BEN-2293

AI生分子、CRO做验证、FDA审结果——三个环节各自为战，正是AIDD不及预期的根本原因；而高质量的真值数据，是唯一能将它们真正连通的革命性力量"如果指南针指向了错误的终点，那么开跑车只会让你更快地见证失败。速度无法补偿方向的盲目。"第一部分：一个令人不安的对称1.1 一个被误读的"成功数据"：临床成功率的贝叶斯陷阱 2024 年 10 月，瑞典皇家科学院将诺贝尔化学奖同时颁给 Demis Hassabis（AlphaFold）和 David Baker（蛋白质设计），将 AI 与生物学的融合推向了时代叙事的最高点。自此之后，AIDD（AI 驱动的药物发现）行业的融资路演、媒体报道和学术期刊封面，无不被一种令人亢奋的情绪所笼罩。而那套被反复引用的数字，正在成为一代创业者的"成功神话"—— AI 发现的分子，Phase I 临床成功率高达 80% 至 90%，远高于传统药物的约 40% 至 65%。 这个数字真实。但它也真实地构成了一个精心设计的认知陷阱。 BCG 与 Wellcome Trust 联合发布的行业报告，对这一数字进行了最精确的上下文还原 [BCG & Wellcome Trust, 2024, Unlocking the Potential of AI in Drug Discovery]。AI 药物在 Phase I 的高成功率，证明的是一件极为具体的事情：AI 在优化"化学可成药性"（Chemical Druggability）方面，即分子的 ADMET 性质（吸收、分布、代谢、排泄与毒性）、合成可行性与基本生物活性方面，已经展现出对传统方法的系统性优势。 这是 AI 擅长的问题——它本质上是一个在已有化学数据分布内的高维搜索与优化问题，而这恰恰是生成式 AI 和深度学习的强项。 然而，发表于 International Journal of Pharmaceutical Sciences and Drug Research（2026）的系统综述对 173 个 AI 参与设计的临床程序进行了分析，得出了一个令人不安的结论 [Decade of AI in Drug Discovery, IJPSD, 2026]：一旦进入代表"真实疗效与靶点因果性"的 Phase II，AI 发现分子的成功率约为 40%，与传统药物的历史均值（约 37%）在统计学上无显著差异。更尖锐地说，截至 2026 年初，在超过 170 个进入临床阶段的 AI 发现分子中，没有一款获得 FDA 的最终上市批准。 这就是那个"令人不安的对称"——AI 将 Phase I 的天花板顶上去了，但 Phase II 的地板丝毫未动。 在数学上，这种对称所隐含的诊断几乎是直白的：AI 解决了问题的化学层面，但对问题的生物学层面无能为力。 Phase I 主要评估药物安全性、耐受性和基本药代动力学，其失败原因绝大多数源于化学性质的缺陷；而 Phase II 则是对"靶点是否真正与疾病因果相关""分子在人体复杂生理系统中能否产生预期疗效"的第一次真正检验。这里的失败，不是化学问题，而是生物学问题——而这正是当前 AI 还没有系统性解决方案的地方。 2026 年，约 15 个 AI 设计的分子正在步入或即将进入 Phase III。Insilico Medicine 的 rentosertib（ISM001-055，针对特发性肺纤维化）是迄今唯一一个在 Phase IIa 中呈现疗效信号的全 AI 设计小分子，2025 年 6 月其数据以完整论文形式发表于 Nature Medicine [Insilico Medicine, 2025, Nature Medicine]。这批管线的结局，将是第一代 AIDD 的历史裁决。但无论如何，在那一刻到来之前，我们需要诚实地问一个问题：为什么 AI 在这道坎上停了？ 答案不在算法层面。答案在工业流程层面，在数据层面，在认识论层面。1.2 为什么速度不是问题的答案：重新审视新药研发成本的真正病灶 "18 个月、数百万美元，就能交付 Pre-IND 候选分子。" 这是 2022 年至 2025 年间，几乎每家 AIDD 公司路演 Pitch Deck 上都会出现的金句。它所描述的，确实是部分真实——AI 将从靶点识别到临床前候选分子的周期从传统的 3 至 5 年压缩至 13 至 18 个月，这一成就无可否认 [Analysis-Atlas, 2026, AI in Drug Discovery: A Nobel, a Billion-Dollar Launch, and Zero Approved Drugs]。 然而，这个数字只代表整个研发时间线的 20% 至 25%。临床试验（Phase I 至 III）、监管审评和商业化构成剩余的 75% 以上，而这些阶段的时钟，AI 尚无法拨动。 更致命问题是：如果分子设计阶段加速了，但临床成功率没有提升，那么这种加速带来的后果是什么？它是一台将更多不够好的分子更快速地送入昂贵临床试验的机器。 速度不是财富，速度是放大器——它放大优势，也放大缺陷。 过去数十年，全球制药研发的总投入持续攀升，而每年获批的新分子实体数量却长期在低水平徘徊。新药研发的平均成本已超过 20 亿美元，而这一成本中，绝大部分消耗在临床阶段的失败上，而非早期发现。真正的生产力危机，不是分子生成的速度，而是临床成功率长达数十年未能系统性提升的结构性困境。 Sun et al.（2022）在 Acta Pharmaceutica Sinica B 的系统性综述，对过去数十年药物临床失败的根本原因进行了最权威的统计解析 [Sun D et al., 2022, Acta Pharmaceutica Sinica B]：缺乏临床疗效（Lack of Efficacy）：40% 至 50%不可接受的毒性（Unmanageable Toxicity）：约 30% 药代动力学/生物利用度问题：约 10%–15% 战略、商业原因：约 5%–10% 注意这两条最核心的死因——疗效不足与安全问题合计超过 80% 的临床失败。它们的底层共同逻辑是：靶点选错了，或者分子在人体内的系统性危害没有被预见到。 这两件事，与分子生成的速度和数量，完全没有因果关系。它们是疾病生物学的认知问题，不是化学优化的效率问题。1.3 拼凑思维的根源：工业时代的组织遗产，技术时代的思想钢印 要理解当前 AIDD 实践为何陷入"Phase I 辉煌、Phase II 撞墙"的结构性困境，必须回溯制药工业 100 年来形成的"福特式流水线"组织逻辑。 20 世纪中叶，随着药物发现的科学复杂性呈指数增长，制药公司逐渐将研发过程解构为高度专业化的模块：靶点发现（Target ID）→ 苗头化合物筛选（Hit ID）→ 先导化合物优化（Lead Optimization）→ ADMET 评估 → 临床前安全性（IND-enabling Studies）→ 临床试验。为了降低管理复杂性，每个模块被"外包"给专业的合同研究组织（CRO），通过合同和数据包在机构间单向传递。 这套体系的代价，是系统性的知识断层：每个 CRO 只负责自己节点上的数据生产，各节点之间只有静态数据的单向交付，没有跨节点的动态因果反馈。当 A 节点的分子结合数据传递给 B 节点时，关于"为什么这个靶点在这个疾病语境下具有因果决定性"的机制知识，从来没有被结构化地携带和传递。 现在，当 AI 被引入这套体系时，它所扮演的角色是什么？它只是把"人工筛选分子"换成了"AI 生成分子"，而整个外包拼接的逻辑、数据孤岛的结构、知识断层的格局，一丁点儿都没有改变。 新时代最强大的生成式算法，被嵌入了旧时代最碎片化的工业流程。这就是"拼凑思维"的本质——不是在批判任何人的动机，而是在指出一种系统性的范式错配。 用一个比喻来描述这种错配：你把世界上最先进的 GPS 导航系统，装进了一辆车轮已经严重磨损、刹车系统老化失灵的老爷车里。导航可以指引你最优路径，但车本身的问题会让你在路上抛锚，或者在关键弯道控制不住方向。这个"车轮磨损"，就是那条从分子设计到临床结果的、充满断层和噪声的因果链条。第二部分：管线的命运，由什么决定？2.1 从分子到疗效：一条被忽视的因果链 一款药物要在临床试验中成功，至少需要三件事在同时为真。缺少其中任何一件，无论分子设计得多么精妙，都将以失败告终： 第一，化学正确（Chemically Sound）：分子能够以足够的亲和力结合预定靶标，具备良好的 ADMET 性质和化学稳定性，能够安全地进入人体并到达靶点。 第二，生物学正确（Biologically Valid）：该靶标在真实的目标患者体内，对疾病的发展进程具有不可代偿的因果性决定作用（Target Adequacy）。这意味着：该靶标参与疾病的驱动通路，且在患者相关细胞类型和组织微环境中以功能性方式表达，并且不存在足以抵消治疗效果的通路冗余或代偿机制。 第三，系统安全（Systemically Safe）：分子在人体复杂的多器官生理网络中，不会引发不可接受的脱靶效应、代偿性通路激活或远端毒性。人体不是一个单一的靶点系统，而是数千个相互连接、动态平衡的生物网络。 当前主流的"生成式 AI + 传统 CRO"模式，对第一条已经具备出色的系统性解决能力。然而对第二条和第三条——也就是管线最终是否成功的真正决定性因素——它仍然缺乏主动、系统的预判能力。更准确地说，传统 CRO 体系所提供的验证数据（单点体外 Assay、细胞系测试、动物模型），在结构上就无法提供支撑"生物学正确"和"系统安全"所需的跨层级动力学数据。 BenevolentAI 的 BEN-2293 失败案例可以作为一个简洁的诊断性例证 [BenevolentAI, 2023, Phase IIa press release]：AI 通过知识图谱识别出 pan-Trk 抑制作为特应性皮炎的潜在治疗靶点，这一靶点选择的逻辑在理论上成立。然而，当 BEN-2293 作为局部用 pan-Trk 抑制剂进入 Phase IIa 时，它未能改善湿疹症状。事后分析指向了人类免疫疾病中通路冗余性的问题——多条并行的促炎信号通路使得单一 Trk 通路的阻断效果被极大稀释，而这种冗余性在简化的体外测试体系中是完全透明的、看不见的。靶标"相关"，但不符合 Target Adequacy 的核心标准：在疾病的真实细胞语境中，具有不可代偿的因果决定性。2.2 两类 AI 能力的本质差异：模式插值 vs. 因果推理 在厘清问题的根源后，必须对当前"AIDD"这一宽泛标签下的两类本质上完全不同的 AI 能力进行精确区分。 生成式 AI（Generative AI），其数学本质是高维概率密度的估计与采样。以 AlphaFold 3 [Abramson et al., 2024, Nature]、RFdiffusion、ESM-3 [EvolutionaryScale, 2024] 为代表的模型，在蛋白质结构空间、化学结构空间中学习数据分布，并从中生成符合设计约束的新样本。它在已知数据分布内的插值与外推能力极强，但其根本局限在于——它能告诉你"什么样的分子存在"，但它无法告诉你"这个分子为什么能治愈这种疾病"。生成式 AI 是一位极其高效的分子画图师，但它不理解疾病的因果逻辑。 推理 AI（Reasoning AI），其核心机制是因果推断（Causal Inference）。它在面临不完整信息和超出训练分布的新情境时，基于因果结构（Causal Structure）进行逻辑的多步演绎，回答的是"为什么"和"如果-那么"类问题——靶点为何与疾病因果相关？分子阻断该靶点后，下游通路会发生什么样的系统性级联变化？ 诺贝尔经济学奖得主朱迪亚·珀尔（Judea Pearl）在其著作《为什么：关于因果关系的新科学》（The Book of Why, 2018）中提出了"因果之梯（Ladder of Causation）"理论 [Pearl J & Mackenzie D, 2018, The Book of Why]，将智能对世界的认知能力分为三个层级：第一层：关联（Association） ——观察与模式识别，回答"什么与什么相关联？"。数学表示：P(Y | X)，即在观察到 X 的条件下，Y 的概率是多少？当前绝大多数生成式 AI 和深度学习模型，都工作在这一层——它们是超强的模式匹配器。第二层：干预（Intervention） ——主动操纵与实验推理，回答"如果我做了 X，Y 会发生什么变化？"。数学表示：P(Y | do(X))，即在主动干预靶点 X 后，细胞/机体的反应 Y 的概率分布如何变化？这要求 AI 具备对系统的因果图（Causal Graph）的表示与推理能力。第三层：反事实（Counterfactuals） ——想象"如果当时做了不同的选择，会发生什么？"。数学表示：P(Y_X | X', Y')，即在已知该患者体内存在代偿通路的前提下，这款药物仍然有效的概率是多少？ 用药物研发的语言翻译这三层：生成式 AI 能高效地回答"这个分子能结合靶标吗？"（第一层，关联）；推理 AI 必须回答"阻断这个靶标，这种疾病会被治愈吗？"（第二层，干预）和"如果这个患者的通路存在代偿，这个药还能发挥疗效吗？"（第三层，反事实）。而后两个问题，正是 Phase II 失败的核心原因所在。 这一范式差异，在监管科学层面也得到了最新的呼应。FDA 于 2025 年 1 月发布的草案指南《用于支持药物和生物制品监管决策的 AI 应用》明确指出，对于用于支持监管决策的 AI 模型，监管机构的核心要求已从单纯的"预测准确率"转向"可信度评估框架（Credibility Assessment Framework）" [FDA, 2025, Draft Guidance on AI to Support Regulatory Decision-Making]。这一框架要求 AI 的输出具备：使用场景（Context of Use）的清晰界定、风险分级的验证证据、以及可解释的因果链追溯能力——这正是推理 AI 所需要提供的，也是生成式 AI 天然无法提供的。2.3 管线寿命的数学隐喻：级联误差与串联系统的无情推演 将药物开发的全链条理解为一个串联决策系统（Series Decision System），由五个关键判断层级组成：L1（分子设计准确性）→ L2（靶点生物学验证正确性）→ L3（作用机制推理精度）→ L4（人体相关细胞表型预测准确性）→ L5（临床转化与结局预测准确性）。系统整体的最终临床成功概率由各层级条件概率的乘积决定： P(Clinical Success) = ∏i=15 P(Li | Prior Layers Correct) 这个公式是串联系统的核心定律。它有一个残酷的数学含义：在串联系统中，整体性能由最薄弱的环节主导，提升任何一个薄弱节点的精度，其对整体成功率的贡献，远大于继续提升最成熟节点的精度。 以下是对当前行业现状（情景 A）与理想 AIDD 模式（情景 B）的量化敏感度对比： 这组数字的核心结论是：即使 L1 的分子生成精度高达 99%，整体管线成功率依然被 L3 和 L4 的薄弱所拖累，仅约 6%。而若能将资源向 L3 和 L4 倾斜，整体成功率可以提升至约 32%——提高超过 五倍。 这就是为什么"更多的分子"和"更快的生成速度"从根本上无法解决 Phase II 的困境：它在一个串联系统的最强节点上继续堆砌资源，而漠视了决定系统命运的"最短板"。第三部分：流线化工作流——从"拼凑"到"连通"3.1 架构总论：五层流线化工作流的因果逻辑 真正的 AIDD 变革，不是把五个孤立的工具用 API 串联成一条流水线，而是在一个统一的因果推理框架下，让五个层级的知识和数据能够双向对话、互相约束、相互验证。每一层不仅是数据生产者，也是下一层的认识论前提；每一层的推理结果，也必须能够溯回上一层进行修正。 这五层的核心关系用拓扑图表示如下： 在这个框架中，L1-L2 之间的连接代表"分子设计被靶点生物学约束"；L3 是整个系统的推理核心，从 L2 接受靶点输入，向 L4 提供机制假设，并向 L5 输出因果路径预测；L4 和 L3 之间形成双向验证——L3 的机制推理需要 L4 的实验数据来检验，L4 的表型异常需要 L3 的机制解释来理解；而 L5 的临床历史数据，则通过逆向约束倒推给 L2，不断修正靶点选择的优先级。3.2 L1：分子设计层——算法商品化时代的"正确终点"技术现状：全原子时代的到来 2024 年，结构生物学与计算化学的结合迎来了一个新的技术奇点。AlphaFold 3 在 Nature 发表的工作，首次以统一的扩散模型（Diffusion Model）框架，实现了对蛋白质、核酸、小分子配体、离子和修饰残基全复合物结构的联合预测，在蛋白质-配体相互作用预测上大幅超越了传统对接软件 [Abramson J et al., 2024, Nature]。与此同时，RoseTTAFold All-Atom（RFAA）在 Science 发表，将残基级别的氨基酸表示与原子级别的小分子图表示融合，实现了对包含蛋白质、核酸、小分子、金属离子和共价修饰的完整生物分子组装体的建模与设计，并首次通过晶体学和结合测量验证了设计蛋白与地高辛、血红素等靶标分子的结合 [Krishna R et al., 2024, Science]。ESM-3（EvolutionaryScale）以 1 万亿次浮点运算的训练规模，对序列、结构和功能实现三模态同时推理，在链式思维提示引导下生成了一种与已知荧光蛋白序列相差 58% 的全新绿色荧光蛋白变体 [EvolutionaryScale, 2024, ESM3 Launch]。 这些工具的核心意义在于：L1 层的"算法智力"已经实现了向普通研究者的民主化分发。RFdiffusion、ProteinMPNN 等工具的开源，以及 AlphaFold 3 服务器的有限开放，正在快速把原本属于资本密集型算法公司的核心资产变成科学界的公共品。 L1 技术成熟度的最有力临床印证，来自 Schrödinger 公司与 Nimbus Therapeutics 联合开发的 zasocitinib（TAK-279）。这是一个 TYK2 激酶的变构抑制剂，专门靶向其催化失活的假激酶域（JH2 域），其整个优化路径高度依赖 Schrödinger 的物理驱动自由能微扰计算（FEP+），实现了对 TYK2 比 JAK1 高 130 万倍的选择性。2026 年 3 月，Takeda 公布了 zasocitinib Phase 3 在中度至重度斑块状银屑病中的正面结果 [Takeda, 2026, Phase 3 press release]。这是物理驱动计算化学在临床终点上迄今最强的印证。L1 层的战略结论 L1 算法开源化意味着：拥有 AlphaFold 已经不构成竞争壁垒。L1 的正确战略定位是以最小的算法成本生产"化学正确"的候选分子，将节省下的资源集中投入 L3 和 L4 层的数据基础设施建设。继续在 L1 层堆砌资本，是战略上的错配。3.3 L2：靶点研究层——从"相关"到"因果"的认识论跨越核心挑战：公开数据库的相关性陷阱 全基因组关联研究（GWAS）、转录组差异表达分析、蛋白质互作网络，构成了当前 AI 靶点识别的主要数据来源。像 OpenTargets 这样的平台整合了遗传学、文献、临床与动物模型数据，为靶点优先级排序提供了前所未有的数据底座。 然而，这些数据来源有一个根本性的局限：它们产生的是统计相关性证据，而非干预性因果证据。GWAS 告诉你"某个基因变异与某种疾病在人群中共同出现的频率更高"，但这不等同于"该基因产物是驱动疾病的关键节点"。这一区别，正是因果之梯的第一层（关联）与第二层（干预）之间的根本鸿沟。 Nature Scientific Reports（2019）的建模研究估计，在所有蛋白-疾病基因对中，具有真正因果关系的比例（γ）约为 0.5%，非临床研究的假发现率（FDR）约为 92.6%。这一惊人数字直接解释了为何靶点选择错误是 Phase II 失败的最大单一驱动因素 [Nelson MR et al., 2015, Nature Genetics]。推进方向：构建因果靶点图谱 Insilico Medicine 的 PandaOmics 平台是当前最系统性地将因果推理融入靶点识别的商业实践之一。该平台整合了千万级文献、专利、临床试验、GWAS 和单细胞数据集，并通过多组学协同分析为靶点生成"因果性评分（Causal Score）"，而非仅仅基于基因表达差异的"相关性评分" [Insilico Medicine, PandaOmics Platform Overview]。 L2 层的核心挑战是大规模干预性数据（Interventional Data）的缺乏。 在患者来源的疾病相关细胞中，系统性地敲除或激活候选靶点并测量功能性结果——这类数据极度稀缺，但它是区分"关联靶点"与"因果靶点"的唯一黄金标准。3.4 L3：机制研究层——推理 AI 的第一战场，行业最大的认知盲点 这是整篇文章最需要深挖的层级，也是当前行业最严重低估其战略重要性的层级。正是 L3 的薄弱，构成了串联系统中那块最短的木板。为什么 L3 是至暗之地？ 传统高通量筛选（HTS）产生的是结合/活性数据——"这个分子在 IC50 = X nM 处抑制了靶标"。这是第一层的关联信息，不包含任何关于"为什么这种抑制能治愈疾病"的机制信息。 药物的作用机制（Mechanism of Action, MoA），描述的是分子作用于靶标后，在细胞信号网络中引发的级联反应路径——哪些基因被激活、哪些蛋白被降解、哪些代谢流被重定向、哪些炎症因子被抑制——以及这些分子事件如何最终转化为宏观的治疗效果。这一路径的网络复杂性，远超任何单一 Assay 的表达能力。 更危险是，通路冗余（Pathway Redundancy）和代偿性激活（Compensatory Activation）可能极大地削弱或完全抵消治疗效果——这正是众多 Phase II 疗效失败案例的共同机制：靶标被精确命中，但疾病网络通过其他节点"绕路"维持了病理状态。BenevolentAI BEN-2293 的失败，正是这一机制在免疫疾病语境下的经典演示 [BenevolentAI, 2023, Phase IIa results]。推理 AI 的技术栈 知识图谱（Knowledge Graphs, KGs） 是构建 L3 推理能力的底层基础设施。不同于传统数据库的"行-列"结构，知识图谱将生物学实体（基因、蛋白、小分子、疾病、通路）及其相互关系（激活、抑制、结合、因果）表示为有向图（Directed Graph）的节点和边，从而为机器推理提供可遍历的"因果网络"。 因果图神经网络（Causal Graph Neural Networks, Causal GNN） 是在这种图结构上执行推理 AI 核心任务的计算框架。它通过在生物学知识图上执行"图上 do 算子"（Graph-level do-operator），模拟靶点被干预后整个网络的稳态漂移——哪些节点的表达水平将改变，哪些代偿回路将被激活，什么样的系统性毒性信号可能出现。这是将 Judea Pearl 的干预因果推断（P(Y | do(X))）从理论层面落地到生物学实践的关键技术路径 [Pearl J, 2009, Causality]。 大语言模型（LLM）驱动的因果关系提取 则是解决"L3 数据缺口"的文献端工具。通过将定制化的 LLM Agent 部署于 PubMed、专利库和临床报告的非结构化文本中，可以系统性地提取"基因 A 激活基因 B 的表达""蛋白 C 磷酸化促进通路 D 的活化"等因果三元组（Causal Triplets），以机器可消费的结构化形式扩充知识图谱的边集。监管的战略里程碑：2026 年 6 月的 ISTAND 信号 2026 年 6 月 3 日，FDA 的 CDER（药物评估与研究中心）宣布了一项可能被低估其历史意义的事件：正式接受了首个全 computational（in silico）的药物开发工具（Drug Development Tool, DDT）进入 ISTAND（用于新药的创新科学与技术方法）试点项目 [FDA/CDER, 2026-06-03, ISTAND announcement]。这个工具是一个AI 驱动的数字肝脏模型（AI-Driven Digital Liver Model），用于预测药物诱导性肝损伤（DILI）。 这一事件的划时代意义在于：FDA 不再仅仅接受来自已验证模型的 in silico 输出，而是为 in silico 工具的开发本身开辟了一条正式的资质认证路径。这意味着，基于机制推理的计算毒理模型——一个典型的 L3 层工具——已经进入了监管机构准入框架的视野。从监管信号学（Regulatory Signaling）的角度看，推理型的机制安全性预测，正在进入监管可接受的数据框架。这一信号的深远意义在于：它为整个 L3 层数据的"监管价值"打开了一扇从未有过的大门。L3 数据的"主动生产"：Perturb-Seq 的因果数据革命 等待历史文献的"数据挖掘"，无法根本性地解决 L3 的数据赤字问题。文献数据本身是高度选择性发表的产物，充满了阳性偏差（Publication Bias），而 AI 模型从这种数据中学习，也将继承同样的偏差。 L3 的解决方案，必须是主动的、系统性的因果数据生产。这一路径的代表性技术，是 Perturb-Seq：将大规模平行 CRISPR 基因敲除/激活与单细胞 RNA 测序（scRNA-seq）相结合，在疾病相关的人类细胞系或患者来源细胞中，系统性地"敲出"每一个候选基因，并精确测量整个转录组的响应变化 [Dixit A et al., 2016, Cell; Replogle JM et al., 2022, Cell]。 这产生的是真正意义上的因果干预数据（P(transcriptome | do(gene knockout))）：在被明确定义的细胞语境中，每一个扰动操作对整个基因表达网络的因果效应。当前，这类数据的覆盖规模和疾病相关性仍然有限，但以 Recursion、Genentech 等公司为代表的"计算 + 实验"一体化平台，正在将这一数据的生产工业化。3.5 L4：细胞表型层——Human Ground Truth 的锚定与 NAMs 的崛起表型记录 vs. 机制解释：Cell Painting 的边界 以 Recursion 为代表的 Phenomics 平台，通过 Cell Painting 高内容成像技术对数亿张细胞显微图像进行深度学习分析，记录分子处理后的细胞形态学变化。这是 L4 层最大规模的工业化实践，其数据库规模和自动化程度在业界首屈一指。 然而，形态学表型只是 L4 的数据起点，而非终点。Recursion 自身也意识到这一局限：2024 年的 Recursion-Exscientia 合并战略文件中，明确指出必须将表型图像数据与单细胞转录组学（Transcriptomics）和患者真实临床数据联合建模，才能将"细胞外观的变化"翻译为"细胞状态的机制解释" [Recursion & Exscientia, 2024, merger announcement]。仅凭细胞形态的变化，推理 AI 无法确认"这种表型变化是通路 A 被激活导致的，还是通路 B 被抑制导致的"——而这种机制区分，对于 L3 的验证至关重要。FDA 现代化法案 2.0 与 NAMs 的监管红利 2022 年 12 月，美国国会通过并由总统签署的 FDA 现代化法案 2.0（FDA Modernization Act 2.0），正式取消了 1938 年以来对每种新药申请强制要求动物测试的法规条文，赋予 FDA 考虑非动物测试替代方法的法律权限 [FDA Modernization Act 2.0, 2022; Artificial Organs, 2023]。2025 年 10 月，FDA 进一步宣布对单克隆抗体等药物类别逐步淘汰动物测试的路线图，明确提出以 AI 计算模型、细胞系/类器官毒性测试和真实世界人体数据取代部分动物安全性研究 [FDA, 2025, animal testing phase-out announcement]。 器官芯片（Organ-on-a-Chip）和类器官（Organoids），作为新方法方法学（New Approach Methodologies, NAMs）的代表性技术，在这一监管框架下获得了越来越清晰的合规路径。2025 年 5 月，美国政府问责局（GAO）发布专项报告，评估了 OOC 技术现状与政策选项，明确指出 OOC 技术可以"补充并部分替代"动物测试 [GAO, 2025, Human Organ-on-a-Chip: GAO-25-107335]。 对于 AIDD 的 L4 层而言，器官芯片的战略价值是双重的：它既是比 2D 细胞系更接近人体生理的实验验证平台，更是生成高质量 L4 层训练数据的"超级传感器"——其多通道、时序性的多组学读出（Multi-omics Readout），包含了 2D 细胞系完全无法捕捉的三维空间结构、流体剪切力、细胞间相互作用和时间动态信息，是训练"候选分子 → 人体器官级响应"推理模型的理想 Ground Truth 数据来源。标准化：L4 数据被 AI 消费的核心瓶颈 器官芯片数据的 AI 利用率目前极低。GAO 报告明确指出了关键障碍：缺乏技术特异性的数据标准和验证基准——不同制造商的器官芯片使用不同的材料、不同的流体配置、不同的读出格式，使得跨平台数据整合和模型训练几乎不可能 [GAO, 2025, GAO-25-107335]。 FDA-NIH MPS（微生理系统）联盟正在推进 MPS 数据标准化框架，2026 年 1 月 CN Bio 的 PhysioMimix® 平台进入 ISTAND 框架，是这一标准化进程的重要节点 [CN Bio, 2026, ISTAND acceptance]。但该框架尚未完成——这意味着 L4 层的"AI 可消费数据（AI-Ready Data）"基础设施建设，目前仍是行业整体层面最大的技术债务。3.6 L5：临床数据层——设计时的"逆向约束"终局思维：L5 不是终点，是起点的约束 在当前主流的研发范式中，临床数据只在管线进入临床阶段后才进入研究者的视野——那是实验的结果，而非实验的设计约束。理想的 AIDD 应当彻底颠覆这一时序逻辑：在 L1 设计分子时，就必须将 L5 的临床约束逆向传入设计空间——目标患者群体的遗传变异谱、预期的伴随诊断指标、历史同类靶点的临床结果分布，都应当成为分子生成的约束变量（Constraint Variables）。 Insilico Medicine 的 inClinico 模块，是目前最系统化的 L5 前向预测实践。该平台以超过 55,600 个历史 Phase II 临床试验数据为训练集，通过 Transformer 架构融合靶点选择与临床试验设计两个主模态，在前瞻性验证集中实现了 79% 的 Phase II 成功结局预测准确率，ROC AUC 达到 0.88 [Aliper A et al., 2023, Clinical Pharmacology and Therapeutics]。该研究同时揭示了一个具有战略意义的发现：靶点选择是 Phase II 结局预测中最具决定性的特征——这从临床数据角度再次印证了 L2/L3 层的准确性是管线命运的核心决定因素。 数字药理学孪生体（Digital Pharmacological Twins），代表着 L5 层预测能力的更高阶愿景：为特定患者建立整合基因组、蛋白质组、代谢组和临床纵向随访数据的数学模拟实体，在虚拟空间中预测该患者对特定治疗的个体化响应 [Björnsson B et al., 2020, Genome Medicine]。这类工具已在部分罕见病和肿瘤领域展现出早期价值，但其泛化能力受制于高质量患者级别联合数据的极度稀缺——受 GDPR、HIPAA 等隐私法规的强力保护，这类数据是整个 L1-L5 链条中最难私有化积累的数据资产。3.7 连通的逻辑：数据互操作标准与双向验证闭环 五层工作流的连通，需要一套行业级的元数据（Metadata）与通信协议标准，使不同来源、不同格式、不同尺度的数据能够在统一的语义框架下相互理解和交换。 Pistoia Alliance 于 2025 年 9 月宣布正式启动 Agentic AI Initiative，聚焦于开发生命科学领域特异性的 Agent-to-Agent（A2A）通信协议和本体标准（Ontology Standards），其核心问题是："为了让 AI Agent A 和 AI Agent B 能够在同一项目中协同工作，它们之间需要交换的最小必要信息集是什么？" [Pistoia Alliance, 2025, Agentic AI Initiative launch]。该项目旨在为多模态 AI Agent 在分子、通路、表型和临床数据节点间的无缝互操作，提供行业统一的语义基础。 从监管合规角度，FDA 与 EMA 联合于 2026 年 1 月发布的良好 AI 实践（Good AI Practice, GAIP）10 项原则的第 6 项，明确要求：数据来源（Provenance）、处理步骤和分析决策，必须以符合 GxP 规范的、可追溯可验证的方式记录 [FDA-EMA, 2026, GAIP Joint Principles]。这一要求不仅是监管合规的底线，更是因果推理可信的前提——一个推理结果，只有在其输入数据和推理路径可完整审计的条件下，才能被视为"可信赖的因果证据"。 FAIR 原则（Findable, Accessible, Interoperable, Reusable）是各层数据治理的统一基准要求 [Wilkinson MD et al., 2016, Scientific Data]。在理想 AIDD 框架下，FAIR 合规不是事后补充的文档工作，而是数据生产的第一道设计规范——从第一次湿实验开始，元数据就必须被结构化地嵌入每一个数据单元。第四部分：壁垒在哪里——当算法成为公共品4.1 算法的"平权时刻"与同质化危机 AlphaFold 3 的代码于 2024 年 11 月对非商业用途开源 [Nature, 2024, AlphaFold3 open release]。RFdiffusion、ProteinMPNN 早已完全开源。ESM-3 的开源版本通过 AWS SageMaker 可以被全球任何研究者访问 [AWS, 2024, ESM3 availability]。AIDD 的 L1 算法层已经迎来了"平权时刻"——一个学术创业公司和一家 500 亿美元的制药巨头，在分子生成算法上的起点差距已大幅缩小。 根据 DrugPatentWatch 2026 年的市场分析，全球 AI 药物发现市场规模约为 32.5 亿美元，CAGR 约 26%，市场整体持续扩张 [DrugPatentWatch, 2026, AI Drug Discovery Market Analysis]。然而，在这一增长背后，是大量提供同质化单点 AI 工具的服务商面临日益严重的定价压力。DrugPatentWatch 的分析直接指出："竞争优势将越来越多地来源于专有数据（Proprietary Data），而非算法本身"。 Schrödinger 公司的护城河经典性地说明了这一逻辑。 其技术壁垒的核心不是软件代码的算法优越性，而是：20 余年在自由能微扰（FEP+）领域积累的专有力场参数（Proprietary Force Field Parameters）——通过海量计算实验和实验验证交叉验证得出，无法被"下载"复制；以及 zasocitinib Phase 3 正面数据在内的经临床印证记录——算法可以被复制，但"在最难的靶标上用最苛刻的物理精度交付了临床成功"的历史，是无法被复制的。4.2 真正的壁垒：全链条整合能力 + 专有 Human Ground Truth 数据 算法商品化的加速，使得新时代 AIDD 的竞争格局围绕两个核心资产重构。 第一：全链条整合能力（End-to-End Integration Capability）。这里的"整合"不是技术意义上的"把五个软件 API 连起来"，而是在一个统一的元数据框架下，让计算物理模型（L1）、知识图谱推理引擎（L3）、表型成像 AI（L4）和临床结局预测模型（L5）共享统一的生物学语义实体表示，使得推理结论能够在五层之间可追溯地回流和修正。 第二：专有"人类地面真值"数据（Proprietary Human Ground Truth Data）。L3-L4 层的高质量数据——在人类疾病相关细胞类型中系统性产出的因果扰动数据（Perturb-Seq）、在接近人体生理的器官芯片系统中采集的多组学时序数据——具备三重壁垒属性：不可复制性 ：无法通过互联网爬取，必须以昂贵的湿实验主动生产；非线性增值性 ：数据积累达到临界规模后，与推理 AI 模型之间形成正反馈循环；不透明性 ：是公司在特定疾病领域长期实验积累的产物，外部竞争者无法快速追平其深度。Recursion-Exscientia 合并（2024年11月）的深层逻辑 这一价值 6.88 亿美元的全股票并购案 [Reuters, 2024]，表面上是"两家 AI 公司的资源整合"，实质上是一次经过深思熟虑的数据层战略合流：Recursion  拥有业界规模最大的自动化表型数据生产矩阵——以全球最大的细胞显微成像 AI 数据库为核心资产（L4），但缺乏顶尖的精准化学设计能力；Exscientia  在多参数优化（MPO）驱动的精准化学设计和自动化小分子合成上具备独特能力（L1），但缺乏大规模的生物学数据底座。 合并后的实体，其战略意图是：将 L4 的表型数据底座直接与 L1 的化学精准设计引擎耦合，在内部规模化生产并消费 Human Ground Truth 数据，逐步内化此前外包给传统 CRO 的分子合成与验证功能 [C&EN, 2024, Recursion-Exscientia merger analysis]。这是对"拼凑思维"的一次明确战略否定——用数据闭环替代外包拼接。4.3 "失败数据"是最被低估的私有资产 学术期刊的出版偏差（Publication Bias）和企业的信息保密习惯，共同导致公开数据库充满了"分子在体外有活性"的阳性数据，而"分子为什么在机制上失败"的否定性数据几乎从不被系统性记录。然而，对于 L3 推理模型而言，一条"此机制在此细胞类型中为何未能产生预期通路响应"的否定性记录，其因果信息量，远高于一百条"某分子体外 IC50 = 5 nM"的阳性数据。 FAIR 原则的深层含义，正在于此：从企业研发生命的第一天起，就将每一次湿实验的"失败痕迹"以无损、结构化的元数据形式录入私有数据资产库——包括实验条件、细胞来源批次、阴性对照详细参数、失败的可能机制假设，以及与已知知识图谱的关联注释。这些"数字化失败痕迹"，是未来推理 AI 模型最宝贵的训练原料 [Wilkinson MD et al., 2016, Scientific Data]。第五部分：行业终局——制药公司将变成什么？5.1 制药公司的形态转变：从"外包合同管理者"到"多模态数据流控制系统" 传统制药巨头的核心竞争力，在过去半个世纪中，本质上是一种全球化的项目管理能力——高效协调分布在全球数十个国家的 CRO、学术合作者、临床中心和监管顾问，将无数碎片化的服务模块整合为一条勉强连通的研发管线。 这种能力的价值，建立在一个核心假设上：知识高度分散，协调成本高昂，只有大型制药公司有足够的资本和网络来整合这些分散的节点。 然而，当 L1 到 L5 被流线化的、高精度的 AI 工作流贯通后，这一假设的基础将被侵蚀：机器可以在内部高效整合跨层级的知识与数据，"协调分散外部专家"的组织成本将急剧下降，而"维护内部数据闭环的准确性"将成为新的核心能力。 AstraZeneca 的战略转型，是这一趋势在顶级药企层面最清晰的前期信号。其技术转型公告明确将 AI 战略定位为"公司的数据资产全价值链战略"，核心投资方向之一是建设能够自动化生产、存储和消费数据的干湿闭环实验系统 [AstraZeneca, 2025, Data Science & AI Strategy]。其在曼彻斯特科学园区持续建设的 iLab，正是这一战略的物理载体——一个将自动化湿实验系统与实时数据分析 AI 深度融合的"数字-物理融合实验室" [AstraZeneca, iLab page]。未来的领先制药公司，其核心资产将不是对外包网络的合同管理能力，而是对 L1 至 L5 数据的持续生产、标准化和推理能力 ——它将更像一个多模态数据流的控制系统，而不是一个整合外部服务的项目管理组织。5.2 CRO 行业的分叉命运：消亡、蜕变，还是新生？ 传统 CRO 行业将在 AIDD 变革的压力下经历最剧烈的结构性分化。 被挤压消亡的部分：提供标准化体外筛选、常规动物模型毒理学评估和基础分子合成服务的传统 CRO，将面临严峻的存在危机。随着 AI 内化分子合成指导能力，以及基于机制推理的 in silico DILI 预测模型进入监管框架（ISTAND），这类低信息量的实验服务将被以更低成本的 in silico 模拟和更精简的体内实验所逐步替代。FDA 2025 年的动物测试 Phase-Out 路线图，是这一趋势获得监管明确背书的分水岭 [FDA, 2025]。 进化升级的方向：数据 CRO（Data-as-a-Service CRO, DaaS CRO）。这是制药外包生态中一个正在形成中的新物种，其价值定位是：专注于生产高质量、符合 GxP 规范、最接近人体生理的 L3-L4 层标准化数据资产，以数据授权和 AI 模型共建为核心商业模式。 这一定位的战略逻辑极为清晰：L3-L4 层数据，恰恰是 AIDD 平台最难快速自建的数据类型。能够将历史 CRO 的湿实验专业性与现代数据标准化体系相结合的机构，有潜力成为 AIDD 生态中不可替代的"数据基础设施提供者"。 然而，这一转型面临巨大的文化和商业模式障碍：传统 CRO 的数据文化是"数据属于客户，交付后即归档"；转型为 DaaS CRO，则要求将数据从"临时性服务输出"重新定位为"可多次变现的私有战略资产"，这需要数据所有权合同框架、数据治理基础设施和商业化策略的根本性重构——对于路径依赖极强的传统 CRO 来说，其组织难度不亚于一次自我革命。5.3 结语：准确性作为行业的道德底线 在行业讨论 AIDD 的大多数语境中，"准确性"是一个技术指标——它出现在模型评估的 ROC 曲线上，出现在 FDA 可信度评估框架的文档中，出现在投资者 Due Diligence 的技术评估部分。 但准确性还有另一个维度：伦理（Ethics）。 每一个因 L3 机制推理不足而错误进入临床的候选分子，背后都是数百名患有严重疾病的真实患者，他们相信这个分子有机会帮助他们，选择了参与临床试验，承担了不可预测的安全风险，将生命中也许是最珍贵的时间，交付给了一个本可以在实验室阶段就被更准确的推理提前筛除的失败候选分子。 根据 Sun et al.（2022）的数据，每年全球进行的数千项 Phase II/III 临床试验中，超过 60% 将以失败告终 [Sun D et al., 2022, Acta Pharmaceutica Sinica B]。其中相当一部分，是可以通过在 L3/L4 阶段更深入的因果推理而被提前预见和避免的失败。 药物研发从来不只是一个商业问题，它是一个关于人类苦难与希望的事业。AI、Sponsor/CRO、FDA——这三个各自在自己轨道上运转的主体，被数据连通的那一天，将不只是效率的提升，更是对每一位临床试验参与者的尊重与责任的兑现。真正的 AIDD 革命，不会发生在 AlphaFold 发布的那一天，也不会发生在第一个 AI 设计的分子获得 FDA 批准的那一天。它只会发生在整个行业集体放弃"拼凑思维"——放弃用新时代的算力消费旧时代碎片化流程——转而在 L1 到 L5 的每一个微小节点上，严肃对待"因果与精度"的那一天。 管线的寿命，是检验一切的唯一真实标准。参考文献（References） Sun, D., et al. (2022). Why 90% of clinical drug development fails and how to improve it. Acta Pharmaceutica Sinica B, 12(7), 3049–3062. BCG & Wellcome Trust. (2024). Unlocking the Potential of AI in Drug Discovery. Boston Consulting Group & Wellcome Trust Joint Report. Jayatunga, M. K. P., et al. (2024). How successful are AI-discovered drugs in clinical trials? A first analysis. Drug Discovery Today. https://doi.org/10.1016/j.drudis.2024.104009Decade of AI in Drug Discovery: Hype or Reality?  (2026). International Journal of Pharmaceutical Sciences and Drug Research. Systematic review of 173 AI-native clinical programs. Abramson, J., et al. (2024). Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 630, 493–500. https://doi.org/10.1038/s41586-024-07487-w Krishna, R., et al. (2024). Generalized biomolecular modeling and design with RoseTTAFold All-Atom. Science, 384(6693), eadl2528. https://doi.org/10.1126/science.adl2528 EvolutionaryScale. (2024). ESM3: A Frontier Language Model for Biology. Launch announcement, June 25, 2024. https://www.evolutionaryscale.ai/blog/esm3-release Pearl, J., & Mackenzie, D. (2018). The Book of Why: The New Science of Cause and Effect. Basic Books. ISBN 978-0465097616. Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press. FDA. (2025). Draft Guidance: Considerations for the Use of Artificial Intelligence to Support Regulatory Decision-Making for Drug and Biological Products. CDER/CBER, January 2025. FDA-EMA. (2026). Joint Principles for Good AI Practice (GAIP). Joint FDA-EMA Publication, January 2026. FDA/CDER. (2026). FDA Accepts First In Silico Drug Development Tool Under ISTAND Program to Help Predict Drug-Induced Liver Injury. Official announcement, June 3, 2026. https://www.fda.gov/drugs/drug-alerts-and-statements/fda-accepts-first-silico-drug-development-tool-under-istand-program FDA Modernization Act 2.0. (2022). Signed into law December 29, 2022. Artificial Organs, 47(3), 449–450 (2023). FDA. (2025). FDA Announces Plan to Phase Out Animal Testing Requirement for Monoclonal Antibodies. Press release, October 2025. GAO. (2025). Human Organ-on-a-Chip: Technologies Offer Benefits Over Animal Testing but Challenges Limit Wider Adoption. GAO-25-107335, May 2025. Aliper, A., et al. (2023). Prediction of Clinical Trials Outcomes Based on Target Choice and Clinical Trial Design with Multi-Modal Artificial Intelligence. Clinical Pharmacology and Therapeutics, 114(4), 972–980. https://doi.org/10.1002/cpt.3008 Insilico Medicine. (2025). Phase IIa results of Rentosertib (ISM001-055) for Idiopathic Pulmonary Fibrosis. Nature Medicine, June 2025. BenevolentAI. (2023). BenevolentAI Announces Top-Line Phase IIa Results for BEN-2293. Press release, April 4, 2023. Recursion Pharmaceuticals & Exscientia plc. (2024). Recursion and Exscientia Enter Definitive Agreement. Press release, August 8, 2024. C&EN. (2024). Recursion to buy AI rival Exscientia. Chemical & Engineering News, August 8, 2024. Reuters. (2024). Biotech firm Recursion to buy smaller peer Exscientia for $688 million. August 8, 2024. Takeda Pharmaceutical. (2026). Takeda's Zasocitinib Phase 3 Results in Plaque Psoriasis. Press release, March 27, 2026. Dixit, A., et al. (2016). Perturb-Seq: Dissecting Molecular Circuits with Scalable Single-Cell RNA Profiling. Cell, 167(7), 1853–1866. Replogle, J. M., et al. (2022). Mapping information-rich genotype-phenotype landscapes with genome-scale Perturb-seq. Cell, 185(14), 2559–2575. Pistoia Alliance. (2025). Pistoia Alliance Unveils Agentic AI Initiative. Press release, September 3, 2025. https://pistoiaalliance.org/ai/pistoia-alliance-unveils-agentic-ai-initiative/ Wilkinson, M. D., et al. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3, 160018. Nelson, M. R., et al. (2015). The support of human genetic evidence for approved drug indications. Nature Genetics, 47, 856–860. AstraZeneca. (2025). Data Science & Artificial Intelligence: Unlocking new science insights. https://www.astrazeneca.com/r-d/data-science-and-ai.html CN Bio. (2026). CN Bio joins 3RsC & FDA Liver MPS DILI project, accepted into ISTAND. January 2026. Björnsson, B., et al. (2020). Digital twins to personalize medicine. Genome Medicine, 12(1), 4. https://doi.org/10.1186/s13073-019-0701-3 DrugPatentWatch. (2026). Global AI Drug Discovery Market Analysis: Proprietary Data as the New Pricing Moat. Market intelligence report, 2026. Analysis-Atlas. (2026). AI in Drug Discovery: A Nobel, a Billion-Dollar Launch, and Zero Approved Drugs. June 12, 2026.

上一篇聊脑机接口，我们说它是从硬件上给大脑架桥、"读写"神经信号。今天换个方向——还有一场革命，正从软件上展开：用AI去"读写"生命的密码。它同样火热，也同样被吹过头。 2024年，诺贝尔化学奖颁给了一个听起来不像化学的东西：AlphaFold，一款人工智能。 获奖的是背后的 Demis Hassabis 和 John Jumper（同届另一半颁给了做蛋白质设计的 David Baker）。与此同时，DeepMind 分拆出的公司 Isomorphic Labs，喊出了一个野心炸裂的口号——"解决所有疾病"。 于是一个问题被反复抛出来：药，是不是快能用电脑"算"出来了？ 作为一个做了很多年新药研发的人，我的答案是两句话：AI确实在改变游戏，这是真的；但离"算出一款能上市的药"，还隔着十万八千里。 今天我们冷静地盘一盘：哪些是真突破，哪些是被吹过头的PPT。 一、AlphaFold到底解决了什么？一个50年的老难题 要理解它有多厉害，先得知道它解决的是什么。 蛋白质是生命的"零件"，而每个蛋白质的功能，几乎完全由它折叠成什么样的三维形状决定。难点在于：我们能轻松读出蛋白质的氨基酸"序列"（一串珠子），却极难预测这串珠子会折叠成什么立体形状。这个"蛋白质折叠问题"，困扰了科学界近50年。过去要搞清一个蛋白质的结构，往往要一个博士生做上好几年。 AlphaFold 做的，就是把这件事从"几年"变成了"几分钟"。 ·AlphaFold 2（2020）：一举预测了超过2亿个蛋白质的结构，几乎覆盖了已知的全部蛋白质。 ·AlphaFold 3（2024年5月）：更进一步，不只算单个蛋白质，还能预测蛋白质与小分子药物、DNA、RNA结合在一起的复合物结构。 这一步太关键了——因为药物起效，本质就是一个小分子精准地"插进"某个蛋白质的特定位置。能预测这种结合，等于给药物设计装上了一双"透视眼"。 诺奖，实至名归。 图1 · AlphaFold：把"折叠"从几年变成几分钟 二、但"知道结构"，离"造出药"有多远？ 这里是全篇最需要讲清楚的地方，也是外行最容易被带飞的地方。 打个比方：AlphaFold让你看清了一把锁的三维构造。但—— ·看清锁的构造，不等于你就能配出一把能开它的钥匙； ·配出了钥匙，不等于这把钥匙安全、不会顺手捅坏别的锁； ·就算钥匙好用，也不等于你能把它便宜、稳定地量产。 一款药，从想法到上市，至少要过这么几关：靶点选得对不对（生物学问题）、分子能不能成药（能不能口服、会不会有毒、在体内代谢如何，业内叫ADMET）、在真人身上有没有效、安不安全（临床试验）。 AlphaFold主要攻克的，是"结构"这一环。它极大加速了"找到并看清靶点、设计出候选分子"这个前期阶段。但决定一款药生死的后半程——尤其是在人体内到底有没有效、安不安全——AI目前几乎帮不上决定性的忙。 而残酷的是：后半程，才是烧钱和失败的大头。 图2 ·知道结构≠造出药：锁与钥匙的四道坎 三、真进展：AI设计的药，真的进临床了 泼冷水之前，先把真实的成绩说够——因为它确实在发生： Insilico Medicine（英矽智能）：这家公司用生成式 AI，从头设计了一款治疗特发性肺纤维化（IPF）的药 rentosertib（一种 TNIK 抑制剂）。2025 年 6 月，它的 2a 期临床结果登上《自然·医学》：71 名患者、12 周，60mg 剂量组的肺功能（FVC）平均改善了 98.4 毫升，而安慰剂组平均下降 20.3 毫升。这被认为是史上第一个"从靶点发现到分子设计全程由AI驱动"的药物，拿到的临床概念验证。公司称，它从确定靶点到提名临床前候选药，只用了约18个月（传统流程往往要4–6年）。更能说明"资本有多信"的一个信号是：2025年12月，英矽智能登陆港交所，成为年内最大的生物科技IPO——这条路，已经有人真金白银押注。 Isomorphic Labs（谷歌 DeepMind 分拆的药物公司）：依托 AlphaFold 3 的药物设计引擎，与诺华、礼来、强生等大药企合作。2026 年 5 月，它完成约21 亿美元的 B 轮融资（累计融资约 26 亿美元），投资方包括 Alphabet、Thrive Capital、淡马锡等——这是迄今对"AI 制药"下的最大一注之一。 但这里恰好藏着一个耐人寻味的细节：Isomorphic原本喊出"2025年底进入临床"，后来又推迟到"2026年底"。连这条赛道最耀眼的领跑者，手握AlphaFold和几十亿美金，至今也还没真正把一款药送进临床。这本身，就是对"AI快要算出药了"最冷静的一句注脚。 速度，是AI最实打实的贡献。它把"发现和设计"阶段大幅压缩，这一点没有争议。 四、冷水时间：一份被少提的"失败名单" 宣传里你总能看到成功案例，但很少有人跟你念这份名单： ·Exscientia：曾高调宣布"全球首个 AI 设计、进入临床的药"（治疗强迫症的 DSP-1181），结果 I 期之后悄然终止；另一款 A2A 拮抗剂 EXS-21546 也停了。 ·BenevolentAI：主打的 AI 候选药 BEN-2293（治疗湿疹）2023 年 2a 期未能证明有效，公司随后裁员约 30%。 这些教训指向同一个残酷的事实：约90%进入临床的药，最终都会失败——而这个总体失败率，AI到目前为止，并没有显著改变它。 原因正是第二节讲的：AI加快的是"发现"，而不是"证明有效和安全"。 一个分子能被AI快速设计出来、结构再漂亮，也拦不住它在真实人体这个"最复杂的黑箱"里翻车。生物学的复杂、人体的不可预测，才是新药九死一生的真正原因，而这恰恰是当前AI最难触及的地方。 图3 · AI提速"前半程"，九死一生在"后半程" 五、写在最后：一个研发者的视角 我对AI制药的态度，和我对脑机接口一样：长期乐观，短期清醒。 AlphaFold是这一代科学家能拥有的、最强大的"望远镜和显微镜"——它让我们更快看清靶点、更快设计分子，把过去要熬几年的苦工，压缩到几天。这是真真切切的革命，不该被低估。 但请记住：决定一款药成败的，从来不只是结构，而是活生生的生物学和人体。真正的未来，大概率不是科幻里那种"AI一键出药"，而是更朴素、也更真实的图景——AI让研发的每一步，都更快一点、更准一点。 这已经足够了不起。但下次再听到"AI要治愈所有疾病"，你可以微微一笑：方向是对的，只是路，还要一步一步走。 💬互动：你相信在未来十年内，AI能设计出一款真正"治愈"某种大病的药吗？乐观派和冷静派，评论区碰一碰。 >  觉得盘得清楚，点个「在看」，转给关注AI和科技的朋友。 >  一个资深的新药研发者，帮你把最前沿的科技，讲成人话。关注我，一起看清楚未来正在发生什么。 >  👉下一篇预告：AI加快了"发现"，可为什么90%的新药，还是会死在临床？——《AI攻不下的"后半程"》。 ### 事实来源 ·[AlphaFold 3（2024/5）可预测蛋白与小分子/DNA/RNA 复合物；DeepMind 与 Isomorphic 共同开发](https://www.isomorphiclabs.com/articles/the-isomorphic-labs-drug-design-engine-unlocks-a-new-frontier) ·[Isomorphic Labs推进首批AI设计药物临床、与诺华/礼来合作；临床时间表从2025年底推迟到2026年底](https://www.clinicaltrialsarena.com/news/isomorphic-labs-prepares-trials-ai-designed-drugs/) ·[Isomorphic Labs 2026 年 5 月完成约 21 亿美元 B 轮融资（累计约 26 亿美元），投资方含 Alphabet、Thrive、淡马锡](https://www.forbes.com/sites/amyfeldman/2026/05/13/isomorphic-labs-21-billion-fundraise-is-the-biggest-bet-yet-on-ai-drug-discovery/) ·[Insilico rentosertib 2a 期登《自然·医学》：FVC +98.4mL vs 安慰剂 -20.3mL（71 人）](https://www.nature.com/articles/s41591-025-03743-2) ·[首个AI端到端药物的临床概念验证（Insilico官方）](https://insilico.com/news/tnrecuxsc1-insilico-announces-nature-medicine-publi) ·[英矽智能2025年12月登陆港交所，为2025年香港最大生物科技IPO](https://www.ddw-online.com/insilico-medicine-becomes-2025s-largest-hong-kong-biotech-ipo-39723-202601/) ·[AI 制药失败名单与约 90% 临床失败率：Exscientia DSP-1181、BenevolentAI BEN-2293](https://www.mdpi.com/1424-8247/18/9/1271)