AIDD给Twist带来1亿美元订单

一家DNA公司，拿到了公司历史上金额最大的单笔采购订单。客户来自AI药物发现（AIDD）领域。

2025财年，AI药物发现为Twist Bioscience贡献了约2,500万美元的订单增量，占公司全年订单增量的约38%。按照今年9月15日Baird投资者会议上认可的增长框架，AI订单从2025年约2,500万美元的量级出发，2026年有望达到约5,000万美元，2027年进一步指向1亿美元。

两年四倍，足以让任何关注AI制药的投资者兴奋。

但公司历史上最大的订单，究竟意味着一家客户从此会不断采购，还只是恰好赶上了一次集中的模型训练？

模型建设需要大量数据，可以一次下很大的单。真正用模型去发现药物，则要围绕不同靶点反复采购实验服务，但是单笔金额未必都是大单。

前一种需求负责制造增长曲线，后一种需求才有机会接住曲线。Twist的AIDD订单是不是持续性需求，关键就在两者能否完成交接。

2026年6月2日，CEO Emily Leproust在William Blair会议上回顾，2025财年公司整体订单同比增加约6,600万美元，其中AI药物发现贡献约2,500万美元。不到全部增量的四成，却已经足以成为集团增长的重要来源。

但订单的集中度同样值得关注。2025年11月，Twist披露公司历史上最大的单笔采购订单来自AIDD客户；2026年1月，管理层又承认，AI业务仍集中在少数客户和项目。2,500万美元的订单增量已经证明AI客户愿意花钱，却还不能证明这些客户会年年花钱。

2026年5月4日，管理层披露，2025财年约2,500万美元的AI订单已经全部完成交付，其中大部分集中于2026财年第一季度，第二季度已基本不再受到这批旧订单的影响。

也就是说，2026年后续增长不能再主要依靠上一轮大单的兑现，必须寻找新的采购需求。

从经营数据看，AIDD的需求确实在向收入传导。2026财年前三季度，Therapeutics行业客户收入由上年同期8,010万美元增至1.184亿美元，同比增长47.9%；同期DSPS业务收入约1.609亿美元，同比增长约31.4%，季度同比增速从第一季度的27.4%提高到第三季度的38.7%。

只是，这些数字还不能回答订单从哪里来。Therapeutics包括传统和AI药物发现客户，DSPS包含不同用途的DNA和蛋白服务，两种分类相互交叉。Twist没有单独披露AIDD收入，更没有区分训练订单与日常研发订单。

因此，订单爆发已经有实际经营数据支持，但是爆发之后能留住多少还没有被证明。

同样是购买实验服务，训练AI模型和用AI模型发现药物，采购逻辑完全不同。

模型建设初期，AI企业需要大量“序列—实验结果”数据，让算法学习哪些设计能够结合靶点、哪些结构更稳定、哪些性质可能影响后续开发。一个模型涉及不同序列和实验条件，客户会倾向于集中采购大批量实验数据。

这类订单金额可以很大，却有天然的阶段性。基础数据集完成后，客户要先处理数据、训练模型、评估结果。在模型能够工作之后，每年并不会按原规模重新购买训练数据。

进入具体药物发现以后，客户买的东西变了。围绕一个新的靶点，研发人员需要设计候选分子，验证结合能力、表达表现、稳定性，再根据结果调整下一轮设计。

模型可以沿用，具体分子的实验结果却不能直接沿用。

两种订单的节奏可能完全相反。训练阶段的大单更集中，常规药物发现的订单更小、频率却更高。两者之间还穿插着模型更新和专项数据补充的采购，随着新靶点、新实验条件和新药物模态出现，不时产生新的需求。

2026年9月15日，Leproust在Baird会议上讲出了早期客户的真实采购路径。一些客户先用约10万美元量级的试点订单验证Twist的交付能力，再扩大到数百万美元级别的模型训练采购。随后进入数据处理和模型建设的等待期，最后开始针对具体靶点开展常规药物发现。

公司已经观察到部分早期客户走到了最后一步。这是目前支持持续性需求最直接的经营线索。

但它也留下了新的疑问。经历一次从训练到研发的转化，不等于客户会连续几年维持相同的预算。即使每年都有订单，金额也可能随研发项目调整而下降。

所以，判断订单能否持续需要追问的是，模型训练完成之后，同一批客户下一年到底还买了多少钱。

2026年5月21日的Twist投资者日上，Chai Discovery联合创始人Joshua Meier介绍了公司的AI抗体发现流程。

Chai需要的不只是训练模型的数据。模型开始设计真实的候选抗体后，研发还得不断检验结合能力、表达量、稳定性、黏度等指标。针对不同靶点设计出的抗体，需要重新购买DNA并开展实验验证。

更值得注意的是，Chai在投资者日被介绍为没有自有湿实验室的客户。对于这种轻资产研发模式，外部实验平台不只是前期训练模型时的一次性供应商，也承接着日常药物发现活动。

Chai的案例至少说明，模型练成之后，采购关系不一定结束。只是公司没有披露Chai向Twist的年度采购金额，无法判断从大额训练订单切换到常规研发以后，客户总支出是增加还是减少。

来自大型药企的观点进一步补上了另一块拼图。

同场投资者日上，有投资者直接问GSK旗下Elsie Bio的科学负责人Dillon Flood，模型需要的数据逐渐积累完成后，药企是否会减少采购。

Flood认为，未来3至7年，高通量实验数据需求仍有增长空间。现有ASO、siRNA项目需要继续优化，其他新的RNA模态则存在大量数据空白，连可靠的预测模型都难以建立。

但他并没有否认需求饱和。对于特定模态，数据积累到一定程度，模型表现改善，实验需求就可能下降。

单个模型的训练订单可以结束，药企的模型建设工作却未必同时结束。 老模态逐渐成熟，新模态不断提出新问题，数据需求有机会在不同任务之间接力。

2026年，Twist进入了两套值得关注的AI药物发现生态。

5月7日，AWS介绍Amazon Bio Discovery的实验服务协作流程。平台上的客户能够比较不同CRO提供的实验服务、价格与交付周期，并将实验结果反馈到模型。Twist作为可选择的供应商之一，有机会承接不同客户、不同项目的实验采购。

9月16日，TWST宣布加入礼来TuneLab。参与企业可以按照规定的实验方案，向Twist采购抗体表征服务，用于AbLab等模型的验证和优化。

与某一家AI企业签订一笔大额数据订单不同，进入研发平台意味着实验服务开始嵌入一套可以反复启动的采购流程。客户每切换一个靶点、开展一轮新的抗体设计，都有机会再次调用相关实验能力。

过去需要分别寻找供应商、安排实验、传递结果的流程，现在有一部分能够在统一平台中完成。采购变得方便，重复使用某项实验服务的阻力也随之降低。

这让Twist的增长前景变得更清楚，也更复杂。实验服务有机会从少数客户的大项目，走向不同平台上的日常研发活动；与此同时，Twist必须持续证明自己的服务值得客户反复选择。

还有一个容易被乐观叙事忽略的变量，来自AI技术进步本身。

AI模型越来越强，可能让药企开展更多项目，也可能让每个项目需要测试的候选分子越来越少。两股力量同时作用，最终实验需求未必一路增长。

在2026年5月投资者日上，Chai介绍过不同抗体设计方法的效率差异。较早期方法中，实际获得结合抗体的比例可能低至约0.1%，而Chai-2在其发表的任务中达到约16%的结合成功率。

这并非严格统一实验条件下的直接比较，不能机械理解为效率提升了多少倍，但足以提示一个方向。

如果AI已经能够用更少的设计找到足够多的有效分子，客户就没有必要继续验证过去那么大量的序列库。AWS的相关技术文章也指出，实验反馈能够提高模型筛选候选分子的能力，减少后续实验迭代。

简单做一个假设。AI让活跃研发项目数量翻倍，同时让每个项目需要测试的候选分子数量下降一半。如果其他条件不变，Twist需要完成的实验总量实际上没有增长。

对Twist而言，真正决定需求的不是AI可以生成多少序列，而是活跃项目数量、单项目验证工作量、迭代次数、单项服务价格和公司承接份额共同作用后的结果。

再回到订单的可持续性。假设2027年Twist实现1亿美元AI订单，其中75%来自阶段性的模型建设，25%来自常规药物发现。若2028年模型建设订单下降30%，常规药物发现订单必须增长90%，才能抵消减少的部分。

反过来，如果2027年已有75%的AI订单来自常规药物发现，即使模型建设订单下降50%，常规业务只需增长约16.7%，总订单就可以保持不变。

通过假设条件下的敏感性情景分析，同样是1亿美元，背后的业务质量天差地别。

这也把研究推向最关键的信息缺口。Twist没有披露训练与常规研发的订单占比，也没有披露客户完成训练后下一年的平均采购额。市场看到了总订单可能翻倍，却还看不到究竟有多少订单能够沉淀下来。

Twist的AIDD订单已经不是一场只有预期、没有成交的生意。2025年的订单增量、2026年的经营增长，以及部分客户从模型训练转向常规药物发现的行为，都说明真实需求已经形成。

但第一轮增长很大程度上依赖少数客户的大额采购，未来能否持续，取决于日常药物发现能否接过模型建设的增长接力棒。

新客户不断训练模型，老客户不断验证新的药物，两种需求如果能够并行，AI实验服务才有机会走得更远。

- END -

本文所提及的任何资讯和信息，仅为作者个人观点表达或对于具体事件的陈述，不构成推荐及投资建议。投资者应自行承担据此进行投资所产生的风险及后果。