2027AI虚拟细胞：商业化元年之后，谁先跑通“干湿闭环”？

共研产业研究院通过对公开信息分析、业内资深人士和相关企业高管的深度访谈，以及分析师专业性判断和评价撰写了《2027-2033年中国AI虚拟细胞市场全景调查与市场全景评估报告》。本报告为AI虚拟细胞企业决策人及投资者提供了重要参考依据。

为确保AI虚拟细胞行业数据精准性以及内容的可参考价值，共研产业研究院团队通过上市公司年报、厂家调研、经销商座谈、专家验证等多渠道开展数据采集工作，并运用共研自主建立的产业分析模型，结合市场、行业和厂商进行深度剖析，能够反映当前市场现状、热点、动态及未来趋势，使从业者能够从多种维度、多个侧面综合了解当前AI虚拟细胞行业的发展态势。

一、导语

AI 虚拟细胞（AI Virtual Cell，AIVC）是近两年生命科学领域最受关注的交叉方向之一。它的目标听起来很直接：用计算模型在计算机里复现一个细胞的行为——给一定的基因表达状态和外部刺激，模型预测细胞接下来会怎么变。如果这件事能做成，"先在电脑里试、再到实验室验"就有可能替代掉相当一部分昂贵的湿实验。

这个方向的现实基础是数据。过去十年，单细胞测序把每个细胞拆成数千维的表达向量，空间转录组补上了位置信息，扰动实验（CRISPR 筛选、药物处理）积累了大量"输入—输出"配对。这些数据第一次让"用机器学习拟合细胞状态"变得可行，也让一批基础模型在 2023 年后密集出现。

但要清醒看待当前阶段。虚拟细胞今天能做到的是"在见过的分布内预测得像"，距离"给出机制解释、支撑药物决策"还有明显距离。行业的真实进展集中在少数场景：虚拟筛选、靶点优先级排序、实验条件优化。真正能替代动物实验、进入注册申报的案例，屈指可数。

本报告梳理 AI 虚拟细胞的技术路径、市场规模、产业链与竞争格局，判断这一轮热潮中哪些能力是真实的，哪些只是叙事的延伸。

二、市场规模与增长

AI 虚拟细胞目前仍是一个"科研工具 + 早期药物研发服务"的混合市场，缺少统一的统计口径。按可识别的软件授权、平台服务、模型授权与相关 CRO 服务合计，2024 年国内市场规模约 21 亿元，2022 年约 8.5 亿元，两年复合增速超过 55%。

支撑高增速的主要是三股需求。一是药企研发效率压力，临床前研究周期长、成本高，任何能压缩试错次数的工具都有付费意愿；二是科研院所的算力与模型需求，高校与研究所缺乏自建基础模型的资源，倾向采购平台；三是合成生物学企业对菌株与代谢通路的优化需求，这类场景数据相对规整，模型见效较快。

值得注意的是，这三股需求的付费逻辑并不相同。药企看重成功率提升，愿意为结果付费；科研机构看重可得性，倾向按订阅或算力计费；合成生物企业看重周期缩短，接受按项目结算。同一套模型要同时满足三种计费方式，是平台商业化必须解决的现实问题。

2022—2029年中国 AI 虚拟细胞市场规模及增速

预计 2025 年市场规模达到 32.6 亿元，2029 年增至 121 亿元，2022 至 2029 年年均复合增速约 45%。增速呈前高后低的形态：2024 至 2025 年是基础模型密集落地期，增速维持在 55% 左右；2027 年后随着头部平台格局稳定、单价下行，增速回落至 30% 至 40%。

这个规模放在整个医药研发投入中占比很小。全球药企每年的研发支出超过 2500 亿美元，临床前研究约占其中三成。AI 虚拟细胞能切入的，是这七百多亿美元中"试错"的部分，理论上限不小，但兑现节奏取决于验证案例的积累速度，而非模型参数的增长速度。

三、技术路径

从建模尺度看，虚拟细胞有三条并行路线。分子与通路层最细，试图用图神经网络或机理模型刻画基因调控、蛋白互作；单细胞层最热，以表达谱为输入预测细胞状态与扰动响应；组织与器官层最粗，用空间组学数据和器官芯片数据模拟组织级行为。三层之间尚未打通，跨尺度建模仍是开放问题。

从任务类型看，同样有三类主流应用。状态预测是基础任务，给定细胞当前状态预测其演化；扰动响应是核心任务，预测基因敲除、药物处理后的表达变化；靶点与药效是落地任务，把扰动预测转化为靶点优先级和适应症匹配。任务越靠下游，对模型可解释性的要求越高。

AI 虚拟细胞的技术分层

技术上的真实瓶颈有三个。第一是数据质量，单细胞数据批次效应严重、标注噪声大，不同实验室的数据难以直接合并训练；第二是因果性，模型擅长拟合相关性，但药物研发要的是干预效应，观察数据无法直接给出因果；第三是验证成本，模型预测必须回到湿实验验证，闭环一慢，迭代就慢。

基础模型的出现在一定程度上缓解了第一个问题。以大规模单细胞图谱预训练、再用少量扰动数据微调，可以在小样本场景下取得比从零训练更好的效果。但这类模型的泛化能力仍被高估——在训练分布之外的细胞类型或扰动机理上，性能下降往往非常明显。这也是为什么药企在评估模型时，普遍要求用自家未公开数据做一次"盲测"，而不接受论文里的基准成绩。

四、产业链

上游是数据与算力层。组学数据来自单细胞测序、空间转录组与多组学联合检测，实验数据来自影像、扰动筛选与表型分析，算力依赖 GPU 集群与云平台，此外还有大量公开数据库与文献知识图谱作为补充。这一层的核心资源是数据，谁掌握高质量、带标注的扰动数据，谁就掌握模型训练的主动权。

中游是模型与平台层，包括基础模型、算法工具、平台产品与验证体系。这一层是价值创造的核心，也是最拥挤的环节。基础模型决定能力上限，算法工具决定可用性，平台产品决定商业化路径，验证体系决定可信度。四者缺一，产品都难以进入药企的正式流程。

下游是应用与服务层，涵盖药物研发、临床与诊断、合成生物与科研服务。药物研发是最主要的付费方，靶点发现与临床前评估是当前最容易切入的环节；临床与诊断的应用仍处早期，主要形式是伴随诊断与疗效预测；合成生物因为数据规整、验证周期短，成为模型落地最快的场景之一。

AI 虚拟细胞的产业链结构

产业链的话语权正在向上游数据端倾斜。模型架构逐渐开源、算力价格持续下降，中游的技术壁垒被削弱；而高质量的扰动数据、临床样本与实验验证能力，仍然是稀缺资源。这意味着未来的竞争，很大程度上是数据获取能力与实验平台能力的竞争。

五、竞争格局

AI 虚拟细胞的参与者可以分为五类：AI 制药公司、科研机构与新型研发平台、云与算力厂商、传统 CRO 与仪器厂商、以及跨界进入的通用大模型团队。各类玩家的资源禀赋与切入点差异明显。

竞争格局的关键特征是两个"分散"。一是技术路线分散，机理建模、图神经网络、Transformer 与扩散模型各有拥趸，尚无公认的最优架构；二是应用场景分散，没有一家企业能在药物、诊断、合成生物三条线上同时领先。这种分散状态在早期是正常的，但也意味着行业尚未形成稳定的价值分配结构。

真正拉开差距的是三件事：一是专有数据资产，尤其是带干预标注的扰动数据；二是湿实验验证能力，能否把模型预测快速转化为可重复的实验结论；三是与药企的深度绑定，能否进入其真实研发流程而非停留在概念验证。三者之中，第二项最容易被低估，也最难补齐。

六、趋势

趋势一，从关联到因果。早期模型比拼预测精度，但应用深入后，药企更关心"为什么"——某个靶点为什么有效、标志物为何能预测疗效。可解释性与因果推断会成为下一代模型的核心指标。

趋势二，干湿闭环成为标配。纯计算的模型难以获得信任，头部企业开始自建或联合自动化实验平台，形成"预测—实验—反馈—再训练"的闭环。闭环的速度直接决定模型的迭代速度和竞争壁垒。

趋势三，平台走向开放。数据孤岛限制了模型泛化，行业正在推动数据联盟与评测标准；与此同时，头部平台开始以 API 或模型授权的方式对外输出基础能力，形成类似云服务的生态位。开放不是姿态，而是成本结构决定的必然选择：单独一家企业的数据量，撑不起通用模型的训练需求。

AI 虚拟细胞的三大趋势

这三条趋势共同指向一个判断：虚拟细胞的价值不在于"替代实验"，而在于"重新分配实验"。把便宜、快速、可大规模并行的部分交给模型，把昂贵、关键、需要真实生理环境的部分留给实验。谁能把这套分工设计得最经济，谁就能获得药企的长期订单，而分工的边界会随验证案例增加不断外扩。

七、趋势展望

未来三年是 AI 虚拟细胞的关键验证期。行业需要足够多的案例证明：模型预测能显著提高候选分子的成功率，而不仅是提高筛选通量。这一门槛看似技术性，实则决定付费方是否愿意把它写进预算；一旦有 3 至 5 个模型辅助发现的管线进入临床二期并取得积极数据，整个赛道的估值逻辑就会被重写。风险同样清晰。技术层面，跨尺度建模与因果推断尚未突破，模型在真实生理环境中的泛化能力存疑，一旦验证案例不及预期，估值回落会非常迅速；商业层面，药企的付费意愿取决于可量化的成本节约，而这一点在早期难以证明；数据层面，患者数据的合规使用、跨机构共享的机制仍不健全。虚拟细胞的终局不是做一个更聪明的软件，而是成为研发流程中不可省略的一环。

对参与者而言，值得关注的问题不是"模型能做多准"，而是"这条预测能省下多少实验成本、缩短多少研发周期"。答案越具体，商业化越扎实；工具一旦嵌进研发流程，替换成本本身就会成为壁垒。