夜雨聆风最近自己在摸索 OpenClaw、Claude Code 这些 agent 的时候，有一些挺直接的感受。
说实话，一开始我只是觉得：哦，又能写代码更快一点了。
但用着用着，慢慢发现不太对。
这些东西，好像不只是“帮我写代码”那么简单。
尤其是回头再看 AI 制药这个方向，我越来越觉得——对我们这些做 AI 的人来说，冲击可能比想象中要大。
一、以前大家比的是模型
这两年聊 AI 制药，基本都在聊模型。
谁结构预测更准，谁生成模型更强，谁虚拟筛得更快。
但最近我有种挺明显的感觉，方向好像在慢慢变。
问题可能已经不是“模型够不够强”了，而是：这些东西，能不能自己跑起来。
二、从“帮你写代码”，到“替你干活”
像 Claude Code 这种工具，最直观的就是写代码快了，改 bug 轻松了，训练脚本不用从头写。
原来一天干的活，现在一两个小时就能搞定。
但本质上，它还是个“助手”。只是这个助手水平挺高。
三、另一种方向：AI 开始自己跑流程
我觉得更有意思的是 OpenClaw 这种。
它不是帮你写一段代码，而是想把整件事接过去。
你把一个任务丢给它，比如：
找数据 → 处理数据 → 跑模型 → 出结果
它能一整条链路跑下来，而且不是跑一次，是可以一直跑。
这件事放在 AI 制药里就有点不一样了。
因为我们很多工作，本来就是“流程型”的：
换批数据再训练一次
换个模型结构再试一轮
多筛几轮看看有没有更好的分子
这些事情不复杂，就是重复。
现在的问题是：这些重复的事，开始有人（或者说 AI）可以一直干了。
四、变化不在模型，在“怎么用模型”
以前大家比的是模型好不好、精度高不高。
但如果流程被打通，事情就变成了：
谁能更快试错，谁能跑更多轮实验，谁能更稳定地产出结果。
你不再关心某一次实验是不是最优，而是关心：能不能持续地产出还不错的结果。
五、一个挺直观的变化
拿我现在做的方向（比如抗菌肽生成）来说，区别很具体：
以前：
自己写模型
自己调参数
一轮一轮看结果
以后更可能是：
定个目标（活性+毒性约束）
系统自己去生成一批序列
自动打分、筛选
不满意就继续下一轮
人反而变成了在旁边看：什么时候该停，什么时候该换方向。
六、但这件事没那么美好
说到这里，很容易给人一种感觉：AI 制药要自动化了，人要没了。
我觉得没那么快，甚至可能差得还挺远。
几个现实问题，现在都还没解决：
1. 数据本身还是不够好
很多时候模型的问题其实是数据的问题。数据偏、数据少、标签不准，不会因为多了个 agent 就消失。
2. “自动跑”不等于“跑对”
流程可以自动化，但方向不一定对。模型可能会在一个错误的目标上反复优化，跑得越久，错得越远。
3. 实验这一关还是卡着
AI 能生成一万条序列，但真正能验证的，还是那几十条。实验成本、周期，这些瓶颈一点没变。
4. 成本可能反而更高
自动化之后，调用模型、跑计算的次数会变多。很多时候不是更省钱，而是更快地把钱花完。
七、对我们做 AI 的人意味着什么
说回到开头那个问题：这些 agent 对 AI 制药中做 AI 的人，冲击到底在哪？
我觉得至少有这么几条：
1. 纯“调模型”的人，价值在变低
以前会训一个模型、调一调超参数，就已经很有竞争力了。
但如果别人用 agent 就能自动跑几十组实验，你还在手工调，差距一下就出来了。
2. 懂“流程”的人，价值在变高
现在越来越需要的是：知道怎么把整个链路串起来，怎么定义任务边界，怎么让 agent 稳定地产出结果。
换句话说，不只是会用模型，而是会设计一个能自动跑的系统。
3. 离实验近的人，反而更安全
AI 再怎么自动化，最后还是要进湿实验验证。
如果你既懂 AI，又懂一点生物、化学，能和实验那边对上话，那你的位置其实比纯做 AI 的人更稳。
4. 重复劳动会快速贬值
以前写脚本、洗数据、跑 baseline 这些活，可能是初级工程师的主要工作。
但这些恰恰是 agent 最容易替代的。
最后
不是 AI 开始取代人做药，而是：
做药这件事，开始可以被“系统化”了。
对我们做 AI 的人来说，问题可能不再是“我的模型比别人强多少”，而是：
我能不能成为那个设计系统、定义问题、判断方向的人。
至于这个系统最后会发展到什么程度，现在其实还不好说。
