先把结论摆出来:截至公开报道,全球尚无一款完全由 AI 主导设计的药物获批上市,绝大多数 AI 发现或赋能的在研资产仍在早期临床。据中国经济网报道,知名战略咨询公司艾意凯统计,目前全球 AI 发现或赋能的在研资产已超过 100 个,其中约 60% 至 70% 处于临床一期,25% 至 30% 处于二期,极少部分进入三期。对药企而言,务实的投入顺序是把钱花在高质量数据、实验验证闭环和合规链条上,把模型当作加速器而非 determiner。这个判断不否定 AI 的价值,而是把它放回药物研发「三个十定律」的现实里——一款成功上市的创新药通常耗时十年、平均投入十亿美元、成功率仅约 10%。最容易踩的坑是把一次好看的体外活性结果当成管线已成,忽视从计算命中到临床获批之间漫长且高失败率的验证过程。
热度是真的,阶段分布也是真的
据央视网与中国经济网报道,11 月多部门发布《关于促进和规范人工智能+医疗卫生应用发展的实施意见》,要求面向重大疾病以及罕见病和特定人群的疾病开发新药筛选模型,加速新药智能研发。今年 1 月工信部等八部门印发的《人工智能+制造专项行动实施意见》提出,建设人工智能驱动的新药发现与虚拟筛选平台,通过多模态药效预测大模型加速靶点识别与候选药物发现,降低药物研发周期与成本。9 月 18 日工信部等十部门发布的《医药工业发展十五五规划》提出,十五五时期我国首创新药占全球比例要达到 25% 以上,明确开发应用 AI 赋能靶点筛选、药物分子设计与优化等场景。
合作层面的数字同样亮眼:据报道,今年英矽智能与施维雅达成 8.88 亿美元 AI 药物发现合作,剂泰科技与礼来达成 11 亿美元合作;11 月 13 日又有企业围绕 AI 驱动药物发现研发场景达成合作意向,涉及 AI 设计、实验验证与后续开发的衔接。但同一篇报道也给出冷静的一面:9 月两款 AI 赋能的创新药相继取得关键进展,一款宣布获批上市、另一款完成临床三期首例患者给药——注意措辞是 AI 赋能而非 AI 完全主导。这个区别很关键,它说明当前 AI 在药物研发中的真实定位是嵌入既有流程的工具,而不是从头接管研发。
数据瓶颈是结构性的,不是算力问题
制约 AI 制药的从来不是算力不够,而是数据存在结构性缺陷。公开资料指出,现有训练数据多来自 PDB 等公共库,存在成功者偏差:被收录的多是成功案例,失败的阴性数据没有系统性保存,而这恰恰是训练可靠模型所必需的素材。高质量阴性数据和实验反馈不足,直接制约模型的可靠性。这意味着药企真正稀缺的资产,是那些没有发表、没有进公共库的内部实验记录——哪些化合物试过、为什么失败、在什么条件下失活。把这些分散在课题组记录本、LIMS 系统和邮件里的阴性数据整理成结构化、可检索的语料,价值往往高于再采购一批 GPU。
FDA 与 EMA 联合发布 AI 制药良好实践原则,也在强调同样的方向:模型要有可追溯的实验反馈闭环。国内政策同样覆盖了评价方法验证与研用协同——2026 年 9 月 29 日国家药监局药审中心发布新方法研究和应用先锋计划,推动类器官、器官芯片等方法的研究与验证;10 月 21 日发布的《关于推动科技创新和产业创新深度融合的意见》强调企业需求、研用一体和场景驱动。需要提醒的是,把这些政策理解为相关方法已被普遍认可并不准确,试点仍是试点。政企两侧的信号合起来看,方向是「AI 用于研发 + 严格验证 + 人机协同」,而非「AI 替代实验」。
把「数据闭环」说具体一点,它包含三个必须打通的环节。第一是实验记录的结构化:湿实验的结果常常写在电子实验记录本的自由文本里,化合物编号、投料比例、反应条件、产率和纯度混在一段叙述中,模型无法直接利用。把这些字段抽成结构化记录,是让阴性数据可被检索的前提,也是很多药企补的第一课。第二是命中到验证的衔接:模型给出一批候选分子后,哪些进入合成、哪些被放弃、放弃原因是什么,都要回流成标注,否则下一轮模型还是在同样的错误上重复。第三是版本可追溯:数据集、模型参数、实验条件任何一项变动,都要能复现当时的预测,这在申报和审计场景里是硬要求。缺了任何一环,AI 都只是实验室里的一次性演示,无法沉淀为可复用的研发能力。
这也解释了为什么合作金额看起来惊人、管线进展却相对克制。对外披露的授权交易额往往由首付款、研发里程碑和销售分成构成,真正当期到账的只是其中一小部分,后续付款要以临床进展为条件。据公开信息,全球 AI 发现或赋能的在研资产里进入三期的极少,意味着多数合作要兑现销售分成还有很长距离。药企在评估合作或自研方案时,更该盯住的是对方能否拿出完整的数据闭环证据——用了什么训练数据、有没有前瞻性验证、阴性与阳性样本比例如何——而不是发布会上那句「平台将把研发周期缩短一半」。把这些证据固化进可追溯的研发知识库,团队换人也不断档,这比追一个漂亮的模型指标更接近研发管理的本质。
药企现在该把钱投在哪一段
1. 阴性数据入库:把历史失败实验按统一字段结构化,记录化合物、条件、结果与失败原因,形成公共库缺失的对照样本。
2. 建实验反馈闭环:让每一轮计算命中都能回流到湿实验、再把结果写回训练集,模型才可能逐轮改进而非一次性猜测。
3. 沉淀可检索语料:把内部研发报告、专利、文献按项目归类进研发知识库,让检索有出处、可追溯,避免模型凭空生成。
4. 设阶段性里程碑:按计算命中、体外验证、体内验证、IND 申报分段设预算与止损点,不把单一环节的好结果外推成管线成功。
5. 合规留痕前置:算法版本、数据来源、实验条件全程记录,对照 FDA 与 EMA 的良好实践原则预留审计链,可参考企业私有 AI 知识库的可追溯设计。
6. 谨慎解读合作金额:对外披露的授权交易额多含里程碑付款,不等于当期到账,决策时以分期结构和履约条件为准。
2. 建实验反馈闭环:让每一轮计算命中都能回流到湿实验、再把结果写回训练集,模型才可能逐轮改进而非一次性猜测。
3. 沉淀可检索语料:把内部研发报告、专利、文献按项目归类进研发知识库,让检索有出处、可追溯,避免模型凭空生成。
4. 设阶段性里程碑:按计算命中、体外验证、体内验证、IND 申报分段设预算与止损点,不把单一环节的好结果外推成管线成功。
5. 合规留痕前置:算法版本、数据来源、实验条件全程记录,对照 FDA 与 EMA 的良好实践原则预留审计链,可参考企业私有 AI 知识库的可追溯设计。
6. 谨慎解读合作金额:对外披露的授权交易额多含里程碑付款,不等于当期到账,决策时以分期结构和履约条件为准。
给决策者的一句提醒
AI 制药的合理期待是压缩早期发现的时间与成本,而非改写「三个十定律」。当供应商宣称某模型把研发周期缩短一个数量级时,先问三件事:是在哪个环节、基于什么数据集、是否经过前瞻性验证。把 AI 当作提升研发效率的工具来预算,比当作颠覆性突破来押注,更经得起周期检验。
参考来源
AI 主导设计的创新药何时上市 - 中国经济网,2026 年 11 月 5 日。
AI 主导设计的创新药何时上市 - 央视网,2026 年 11 月 6 日。
人工智能辅助药物设计 - 百度百科词条,汇总 FDA 与 EMA AI 制药良好实践原则及政策时间线。
AI 主导设计的创新药何时上市 - 央视网,2026 年 11 月 6 日。
人工智能辅助药物设计 - 百度百科词条,汇总 FDA 与 EMA AI 制药良好实践原则及政策时间线。