最近后台总有人问我同一个问题。

“AI 制药，到底是不是泡沫？”

问这话的有做靶点发现的，有做工艺的，也有管质量的。大家心里其实都憋着一句没说出口的话——公司让我评估要不要上 AI，可我翻了一圈资料，发现要么是厂商的 PR 稿，要么是英文综述，读完还是不知道这事跟我有什么关系。

我最近把一本 811 页的书从头到尾啃完了。书名很长：

《Artificial Intelligence in Science and Engineering: From Porous Materials to Drug Discovery》（人工智能在科学与工程中的应用：从多孔材料到药物发现），Wiley 出版，作者是南加州大学的 Muhammad Sahimi。

啃完第一反应是：这本书值得推荐。但如果你冲着“AI 制药指南”去读，你会失望。

原因很简单，我写在标题里了——药物研发的人，只需要精读四章。

今天就把为什么讲清楚。

📢 AIX生物药行业微信群已开启

扫描上方群二维码，群内持续分享场景拆解、实操流水线、落地案例与避坑清单，进群备注姓名、公司名、相关领域。

· · ·

先泼一盆冷水：它不是什么

先说清楚这本书不是什么，省得你花冤枉钱。

它不是工具书，不教你怎么用 AlphaFold 跑结构、怎么用某个模型预测 ADMET。也不是行业报告，不讲市场规模、融资数据、管线盘点。更不是那种“AI 将彻底改变药物研发”的鸡血合集。

作者 Sahimi 是个化工和多孔介质领域的理论物理学家。他自己在书里写了条规矩：只写两类内容——要么是他自己真用 AI 研究过的问题，要么是他深耕多年、有资格判断“AI 到底能不能带来新东西”的领域。

结果就是：全书 16 章里，药物发现只占第 13 章。前面 12 章讲的是流体力学、多孔介质、催化、材料、分子模拟。听起来离你很远对吧？

但这恰恰是这本书最值钱的地方。

· · ·

核心观点一：判断一个问题该不该用 AI，靠的不是经验，是分类

这是全书最硬的东西，我建议你记住。

作者把所有复杂问题分成了三类：

第一类，方程知道，数据也有，就是算不动。比如流体在复杂介质里怎么流动——物理规律明明白白，可你要预测大尺度、长时间的行为，算力扛不住。这类问题，AI 的任务是加速求解。

第二类，数据有了，物理知道一半。方程的形式清楚，但里面的系数（比如渗透率、扩散系数）不知道。这类问题，AI 的任务是反推系数。

第三类，数据一大堆，方程压根不知道。只知道现象，说不出规律。这类问题最麻烦，AI 的任务是帮你把方程找出来。

三类问题，三种解法。

为什么这对你有用？因为你下次听到“这个项目要用 AI”，第一件事就该问：我们这个是第几类问题？分类错了，后面全错——拿一类问题的解法去套三类问题，钱花了，模型训了，出不来东西。

这个框架，是我在这本书里拿到的最大收获。它把“要不要上 AI”从拍脑袋，变成了一道可以讨论的技术题。

· · ·

核心观点二：AI 是个“搜索放大器”，不是“证据生成器”

这条如果只能记一句，就记这句。

书里讲了个特别典型的案例。MIT 的团队训练了一个图神经网络，从 1 亿多个分子里筛出一个叫 halicin 的化合物——它原本是个失败的糖尿病药，被 AI 捞出来，发现能杀耐药菌，而且机制全新（破坏细菌的质子动力势）。

听着很神对吧？但你要看清楚 AI 在这里干了什么。

它没有“想”出这个分子。它是在人类因为成本和时间限制、根本不会去翻的那片化学空间里，把答案“找”了出来。

有句话说得很到位：一个足够有耐心的人类团队，给他无限的时间和资源，也能一个个测过去，最终找到同一个分子。AI 的价值是几小时 vs 永远，不是“机器比人聪明”。

看懂这一点，你对 AI 的预期就摆正了。

它给的是假设，不是证据。

书里还有一个反面案例，我觉得特别诚实。研究者用一个 AI 模型预测出了某款抗病毒药可能对新冠有效，结合亲和力数据看起来也挺漂亮。可后来呢？有的实验支持，有的实验反对，到今天仍有争议。

模型说“这个能结合”，不等于“这个药有用”。这一条，是所有做研发的人都该刻在脑子里的边界。

· · ·

核心观点三：AI 设计的分子，别指望一次就中

书里我印象最深的，是一个抗蛇毒蛋白的设计案例。

团队用 AI 设计能中和致命蛇毒的蛋白质。第一轮做了 44 个设计，只筛出 1 个能结合的。优化之后重来，78 个设计里挑出 11 个亲和力更高的。

听着命中率不高？但它们最终做出来的分子，在细胞实验里一个摩尔比就把毒素完全中和了。

这个案例的价值在于：它完整展示了“AI 设计 → 湿实验验证 → 达到纳摩尔级亲和力 → 功能性中和”的全链条，每一步都有论文可查。这是目前判断“AI 蛋白设计到底能做到什么水平”的最好标尺。

它同时告诉你一个残酷的事实：低命中率是常态。别按“AI 一出手就是好分子”来排项目计划和预算，你会被现实教做人。

书里推荐的三段式流程——生成骨架、设计序列、多重过滤——做抗体、结合蛋白、抗原设计的人可以直接拿去用。

· · ·

这本书最适合谁读？

我不想把它推荐给所有人。说白了，它是一本“内行写给内行”的书，有门槛。以下几类人读它，性价比最高：

做早期研发的。你在纠结“这个靶点、这条技术路线，该不该上 AI 计算”，书里的三分类框架能帮你做判断。第 12、13 章的工具方法，做蛋白设计的人可以直接抄作业。

做工艺开发的。工艺参数和质量属性的关系，本质上是书里说的“第二类问题”——方程知道，系数未知。这是把 AI 接进 QbD 的天然入口。

做质量和法规的。这部分人我特别想多说一句。书里反复强调一件事：AI 最大的问题不是不准，是说不清楚它为什么这么准。作者原话是“可解释性也许是所有挑战里最重要的一个问题”。

你要把 AI 模型用来影响质量决策？先想清楚——这个模型是黑箱、灰箱还是玻璃箱？黑箱的，对不起，只能做探索，不能进放行。这本书给了你一套现成的分级思路。

做研发管理的。你要给老板解释“我们为什么该投／不该投 AI”，这本书的观点比任何一份咨询报告都好用——因为它是中立的。作者既讲了 AI 确实超越传统方法的地方（蛋白质结构预测、抗菌分子发现），也把“AI 不能做什么”一条条列了出来。

反过来说，如果你是来找“马上能上手的 AI 工具”的，这本书救不了你，别买。

· · ·

我为什么推荐它

三个理由。

第一，它敢说清楚边界。全书 16 章，每一章结尾都有一节“挑战与未来方向”。一本技术专著成熟的标志，就是作者能把自己的短板讲明白。这本书做到了。

第二，它适合被“用”而不是被“读”。你不用从头看到尾。精读第 1 章（框架）、第 2 章的概念部分、第 12 章（蛋白质结构，全书技术巅峰）、第 13 章（药物发现，落点），大概 12 到 15 个小时。其余章节，每章只读开头和结尾，知道它存在就行。

第三，它让我对这件事的预期，回到了一个正常的位置。

· · ·

最后，说句掏心窝的话

书里有一段原话，我特别喜欢。作者说，如果你把 AI 当神谕，你会误解它；如果你把它当协作者，你才可能兑现它的价值。

这句话，比任何一份行业报告都清醒。

顺便说个你我可能都想知道的事实：到现在为止——2026 年了——仍然没有一个由 AI 发现的药物，走完 FDA 审批、真正上市。这条路还在走。

但去年有一件事，让这个领域真的往前走了一步：一款 AI 驱动发现的肺纤维化药物，在二期临床里做出了正向数据。这是全球第一个完成临床药效概念验证的 AI 药物——当然，样本还不大，路还长。

所以这本书的价值，恰恰在于它不承诺奇迹。

它教你的不是“AI 有多神”，而是“什么时候该用、什么时候别用”。在一个所有人都在喊 AI 的年代，后者反而更稀缺。

· · ·

如果你也在纠结“要不要上 AI”，欢迎在评论区聊聊你的场景，我看看这本书能不能帮上忙。

版

权

声

明