命中率26.8%背后:AI制药正从“单点工具”走向“全流程闭环”

AI制药的“全流程”之争

当AI要从头管到尾，行业在吵什么？

近期，AI制药又迎来一波讨论高潮。

真正让行业兴奋又警惕的，是这个命题背后的潜台词——如果成立，AI制药就不只是提效工具，而是研发范式的重构者；如果不成立，眼下板块的热度就只是又一个概念周期。这场讨论为什么在现在升温、全流程自主研发到底卡在哪、以后判断一个AI制药公司值不值得看，该盯什么变量。

01 

为什么在“现在”升温：三个信号

信号一：媒体与资本同步升温。钛媒体、蓝鲸新闻、21世纪经济报道、动脉网在同一天集中讨论AI制药的“产业中游”与“干湿闭环”；港股AI制药板块应声走强，晶泰科技-P涨超11%、英矽智能涨超6%，市场将其解读为AI制药进入战略布局期。

信号二：商业化验证节点临近。英矽智能的Rentosertib——全球首个同时实现AI发现新靶点、AI设计新分子并进入III期临床的AI药物——正在320例患者中接受大范围验证；莫德纳与默沙东的V940，则是AI深度参与靶点设计的全球首个III期阳性个体化mRNA肿瘤疫苗。

信号三：“湿实验”被重新定价。兴业证券的判断颇具代表性：当前AI药物研发的加速步骤，不在模型跑多快，而在湿实验数据产得多快。当讨论从“算法”转向“数据与实验”，说明行业开始用工程化标准审视AI制药，而不只是仰望模型。

02 

全流程自主研发到底指什么

用三句话定义：它指AI在药物研发的靶点发现、分子设计、临床前验证、临床方案设计等关键环节承担主体工作，而非只做单点辅助；它不等于“全自动”，人类专家仍在机制判断、质量决策与监管沟通中掌握最终决定权；它真正重要的地方在于，把研发从“经验驱动的试错”转向“数据驱动的闭环”，改变的是成本、速度与可复现性。

理解它最直观的框架是DBTL闭环：设计（Design）—构建（Build）—测试（Test）—学习（Learn）。AI负责设计与预测，自动化实验负责构建与测试，真实数据回流模型完成学习，下一轮设计因此更准。

03 

四个环节，一个共同瓶颈

环节一，靶点筛选。AI从疾病网络与海量组学数据中挖掘新靶点、识别协同靶点组合，把“找靶”从文献经验变成全局性网络分析。

环节二，分子设计。生成式化学从头设计候选分子，从数亿级分子库中高通量筛选、多参数打分，直接压缩“挑化合物”的时间成本。

环节三，临床前验证。机器人自动化合成与检测，干湿实验闭环验证。晶泰科技以自动化工作站完成化学合成与检测、再把结果回流模型，正是这条路径的代表。

环节四，临床方案设计。AI进行患者分层、入组筛选、试验设计与终点预测，提高试验成功率——这是讨论中最新、也最考验数据完整性的环节。

四个环节背后是同一个瓶颈：高质量、标准化、可机读的生物医药数据仍是稀缺资源；算法“黑箱”与可解释性困境制约着从技术演示到商业价值的转化；湿实验产能则决定闭环速度。这也解释了为什么“中游资产”——自动化实验、AI+CRO、数据平台——成为本轮讨论的核心。

把两条路径放在一起看，差异更清楚。传统模式：靶点依赖文献与临床经验，候选分子靠专家挑选、实验筛选，临床方案基于历史队列设计——每个环节靠人力和经验堆叠，周期长、试错成本高。AI路径：靶点由网络分析生成，分子由生成模型批量设计，实验由机器人承接并把数据实时回流模型，临床方案基于真实世界数据分层设计——环节之间形成反馈，而不是单向流水线。但代价同样真实：AI路径对数据质量、实验自动化与组织协同的要求远高于传统模式，不是所有团队都具备承接条件。

04 

数据与案例：机制是否经得起验证

一组关键数据。钛媒体当日报道，在1320个经过可靠实验检测的AI设计中，354个真实结合靶蛋白，整体命中率26.8%，显著高于医药行业传统约10%的成功率。（口径：钛媒体2026-09-23报道，样本为平台真实实验检测结果；“结合靶蛋白”不等于临床成功。）

两个验证案例。Rentosertib（英矽智能）：全球首个同时实现AI发现新靶点、AI设计新分子并进入III期临床的AI药物，III期入组320例——若能在如此大范围人群中完成验证，将真正把AI制药的全流程闭环跑通。V940（莫德纳/默沙东）：AI深度参与靶点设计的个体化mRNA肿瘤疫苗，是AI制药历史上首个III期阳性结果，也是“AI+疫苗”路径的标杆。

一个技术节点。晶泰科技在JACS Au刊发新成果，用AI破解机器人高通量合成实验的产率定量瓶颈——过去依赖人工纯化、制备标样与建立校准曲线，耗时漫长且难适配海量新分子；新方法通过AI完成产率定量，直接打通“高通量合成—数据回流”的关键卡点。

边界提醒。26.8%是“结合靶蛋白”层面的命中率，不代表临床成功率；单个III期试验的阳性或阴性，也不等于范式成立。案例的价值在于暴露机制、验证路径，而不在于证明某种普适规律。

05

常见误区，先排除

误区一：“AI制药等于全自动。”这个说法有它成立的一面——AI确实接管了大量筛选与预测工作；但它忽略了，合成、动物实验、临床执行仍需人与实验室完成，“全流程”不等于“无人化”。更准确的说法是：AI承担预测与优化，人承担判断与执行，两者协作而非替代。

误区二：“单点成功等于范式成立。”AI设计分子获批、或进入III期，只验证了单点能力；全流程闭环需要数据、实验、监管各环节同时成熟，任何一环掉队，都会让“闭环”停留在叙事层。V940的阳性结果令人振奋，但它尚不能直接推出“AI制药整体已经跑通”。

误区三：“算法强等于公司强。”一位行业观察者的判断值得记下：AI制药的真正突破，不在于算法炫目，而在于数据孤岛的打通、可解释性的提升、干湿实验的闭环协同、监管体系的完善。判断一家公司，先看它的数据与实验资产，再看模型本身。

06 

以后判断AI制药，盯三个变量

变量一：数据资产的厚度与独特性。是否拥有高质量、可机读、跨环节贯通的真实研发数据，而不是依赖公开数据库拼凑。数据是AI制药的“原材料”，也是护城河的起点。

变量二：湿实验的闭环速度。自动化实验与合成能力能否承接模型产出，数据能否低成本回流迭代——这是当前公认的决速步骤。判断一家公司，与其听它讲模型参数，不如看它实验产线一年能产生多少可回流的数据。

变量三：监管与商业化的适配。管线能否走到III期与上市，监管机构对AI证据链的接受度，以及BD授权与商业化回款是否真实发生。范式之争最终要由市场与监管“验收”。

三个变量若同步改善，“全流程自主研发”就从一句口号变成可复盘的工程事实；若只有模型热度，则仍停留在概念讨论层。

比答案更重要的，是以后怎么判断：

目前能确定的是，AI制药的讨论已经从“能不能”进入“怎么做”，从单点工具进入全流程命题，湿实验与数据正在成为新的定价焦点。

尚不能确定的是，Rentosertib的大范围验证结果、V940的后续商业表现，以及监管对AI证据链的最终态度。这三件事，比任何概念讨论都更能决定“全流程自主研发”到底是一句口号，还是下一个十年的研发范式。

以后判断，不必先问它热不热，只看三个变量有没有同时动起来。

医疗行业资深咨询团队 

｜ 初创团队陪跑 ｜ CRO服务 ｜商业策划和诊断

CEO/ 高管陪伴 · 资本架构搭建 ·商业落地创新

关注我们获取更多咨询和内容