果项目成功才能获得”的或有对价。

三个案例放在一起看，一个规律非常明显：Headline Deal Value（交易总价值）与确定性收入往往是两回事。无论是Isomorphic、英矽智能还是晶泰科技，药企真正愿意提前支付的现金通常只占总金额的1%—5%。因此，解读AI制药合作时，比起关注几十亿美元的总金额，更重要的是关注首付款规模以及里程碑兑现的可能性

模式三：自研管线（Biotech化）

这是风险最高、潜在回报也最高的模式：AI公司不满足于卖技术，自己组建临床团队，把AI设计的分子推进到临床甚至商业化，赌的是"如果成功，全部收益归自己"。

Recursion Pharmaceuticals是这条路线最典型的代表，也是目前体量最大的"AI biotech"。2025年全年营收7470万美元，几乎全部来自合作协议（含一笔3000万美元的Roche/Genentech里程碑付款），而同期研发支出接近4亿美元，收入只能覆盖不到1/5的研发开支。截至2025年底，公司现金储备7.54亿美元，现金跑道预计能撑到2028年初。这是典型的"用资本市场的钱买时间"模式：只要在现金耗尽前拿出足够亮眼的临床数据，就能继续融资；拿不出来，故事就讲不下去了。

Recursion 2024年11月与Exscientia完成的全股票合并（交易价值约6.88亿美元）是这条路线上最大的一次整合，逻辑是"Recursion的海量表型数据+Exscientia的精准化学设计"能形成端到端能力。但合并后不到一年，公司就因为REC-994、REC-2282等多个早期项目数据不理想而终止开发，管线收窄到约6个核心项目，同时进行了裁员。这说明即便是行业内体量最大的整合，也无法回避临床淘汰率这个最基本的现实。

Absci是这条路线上更极端的案例：2026年第一季度营收仅20万美元，同期研发支出1930万美元，营收与支出的比例悬殊到几乎可以忽略。公司的核心资产ABS-201（一款治疗雄激素性脱发的AI设计抗体）刚进入Phase 1/2a，距离任何商业化验证还有相当长的路要走。对于这类公司，财务报表本身提供不了太多信息，唯一重要的是临床数据读出的时间点和结果。

模式四：诊断+真实世界数据

这条路线和前三种逻辑都不一样：不直接参与药物设计，而是通过规模化的临床检测业务，积累结构化的真实世界数据，再把这些数据反向授权给药企用于训练模型、设计临床试验、寻找生物标志物。

Tempus AI是这条路线目前财务表现最好的公司。2025年全年营收12.7亿美元，其中诊断业务（肿瘤基因检测、遗传病检测）贡献9.55亿美元，数据与服务业务贡献约3亿美元且保持高速增长，客户覆盖全球前20大肿瘤药企中的19家。它的商业逻辑本质上是"卖一次检测服务、再把脱敏数据多次授权给不同药企"，形成了传统检测公司不具备的复合收入效应。Tempus与AstraZeneca、Pathos等公司的数据授权合作（如3年期、2亿美元的基础模型数据授权）证明了"数据本身"在AI制药价值链里正在变成一种独立的、可定价的资产，而不只是算法的附属品。

四种模式放在一起看，会发现一个共性：目前唯一能稳定产生正向现金流或接近盈利的，是不直接承担临床开发风险的两类：卖软件订阅的Schrödinger和卖数据/检测服务的Tempus（虽然Tempus仍处于净亏损状态，但毛利结构和增长曲线明显健康于自研管线型公司）。真正下场赌临床成败的公司（Recursion、Absci、英矽智能），无一例外仍在大幅亏损，且亏损规模与研发投入直接挂钩。这不是说自研管线模式注定失败，而是说它的风险定价逻辑和软件、数据生意完全不同，不能用同一套估值框架去看。

这是投资人和BD人员最应该先问的问题，但市面上大多数AI制药文章会跳过它，直接讨论"哪家模型更强"。模型强不强当然重要，但模型本身正在变得越来越不构成壁垒，原因有三个：AlphaFold这类基础工具已经开源；大型药企和云厂商都在自建内部AI能力（如礼来与英伟达合作搭建"制药行业最强AI超算"，罗氏、阿斯利康均在内部构建AI/ML基础设施）；生成式AI模型架构的扩散速度远快于药物从设计到临床验证的速度，今天最先进的模型，可能两年后就是行业标配。

如果模型不是护城河，什么才是？把目前财务表现分化最明显的几家公司放在一起对比，会看到一个清晰的模式：真正稀缺、难以被复制的资产，是"数据+自动化湿实验闭环验证能力"的组合，而不是算法本身。

这个论点可以拆成两层来看。

第一层，数据的稀缺性。OpenAI这类通用大模型公司没有湿实验室，这不是一句调侃，而是结构性的限制，通用大模型的数据来自互联网文本，而药物研发需要的是高质量、标准化、可追溯的湿实验数据（化合物-靶点结合数据、毒理数据、患者真实世界反应数据），这类数据互联网上没有，必须自己产生或者花钱买。Tempus的护城河本质上就是这个：它通过覆盖全美大量肿瘤患者的检测业务，持续产生结构化的多模态临床数据，再把这些数据反复授权给不同药企，形成了传统检测公司和纯算法公司都不具备的复合数据网络效应，19/20的全球头部肿瘤药企都是它的客户，这种客户集中度本身就是数据稀缺性的体现。

第二层，自动化闭环验证能力。光有数据不够，还需要能够快速、低成本地把AI的预测结果拿到湿实验室里验证、再把验证结果反过来训练模型，形成飞轮。晶泰科技是这条路径上目前财务验证最成功的案例：它在全球部署了超过300台机器人实验工站，是商业运营规模最大的AI实验工站集群，7×24小时不间断产生标准化实验数据。晶泰2025年实现首次年度盈利（净利润1.35亿元、经调整利润2.58亿元），但盈利的主要驱动力是"智能机器人解决方案"业务（自动化化学合成服务），同比增速高达95.9%，而不是单纯的AI算法授权收入。这恰好印证了护城河论点：真正能变现的，是"AI+自动化设备+服务"的组合，而不是孤立的算法能力。

反过来看，纯靠"知识图谱+算法"路线、缺乏自有湿实验闭环的公司，过去两年普遍遭遇了更严重的挫折。BenevolentAI是这条路线上最具警示意义的案例：公司主打知识图谱驱动的靶点发现和老药新用，曾因新冠疫情期间快速提出巴瑞替尼的重新定位而声名大噪，但其自主研发的湿疹候选药物BEN-2293在Phase 2b临床中未能证明疗效，公司随后经历了三轮裁员（2023年裁员约180人、2024年4月裁员30%并关闭美国办公室、2024年12月进一步重组），股价长期低于1欧元，最终于2025年从阿姆斯特丹交易所退市。BenevolentAI的案例说明：即使AI提出的靶点在生物学上看起来合理，缺乏自有的湿实验验证能力，意味着公司没有办法在早期就过滤掉那些"听起来对、但实际不work"的假设，只能一路烧钱烧到临床三期才知道结果，而那时候成本已经高到无法承受。

把这个框架应用到投资和BD判断上，会得到一个相对清晰的尽调清单：这家公司是否拥有自己的、持续产生数据的湿实验设施，还是完全依赖外部合作方提供实验验证？它积累的数据是否具有排他性（即竞争对手无法轻易获取同类数据），还是主要使用公开数据库？它的模型迭代速度是否依赖于实验反馈闭环，还是纯粹靠算力堆叠？这三个问题的答案，比"这家公司用了什么模型架构"重要得多。

需要说明的是，"数据+闭环"这个判断框架本身也有局限：它能解释为什么晶泰、Tempus这类公司的财务表现相对更稳健，但不能保证拥有闭环能力的公司一定能在临床上成功——Recursion同样拥有大规模表型筛选和自动化实验能力，依然在多个项目上遭遇了临床失败。

护城河决定的是"公司能不能持续、低成本地试错和迭代"，而不是"每一次试错都会成功"。这是评估AI制药资产时容易被混淆的两件事。

把前面提到的几家代表性上市公司放在一张表里横向对比，护城河假说会得到进一步的数据验证。

几个细节值得关注。

首先，英矽智能的亏损存在两套口径。2025年，公司按IFRS口径净亏损3.52亿美元，按Non-IFRS口径经调整亏损4380万美元。前者包含股份支付等非现金项目，反映账面利润；后者更接近实际现金消耗。两个数字并不矛盾，只是回答不同的问题。与此同时，英矽智能2025年收入同比下降34.5%，主要原因是管线开发业务首付款收入大幅减少。这说明即便是行业龙头，BD交易收入也具有较强波动性，难以简单线性外推。

其次，晶泰科技和英矽智能这对经常被并列讨论的“AI制药双雄”，在2025年交出了截然不同的成绩单：晶泰首次实现年度盈利，而英矽智能亏损扩大。背后的关键差异并非算法能力，而是收入结构。晶泰主要依靠可重复交付的自动化实验服务，收入确定性更强；英矽智能则更依赖管线合作首付款和里程碑收入，单笔金额更大，但波动性也更高。

最后，Recursion和Absci代表的自研管线模式，在临床数据读出前，财务报表的参考价值相对有限。由于营收远不足以覆盖研发投入，市场关注的核心并不是当期利润，而是现金储备还能支撑多久，以及未来临床数据能否兑现预期。

整体来看，财务体检的结果与前文关于护城河的判断高度一致：拥有可重复交付、可持续收入来源的公司，无论是软件订阅、数据服务还是自动化实验平台，财务健康度普遍优于单纯押注临床结果的公司。当然，这并不意味着后者缺乏投资价值——临床成功带来的回报可能远高于前者，但两类资产的风险收益特征完全不同，也不应采用同一套估值逻辑。

如果只看新闻标题，很容易得出一个结论：中国AI制药正在快速崛起。一个可以量化的信号是，中国企业在全球生物医药licensing交易中的占比，已经从2023—2024年的约21%，上升至2025年第一季度的约32%。与此同时，中国创新药license-out总金额在2025年继续刷新纪录，AI制药成为其中增长最快的新兴板块之一。

更值得关注的是合作性质的变化。过去跨国药企从中国购买的，往往是某一个具体项目或候选药物；而2025年底至2026年初达成的几笔代表性合作，则开始出现明显不同的特征。英矽智能与礼来（27.5亿美元）、与施维雅（8.88亿美元），晶泰科技与DoveTree（约59.9亿美元），华深智药旗下Earendil Labs与赛诺菲（25.6亿美元）等合作，本质上都不仅是在交易单个项目，而是在交易平台持续产生候选药物的能力。对于投资人而言，这可能是当前中国AI制药最值得关注的变化。候选药物可以被复制，平台能力更难被复制；单个项目的价值来自一次成功，而平台价值来自持续成功的可能性。不过，中国AI制药的版图远不止几家明星公司。除了英矽智能（Insilico Medicine）、晶泰科技（XtalPi）之外，华深智药（Helixon）、望石智慧（StoneWise）、剂泰医药（METiS Pharmaceuticals）、深势科技（DP Technology）、百图生科（BioMap）等企业也分别布局生成式药物设计、递送平台、科学计算和生命科学基础模型等方向。与此同时，维亚生物、成都先导、美迪西、皓元医药、泰格医药等传统CRO也在持续引入AI能力，形成“AI+CRO”的另一条发展路径。

从产业链位置看，中国企业最强的环节仍然集中在药物发现阶段，包括分子设计、蛋白结构预测、计算化学和自动化实验平台。而进入临床开发以后，优势开始减弱。这并不意味着中国企业落后于海外同行，更准确的说法是：全球AI制药行业仍然整体处于早期阶段，各家公司在不同环节拥有局部优势，但尚未形成决定性的代际差距。

这也是中国AI制药最有意思的地方。与ADC、CAR-T等赛道不同，AI制药并不存在明显的“第一梯队已经遥遥领先、后来者难以追赶”的格局。生命科学知识本身仍然是整个行业最大的瓶颈，算法、数据和实验能力都还在快速迭代。因此，领先者拥有先发优势，但尚未建立不可逾越的壁垒；后来者也仍然有机会在细分方向实现突破。

当然，地缘政治正在成为越来越重要的变量。数据跨境流动、技术出口限制、监管审查以及资本市场环境变化，都可能影响未来合作的落地节奏。对于中国AI制药企业而言，未来几年最大的挑战或许不再是证明自己是否具备技术能力，而是证明这种能力能够持续、稳定地转化为全球药企愿意长期付费的产品和服务。

从这个角度看，中国AI制药真正的竞争已经不只是技术竞争，而是平台能力、商业化能力和全球化能力的竞争。

七、下一代趋势：AI制药的竞争正在从模型竞争走向闭环竞争

如果说前面讨论的是AI制药今天如何赚钱，那么这里讨论的是未来五年行业最值得关注的价值创造方向。过去几年，行业讨论的焦点主要集中在模型本身：谁的算法更强、预测更准、算力更大。但越来越多从业者开始意识到，模型只是起点，而不是终点。真正决定竞争力的，可能不是AI能否生成一个候选分子，而是这个分子能否被快速合成、验证、迭代，并重新反馈给模型继续优化。换句话说，AI制药的竞争正在从“模型竞争”走向“闭环竞争”。最典型的代表是自动驾驶实验室（Self-Driving Lab，SDL）的兴起。2026年3月发表于《Cell》的LUMI-lab系统展示了这一方向的最新进展：研究人员先利用超过2800万个分子进行预训练，再通过自动化实验平台持续完成设计、合成、测试和数据回流，让模型在真实实验反馈中不断进化。这种模式的核心价值并不在于某一个模型有多聪明，而在于模型能够以远高于人工实验的速度获得高质量反馈。

事实上，这条路线已经从学术界快速向产业界扩散。晶泰科技（XtalPi）、Recursion、Absci、Generate Biomedicines以及近年来备受关注的Lila Sciences，都在尝试构建“AI模型+自动化实验+数据闭环”的新型研发平台。不同公司的技术路径并不相同，但底层逻辑高度一致：未来最重要的资产可能不再是模型本身，而是持续产生实验数据并不断优化模型的能力。其中，Lila Sciences提出的“Autonomous Science（自主科学）”概念尤其值得关注。相比传统AI辅助研发，Lila希望进一步让AI参与实验设计、执行和优化决策，形成从科学假设到实验验证的自动化循环。如果这一模式能够规模化落地，其影响可能不仅局限于药物研发，而是扩展到材料科学、化学和生命科学研究的多个领域。 当然，自动化闭环并不意味着药物研发的不确定性被消除。Recursion在2025—2026年间先后终止多个研发项目就是一个提醒：拥有海量实验数据和自动化能力，并不等于一定能够获得成功的临床结果。自动化平台解决的是试错效率问题，而不是生物学本身的复杂性问题。药物研发最昂贵的风险，仍然发生在人体之中。

第二个值得关注的趋势是基础模型正在快速商品化。以Isomorphic Labs发布的IsoDDE为代表，新一代模型已经从蛋白结构预测扩展到抗体设计、分子结合预测等更复杂的任务。然而与AlphaFold的经历类似，模型能力往往扩散极快。随着开源模型不断出现，以及大型药企纷纷建立自己的AI基础设施，单纯依靠模型领先建立长期壁垒变得越来越困难。这意味着行业竞争最终仍会回到两个核心问题：谁拥有更稀缺的数据，谁拥有更快的验证闭环。模型决定了起跑速度，而数据和实验系统决定了长期竞争力。

第三个趋势来自监管层面。2026年1月，FDA和EMA联合发布《药物研发AI良好实践指导原则》，提出覆盖药物全生命周期的十项高级原则，包括数据治理、风险管理、透明度和人为监督等内容。与此同时，FDA正在推进AI可信度评估框架的正式落地。虽然这些文件本身不直接决定审批结果，但释放出的信号十分明确：监管机构已经不再讨论“是否接受AI”，而是在讨论“如何规范使用AI”。

从长期来看，这对行业未必是坏消息。监管标准越清晰，真正具备数据、实验和开发能力的平台越容易建立优势，而依靠概念叙事获取关注的公司则会面临更大压力。

回顾过去二十年的生物医药发展史，真正创造长期价值的往往不是最先进的算法，而是能够把算法、数据、实验和商业化能力组织在同一个体系里的平台。AI制药大概率也不会例外。

回顾过去几年AI制药的发展历程，一个容易被忽略的事实是：行业遭遇的大多数挫折，并非来自AI技术本身，而是来自药物研发长期存在的基本规律。

首先，AI可以提高提出假设的效率，但无法保证假设正确。无论是靶点发现、分子设计还是药物重定位，最终决定成败的仍然是人体生物学本身。AI能够更快找到候选答案，却无法绕过临床验证这一关。

其次，研发速度的提升并不等于成功率的提升。过去几年，多家公司证明AI确实能够缩短从靶点到候选药物的时间，但截至目前，行业尚未证明AI发现的药物在临床成功率上显著优于传统方法。AI改变的是研发效率，而不是生物学规律。

第三，规模化平台也不天然构成护城河。数据、算力、自动化设备和组织规模都可以通过资本投入获得，但高质量专有数据、持续验证能力以及对疾病机制的理解，仍然是最稀缺的资源。行业竞争的核心正在从模型能力转向数据和实验闭环能力。

第四，资本市场和药物研发存在天然的时间错配。药物研发以十年为单位，而资本市场往往以季度为单位评价企业。随着行业逐渐进入临床验证阶段，市场关注的重点正在从“模型有多先进”转向“管线是否有效”。未来几年陆续读出的Phase 2和Phase 3数据，很可能成为决定行业格局的关键节点。

因此，AI制药最大的风险从来不是“AI行不行”，而是市场曾经高估了AI能够解决的问题。AI能够提高研发效率、降低试错成本、扩大搜索空间，但并没有消除生物学复杂性，也没有改变药物研发高风险、长周期、低成功率的本质。从这个意义上说，AI制药已经进入了一个新的阶段：行业未来的胜负，未必取决于谁拥有最先进的模型，而更取决于谁能够持续把模型转化为经过临床验证的药物。

九、凤凰观察

写完这篇文章，我最大的感受是：AI制药最值得关注的变化，已经不再是模型本身。过去几年，行业最容易吸引眼球的关键词是大模型、生成式AI、蛋白结构预测和算力。但当越来越多合作协议被披露、越来越多财报被公开、越来越多项目进入临床阶段之后，真正拉开差距的因素开始变得清晰。我越来越倾向于用几个非常朴素的问题去观察一家AI制药公司。

• 它是否拥有持续产生高质量数据的能力？

• 它是否拥有自己的实验验证闭环？

• 它的收入来自可重复交付的产品和服务，还是主要依赖一次性的首付款和未来可能兑现的里程碑？

当一家公司的宣传材料里反复强调模型性能时，我反而更想知道它的数据从哪里来。当一笔合作宣布总金额达到数十亿美元时，我更关心首付款是多少；当一家公司不断展示算力和算法时，我更关心它是否已经把这些能力转化为真实的收入、合作和临床进展。过去几年，AI制药行业最大的认知误区，或许是把“模型先进”等同于“拥有护城河”，把“合作金额巨大”等同于“创造了价值”，把“研发速度更快”等同于“成功率更高”。现实往往没有那么简单。

回头看，AI制药过去二十年的发展历程，与其说是一场关于算法的革命，不如说是一场关于研发效率的持续改进。AI正在改变药物研发的方式，但至少到今天，它还没有改变药物研发的本质：生物学依然复杂，临床依然昂贵，成功依然稀缺。或许真正的问题从来不是“AI制药行不行”，而是当行业的热情逐渐退去之后，哪些公司能够持续创造价值，哪些公司只是创造了故事。时间会给出答案。而未来几年陆续到来的临床数据，也许会比任何融资新闻、合作公告和技术发布会都更有说服力。

Xu, Y., Cui, H., Pang, K., Li, G., Gong, F., Dong, S., Wang, B., & Li, B. (2026). LUMI-lab: A foundation model-driven autonomous platform enabling discovery of ionizable lipid designs for mRNA delivery. Cell. https://doi.org/10.1016/j.cell.2026.01.012

BIO 2026（San Diego）期间作者将参会，欢迎创新药研发、BD、投资及产业合作交流。

作者：刘玉娥（Lucia Liu），PhD, DBA 哈佛医学院博士后，工商管理博士、基础医学博士，公众号「凤凰涅槃之路」创始人。长期关注创新药研发、BD交易、技术转化与生物医药投资。

欢迎关注公众号“凤凰涅槃之路”

支持单位：