Schrödinger（SDGR）的競爭可分成三個戰場：物理模擬軟體、AI 藥物設計平台，以及大型藥廠的內部研發能力。它在前者具備較深技術根基，但在 AI 層面並非唯一領先者。
| 競爭類型 |
代表對手 |
SDGR 的相對位置 |
| 物理化學與分子模擬 |
Cadence 旗下 OpenEye、Cresset、Chemical Computing Group |
SDGR 是領先者之一，尤其在高精度分子模擬與先導化合物最佳化 |
| AI 藥物發現 |
Recursion、Isomorphic Labs、Insilico Medicine、Chai、Genesis 等 |
SDGR 有物理模型結合 AI 的特色，但純 AI 新創迭代快、資金與算力投入強 |
| 開源工具與基礎模型 |
Boltz 等開源結構預測工具 |
對低門檻結構預測、分子對接功能形成價格與功能替代壓力 |
| 藥廠內部團隊 |
大型藥廠內建計算化學、AI 與資料科學團隊 |
既是客戶，也是長期潛在替代者；若內製能力提升，可能壓抑外部授權擴張 |
SDGR 的主要優勢
1. 物理模型是核心差異，不只靠生成式 AI
SDGR 的平台以物理學模擬與計算化學為核心，重點是預測分子在真實環境下的結合能力、穩定性與性質，代表工具包括 FEP+、Glide 與整合式研發工作流。這使它在「從大量候選分子中，精準挑出較值得進一步實驗驗證的化合物」上具有價值。
相較於純 AI 模型，SDGR 的論點是：AI 可提高搜尋與生成速度，但在藥物研發後段，仍需物理方法協助驗證分子是否真的具備足夠的結合力、選擇性與成藥性。其超過 30 年的研發累積與既有藥廠導入經驗，是較難短期複製的無形資產。
2. 已融入客戶研發工作流，轉換成本較高
藥物發現不是單一模型競賽，而是包含靶點分析、分子設計、模擬、實驗、數據回饋與決策紀錄的一整套流程。當工具已嵌入藥廠的化學團隊與研發資料流程後，替換供應商涉及模型驗證、團隊再訓練與工作流重建，因此既有客戶通常不會輕易更換。
這也是 SDGR 與許多早期 AI 藥物新創的差別：前者已有成熟的企業軟體授權基礎，後者則多仍在證明模型能否轉化成穩定、可重複的藥物研發成果。
3. 軟體訂閱加上里程碑／權利金，商業模式較多元
SDGR 一方面向藥廠、生技公司與研究機構銷售軟體，另一方面也把平台用於合作研發與自有早期專案；若合作專案推進、授權或被收購，有機會取得里程碑金、股權收益與未來權利金。
2026 年第二季藥物發現收入因 Ajax 相關里程碑而明顯增加；9 月成立的新公司 Tectora，則延續以早期資產換取股權、里程碑與權利金的模式。這能讓公司保留部分研發上行空間，同時避免完全自行承擔後期臨床開發成本。
4. 正把 AI 納入既有平台，而非從零開始
SDGR 推出的 agentic AI 系統 Bunsen，目標是自動化執行分子發現工作流；2026 年已擴大於大型藥廠客戶的研究組織內導入。若客戶從傳統席位授權，進一步採用雲端託管與用量型服務，軟體收入的單一客戶價值與續約黏著度都有上升空間。
SDGR 的主要劣勢與競爭風險
1. AI 競爭者速度快，部分功能可能商品化
AI 原生競爭者在分子生成、蛋白質結構預測與模型訓練的迭代速度很快；開源模型亦逐漸降低早期結構分析與對接功能的門檻。這不必然完全取代 SDGR 的高精度物理模擬，但可能壓低一般功能的定價能力，並迫使公司持續投入雲端、資料、模型與產品整合。
換句話說，SDGR 的護城河最強之處在「高價值、需精準驗證的分子最佳化」，而不是每一項 AI 藥物研發功能都不可替代。
2. 大型藥廠是客戶，也可能內製
大型藥廠普遍擁有自己的計算化學、AI 和資料科學團隊。一旦內部模型與運算能力成熟，部分標準化工作可能轉為自建，降低外部軟體擴充的速度。因此 SDGR 必須持續證明：使用其平台能在時間、成功率或研發成本上，產生明確優於內製方案的效益。
3. 合作／里程碑收入具波動性
軟體訂閱收入相對可預測，但藥物發現合作收入會受到專案里程碑、授權交易與合作方策略影響。第二季的獲利改善雖具正面意義，但其中含有里程碑收入，不能直接視為已形成穩定的常態獲利能力。市場也仍在觀察 AI 軟體採用能否真正轉化為持續性收入與利潤改善。
4. 從傳統授權轉向雲端／用量計價，短期可能壓縮利潤率
託管軟體與 AI 工作流通常需要更多雲端算力與客戶導入資源。若用量型收入尚未擴大到足以攤薄成本，毛利率可能暫時承壓。因此，Bunsen 的推出是重要產品催化劑，但是否構成新的高成長收入線，仍要看付費客戶數、合約金額、使用量與續約表現，而非僅看產品發布。
投資上可如何解讀
SDGR 比較適合定位為：以物理模擬軟體為核心、外加 AI 升級與藥物研發權利金選擇權的公司，而不宜單純當成一般 AI 概念股。
競爭優勢能否擴大，核心觀察指標是：
- 軟體年度合約價值（ACV）是否能穩定維持雙位數成長
Bunsen 是否出現更多付費企業客戶、用量或合約金額揭露- 雲端託管收入成長是否伴隨毛利率回穩
- 既有大型藥廠客戶是否擴大採用，而非僅維持既有授權
- 合作專案能否持續產生里程碑、授權與權利金，降低收入對單一事件的依賴
整體而言，SDGR 的技術優勢在於「物理模擬的深度、企業工作流整合與長期客戶基礎」；劣勢則在於 AI 與開源工具加速競爭、藥廠內製風險，以及合作收入與轉型期利潤率的波動。這代表它的護城河存在，但需要靠商業化數字持續驗證，而不是只靠 AI 題材。