AI制药似乎从不缺乏高光时刻——近半年，国内外数款AI设计的管线迈进Ⅲ 期临床。但随着首批AI药物的研发历程几近走完，产业界与资本市场对于 “AI能做什么”的预期已悄然回归至一个更趋冷静的轨道上。

一个共识正在形成：AI带来的“快”，并不必然带来“省”；AI药的最终身价，归根结底要看它能够带来多少临床价值，而不仅仅依靠其算法标签。从“设计分子”走向“解决未满足临床需求”，AI制药要走的路还很长。

这就需要产业投入和研发范式发生转向。

近日，在国家药监局主管《中国食品药品监管》杂志上，来自图灵-达尔文实验室、北大肿瘤医院、北京安定医院、中科院计算所、中国信通院等机构研究人员共同刊发了一篇研究文章，提出在临床价值导向下，推动AI制药范式由“同类首创（FIC）”向“疾病领域治疗价值首创（FID）”的范式重构。

作为该文章的共同第一作者，图灵-达尔文实验室副主任、中科计算技术西部研究院研究员赵宇在接受第一财经专访时解释称，当前全球新药研发领域的AI 相关投入呈现显著不均衡特征——重化学模型而轻生物模型，继而导致候选新药分子的临床价值与原创性不足。

所谓FID范式，即以疾病未满足临床需求为起点，通过构建以生物模型和化学模型二元协同的AI 制药工程化体系，让化学模型持续聚焦未成药靶点，着力突破其中“难成药”的技术限制，让生物模型进一步深化疾病机制解析，系统阐明靶点与疾病之间的作用通路，挖掘其在不同疾病场景中的潜在治疗价值，从而最大化靶点开发潜力，最终实现 “药找疾病”转为“疾病找药”的转变。

AI制药仍是“锦上添花”？

“AI制药能不能颠覆药物研发？我们看到点状突破，但这件事情整体上还没有发生。”某高校药学院教授对第一财经表示。

一个新药的问世，需依次经历靶点发现与化合物筛选、临床前研究（动物试验），以及Ⅰ、Ⅱ、Ⅲ 期人体临床的漫长过程。

有业界观点认为，候选药物化合物的成药率低。同时，候选药物分子因安全性和有效性不达预期，在II期、III期临床试验中夭折概率大。这两个层次共同构成了药物研发领域的“死亡之谷”。全球医药研发追踪机构Biomedtracker发布的一项统计显示，新分子实体（NME）的Ⅱ期通过率仅25.6%。

目前，AI制药应用最广泛的领域是从海量化学分子里找到并打磨出具备成药性潜力的候选化合物。对于AI能否提高临床转化成功率，跨越“死亡之谷”，业界观点不一。

前述受访药学专家认为，目前，AI应用的底层逻辑仍是对现有文献知识的关联性分析。“为什么你们看到AI所谓的靶点发现经常是老药新用，就是因为它仍在做关联性——不是帮你发现靶点，只是提供更多假设。相较于有经验的临床科学家，AI提出的假设可能更多更快，但验证假设仍是人的工作。”

在他看来，药物研发中资源消耗最大、耗时最长的环节是临床验证，这需要证明药物机制在人体中产生预期效果，许多药物便折戟于此，新机制药物尤甚。然而，目前AI对此表现得尤为无能为力。

更通俗来说，AI可以靶点发现和分子设计阶段大幅提升效率，却也极有可能在临床验证阶段“掉链子”——算法驱动下大量涌现的候选分子，夭折于进入真实的临床前（动物试验）阶段。

近半年多以来，AI制药圈在“跨越死亡之谷”中迎来一些标志性进展事件。7月8日，英矽智能宣布其针对特发性肺纤维化（IPF）的候选药 Rentosertib 正式启动 III 期临床试验，这是全球首个由 AI 完成靶点发现与分子设计、并推进至 III 期的候选药物。去年12月底，德睿智药自主研发的AI辅助设计小分子药物MDR-001启动III期中国临床试验，这是国内首款进入III 期的AI设计药物。

但总体来看，一名接受第一财经采访的医院临床试验机构研究人员认为，“当前谈及AI提高药物研发效率，可能还只是概率学上的必然结果”。

“其深层原因在于对疾病机制理解的不充分，难以支撑临床阶段的有效验证。”赵宇说。

赵宇补充称，目前，AI研发管线的资产价值，本质上仍取决于其靶点和机制的新颖性和解决未满足临床需求。现状是，除了个别候选药，AI目前还主要是在做改良新药。

更为关键的是，赵宇认为，如果AI制药仍沿用传统FIC新药创新范式，即对靶点与疾病之间的研究多停留在相关性层面，缺乏充分的因果验证，该药在后续确定和拓展适应证方向时，仍面临大量的试错成本。于是，AI在前端靶点阶段赢得的效率，又在后端临床验证中大量损耗。

前述临床研究人员也提到，长期以来，药企新药的管线布局，一方面受市场热点因素影响，另一方面科学性依据不足。这样的低效研发问题在当前的AI浪潮中，尚未得到有效解决。

相较于在靶点发现和设计上“锦上添花”，业界开始期待AI给出更具突破性的解法：通过强化疾病机制解析与临床需求锚定，在研发早期即提升决策质量，从源头提高进入临床阶段候选化合物的有效性与成功概率。

东方富海上海副总经理、合伙人李潇男近日在《浦江科技评论》上给出一个形象的比喻：过去说AI降本增效，本质上它解决的还是如何画出一个更好的“钥匙”（药物分子）去匹配已知的“锁”（靶点）。只有从一位技艺精湛的分子绘图员成长为一位能理解生命系统底层逻辑的架构师，AI制药的“成人礼”方才形成。

“未来，能不能通过AI模型精准预测生物学扰动与疾病之间的直接关系，并且将安全性等多变量因素都算准了？”前述受访药学专家同样认为，只有做到这些，AI才能实质上提升药物研发效率。

瓶颈背后：重化学模型，轻生物模型

在赵宇看来，当下业界对于AI制药的“落差感”，归根结底是因为技术爆发式增长与临床价值导向之间的结构性错位。AI不仅仅要作为“分子发现加速器”，更要成为“生物医药创新体系的核心驱动力”。

他提到一组数据：AI 发现的分子在临床Ⅰ期的成功率可达 80%~90%、显著优于行业历史均值，但进入更依赖疾病机制理解的Ⅱ期后，成功率即回落至约 40%、与行业均值持平。截至目前，全球尚无任何由 AI 发现的药物获批。

为此，赵宇认为，AI制药必须打破当前的投入失衡局面。眼下，全球研发资源过度向化学模型倾斜，而对揭示疾病底层逻辑的生物模型投入明显不足。

一项国际研究佐证了赵宇的观点：当前，大部分公司将算力局限于靶点鉴定与分子设计两端，仅不足 24% 的 AI 药物发现公司将 AI 应用于临床前阶段的人体疾病生物学研究。

今年2 月，摩根士丹利发布的行业研究报告《跨越分子：2026 年是人工智能药物发现的成败之年》尝试以“化学模型”与“生物模型”二分法对AI 制药技术格局进行概括。

化学模型，即以结构生物学为底层支撑，以物理化学规律为核心约束，主要作用于分子设计、合成与优化等研发环节，其核心功能在于解决 “药物分子如何实现成药”问题；生物模型，则聚焦回答“新药研发该往哪走”的科学问题，其核心关切是疾病的发生发展机制、靶点与疾病之间的因果关系等新药研发前端问题。

由于生物模型发展滞后，科研人员以及行业对疾病机制缺乏统一、系统的认知，使得化学模型各环节的优化仅围绕单一研发需求展开，未能充分契合疾病治疗逻辑与创新药研发全流程规律，最终导致“各环节高效、全流程低效”。

前述摩根士丹利报告认为，化学模型侧重执行效率，已具备较高商业化成熟度，是药企研发体系中的“加速器”。但生物模型的发展水平将决定AI制药行业的价值上限，目前仍整体处于临床验证阶段。

比如，在中国，AI制药的头部企业英矽智能和晶泰科技分别对应“生成式分子设计”与“高精度物理计算”两大主流化学模型的商业化模式。在生物模型方面，基于其计算医学平台能力，赵宇所在团队构建了胰腺癌疾病生物学模型，并由此推进了胰腺癌1类创新药PR00012的研发，目前已进入Ⅰ期临床研究阶段。

赵宇设想了一个生物模型与化学模型组合应用的理想AI药物研发场景：在药物发现阶段，生物模型通过整合多组学数据建立靶点与疾病的因果关联，率先回答“为何干预”的科学命题，化学模型再基于物理化学规律在化学空间中搜索成药分子，回答“如何干预”的工程难题；进入临床前和临床阶段时，生物模型的价值会持续显现。生物模型扮演的“虚拟病人”角色，一方面可以替代部分动物试验，弥合跨越物种鸿沟问题，另一方面可以通过疗效预测和患者入组优化，替代部分人体临床，更好地识别出药物响应的潜在获益人群特征。

赵宇所在计算医学团队联合北大肿瘤医院自五年前开始的一项前瞻虚拟临床试验研究，这是世界第一个虚拟临床试验。“目前，虚拟临床已经完成，论文正在发表中”。

在有了“第一个吃螃蟹的人”之后，第一财经近期了解到，少数国内创新药企和医院临床研究中心也开始筹备虚拟临床的研究，但数据与算力仍是他们的主要关切。

“生物模型的长期价值是毋庸置疑，但其投入并不是一个短期算得平的账。相较于化学模型，生物模型所需的数据量更大，对算力要求也更高，加之行业认知还处于一个早期阶段，建议由国家队或大平台推动，降低入局门槛。”前述受访临床研究人员称。

一种业界设想是，在资源配置层面，后续可考虑设立“AI 制药二元模型协同”相关科技专项，明确生物与化学模型的经费配比，重点向疾病机制解析等生物模型基础研究倾斜。同时，针对生物模型长周期、高风险特征，可以试点长周期考核、容错机制及按研发里程碑节点拨付经费。