AI＂闯入＂科学深水区:加速药物研发的＂智力革命＂

一个新药从发现到上市，需要多久？

答案是：10到15年。

这是全球医药行业的共同难题。一款新药从靶点发现、化合物筛选、先导优化、临床试验到最终上市，平均耗时超过十年，研发成本以十亿美元计。

而失败率，高达90%以上。

但现在，一个来自广州的消息，让这场漫长的”马拉松”看到了提速的可能。

4月18日，暨南大学联合华为发布了一款”成药性优化智能体“

这可能是目前最接近”把新药研发时间砍半”目标的技术产品。

先来解释一下什么是”成药性优化”。

在新药研发中，科学家会发现一类具有潜力的化合物——可以理解为一群”候选者”。但从”有潜力”到”能用药”，还需要漫长的优化过程：提高活性、降低毒性、改善溶解性、确保安全……这一步，直接决定了新药能否顺利走向临床。

传统做法，靠的是人。

科研人员一页页翻文献、一点点积累经验、一个一个分子去试错。周期长、效率低、严重依赖个人经验——一个资深药化专家的培养，需要十年。

暨南大学联合华为发布的这款AI智能体，正是冲着这个痛点来的。

它做了什么？把原本靠”人”做的事，交给”AI”

这套系统的核心创新有两点。

第一，自研细粒度文献解析算法。

过去，科研人员想了解某个分子的成药性数据，需要手动检索大量文献，逐篇阅读、提取关键信息。现在，AI可以在海量文献中自动解析、提取、建立专业的成药性优化知识库——从”人找知识”变成”知识找人”。

第二，多智能体协同决策。

成药性优化不是一个单一任务，而是涉及药理学、化学、毒理学等多个维度的复杂决策。系统通过多智能体协同，同时分析活性、毒性、代谢特性等多项指标，给出综合优化方案，而不是让科研人员逐个维度去”单点突破”。

简单说：原来一个化合物优化可能需要几十次实验、几个月时间；现在AI可以先在虚拟空间里”跑”一遍，快速给出最优候选序列，大幅缩短试错周期。

这不只是效率工具，是研发范式的改变

中国工程院院士、暨南大学校长邢锋在发布仪式上说了句话，值得细品：

“成药性优化研究正从依赖人工经验与反复试错的传统模式，迈向AI算法驱动、知识体系支撑、全流程一体化的智能化新阶段。”

注意他用的词——”范式改变”。

不是”帮忙提速”，而是”重新定义怎么做”。

过去的药物研发，像是一场”体力劳动密集型”的长跑；AI介入后，这场比赛的规则正在被改写。

高质量数据，是这场革命的”燃料”

同一天，会上还发起了”共建共享国家关键领域（新药创制）人工智能语料数据”的倡议。

这句话的分量，不亚于智能体本身。

AI模型训练需要数据，但医疗领域的特殊性在于：数据分散在医院、药企、实验室里，且质量参差不齐。没有高质量的专业数据，再强大的算法也是无米之炊。

倡议的意义，是推动新药创制AI语料数据的高质量建设与高水平共享——把分散的数据资源，变成AI能用的”燃料”。

这一步如果走通，将为”AI+新药研发”奠定真正的地基。

写在最后

一款新药的诞生，从来不只是科学的胜利，也是时间、成本、概率的博弈。

AI没有颠覆这场博弈的规则，但它正在改变筹码的结构。

过去，一款药能不能成，很大程度上取决于科研人员积累了多少经验、翻过多少文献、做过多少实验。

未来，这些经验正在被AI系统性地学习、提炼、传承。

人类科学家的创造力不会贬值——但那些重复性的、消耗性的劳动，正在被一点点解放。

新药研发，进入了”AI辅助”的快车道。

至于终点在哪里——答案，或许比预想中来得更快。