AI 进入药物研发后,监管真正关心的是什么:FDA 关注模型可信度,中国监管呈现六条主线 | 行业观察

过去几年，AI 药物研发已经从一个技术概念，进入真实的研发流程。它可以参与文献挖掘、靶点发现、分子生成、蛋白结构预测、毒性预警、药代药效模拟、剂量探索、临床试验设计、患者分层、真实世界数据分析、药物警戒，甚至生产工艺控制。很多讨论喜欢从效率出发：AI 能不能更快找到候选分子，能不能缩短研发周期，能不能减少试错成本。

这些问题当然重要。但一旦 AI 进入药品监管语境，问题会发生变化。监管机构并不首先问：这个模型是不是最新、最大、最复杂。它更关心的是：这个模型到底回答什么问题？用在什么场景？输出结果会不会影响患者安全、药品有效性或产品质量？如果模型判断错了，后果是什么？企业能不能证明它在这个具体场景下可信、可追溯、可复核、可管理？

这可能是理解 AI 药物研发最关键的一步。AI 可以加速研发，但药品监管并不接受“因为它是 AI，所以它更先进”这种理由。监管真正关心的是：AI 生成的数据、判断或预测，能不能成为药物研发证据链中的一部分。换句话说，AI 药物研发不是模型竞赛，而是证据治理。

AI 在药物研发中的使用，大致可以分成三层。

FDA 在 2025 年发布的《Considerations for the Use of Artificial Intelligence To Support Regulatory Decision-Making for Drug and Biological Products》草案指南中，讲得非常明确：这份指南关注的是 AI 被用于产生信息或数据，并且这些信息或数据意图支持药品和生物制品安全性、有效性或质量方面的监管决策。

它说明 FDA 并不是泛泛地监管所有 AI 工具。监管关注点是：AI 输出是否进入安全性、有效性或质量的监管决策链。 如果只是内部效率工具，问题相对简单；如果 AI 输出开始支持剂量、疗效、安全性、质量或获益风险判断，它就必须被放进可信度评估框架中。这也是为什么，讨论 AI 药物研发不能只谈“AI 能做什么”，还要谈“AI 做出的结果被谁使用、用于什么决策、承担多大权重”。

在药物研发中，一个泛泛的说法，例如“我们使用 AI 优化研发”，几乎没有监管意义。监管需要的是具体问题。AI 是在预测某一剂量下的血药暴露？是在判断某类患者是否适合进入临床试验？是在辅助识别潜在不良事件？是在处理真实世界数据并形成有效性或安全性证据？是在优化处方工艺参数？还是在辅助判断某个生产过程是否出现质量风险？这些问题对应的监管风险完全不同。

ICH M15《General Principles for Model-Informed Drug Development》最终版提供了一个很有价值的框架。这个文件虽然讲的是模型引导药物研发，而不是只讲 AI，但它明确把 artificial intelligence/machine learning 纳入模型与模拟方法的范围。ICH M15 提出，模型证据评估首先要明确 question of interest，也就是模型要回答的问题；还要明确 context of use，也就是模型在该问题中的角色、范围、数据来源和与其他证据之间的关系。这套语言非常适合理解 AI 药物研发。同一个 AI 模型，在不同使用情境下，监管意义可能完全不同。

所以，AI 药物研发首先不是问“模型能力有多强”，而是问“模型被放在了哪一个具体问题里”。

监管对 AI 的评价，不是简单地把模型分成“先进”和“不先进”。更准确地说，监管会看两个问题。

第一个问题是：模型输出在决策中的权重有多大。 ICH M15 将这个概念称为 model influence，即模型结果在决策中的影响程度。如果 AI 输出只是若干证据中的一个辅助参考，模型影响相对较低。研究者可以结合实验数据、临床观察、既往知识和其他分析结果综合判断。但如果某个 AI 模型的输出是支持决策的主要依据，甚至是唯一依据，它对决策的影响就很高。

第二个问题是：如果基于模型输出做出了错误决策，后果有多严重。 ICH M15 将这个概念称为 consequence of wrong decision，也就是错误决策可能造成的后果。这个后果可能是患者安全风险，也可能是疗效不足，也可能是质量判断错误。

这两个问题合在一起，构成 model risk。模型对决策影响越大，错误后果越严重，监管对模型证据的要求就越高。它会要求更充分的数据说明、更严格的模型验证、更清晰的模型记录、更明确的版本管理和更完整的责任链条。这也是 FDA 2025 年 AI 草案指南和 EMA 2024 年 AI reflection paper 所共同体现的监管思路：AI 不是一刀切监管，而是风险导向监管。低风险使用，可以有相对灵活的管理方式。高风险使用，则必须接受更严格的可信度评估。

这背后有一个很朴素但很关键的逻辑：药物研发中的 AI，不是因为技术复杂才需要监管，而是因为它可能改变患者暴露、疗效判断、安全性识别或质量控制，才需要监管。

AI 药物研发常常有一个误区：把“数据量大”当成“证据强”。但药品监管看数据，不只是看规模。它更关心数据是否 fit for purpose，也就是是否适合特定用途。数据来自哪里？采集目的是什么？是否覆盖目标人群？关键变量是否完整？诊断、暴露、结局是否可靠？数据是否可追溯？不同中心、不同系统、不同国家的数据是否可比？缺失数据如何处理？偏倚和混杂如何控制？AI 模型发现的是临床信号，还是数据结构造成的假象？

FDA 在 2025 年 AI 草案指南中将数据质量、代表性、可靠性和模型开发、验证联系起来。EMA 在 2024 年 reflection paper 中也强调，使用 AI/ML 的申请人、上市许可持有人或生产企业，需要确保算法、模型、数据集和数据处理流程适合目的，并符合法律、伦理、技术、科学和监管标准。这与传统药物研发的证据观是一致的。真实世界数据可以很有价值，但不天然等于真实世界证据。模型可以很复杂，但复杂不天然等于可信。AI 可以从数据中识别模式，但模式不天然等于因果。如果原始数据质量不足，AI 只会更快地放大问题。 在药物研发中，AI 的第一层可信度，不在模型，而在数据。

讨论 AI 药物研发，很多人会首先想到 FDA 和 EMA。确实，美国和欧洲已经开始用比较明确的语言讨论 AI 在药品生命周期中的使用。FDA 在 2025 年草案指南中，直接讨论 AI 生成的数据或信息如何支持药品和生物制品安全性、有效性或质量方面的监管决策。EMA 在 2024 年发布的《Reflection paper on the use of Artificial Intelligence in the medicinal product lifecycle》中，从药物发现、非临床、临床试验、产品信息、制造、药物警戒和上市后研究等环节讨论 AI 的使用。

那么，中国监管怎么看这个问题？从公开文件看，中国目前还没有形成一份完全对应 FDA 2025 年草案指南的“AI 支持药品监管决策”总括性药品指导原则。也就是说，中国尚未把 AI 药物研发的所有问题整合进一份专门指南。但这并不意味着中国监管缺位。更准确地说，中国对 AI 药物研发的监管语言正在以“分布式”的方式形成：一部分在国家药监局“人工智能+药品监管”的智慧监管政策中，一部分在 CDE 模型引导药物研发指导原则中，一部分在真实世界证据和真实世界数据指导原则中，一部分在临床试验数据管理和电子数据要求中，一部分在人工智能医疗器械审评经验中，还有一部分在个人信息保护、数据安全和数据出境合规体系中。这是一套尚未完全合并，但已经可以相互衔接的框架。

2026 年，国家药监局发布《关于“人工智能+药品监管”的实施意见》。这个文件提出，到 2030 年，初步构建药品监管与人工智能融合创新体系，形成满足监管智能化需要的高质量数据集、垂直大模型和智能体，并推动人工智能在审评审批、监督检查、检验监测、政务服务等场景中有效应用。这份文件需要准确理解。它主要讲的是监管体系自身如何使用 AI 提高监管能力，而不是直接规定药企如何用 AI 开发药物。但它释放了一个非常重要的信号：未来中国药品监管会更加数据化、结构化、智能化。这会反过来改变企业的研发证据准备方式。

如果监管端开始建立审评审批大模型、监管知识库、智能体和风险识别系统，企业提交的资料就不能长期停留在不可结构化、不可追溯、难以复核的状态。未来的注册资料、真实世界研究数据、药物警戒数据、质量数据、生产数据，都可能越来越需要适应人机协同审评和风险识别环境。这意味着，中国的 AI 药物研发监管不只是“企业能不能用 AI”，还包括“企业生成的证据能不能被智能化监管体系理解、核验和追踪”。监管端智能化，会倒逼企业端证据治理能力升级。

在中国药审体系中，与 AI 药物研发关系最密切的技术路径，是模型引导的药物研发。CDE 在 2020 年发布《模型引导的药物研发技术指导原则》，其目的就是鼓励创新药提高研发效率，引导基于模型的分析方法在药物研发中的合理使用。2024 年，CDE 又发布《模型引导的创新药物剂量探索和优化技术指导原则》，进一步指导创新药临床试验阶段的剂量探索和优化。2025 年，CDE 发布《模型引导的罕见疾病药物研发技术指导原则》，强调在罕见病研发中有效应用定量药理学方法，科学合理设计定量药理学研究。这些文件虽然不以“人工智能”为标题，但它们实际上提供了 AI 进入药物研发决策时最重要的监管语言。

因为很多 AI 应用，本质上就是模型问题。它可能是预测模型，也可能是分类模型、风险模型、药代药效模型、疾病进展模型、剂量优化模型，或者基于机器学习的复杂模型。监管不会因为它叫 AI 就自动接受，也不会因为它不叫 AI 就不关注。监管真正追问的是：模型要回答什么问题？输入数据是否可靠？模型假设是否合理？模型是否经过校核、验证和适用性评估？模型输出是否适用于目标人群和目标场景？模型结果在剂量选择、临床设计、适应症外推或获益风险评估中承担多大权重？这些问题，正是模型引导药物研发框架要解决的问题。

所以，在中国监管语境下，AI 药物研发不一定首先以“AI 指导原则”的形式进入审评体系。它更可能先被嵌入模型引导研发、定量药理学、剂量优化、罕见病研发和复杂证据整合的技术框架中。这对企业有很强的现实意义。如果 AI 只是内部炫技工具，很难进入监管讨论。只有当企业能把 AI 输出转化为清晰的模型证据，说明问题、场景、数据、方法、验证和决策权重，它才有可能进入药物研发与审评的正式语言体系。

AI 在药物研发中的另一大应用场景，是真实世界数据。电子病历、疾病登记、随访数据、用药记录、不良反应报告、基层公共卫生数据、患者报告结局、可穿戴设备数据，都可能成为 AI 分析对象。这类数据很有吸引力。它们比传统临床试验数据更接近真实医疗场景，可以帮助理解疾病异质性、长期安全性、用药依从性、罕见不良事件和特定人群用药表现。但在监管眼里，真实世界数据不是天然等于真实世界证据。

CDE 在 2020 年发布《真实世界证据支持药物研发与审评的指导原则（试行）》，适用于中药、化学药和生物制品。2021 年发布《用于产生真实世界证据的真实世界数据指导原则（试行）》，用于指导和规范申办者利用真实世界数据生成真实世界证据支持药物研发。2024 年又发布《基于疾病登记的真实世界数据应用指导原则（试行）》，指导申办者在药品临床研发中规范合理应用基于疾病登记的真实世界数据。这些文件背后的监管逻辑非常清楚：真实世界数据需要经过研究设计、质量控制、统计分析和偏倚控制，才可能转化为支持药物研发与审评的真实世界证据。

AI 与真实世界数据结合以后，监管问题不会减少，反而会更复杂。因为 AI 很擅长在复杂数据中发现模式，但模式不等于因果，相关不等于疗效，信号不等于证据。如果数据采集目的不清楚、关键变量不完整、结局定义不一致、目标人群代表性不足，AI 只会更快地生成看似精密但难以采信的结果。这对中国药企尤其重要。未来如果企业在真实世界研究、基层用药数据、药物警戒、儿童用药、慢病随访或国际公共卫生项目中使用 AI，不能只说“我们用 AI 做了分析”，而要说明数据能否支持证据生成：数据来源、变量定义、采集流程、缺失处理、混杂控制、质量核查和分析计划是否足够清楚。AI 的价值，不在于把真实世界数据变成漂亮图表，而在于能否帮助真实世界数据更规范地转化为真实世界证据。

当 AI 进入临床试验，数据完整性会成为底层问题。临床试验中已经广泛使用电子数据采集系统、电子源数据、远程监查、数字化随访和统计分析平台。如果 AI 进一步参与受试者筛选、数据清理、终点识别、风险提示或统计分析辅助，监管就必须追问一个更基础的问题：这些数据是否真实、准确、完整、可靠、可追溯。如果原始数据不能审计，AI 输出就很难被信任。

CDE 已发布《药物临床试验数据管理与统计分析计划指导原则》，强调临床试验数据管理计划有助于获得真实、准确、完整和可靠的数据，统计分析计划有助于保证统计分析方法合理性和结论可靠性。2025 年，CDE 又公开征求《药物临床试验计算机化系统和电子数据指导原则（征求意见稿）》意见，文件说明其目的是配合 ICH E6(R3) 和我国 GCP 实施，进一步明确临床试验计算机化系统使用规范，并对试验中产生的电子数据提出技术要求。这说明，中国监管对 AI 药物研发的另一个入口，不是算法，而是电子数据治理。AI 越深入临床试验，越不能绕过数据管理和审计要求。模型再复杂，也不能替代数据管理。算法再先进，也不能弥补源数据不可靠。AI 参与的数据处理过程，也需要留下足够的操作记录、版本记录、参数记录、审计轨迹和人工复核机制。

这是药物研发中的 AI 与普通办公 AI 的根本区别。普通场景中，模型输出错了可以重来。但临床试验数据一旦进入申报资料，就必须说明它从哪里来、如何处理、如何分析、谁审核、谁批准、是否可以复核。在这里，AI 的可信度不是单独存在的，而是建立在整个临床数据治理体系之上。

中国在人工智能医疗器械领域已经有相对成熟的审评经验。国家药监局器审中心 2022 年发布《人工智能医疗器械注册审查指导原则》，用于规范人工智能医疗器械的管理。人工智能辅助诊断、辅助检测、影像识别、软件算法等产品，通常需要围绕软件生命周期、算法研究资料、训练和测试数据、临床评价、风险管理、版本控制和网络安全等方面提供资料。这些经验对 AI 药物研发有参考价值。

但这里必须区分。AI 医疗器械审评的对象，是作为产品上市的软件或设备。AI 药物研发中的模型，更多时候不是一个独立上市产品，而是参与药物研发证据生成的工具、方法或分析流程。两者监管对象不同，证据路径不同，责任结构也不同。所以，医疗器械 AI 规则不能直接套用到药物研发。它能提供的是监管思想，而不是直接答案。真正适用于药物研发的，仍然要回到药品自己的框架：安全性、有效性、质量、临床试验规范、真实世界证据、模型引导研发、药物警戒和生产质量体系。

药物研发中的 AI 离不开数据，尤其是临床数据、患者数据、真实世界数据、多中心研究数据和国际合作数据。在中国语境下，这不仅是药品技术审评问题，也是个人信息保护、数据安全和数据出境合规问题。医疗健康信息通常具有高度敏感性。国家网信办关于个人信息保护政策法规的公开问答中，明确将病症、既往病史、医疗就诊记录、检验检查数据等医疗健康信息列为常见敏感个人信息。企业如果使用患者数据训练模型、验证模型或生成研究证据，就要关注数据授权、知情同意、脱敏处理、访问权限、数据存储、合作方使用边界和跨境传输。

这一点在国际合作中尤其重要。例如，中外联合研究、跨境多中心项目、海外公共卫生数据分析、国际真实世界研究，都可能涉及数据能否出境、以何种形式出境、谁能访问原始数据、是否超出原始知情同意范围等问题。《数据出境安全评估办法》已经为重要数据和一定规模个人信息出境设置了安全评估要求。因此，AI 药物研发的证据链，前端是数据合规，中段是模型验证，后端才是监管审评。任何一段断裂，模型输出都难以成为可采信证据。这也是为什么，AI 药物研发不能只由算法工程师推动。它需要研发、临床、注册、药物警戒、质量、信息化、法务合规共同参与。真正成熟的 AI 药物研发能力，本质上是一种跨部门的证据治理能力。

AI 模型不是一次验证之后就永远可信。数据会变化。疾病谱会变化。临床实践会变化。生产工艺会变化。检测设备会变化。真实世界数据来源会变化。模型本身也可能更新。这些变化都可能造成模型漂移。

EMA 2024 年 reflection paper 在制造环节中特别提到，AI/ML 在工艺设计、放大、工艺优化、过程质量控制和批放行中的使用预计会增加，模型开发、性能评估和生命周期管理应遵循质量风险管理原则，并考虑患者安全、数据完整性和产品质量。FDA 2025 年 AI 草案指南也强调，AI 模型可信度评估应与特定使用情境和风险相匹配。这背后的逻辑是：模型不是静态文件，而是持续运行的系统。如果一个 AI 模型用于低风险内部参考，模型漂移可能主要影响效率。但如果它用于药物警戒信号检测、生产过程监测、临床风险分层或质量趋势分析，漂移就可能影响安全性、有效性或质量判断。

所以，监管会关注模型生命周期管理。模型如何更新？版本如何记录？性能如何监测？什么时候需要重新验证？谁批准模型变更？模型变更是否影响既有结论？模型输出异常时如何处理？是否有人工复核机制？这些问题会成为 AI 药物研发进入规范化阶段之后的核心要求。AI 不是一个“上线即完成”的工具，而是一个需要长期维护的系统。

AI 进入药物研发后，最容易出现的误解，是把模型当作决策主体。但药品监管不会把责任交给模型。模型可以预测，模型可以分类，模型可以提示风险，模型可以帮助生成假设，也可以辅助整合证据。但最终是谁定义问题，谁选择数据，谁设定模型，谁评估风险，谁决定是否采纳模型输出，谁把结果写入申报资料，谁对患者安全和产品质量负责，这些问题必须由人回答。

EMA 在 reflection paper 中强调，临床试验申办者、上市许可申请人/持有人和生产企业有责任确保其使用的算法、模型、数据集和数据处理流程适合目的，并符合法律、伦理、技术、科学和监管标准。这一点对中国药企同样适用。监管机构真正要求的，不是把人从研发过程中移走，而是让人在更复杂的数据和模型环境中承担更清晰的责任。这也是 AI 药物研发最值得警惕的地方。如果企业只是把 AI 当作自动化工具，很容易低估它对证据链的影响。如果企业把 AI 当作证据治理体系的一部分，就必须建立问题定义、数据管理、模型验证、风险评估、版本控制、人工复核和责任追踪机制。AI 越强，越需要人类责任在场。

特别说明

本文为“百会药研”基于公开监管文件、指导原则及行业资料所作的科学与监管趋势讨论，目的在于帮助读者理解 AI 技术进入药物研发后，监管机构在模型可信度、数据质量、使用情境、风险分层、证据生成和责任边界等方面的关注重点。本文不构成法律意见、注册申报建议、合规审查结论或监管机构官方解释。

文中涉及 FDA、EMA、ICH、国家药监局、CDE 等机构发布的文件、指南或原则，均以公开资料为基础进行整理和解读。由于部分文件可能处于草案、征求意见、持续更新或非强制性指导阶段，相关内容应以监管机构最新正式发布文本为准。本文所作分析仅代表一般性研究理解，不替代企业在具体项目中与监管机构、法律顾问、注册专家、伦理委员会或数据合规团队进行的正式沟通与判断。

文中关于 AI 在药物研发中的应用场景，包括靶点发现、模型引导研发、剂量探索、真实世界证据、药物警戒、临床试验数据管理及生产质量控制等，均为监管科学和行业方法学层面的讨论，不表示相关技术已在所有场景中获得监管认可，也不表示任何 AI 输出可以直接替代非临床研究、临床试验、质量研究、注册审评或人工专业判断。

本文不涉及具体药品、产品、技术平台或企业项目的注册可行性评价，不构成对任何药物疗效、安全性、质量水平、上市前景或商业价值的承诺。文中提到的中国监管框架，主要基于“人工智能+药品监管”、模型引导药物研发、真实世界证据、临床电子数据、人工智能医疗器械审评经验及数据合规等公开文件进行综合分析。该分析旨在说明可能的监管逻辑和发展方向，不应被理解为现行法规已经形成统一的“AI 药物研发专项监管规则”。

AI 药物研发涉及药品注册、临床试验、个人信息保护、数据安全、数据出境、伦理审查、知识产权和质量管理等多重合规要求。不同研究目的、数据来源、模型用途、适用人群、地区监管要求和申报路径，均可能导致完全不同的合规判断。相关机构或企业在实际应用 AI 技术时，应结合具体项目情况，开展独立的技术评估、法规评估、伦理评估和数据合规审查。

本文仅供医药研发、注册、药学、医学及相关专业读者进行学术交流和行业观察，不作为任何诊疗、用药、投资、法律或注册申报决策依据。如需用于具体研发、申报、合规或商业决策，请以监管机构正式要求和专业机构意见为准。

主要参考资料与监管文件

一、国际监管与指导原则

二、中国药品监管、模型引导研发与真实世界证据

三、人工智能医疗器械、数据合规与个人信息保护

四、可作为背景阅读的监管科学与方法学资料