夜雨聆风你有没有想过一个问题：为什么一颗药从实验室到你手上，动不动就要十年八年，花掉几十亿美金？
不是科学家不够努力，而是生物系统真的太复杂了。人体里有几万种蛋白质，几十亿种可能的相互作用，每一个都可能成为药物的靶点。传统的方法，说白了就是"猜+试"——猜一个可能有效的分子，然后一遍一遍地做实验去验证。运气好的，试几百次就中了；运气不好的，钱烧完了也没找到。
但现在，这个局面正在被AI彻底改写。
而且不是"吹牛阶段"的改写，是真的，有临床数据的那种。
2026年5月，AI制药行业等来了它最重要的一张成绩单。
从"能设计"到"能治病"
先说最重要的。
Insilico Medicine，这家总部在纽约和香港的AI制药公司，5月份在《自然·医学》上发了一篇重磅论文：他们用AI从头设计的治疗特发性肺纤维化（IPF）的药物，在IIa期临床试验中，显示出剂量依赖性的肺功能改善。
翻译成人话就是：吃药的病人，肺功能真的有变好，而且吃越多改善越明显。
这是人类历史上第一个"端到端AI设计药物"拿到临床有效性证据。
"端到端"是什么概念？就是从靶点发现、分子设计、临床前研究，到上人体试验，整个过程的核心环节都由AI主导完成。不是AI只帮忙算了一下分子结构，而是AI全程参与了"发现问题→设计方案→验证效果"的完整闭环。
这个意义有多大呢？
这么说吧，以前我们讨论AI制药，都是在说"AI能帮科学家节约时间""AI能提出一些有意思的候选分子""AI可能在理论上设计出了某个药"。但这次不一样——药已经在病人身上验证过了，而且真的有效。
从"能设计"到"能治病"，这一步，AI走了大概五年。
18个月、600万美元
更有意思的是时间和成本。
Insilico的这款药，从开始设计到完成IIa期临床试验，耗时大约18个月，花费约600万美元。
对比一下传统路径：一个新药从研发到上市，平均需要10-12年，花费20亿到30亿美元。18个月和600万美元，在这个数字面前，基本上就是"不要钱"。
当然，这只是到IIa期。后面还有更严格的III期临床和上市审批等着。但如果你知道，传统药物研发超过90%的失败率都集中在早期阶段，你就会明白：在最短的时间里、用最少的钱筛掉那些"看起来行但实际上不行"的候选分子，才是改变游戏规则的地方。
说白了，AI让制药从"赌石"变成了"精炼"。
你可能会问，600万美元是怎么做到这么便宜的？
答案在于：AI不需要把几千个分子一个接一个地去做实验。它可以在虚拟空间里模拟分子和蛋白质的相互作用，先筛掉99%不可能有效的，剩下1%再去实验室验证。这就把"试错"的成本压到了极致。
MAMMAL：比AlphaFold更猛的来了
如果你觉得Insilico的成绩已经够燃了，那接下来的这个消息可能会让你更兴奋。
今年5月，一个叫MAMMAL的新AI模型横空出世，被业内称为"可能改变医学和药物研发格局的突破"。这个模型不仅能预测蛋白质结构——这是AlphaFold的看家本领——它还能同时理解基因、蛋白质和小分子之间的复杂关系。
AlphaFold解决了"蛋白质长什么样"的问题，拿下了2024年的诺贝尔化学奖。而MAMMAL试图回答的是"这个蛋白质和那个小分子能不能配对""改了这段基因，细胞会怎样"这类更深层的问题。
如果说AlphaFold是一台超级显微镜，让你看清了蛋白质的三维形状，那MAMMAL就是一个全能的"生物关系探测器"。
有研究者说，MAMMAL在某些任务上的表现已经超越了AlphaFold 3。虽然这个说法还需要更多独立验证，但至少说明一件事：AI理解生命系统的能力，正在以比大多数人预想的快得多的速度进化。
钱也来了
科学突破往往伴随着资本涌入，AI制药也不例外。
2026年5月12日，谷歌母公司Alphabet旗下的AI制药公司Isomorphic Labs宣布获得了21亿美元的投资。这家公司由DeepMind创始人Demis Hassabis亲自领导，核心理念就是把AlphaFold的技术转化成实际的药物研发能力。
21亿美金，放在任何一个领域都是一笔巨款。但这不是最值得关注的。
最值得关注的是：资本从"看看"变成了"重仓"。
就在两年前，投资人对AI制药的态度还是"这个方向有意思，但能不能出药还不一定"。现在呢？Isomorphic直接拿到了21亿，Earendil Labs在今年3月融了7.87亿美元，Generate Biomedicines年初4.25亿美元IPO。
莉莉（Eli Lilly）更夸张，直接跟英伟达合作，建了一台专门用于药物研发的AI"超级计算机"，还另外投了2.5亿美元跟普渡大学做AI联合研究。
全球最大的制药公司，现在把AI当成了核心战略，而不是"锦上添花的工具"。
更值得关注的一个细节是：根据Benchling发布的《2026生物科技AI报告》，80%的生物科技组织计划在未来12个月增加AI预算，其中23%的人打算把预算翻倍甚至更多。
这些钱不是用来"试一下"的，是用来"all in"的。
那个最难的问题：AI真能造出药来吗？
冷静一下，说点实在的。
到目前为止，没有任何一款AI研发的药物通过了FDA的全面审批、真正上市。Insilico的Rentosertib（那个IPF药物）是目前临床进展最靠前的AI药物，但它依然需要完成III期临床试验才能申请上市。
而III期临床，往往是药企的"坟场"——大量药物在这个阶段因为安全性、有效性的问题被毙掉。
所以，说AI制药"成功"了，还为时尚早。
但说它"有戏"，已经有临床数据撑腰了。
而且，制药行业的逻辑跟AI行业不太一样。AI行业讲究"快"——谁先出模型、谁先上产品，谁就有先发优势。制药行业讲究"稳"——快不重要，安全有效才重要。只要有一个AI药物最终获批上市，整个行业的估值体系就会被彻底重塑。
所以现在这个阶段，有点像2000年的互联网。泡沫一定有，但方向是对的。赌的是"AI真的能造出药来"这个命题最终被验证。
Insilico的这一针，让这个赌局的天平，往"能"的方向狠狠推了一把。
AI制药真正的瓶颈
说完好消息，也得说说现实的坑。
AI制药目前最大的瓶颈，其实不是AI本身，而是数据。
根据Gartner的数据，到2026年，多达60%的AI项目可能因为"数据准备不足"而被放弃。在制药领域，这个问题更严重——生物数据散落在不同系统里，格式不统一，关键元数据经常缺失。55%的组织承认，"数据质量差"是AI试点项目失败的首要原因。
换句话说，不是AI不够聪明，是人类的数据管理太烂。
用业内人士的话说："事后补救式的数据整理，救不了一个设计糟糕的实验。"
这可能是AI制药行业下一个五年要攻克的核心问题——不是让模型更大，而是让数据更好。
另外还有一个有趣的变化正在发生：制药公司在招人时，不再拼命从科技公司挖人，而是更倾向于"内部培训"——教自己的科学家学AI。67%的公司说，他们的AI人才主要来自内部科学人员的技能提升，只有21%依赖从科技公司招聘。
这说明一个趋势：制药行业已经意识到，懂生物的人学AI，比懂AI的人学生物，效率更高。"科学翻译官"——能同时理解复杂生物学、法规要求和机器学习的人——正在成为制药行业最抢手的人才。
我们离"AI造药"还有多远？
做个大胆的预测。
如果一切顺利，第一款完全由AI设计的药物，可能在未来2-3年内拿到FDA批文。届时，整个行业的"地震效应"会是这样的：
药企的估值模型要重写——过去按"管线数量×成功率×折现"算出来的市值，在AI把成功率提高哪怕10%之后，都会完全不同。
新药的价格可能开始下降——研发成本大幅压缩，理论上药品可以有更低的定价空间。（当然，药企愿不愿意降价是另一回事。）
罕见病患者可能是最大赢家——AI让制药变得更便宜、更快，那些因为"市场太小、无利可图"而被放弃的罕见病药物，可能重新变得经济可行。
但也别高兴太早。
AI可以加速发现和设计，但不能替代临床试验。你不可能给一个AI模型"看看"就说这药安全。FDA的审批流程不会因为AI参与了设计就放宽标准——事实上，监管机构正在努力制定针对AI辅助药物的专门评估框架。
写在最后
2026年的AI制药，终于从一个"看起来很酷的概念"，变成了一个"有数据支撑的产业趋势"。
Insilico在Nature Medicine上的那篇论文，不是什么惊天动地的营销文案，而是实实在在的、经过同行评议的临床证据。它告诉世界：AI设计的分子，不仅能算出来，还能在人体里起作用。
说实话，作为一个经常看科技新闻的人，我对AI的"突破"已经有点审美疲劳了。每周都有新模型，每个月都有新纪录。但AI制药不一样——它的"突破"背后，是真实的病人，是真实的肺功能数据，是真实的人类健康。
这比任何基准测试排行榜上的数字，都更有分量。
18个月、600万美元、肺功能改善——这三个数字放在一起，已经足够让所有制药巨头重新思考自己的研发策略了。
我们可能正在见证的，不只是AI的一个新应用场景，而是整个制药工业范式转变的开端。
📝 喜欢这篇文章吗？
如果你觉得AI正在改变世界的速度让人既兴奋又有点慌，那就对了。点个**「在看」**，转发给你的朋友，让更多人看到科技正在怎样悄悄地重塑我们的健康和生活。
关注 xxDays，每天给你最新最热的科技解读，用大白话讲清楚这个世界正在发生什么。
我们下期见 👋
