产品
  • 产品
  • 供应商
  • 采购
  • 资讯
  • 会展
猜你想搜
首页 资讯 砚尘 生成得越来越快,AI制药却开始...
砚尘
砚尘
简介:《研界OmniSci》与《CPHI制药在线》编辑。
订阅专栏

生成得越来越快,AI制药却开始卡在“验证”这一关

热门推荐: AI制药 医药创新 药物研发
来源:研界OmniSci 2026-09-14
在9月13日举行的浦江创新论坛未来医药创新论坛上,多位专家把讨论重点放到了这一环。随着AI生成候选分子的数量不断增加,实验室验证和临床研究承受的压力也在同步上升。AI制药现在面对的难题,已经不只是“能不能找到更多分子”,而是如何把大量计算结果有效筛选、验证,并最终转化成真正能够进入临床的药物。

生成得越来越快,AI制药却开始卡在“验证”这一关

过去几年,AI制药最容易被看见的变化,是药物发现前端越来越快。

模型可以读文献、找靶点、生成分子、做虚拟筛选,也可以参与实验设计。原本高度依赖药化团队经验和反复试错的工作,开始被拆解成一系列可以计算、预测和优化的问题。候选分子的产生速度因此明显提高,一些过去需要数月甚至更长时间完成的工作,现在可以被压缩到更短周期。

但速度提高之后,一个新的问题越来越明显:前端可以快速提出更多“答案”,后端却没有同样快的能力去判断这些答案到底对不对。

在9月13日举行的浦江创新论坛未来医药创新论坛上,多位专家把讨论重点放到了这一环。随着AI生成候选分子的数量不断增加,实验室验证和临床研究承受的压力也在同步上升。AI制药现在面对的难题,已经不只是“能不能找到更多分子”,而是如何把大量计算结果有效筛选、验证,并最终转化成真正能够进入临床的药物。

分子多了,不代表好药也会同比增加

AI能够扩大药物研发前端的搜索空间,这一点已经越来越少受到质疑。过去药化团队可能只能围绕有限数量的结构进行合成和测试,现在模型可以在很短时间内生成成千上万种候选方案。

问题在于,模型输出本身并不是药物。一个在计算层面看起来结构合理、结合能力优秀的分子,到了真实实验环境里,可能面临完全不同的问题。活性不够、选择性差、溶解性不理想、代谢性质不好,甚至出现毒性,都可能让一个“漂亮”的计算结果失去开发价值。

这也是药物研发和普通生成式AI很不一样的地方。

文本生成得不好,可以重新生成一次;一个候选分子如果设计有误,后面往往需要经过合成、体外实验、动物实验,才能知道问题出在哪里。计算速度可以不断提高,但真实生物世界的验证速度没有办法无限压缩。

因此,当AI生成能力越来越强时,行业反而可能出现一种看起来有些矛盾的情况:候选分子变多了,需要验证的项目也更多了,但最终能够进入临床的项目比例未必同步提高。

湿实验开始成为AI制药新的“限速器”

现在越来越多AI制药公司开始重新重视湿实验能力,并不是偶然。

早期AI制药公司的核心竞争力往往集中在算法、数据和计算平台上,实验部分可以通过外包或者合作完成。但随着项目数量增加,只靠外部验证的效率开始暴露问题。

模型可能一天提出大量假设,实验室却需要几周甚至几个月才能完成一轮验证。计算端和实验端的速度差距一旦拉大,最前沿的算法也可能因为得不到及时反馈而失去实际价值。

更重要的是,实验结果本身还会反过来影响模型。

如果一个平台只是不断生成候选分子,却无法快速获得真实实验数据,那么模型很难知道哪些判断是正确的,哪些地方需要调整。所谓AI制药闭环,本质上并不是“AI生成分子”这么简单,而是计算提出假设,实验负责验证,再把结果重新送回模型进行下一轮优化。

只有这个循环足够快,AI的效率优势才有可能真正体现出来。

今年上海发布的相关科技项目指南中,也已经明确提出建设“干实验预测—湿实验验证”的反馈闭环,覆盖疾病机制解析、靶点发现、药物设计和可信评估等环节。这说明“验证能力”正在从企业自身的问题,变成AI制药基础设施建设的一部分。

AI最难解决的,仍然是生物学的不确定性

药物研发失败率高,一个很重要的原因,就是人体生物学远比模型复杂。

一个靶点在细胞实验中成立,不代表进入人体后一定有效;一种机制在动物模型里能够改善疾病,也可能因为患者异质性、疾病阶段或者其他通路补偿,在临床研究中失去效果。

AI可以帮助研究人员处理更多数据、寻找过去不容易发现的关联,但它无法直接消除这些不确定性。

这一点到了临床阶段会更加明显。

前期模型可以预测分子性质,也可以辅助选择患者群体,但一款药最终有没有疗效、有没有不可接受的副作用,还是要通过真实患者来验证。III期研究所需要的时间、成本和样本规模,并不会因为分子最初由AI发现就发生根本变化。

这也是为什么现在行业开始减少对“AI能够大幅缩短整个药物研发周期”的简单叙述。AI最容易压缩的是早期探索时间,而越往后走,真实实验和临床的权重越高。

竞争正在从“谁的模型更强”转向“谁的闭环更完整”

如果把几年前的AI制药行业和现在放在一起看,竞争重点已经发生了一些变化。

最初大家比的是模型能力,谁能处理更多数据,谁能生成更复杂的分子,谁能更快找到候选药物。现在越来越多公司开始补实验平台、自动化实验室和临床开发能力,因为只拥有计算能力已经很难形成完整壁垒。

这种变化背后其实很现实。

AI工具本身正在快速普及,大模型、蛋白结构预测、分子生成等能力不再完全掌握在少数公司手里。如果不同企业都能够获得类似的计算工具,那么最终拉开差距的,很可能是数据质量、实验反馈速度和临床开发能力。

这也解释了为什么“湿实验”会重新成为行业关注点。

未来真正有竞争力的AI制药平台,可能不是单纯拥有最先进模型的公司,而是能够把算法、实验、数据和临床开发接成一个连续系统的公司。前端提出假设,实验快速验证,结果及时反馈,再进入下一轮设计,这样的闭环才有机会不断提高成功率。

AI制药正在从“多生成”转向“少犯错”

过去行业经常用候选分子数量、研发周期和项目推进速度展示AI的价值,这些指标当然重要,但它们只能说明效率提高了多少,并不能直接证明研发成功率提高了多少。

下一阶段,AI制药可能会越来越关注另一个问题:能不能更早淘汰错误答案。

如果模型能够提前发现潜在毒性、成药性问题或者机制缺陷,减少没有必要进入动物和临床阶段的项目,那么它带来的价值可能比单纯多生成几千个分子更大。

药物研发真正昂贵的,往往不是早期少做几轮筛选,而是一个项目走到临床中后期之后才发现方向错误。越早识别风险,节省的成本越大。

从这个角度看,AI制药真正有价值的终点,并不是让研发管线变得越来越拥挤,而是提高进入下一阶段项目的质量。

“验证闭环”会决定AI制药能走多远

浦江创新论坛这次讨论的“生成之后怎么办”,其实触到了AI制药越来越核心的问题。

算法能力还会继续进步,生成候选分子也会越来越快,这些变化几乎已经没有太大悬念。但药物研发不是一个只靠计算就能完成的过程,分子最终必须经过实验和临床的层层筛选。

当生成速度越来越快,行业真正稀缺的能力可能反而变成了高质量验证。

这意味着AI制药接下来的竞争重点,会从单纯追求模型规模和生成效率,转向如何把计算、湿实验和临床更紧密地连接起来。谁能够更快获得可靠反馈,并让这些反馈反过来改善下一轮研发,谁才更可能把AI的效率优势变成真实的成药率。

AI已经让药物研发拥有了更多“可能性”。现在行业需要解决的,是怎样从越来越多的可能性里,更快找到真正值得做下去的那几个。

阅读全文
相关文章
热门搜索
2006-2026 上海博华国际展览有限公司版权所有(保留一切权利)
沪ICP备05034851号-57
首页
产品
供应商
采购通
我的