Schrödinger（SDGR）：不是在做藥，而是持有未來藥物成功的「長期期權」

ProfitVision LAB｜AI BioTech 系列｜2026.04

一、從框架開始：為什麼你用錯了分析工具

在這個系列裡，我們已經用了幾種不同的框架分析公司：Tempus 用的是「數據飛輪轉速」，Veeva 用的是「轉換成本深度」，Illumina 用的是「安裝基礎複利」。這些框架都有一個共同的底層假設：收入是連續的，成長是可以建模的，估值是可以用現金流折現來逼近的。

Schrödinger 打破了這個假設。

如果你用傳統的基本面框架去看它——P/E 多少、EBITDA 何時轉正、收入成長率是否持續——你幾乎一定會得出「高估」的結論，或者「不知道怎麼評價」的困惑。這不是你的問題，而是框架的問題。Schrödinger 的本質不是一家需要用線性分析工具評估的公司，而是一個需要用選擇權思維理解的投資結構。

選擇權思維是什麼？它的核心是承認不確定性，並且把不確定性轉化為一種可以被定價的資產。一張選擇權的價值，不來自「它現在賺多少錢」，而來自「它在未來某種情境下可能值多少錢」乘以「這種情境發生的概率」。當這個可能的未來足夠大，即使概率很低，選擇權也可以有很高的價值。

這就是 Schrödinger 的本質：它是一組關於「未來藥物成功」的選擇權集合，輔以一個軟體業務提供的穩定現金流作為時間價值（Theta）的來源。不理解這個結構，就無法理解為什麼這家公司在持續虧損的情況下，仍然可以是一個有意義的投資標的。

二、雙引擎模型：把兩種截然不同的商業邏輯放在同一家公司

Schrödinger 的商業模式是一個精心設計的二元結構，兩個引擎各自服從完全不同的商業邏輯，但共享同一套核心技術。理解這個設計，是理解整家公司的關鍵。

第一個引擎是軟體業務。Schrödinger 建立在三十多年計算化學和量子力學的研究積累上，它的核心產品是一套分子建模和性質預測的計算平台，讓藥廠的科學家可以在電腦上「虛擬」地篩選和優化候選分子，而不需要在實驗室裡合成每一個可能的化合物。這聽起來是一個利基市場，但實際上，每一家頂尖的製藥公司都在使用類似的計算化學工具，而 Schrödinger 在精度和物理準確性上長期被業界認為是最接近物理現實的平台之一。

這個軟體業務有典型的 SaaS 特徵：高毛利（超過 70%）、高留存率（大客戶超過 96%）、年度訂閱制、可預測性強。它不需要依賴任何藥物的成功，只需要客戶繼續使用這個工具就能持續收費。這是公司的「地板」——一個穩定的下行保護。

第二個引擎是藥物發現合作。這裡的邏輯完全不同。Schrödinger 利用自己的平台，直接參與藥物分子的設計工作，但不是以顧問費的方式收費，而是以「成果分享」的方式參與價值分配。這意味著當它幫助藥廠設計出一個候選分子，如果這個分子最終進入臨床、獲得監管批准、並且商業化銷售，Schrödinger 就可以從銷售中分到一個比例的版稅（Royalty）。

這個設計的精妙之處在於：Schrödinger 承擔的是智識勞動（用平台設計分子），而不是財務風險（不需要資助臨床試驗）。如果藥物失敗，它損失的只是這個項目的機會成本；如果藥物成功，它能分享的是幾乎純利的銷售版稅。這種「有限下行、開放上行」的結構，正是選擇權的定義。

三、物理 + AI：為什麼 Schrödinger 的 AI 和其他人不一樣

在討論 AI Biotech 的時候，「AI」這個詞被過度使用，以至於失去了辨別力。Tempus 的 AI 是大規模數據訓練的臨床預測模型；Veeva 的 AI 是嵌入工作流程的自動化工具；Illumina 的 AI 是加速基因組數據分析的 DRAGEN 引擎。Schrödinger 的 AI，是另一種完全不同的東西。

Schrödinger 的核心技術基礎是物理優先（Physics-First）的分子模擬。它不是從生物數據中學習模式，而是從物理第一性原理出發，用量子力學計算分子中的電子行為，預測分子的三維結構、結合能量和生物活性。這種方法的計算量極其龐大——預測一個分子如何與靶蛋白結合，在傳統計算機上可能需要數週時間——而 Schrödinger 做的，是把這個過程和機器學習結合，讓 AI 學習物理模擬的結果，從而在保持物理準確性的前提下，大幅加速預測速度。

這種「Physics + ML」的組合，讓 Schrödinger 的預測能力在特定任務上，系統性地優於純數據驅動的 AI 方法。純 ML 方法依賴訓練數據的數量和質量，在數據稀少的新靶點或新分子類型上表現不穩定；但物理模擬不需要大量的歷史數據，因為它依靠的是自然界的規律，而這些規律在任何新靶點上都是適用的。這個差異，使 Schrödinger 在處理「前沿問題」（即數據稀少的問題）時，有結構性的優勢。

這也解釋了為什麼 Schrödinger 的軟體業務，不會因為大型語言模型的普及而被輕易取代：解一個量子力學方程式，不是語言模型能做的事情，它需要的是物理知識的精確計算，而不是統計模式的識別。

四、版稅機制深度解剖：為什麼「別人成功」就能讓你賺錢

版稅（Royalty）是 Schrödinger 商業模式中最難理解、也最容易被低估的部分。它的運作方式，和我們在日常生活中熟悉的商業邏輯完全不同，理解它需要先放下「你付出多少工作就賺多少錢」的線性直覺。

在傳統的商業關係中，Schrödinger 如果幫助一家藥廠的科學家設計一個候選分子，它可能會收取一筆顧問費——比如 50 萬美元，工作完成，費用結清，之後這個分子不管成功還是失敗，都跟 Schrödinger 的收入沒有關係。這是線性的、確定的、但也是有限的。

Schrödinger 的版稅合作完全不同。它把自己的智識貢獻，轉換成了對未來成果的「股權」。當合作合約簽署時，Schrödinger 可能收到一筆小額的前期合作金（幾百萬美元），然後當藥物進入不同的臨床階段時，觸發一系列的里程碑付款（Milestone，從幾百萬到幾千萬美元不等），最終如果藥物成功上市，Schrödinger 開始收取銷售額的一個固定百分比作為版稅（通常在 1-5% 之間，視合約而定）。

這個結構的關鍵在於版稅的邊際成本：當版稅收入開始流入，Schrödinger 不需要做任何額外的工作——藥物已經設計完成，臨床試驗已經由合作藥廠承擔，商業化已經由合作藥廠執行。Schrödinger 只是靜靜地等待，然後每個季度從合作藥廠那裡收到一張版稅支票。如果這個藥物每年銷售 20 億美元，而版稅率是 2%，Schrödinger 每年收到 4,000 萬美元，幾乎是純利。

現在把這個邏輯乘以 16 個合作項目。

這 16 個合作項目，代表的是 16 種不同的「未來成功概率」。每一個項目在不同的臨床階段，成功概率不同：Phase II 的藥物平均有約 30% 的概率最終上市；Phase I 約 10%；Discovery 階段更低。但版稅收入的潛在規模，可以遠遠超過任何合理的概率折現計算，因為一個 blockbuster 藥物的版稅收入，可能在十年內超過 Schrödinger 現在整個公司的市值。

五、為什麼 DCF 框架在這裡系統性失靈

對任何一個受過傳統金融訓練的分析師來說，評估 Schrödinger 的第一反應都是建立一個 DCF 模型：預測未來十年的收入、估算折現率、計算終端價值、得出估值。但這個過程在 Schrödinger 身上幾乎必然失準，而且失準的方向是系統性低估。

原因在於 DCF 假設收入是連續分佈的——你可以說「2028 年收入會增長 15%」，然後一年一年往後推。但版稅收入不是連續分佈的，它是離散的事件驅動：在藥物上市之前，版稅收入是零；在藥物上市的第一個季度，版稅收入可能跳升到幾千萬美元；如果藥物成為 blockbuster，版稅收入在之後幾年會繼續成長。這種「跳躍式」的收入模式，讓 DCF 模型的預測天然地傾向於把這些事件的影響「平均化」或者「低估化」。

更深一層的問題是折現率。在 DCF 模型中，10 年後的現金流，按照 10% 的折現率折現之後，只有現在的 38%。也就是說，即使你預測 Schrödinger 在 10 年後每年會有 5 億美元的版稅收入，在 DCF 模型中，這筆收入的現值只有 1.9 億美元。但如果這 5 億美元的版稅是來自一個銷售穩定增長的 blockbuster，它的終端價值可能遠不只 5 億，而是 10 億、20 億——而所有這些，在 DCF 框架裡都被一個折現率壓縮掉了。

這就是為什麼評估 Schrödinger，需要使用的不是 DCF，而是「情境加權期望值」（Scenario-Weighted Expected Value）的方法：把不同數量的版稅項目成功的情境分別建模，計算每個情境的概率和回報，然後加權求和。這個方法不精確，但它至少在框架上是正確的，而 DCF 在框架上就是錯誤的。

六、軟體業務：被版稅光芒遮蓋的穩定引擎

在討論版稅的時候，很容易忽略 Schrödinger 軟體業務的真實價值——因為版稅的潛力太誘人，讓軟體業務顯得平淡。但這個判斷是錯誤的。軟體業務不只是「地板」，它是整個商業模式能夠成立的先決條件。

Schrödinger 的軟體客戶包括全球前 20 大藥廠中的絕大多數，以及主要的學術研究機構和生物技術公司。它的核心產品套件——Maestro（分子建模）、Glide（分子對接）、FEP+（自由能計算）——在計算化學社區有極高的認可度，被認為是業界精度最高的工具之一。這種聲譽不是一朝一夕建立的，而是三十多年的研究積累和持續的技術迭代的結果。

軟體業務的護城河，同樣來自一個不容易被複製的資產：被驗證的物理準確性。在藥物發現領域，計算預測最終要接受實驗室的實驗驗證。Schrödinger 的工具之所以在大藥廠中長期使用，是因為它的預測結果和實驗結果的一致性，在業界有大量公開的驗證案例支持。一個新的競爭對手，即使技術架構相似，也需要多年的使用案例積累，才能建立同等的信任度。這是一個緩慢建立、但很難快速複製的護城河。

更重要的是，軟體業務創造了一個獨特的飛輪：客戶在使用 Schrödinger 的軟體進行分子設計時，如果遇到特別有潛力的候選分子，自然會考慮利用 Schrödinger 的合作項目進行更深入的協作——而這些深度合作，正是版稅的來源。軟體業務不只是獨立的收入來源，還是版稅業務的漏斗頂端（Funnel Top）：客戶使用軟體，發現價值，深化合作，形成版稅合約。這兩個引擎不是獨立的，而是相互強化的。

七、市場定價的困境：為什麼這是一個「有意思的錯誤」

理解了 Schrödinger 的商業模式之後，一個自然的問題是：如果這個模式如此特殊，為什麼市場沒有給它一個更高的定價？

答案是：市場確實給了它一個偏高的定價——但用的是錯誤的理由。在 2021 年的生物科技泡沫高峰期，Schrödinger 的股價曾經超過 100 美元，市值接近 100 億美元，但這個定價主要來自對「AI 藥物發現」敘事的炒作，而不是對版稅結構的深度理解。隨著利率上升和生技泡沫破裂，Schrödinger 的股價從高峰大幅回落，這不是因為商業模式改變了，而是因為市場的敘事框架改變了。

現在市場給 Schrödinger 的定價，同樣可能是基於錯誤的框架——這次是太悲觀。當軟體業務的增長放緩（因為大藥廠的 IT 預算受到利率環境影響），市場傾向於用「SaaS 公司增長放緩」的框架來解讀，從而給予更低的倍數。但這個框架忽略了版稅業務的期權價值——而這個期權價值，隨著更多合作項目進入臨床，可能比市場意識到的更大。

八、風險的真實輪廓：等待是最大的代價

Schrödinger 的風險，和其他公司的風險有著本質的不同。它不是競爭風險（競爭者很難在五年內複製它的技術積累），不是市場風險（藥廠對計算化學工具的需求不會在短期內消失），甚至不主要是財務風險（軟體業務提供了足夠的現金流基礎）。它最大的風險，是時間成本。

這三個風險有一個共同的特點：它們都是關於「未來某個時點之前的不確定性」，而不是「商業模式本身是否成立」。換句話說，如果你有足夠長的持有週期和耐心，這些風險的重要性會隨著時間的推移而降低；但如果你需要在兩到三年內看到結果，這些風險就是真實的、不可忽視的。

九、投資策略：這不是現貨持有，而是結構性押注

基於 Schrödinger 的報酬結構，它在投資組合中的角色應該是非常明確的：它不是穩定配置的核心持股，而是一個結構性的長期押注，用來提供投資組合的「非線性回報來源」。

這意味著持有 Schrödinger 的正確方式，應該是以你能夠承受「在相當長時間內沒有明顯進展」的部位大小來配置，而不是以「這個季度的財報可能超預期」為依據來操作。如果你的投資框架是以季度為週期的，Schrödinger 可能會是一個讓你持續失望的標的，因為它幾乎每個季度都在虧損，軟體增長也不會突然加速。

十、系列總結：四種投資命題，四種思維框架

這個 AI BioTech 系列到這裡，完成了一個我們從一開始就在建構的東西：不是四篇獨立的個股分析，而是一個關於「同一個產業、四種截然不同的投資結構」的完整思維框架。

在整個系列的過程中，我們嘗試做一件不太常見的事：不只是分析公司，而是用分析公司作為媒介，建立一套可以跨公司、跨行業應用的思維框架。Tempus 教我們怎麼看「數據飛輪的結構轉折」；Veeva 教我們怎麼看「制度嵌入的深度和不可逆性」；Illumina 教我們怎麼看「安裝基礎帶來的複利飛輪」；Schrödinger 教我們怎麼用「選擇權思維」去評估一個報酬分佈不對稱的商業模式。

這四種框架，不只適用於 AI BioTech，而是適用於任何需要在不確定性中做出有意義決策的投資情境。

系列的最後一句話：
如果 Illumina 是賣水，Veeva 是收過路費，Tempus 是賣數據，那麼 Schrödinger 做的，是持有未來成功的權利——而這種權利的價格，往往在被真正理解之前，就已經有人在悄悄地買入了。

本文僅供研究與教育用途，不構成投資建議。數據來源：Schrödinger Inc. 年報、10-K、法說會簡報。Pipeline 進度為示意性整理，請以公司最新揭露為準。投資有風險，請自行評估。