对话魏炜:医药研发中的AI应用

传统药物研发面临着巨大挑战。首先是可选择分子空间极大，据预测可成药的分子空间总量达到1060次方，这个数量甚至大于整个太阳系的原子总数。在如此庞大的空间中寻找有效分子，传统方法依赖经验与偶然发现，效率极低。

其次是研发投入与成功率倒挂的";三个10定律"：一款创新药从研发到上市平均投入超过10亿美金，研发时间超过10年，而临床整体成功率却低于10%。更严峻的是，药物研发开始时就需要申请专利保护，发明专利有效期仅20年，上市后最多延长3-5年，研发耗时过长会直接压缩药企的盈利周期。

核心痛点总结：

● 可成药分子空间巨大（1060次方），传统方法效率低下

● 研发投入高（超10亿美金）、周期长（超10年）、成功率低（低于10%）

● 专利有效期压力大，盈利周期被压缩

● 研发流程复杂，全流程时间和资金投入巨大

根据2026年相关调研，全球100多家大型药企中，AI已在药物研发各个环节普遍使用，知识抽取、蛋白质结构预测、科学报告输出、靶点发现等环节使用率超过70%。

当前药企使用AI的最大痛点不是算力和算法，而是两个核心问题：第一是缺乏高质量可靠的训练数据，第二是知识产权与数据安全问题。药物研发数据知识产权价值高，还要避开已有的专利保护，对数据安全要求极高。

我们对通用大模型进行了药物合成预测测试，让其预测给定反应物生成目标产物的反应可行性与反应路线，最终测试结果精度约为55%，召回率约为44%。这个准确率和抛硬币结果接近，完全无法满足药物研发的科学要求。因此，药物研发需要的是聚焦垂直领域的专用AI能力，而非通用大模型。

通用大模型药物合成预测测试结果

晶泰科技提出了"高质量数据+高质量模型+高通量实验"三者形成飞轮的研发范式：AI完成分子设计和预测后，需要高通量自动化实验完成物理世界验证，验证产生的高质量实验数据再反馈给AI迭代训练，提升AI预测的准确度。

药物研发主流程是线性串行过程，系统产出效率由最慢环节决定，因此需要对全流程全链条赋能，才能充分发挥AI的加速作用。我们将AI能力整合为三个一体化平台，分别是数据采集和分析平台、AI预测平台、仿真计算平台，支撑小分子药物发现、抗体药物发现和自动化机器人平台三大核心业务。

生物医药领域数据分类与挑战：

1.  实验数据：单条成本数百到上万元，受物理条件限制数量较少

2.  仿真数据：单条成本数十到数百元，规模更大但未经过物理世界验证

3.  公开数据：单条价格数元到数十元，规模从几万到几百万条不等

现存核心问题：负样本缺乏、数据来源不一维度残缺、数据可靠性和一致性不足

X-Buddy通过多agent协作完成靶点调研报告：首先planning agent通过多轮对话和用户沟通形成报告大纲，之后不同方向的专业agent分别收集甄别数据，最后由writing agent完成交叉验证和信息溯源，降低AI幻觉，生成报告后还支持迭代完善。

PatSight用于新药立项阶段的专利规避，通过多个模型识别专利文本、表格、分子结构等信息，结合大模型语义理解输出结构化数据和分析报告。传统人工梳理专利需要几个月，使用该产品仅需要几个小时，效率提升明显。

晶泰搭建了分层的实验室自动化AI体系，底层覆盖分子生成、反应评估、自动采购、反应开设等功能模块，中层结合实验设备实现自动化操作，无需人工看守过夜反应，上层针对实验场景打造多个专用agent，支持实验人员交互，顶层为业务数据中心统一分析。

AI与人类化学家预测能力对比

目前晶泰累积的仿真数据中，可合成化学空间达到10的12次方，每月可产生5万多条反应数据、30多万条过程数据，已经积累了18种反应类型、25万左右反应数据、120个SOP、14000多个基础砌块。

AI不会直接替代人类药物研发人员，但是会用AI的研发人员会替代不会用AI的人。AI可以将人类从基础性重复性劳动中解放出来，聚焦更有价值的研发工作。

每个行业都有自身特点和深度，通用大模型无法解决行业底层的know-how问题，更适合针对行业不同环节开发专用小模型，通过agent调度组合解决整体问题，同时必须通过交叉验证消除AI幻觉。

企业落地AI的核心建议：

首先要清晰识别自身真正的痛点，管理好预期，不要一开始就全面铺开；其次要重视数据治理和数据连通，做好长期沉淀，优先解决企业主价值链上的痛点，不要搞平均主义，聚焦高价值领域做深做透。