近年来，人工智能（AI）在药物研发领域掀起了一波又一波热潮。从AlphaFold预测蛋白质结构，到生成式AI设计候选分子，资本、人才和算力源源不断地涌入这一赛道。然而，热闹背后，一个尴尬的现实浮出水面：至今尚未有一款完全由AI从头设计的新药成功获批上市。业内专家指出，AI制药的“颠覆性”尚未显现，核心瓶颈并非算法或算力不足，而是生物模型的发展严重滞后于技术期待。

热潮之下，落地成果寥寥

据公开数据，全球已有超过300家AI药物研发企业，累计融资额超过500亿美元。中国亦涌现出晶泰科技、英矽智能、深势科技等一批明星公司。2023年，英矽智能宣布其AI发现的特发性肺纤维化候选药物进入II期临床试验，被视为里程碑事件。然而，从实验室到药房的距离依然遥远。

“当前AI制药的成功案例大多集中在早期发现阶段——靶点识别、先导化合物优化。但药物的最终成败，取决于复杂的生物学机制，而这恰恰是目前AI的短板。”中国科学院上海药物研究所研究员张林（化名）在接受采访时表示。

生物模型：AI制药的“阿喀琉斯之踵”

张林指出，AI的强项在于从海量数据中学习模式、进行预测，但药物研发的本质是生物学的试错过程。一个化合物能否成为安全有效的药物，涉及吸收、分布、代谢、排泄、毒性（ADMET）以及人体免疫系统的动态响应。这些过程受到基因、表观遗传、蛋白质相互作用网络、微环境等多维度因素的调控，现有的生物模型远不能准确模拟。

“打个比方，我们给AI提供了大量的化合物结构和活性数据，就像教它认识不同形状的钥匙，但锁芯内部的机械结构——也就是人体的生物学‘锁’——我们尚未完全理解。”张林表示，目前多数AI模型依赖的是简化版的生物学假设，例如仅考虑单一靶点的结合活性，而忽略了细胞内的信号通路串扰、代谢物补偿机制等真实情况。

数据质量与可重复性难题

除了模型本身的局限性，数据问题同样制约着AI制药的突破。药物研发数据高度敏感且分散，不同实验室、不同仪器产生的结果往往标准不一。更严重的是，科学界长期存在“可重复性危机”——大量已发表的生物学数据无法被独立验证。

“AI模型对数据的质量极为敏感，如果输入的是噪声或偏见数据，输出必然是误导性结果。”上海交通大学Bio-X研究院研究员刘敏（化名）认为，许多AI制药公司过于依赖公开数据库中的“老数据”，这些数据大多来自过去20年的实验，存在批次效应和实验偏差。

值得注意的是，即使AI能在虚拟筛选中找到高活性分子，在湿实验验证环节也常遭遇“翻车”。据业内统计，AI预测的候选分子在后续细胞、动物实验中重复其活性的比例不足30%，远低于传统理性药物设计的方法。

专家建议：回归生物学，而非沉迷算力

面对“AI能否颠覆药物研发”的疑问，张林强调，不应盲目追求“全栈式AI替代”，而应正视生物学的复杂性。“我们需要发展更贴近人体生理状态的类器官芯片、单细胞多组学技术，以及构建跨尺度的生物仿真模型。AI更应该被视为一种‘增强工具’，而非‘替代方案’。”

事实上，已有部分企业开始调整策略。例如，英矽智能在2024年宣布将更多资源投入生物学数据生成，自建高内涵筛选平台与病人样本库。晶泰科技则与多家医院合作，利用真实世界数据训练毒性预测模型。

“未来十年，AI制药的真正突破可能不是来自更大的GPT模型，而是来自我们对疾病机制认知的毫厘之进。”刘敏总结道。

结语

AI制药正处于“技术膨胀期”向“理性发展期”过渡的关键节点。生物模型发展的滞后，既是挑战，也指明了新的科研方向。当AI与生物学真正实现“双向奔赴”，药物研发的范式转型或许才会真正到来。