AI制药的两条路:为什么有人做工具,有人要重写流程?

点击上方 轻创甄选汇 更多精彩内容等着你！

AI制药赛道里，公司大致可以分成两类。

一类做工具。结构预测、虚拟筛选、分子生成、性质预测，每个工具对应一个单点任务，嵌入药企原有的研发流程里，帮助科学家把某个环节做得更快。

另一类想做的事更大：不是优化流程，而是重新定义流程本身。

艾斐智药属于后者。2026年7月成立，一个多月后完成亿元天使轮融资。脱胎于清华大学智能产业研究院兰艳艳团队，核心技术DrugCLIP登上《Science》正刊，对标国际标杆Isomorphic Labs，走的是“AI native”路线。

两条路的分野，不是技术高低，而是对“AI在药物研发中该扮演什么角色”这个问题的不同回答。

工具派的逻辑：在现有流程里做增量

工具派的思路很清晰。药物研发流程已经运行了几十年，靶点发现、分子筛选、成药优化、临床前研究，每个环节都有成熟的方法论和人才体系。AI能做的，是在某个具体环节上提升效率。

虚拟筛选就是一个典型场景。传统分子对接基于逐对计算，筛选规模与计算成本线性相关。当化学空间扩展到十亿、百亿级时，时间与算力成本高到无法承受。AI可以把这个过程加速，让筛选规模更大、速度更快。

这个逻辑成立，商业路径也清晰：卖软件授权、卖技术服务、按项目收费。药企买了工具，嵌入自己的流程，科学家决定怎么用。

但工具派有一个天然的天花板：它不改变决策方式。什么时候该用什么工具、工具输出的结果意味着什么、下一步该优先做什么实验，这些核心决策依然依赖资深科学家的个人经验。

原生派的逻辑：把AI放在决策位置

艾斐智药选择了一条更难的路。

高博文用一句话概括了这种差异：“传统的AI工具链解决的是‘任务怎么做’，而PharmAgents要回答的是‘项目下一步该做什么’。”

这句话背后是一个判断：单点工具的效率提升终究有上限，而决策效率的提升才是真正决定研发成败的关键。“算错了最多浪费几个小时算力，而一个错误的实验决策，浪费的是数月的时间与数百万的成本。”

原生派的逻辑不是“AI帮你算得更快”，而是“AI帮你决定该算什么”。

这个判断直接影响了公司的组织方式。艾斐智药拒绝“AI团队算、药化团队做”的流水线模式，组建了深度交叉的团队：AI算法团队来自清华智能产业研究院，生物学团队来自清华大学生命科学学院结构生物学方向，药化团队拥有十多年创新药研发经验，产业资深人士负责管线推进。

高博文说：“大家从项目第一天就紧密配合，共同讨论决策，而不是把结果层层传递。只有这样，才能真正跑出AI原生的路径。”

DrugCLIP的真正突破：不是算得更快，是换了一种算法

DrugCLIP经常被提及的数据是“1分钟完成千亿规模分子筛选，速度比传统对接工具提升百万倍”。但速度只是结果，真正的突破在底层逻辑。

高博文的概括是：“我们不是把逐对计算做得更快，而是把计算问题变成了检索问题。”

传统分子对接的逻辑是：给定一个靶点，和分子库里每一个分子逐一计算结合能。这是逐对计算，规模越大，成本越高。

DrugCLIP采用双塔对比学习架构，分别设置蛋白口袋编码器与小分子编码器，将两者映射到同一个高维化学空间中。在对比学习训练范式下，能够相互结合的蛋白与小分子在空间中被拉近，不匹配的组合被推远。

这意味着，所有候选分子的空间坐标可以提前计算并建立索引。当新的靶点蛋白进入系统时，不需要和海量分子逐一对接，只需定位其在高维空间中的位置，就近检索即可得到候选分子。

这是一个算法层面的重构，不是工程层面的加速。

在此基础上，团队进一步向更精细化的排序能力突破。小分子领域存在“活性悬崖”现象：结构高度相似的分子，与靶点的结合能可能相差数个数量级。传统欧氏空间表征只有距离维度，很难建模这种差异。艾斐智药推出的双曲空间结合能预测模型，利用双曲空间的角度维度刻画分子的细微构象差异，精排能力接近自由能微扰这一行业金标准，但速度快出数个数量级。

一个意外的发现，验证了原生路线的价值

算法再先进，最终要落到管线上才能证明价值。

艾斐智药的第一条自研管线，ADHD高选择性NET抑制剂，最初并非出于商业立项，而是团队用来验证DrugCLIP能力的技术项目。

在对去甲肾上腺素转运体靶点进行虚拟筛选的过程中，团队意外发现了一个从未被报道过的全新别构口袋。

NET是治疗ADHD的经典靶点。传统NET抑制剂都结合在正构口袋，由于单胺转运体家族的SERT、DAT与NET的正构口袋高度相似，药物容易脱靶，带来心率加快、血压升高、睡眠障碍等副作用。对于以儿童患者为主的ADHD人群，副作用耐受度极低。

而这个全新的别构口袋，只存在于NET上，不会和SERT、DAT产生交叉结合。针对这个口袋开发的药物，有望从机制上解决传统药物的副作用难题，成为真正的First-in-Class疗法。

发现新口袋后，团队将项目升级为自研管线，用AI驱动全流程分子优化，仅用数月时间就迭代得到多个性质超越上市药物的分子。目前该管线已进入Pre-PCC阶段。

这条管线的意义不止于一个候选药物。它验证了一套完整的可能性：AI不仅能筛选分子，还能发现全新的口袋与作用机制，驱动First-in-Class药物的研发。

“我们要证明的不是偶然做成一个项目，而是这套AI centric的范式可以复制到不同疾病领域、不同药物模态。”高博文表示。

商业模式的配套：不做单次服务，做联合开发

技术路线的选择，最终会传导到商业模式。

工具派的商业模式通常是：卖软件、卖服务、按项目收费。交易完成，关系结束。

艾斐智药从成立之初就明确，不做单次计费的技术服务，而是坚持联合开发的商业模式。“我们不会给客户做一次筛选就结束，而是深度参与到分子发现、实验验证、候选优化的全过程，和合作伙伴共担风险、共享管线成长的价值。”

这种模式对公司的能力要求更高：不仅要懂算法，还要懂药化、懂实验、懂临床推进。但一旦跑通，合作关系更深，价值分享也更大。

截至目前，艾斐智药已与多家药企、Biotech、科研院所及医院推进合作，覆盖代谢、CNS、自身免疫、药物递送等多个领域。

高博文用三个关键词阐述艾斐智药的核心理念：AI native、决策、进化。这三个词指向他所说的AI制药终极形态：虚拟药企。

“当AI只能把原有流程提效20%-30%，它只是nice to have；当AI能发现过去人类找不到的分子、做成过去做不成的药，它才是must-have，才真正意味着范式变革。”

工具派和原生派的分野，本质上是对AI能力边界的不同判断。工具派认为AI是辅助，原生派认为AI可以成为核心。

哪条路能走得更远，现在下结论还太早。但至少，有人愿意走更难的那条路。

你更看好哪条路线？欢迎在评论区聊聊。