chubai当ChatGPT能写诗、Midjourney能作画、Sora能生成视频时，人工智能在药物研发领域的“造物”能力同样在指数级爆发。过去几年，AI制药公司们用算法“吐出”了数以百万计的候选分子，其速度之快，让传统化学家们瞠目结舌。然而，一个残酷的现实浮出水面：这些分子中，99%以上可能只是“数字废料”——它们或许在计算模型里漂亮地契合靶点，但在真实生物环境中却毫无活性、毒性过高，甚至根本无法合成。
我们正陷入一场“AI制造的泡沫海啸”：数据越多，噪音越大；候选物越多，筛选成本越失控。如何从AI吐出的巨量“潜在药物”中，精准捞出那千分之一真正有临床价值的“黄金分子”？这正是初创公司10x Science试图用480万美元种子轮资金解决的“终极难题”。
**第一层：AI制药的“产能过剩”悖论**
传统药物发现，一个科学家一年可能合成并测试50-100个分子。而一个训练有素的生成式AI模型，一天就能生成数百万个全新分子结构。这听起来是革命性的效率提升，但制药行业很快发现了一个“甜蜜的诅咒”：候选物太多，验证能力却原地踏步。
“我们正在被自己创造的数据淹没。”一位大型药企的研发负责人曾向我坦言，“过去我们发愁找不到先导化合物，现在我们发愁该测试哪一个。每个AI公司都声称他们的分子是‘最优解’，但当我们把10个AI平台推荐的Top分子放在一起，发现结构截然不同，活性却都模棱两可。”
这种“多即是少”的悖论，根源在于现有AI模型的核心缺陷：它们擅长学习已知化学空间的分布规律，从而“模仿”出看似合理的分子结构，但极度缺乏对分子在真实生物系统中“行为”的预测能力。一个分子能否穿过细胞膜？会不会被肝脏快速代谢？会不会与hERG（一种心脏钾离子通道）结合导致心律失常？这些关键属性，在大多数生成模型中要么被忽略，要么被极度简化的近似函数替代。
结果就是：AI生成的分子库，变成了一个巨大的“可能性垃圾场”。研究人员不得不花费数月时间，用高通量筛选或动物实验，逐一验证这些候选物的成药性。时间、金钱、人力，全耗在了“排雷”上。
**第二层：10x Science的破局点——从“造分子”到“判分子”**
10x Science的创始人显然看穿了这一痛点。他们不打算再做一个“造分子”的AI——市场上已经有数十家这类公司，从Recursion到Insilico Medicine，竞争早已红海。他们的差异化定位在于：成为AI制药的“质量裁判”和“优先级排序器”。
这480万美元种子轮融资的核心，是开发一套能够对AI生成分子进行“多维深度评估”的智能系统。这套系统并非简单地用另一个模型打分，而是试图整合三类关键数据：
1. **可合成性预测**：很多AI分子在计算机里是完美的，但在化学家眼里根本无法合成，或者合成成本高到失去商业价值。10x Science通过引入逆合成分析引擎和反应数据库，预测每条合成路线的可行性、产率和成本。
2. **早期ADMET（吸收、分布、代谢、排泄、毒性）模拟**：这是传统AI模型最薄弱的环节。10x Science声称将构建更精细的物理建模与机器学习混合模型，模拟分子在人体内的“旅行轨迹”，提前过滤掉那些注定会因代谢过快或毒性过高而失败的候选物。
3. **靶点结合“真实性”校验**：很多AI分子与靶蛋白的对接分数很高，但实际结合时可能因为水分子介导、蛋白质柔性变化等原因失效。10x Science试图利用增强的自由能微扰计算，对Top候选分子进行更精确的结合自由能预测，确保“看起来好”的分子“实际上也好”。
简单来说，10x Science想做的，不是加速“造”，而是加速“判”。他们希望成为制药公司AI管线的“守门员”：当你的AI模型输出100万个分子时，我的系统能在48小时内帮你筛选出真正值得投入合成和测试的TOP 100个分子。
**第三层：为什么这件事比“造分子”更难，也更有价值？**
制药行业有一个著名的“死亡之谷”概念：从先导化合物到临床候选药物，90%以上的分子会在这个阶段失败。而AI制药的繁荣，正在把“死亡之谷”的入口变得异常拥挤——更多的候选物涌入，但失败率并没有降低，甚至因为筛选标准降低而有所上升。
10x Science所挑战的，正是这个“死亡之谷”的入口效率。如果他们的系统能够将候选分子的早期失败率降低10-20%，对于一家大型药企而言，就意味着每年节省数亿美元的研发浪费，以及将新药上市周期缩短1-2年。
更重要的是，这种“判别型AI”的商业模式可能比“生成型AI”更可持续。生成型AI公司往往需要向药企证明“我们的分子比你的好”，这涉及漫长而昂贵的联合研发和利益分配博弈。而10x Science提供的是一种“评估即服务”——不参与分子所有权，只提供筛选和排序能力。这更像是一种“卖铲子”的逻辑，在淘金热中，卖铲子的人往往比大多数淘金者更赚钱。
当然，挑战同样巨大。如何获取足够高质量的训练数据来训练这套“判官”模型？如何避免“用AI评估AI”带来的系统性偏差？如何让传统制药科学家信任一个黑箱系统的排序结果？这些都是10x Science需要用这480万美元来回答的问题。
**第四层：AI制药的下半场，从“规模竞赛”转向“精度竞赛”**
10x Science的融资，或许标志着AI制药行业的一个重要转折点。过去五年，行业的主旋律是“规模”——谁能生成更多分子，谁能训练更大模型，谁能覆盖更多靶点。但如今，随着DeepMind的AlphaFold3、薛定谔的FEP+等工具的普及，基础能力已经拉平。
下半场的竞争，将围绕“精度”展开。谁能更准确地在虚拟世界中预测真实世界的实验结果，谁就能真正降低药物研发的风险，而不是仅仅增加候选物的数量。
这场竞赛中，纯粹的生成模型将逐渐退居二线，取而代之的是“生成-筛选-验证”的闭环系统。而10x Science这样的“筛选手”，将扮演连接虚拟化学与真实生物学的关键桥梁。他们的成功与否，将决定AI制药能否从“花哨的demo”走向“产业级的reality”。
对于制药行业而言，一个值得深思的问题是：当AI能够以极低成本制造海量“可能”时，我们是否准备好为“筛选”和“判断”支付更高的溢价？毕竟，在药物研发的世界里，识别一个错误的答案，往往比生成一个漂亮的答案更有价值。
**最后，给所有关注AI制药的朋友三个思考方向：**
1. 如果你是一家AI制药公司的创始人，你是否在“造分子”之外，布局了足够的“判分子”能力？如果没有，你的管线可能正在制造大量无效噪音。
2. 如果你是一家传统药企的研发高管，你是否建立了内部评估AI候选分子的标准化流程？还是仅仅依赖外部AI公司的“自评报告”？
3. 如果你是一位关注科技商业的投资者，你是否注意到“筛选型AI”正在成为比“生成型AI”更具抗周期性和护城河潜力的赛道？
欢迎在评论区留下你的观点——你认为AI制药的“质量瓶颈”会由技术打破，还是由行业协作打破？我们期待你的真知灼见。
80.7亿卢比净利润创纪录！L&T金融亮出“Lakshya 2031”底牌，背后藏着怎样的增长逻辑？
当一家非银行金融公司（NBFC）在财报季甩出“净利润80.7亿卢比”和“年利润300.3亿卢比”两个历史新高时，市场的第一反应往往是惊叹。但真正值得深挖的，不是数字本身，而是这些数字背后的结构性变化。
3月28日，L&T Finance（LTF）公布了2026财年第四季度及全财年经审计的财务业绩，交出了一份“全线飘红”的成绩单。更引人注目的是，公司同步启动了名为“Lakshya 2031”的新十年战略。当大多数金融机构还在为资产质量焦虑时，LTF为什么能逆势创下纪录？这份新战略又指向何方？
我们不妨从三个维度，拆解这场“创纪录”背后的深度逻辑。
### 一、利润增长的“双引擎”：规模效应与资产质量的双重红利
先看核心数据：2026财年第四季度，LTF合并税后净利润达到80.7亿卢比，同比增长约35%；全年净利润300.3亿卢比，同比增长约28%。在印度利率环境波动、部分细分领域信贷风险上升的背景下，这样的增速堪称“现象级”。
利润的爆发，并非偶然。它来自两个核心引擎的协同作用。
**第一个引擎是业务规模的持续扩张。** 财报显示，LTF在2026财年的贷款总规模（AUM）突破了1.5万亿卢比大关，同比增长超过20%。其中，零售贷款占比持续提升，成为驱动增长的主力。零售业务通常具有更高的利差和更分散的风险，这种结构优化直接拉高了整体净息差（NIM）。当规模增长叠加利差改善，利润的弹性就会成倍释放。
**第二个引擎是资产质量的显著改善。** 截至2026财年末，LTF的坏账率（GNPA）从上一财年的2.8%下降至2.2%以下，拨备覆盖率则提升至180%以上。资产质量的优化，意味着公司不需要像以前那样“烧钱”计提坏账准备，释放出来的利润直接转化为净利润。换句话说，LTF不仅赚到了更多的钱，还省下了更多的钱。
这种“增收又减支”的双重红利，正是利润创纪录的根本原因。但问题在于：这种红利能否持续？
### 二、“Lakshya 2031”战略：从“做大”到“做强”的范式转换
财报发布当天，LTF管理层正式公布了“Lakshya 2031”战略。这个新战略的名字本身就暗含深意——“Lakshya”在印地语中意为“目标”。十年目标，指向的显然不是短期业绩，而是公司的长期竞争力。
仔细分析战略内容，可以发现三个关键转变：
**第一，从“规模驱动”转向“价值驱动”。** 过去几年，印度NBFC行业普遍追求规模扩张，甚至不惜牺牲利润率。但“Lakshya 2031”明确提出，将优先聚焦高回报的细分市场，如中小微企业（MSME）贷款、农村消费金融和绿色金融。这意味着LTF不再单纯追求贷款余额的增长，而是更看重每一笔贷款带来的经济价值。这种“精耕细作”的策略，在利率下行周期中尤为关键。
**第二，从“传统金融”转向“科技金融”。** 战略中特别强调了“数字化深度渗透”。LTF计划在未来三年内，将80%以上的零售贷款流程实现全自动化审批。这不仅是效率的提升，更是风险控制能力的质变——通过大数据和AI模型，公司可以更精准地识别优质客户，降低逆向选择风险。科技投入，正在从“成本项”变为“利润项”。
**第三，从“单一市场”转向“生态协同”。** 作为L&T集团旗下的金融旗舰，LTF正在强化与集团内其他业务板块的协同。例如，与L&T工程承包业务联动，为上下游供应商提供供应链金融；与L&T房地产板块合作，提供按揭贷款。这种“产融结合”的模式，可以为LTF带来低成本、低风险的客户流量，这是独立NBFC难以复制的护城河。
这三大转变，本质上是一次“范式转换”：LTF不再满足于做一个“放贷机构”，而是要成为一个“以数据为驱动、以生态为依托的金融解决方案提供商”。这种定位的升级，才是“Lakshya 2031”的真正内核。
### 三、隐忧与挑战：高增长背后的“三道坎”
当然，任何战略规划都不能忽略现实挑战。LTF在创纪录的业绩和宏大的蓝图之下，至少面临三道必须跨越的坎。
**第一道坎：宏观利率环境的不确定性。** 尽管印度央行在2026财年维持了相对宽松的货币政策，但全球通胀压力和美国利率政策的外溢效应，仍可能推高印度国内的融资成本。对于NBFC而言，资金成本上升会直接压缩利差。LTF能否通过优化负债结构（例如增加零售存款占比）来对冲这一风险，将是未来12个月的重要观察点。
**第二道坎：下沉市场的信用风险。** “Lakshya 2031”强调深耕农村和中小微企业市场，这些领域虽然增长潜力大，但信用风险也更高。一旦经济增速放缓或农产品价格波动，坏账率可能出现反弹。LTF过去几年在资产质量上的改善，部分得益于宏观经济景气周期。当周期转向，风险管理的“压力测试”才真正开始。
**第三道坎：科技投入的回报周期。** 数字化战略需要大量前期投入，包括系统建设、数据治理和人才引进。这些投入在短期内会侵蚀利润，而回报则需要数年才能显现。如何在“战略投入”和“短期利润”之间找到平衡，考验着管理层的定力和智慧。
### 结语：创纪录之后，真正的考验才刚刚开始
80.7亿卢比的季度净利润和300.3亿卢比的年度净利润，是LTF过去几年战略执行力的有力证明。但资本市场从来不会为“过去”买单，只会为“未来”定价。“Lakshya 2031”战略的提出，实际上是在向市场传递一个信号：LTF已经准备好从“追赶者”转变为“定义者”。
对于投资者而言，关注点应该从“利润数字”转向“战略落地”。未来几个季度，我们需要看到零售贷款占比是否继续提升、自动化审批率是否达标、生态协同是否产生实质性的交叉销售。只有当这些“过程指标”持续向好，创纪录的净利润才不会是昙花一现。
**最后，我想问读者一个问题：** 在印度NBFC行业竞争日益激烈的今天，你认为“科技+生态”的模式，真的能成为LTF穿越周期的护城河吗？欢迎在评论区分享你的看法。如果你对“Lakshya 2031”战略的具体执行细节感兴趣，也可以留言告诉我们，后续我们将做更深入的拆解。
