夜雨聆风最近很多人会问一个很直接的问题：AI 制药为什么难成功？
模型能生成分子，AlphaFold 能预测蛋白结构，药企也在把 AI 放进药物发现流程。可一颗药从候选分子走到临床成功，中间还是会遇到靶点、毒性、人体反应和监管审查。
FT 在 6 月 30 日发了一篇很适合给 AI 制药 降温的文章，标题说得很直：AI can transform pharma，但 nature cannot be hurried。
换成药物研发里的话，就是：AI 可以改变药企的研发流程，但生物学、动物实验、人体反应和监管审查，不会因为模型算得更快就自动让路。
这个判断听起来不够刺激，却很接近药物研发的日常。
过去一年，AI 药物发现 的新闻密度明显变高。大药企讲内部 AI 平台，AI biotech 讲管线和合作，AlphaFold 系公司往 drug design engine 推，资本市场也一直在找新的故事。
热度是真的。
问题也是真的：一颗药，最后还是要进实验、进人体、进监管文件，最后进入医生和患者的选择。
AI 制药能加速什么
FT 没有否认 AI 的价值。
它写到的方向很典型：药物发现、分子设计、临床试验、患者分层、数据处理。这些都是药企和 biotech 已经在投入的地方。
文章还引用 Capgemini 的判断：到 2030 年，AI-driven platforms 可能会被用于约 60% 的 new molecular entities 发现；但这些项目在整体 pipeline 里的占比，预测只有约 12%。
这组数字挺有意思。
前半句说明 AI 会进入更早期的发现环节，而且比例可能很高。后半句提醒大家，药物管线不是一个纯软件系统。一个候选从发现进入完整 pipeline，中间还要经过很多关卡。
FT 还提到，有观点认为 AI 可能把 pre-clinical drug development 从四五年压缩到 12 到 18 个月。
如果这能稳定发生，当然很重要。早期研发少走一年弯路，对药企就是实打实的钱、时间和机会成本。
但这类预测有一个前提：加速不能只停留在“更快生成候选”。它要让候选更好，让错误更早暴露，让团队少把资源押到不该押的项目上。
AlphaFold 做药为什么被关注
AI 制药这一轮热度，绕不开 AlphaFold。
AlphaFold DB 是一个很直观的证据。它由 Google DeepMind 和 EMBL-EBI 开发，页面上写着已经开放超过 2 亿个蛋白结构预测，用来加速科学研究。
对很多生命科学读者来说，AlphaFold 不是一个普通模型发布。它让行业第一次大规模看到，AI 可以把一个长期卡住科研效率的问题推进一大步。
药物研发领域自然会追问下一步：如果结构预测能被模型改写，靶点理解、分子设计、蛋白互作、候选优化能不能也被改写？
Isomorphic Labs 的官网也把话说得很清楚：他们在做 unified drug design engine，目标是用 AI 重新设计药物发现流程。
这类公司代表了 AI 制药里最受关注的一条路线：把结构预测、分子生成、筛选、实验反馈和管线推进放进同一个研发系统里。
这条路有想象力。
也有压力。因为系统再漂亮，最后仍然要拿候选药说话。
AI 药物发现为什么仍然很难成功
AI 很擅长处理大规模数据，也擅长在巨大空间里找候选。
可药物研发的难点远不止“找”。
靶点是否真的驱动疾病？候选分子的选择性够不够？体内暴露是否合适？动物模型和人体反应差多少？毒性会不会在更大样本里出现？临床终点选得准不准？患者分层有没有把真正可能获益的人找出来？
这些问题都很慢。
很多时候，慢不是因为人不努力，而是因为实验和人体本身需要时间。药物要被吸收、分布、代谢、排泄；疾病进展要被观察；不良反应要在足够长的时间和足够大的人群里暴露。
这就是 FT 标题里那句 “nature cannot be hurried” 的重量。
模型可以加速研发团队做决定，但不能取消物理世界。
药企怎么判断 AI 制药有没有价值
药企、biotech、CRO 和投研机构现在面对的问题已经变了。
AI 已经进来了。
更实际的问题是：AI 放在哪个环节，最能减少错误决策？
放在早期靶点发现，可能帮助团队更快排除弱靶点。
放在分子设计，可能减少无效合成和低质量候选。
放在临床试验，可能帮助做 患者分层、入组匹配和数据监测。
放在安全性评估，可能更早发现某些风险信号。
每一个位置都有价值，也都有边界。
如果一家 AI 公司只展示“我能生成很多分子”，这还不够。行业会继续问：这些分子后面怎么样？有没有更好的体内数据？有没有更清晰的机制？有没有进入临床？有没有让失败来得更早、更便宜？
这才是 funnel leakage 该讨论的地方。
药物研发的漏斗很长。AI 的价值不一定是让漏斗入口变得更热闹，也可能是让坏项目更早漏出去。
AI 制药会不会提高临床成功率
WSJ 最近也采访了 Sofinnova Investments 的 Jim Healy。标题同样很冷：Biotech Investor Pumps the Brakes on AI Drug Discovery。
Healy 的重点不是反对 AI。他质疑的是，AI-driven drug discovery 是否已经证明自己能提高风险调整后的成功率。
这个问题会越来越常见。
以前行业喜欢问：模型能不能设计？平台能不能跑？速度能不能变快？
接下来会有人追问：候选质量有没有变好？临床失败有没有减少？后期项目死亡率有没有下降？患者有没有得到更明确的获益？
几个关键词放在一起看
这篇可以围绕几个词理解：AI 制药、AI 药物发现、AlphaFold 做药、临床成功率、funnel leakage。
如果只记一句话：AI 能加速药物发现，但不能跳过药物研发里的实验、人体和监管。
今天该记住什么
AI 制药没有因为这些冷静声音变得不重要。
它开始进入更难的阶段。
早期，行业可以为一个模型、一篇论文、一个平台发布兴奋。现在，更多人会盯着管线、临床、合作兑现、真实世界验证和监管审查。
这对真正有能力的公司是好事。
因为药物研发最后拼的不是谁的 demo 更漂亮，而是谁能把更好的候选带进更可靠的验证流程里。
AI 可以让药企更快看见一些可能性。
但一颗药成熟，需要证据慢慢长出来。
今日关键词
关键词：funnel leakage
可以理解为药物研发漏斗里的“流失”。从靶点、hit、lead、候选药、IND、I 期、II 期、III 期到上市，每一层都会有项目掉下去。
把它放到 AI 制药为什么难成功 这个问题里看，重点就很清楚：AI 制药更大的价值，是减少低质量项目进入后期，让失败更早发生，让资源留给更有希望的药。
想进交流群的话
如果你也在关注 AI 制药、代谢疾病、体重控制、增肌/保肌、AI for Science 和生物医药产业动态，可以加我微信。
我会拉一个小范围交流群，平时主要分享新论文、新公司、新工具和一些产业观察。适合做生物医药、AI 制药、投研、BD、科研转产业，或者单纯想跟上这个方向的人。
扫码加我微信，备注：AI制药。
原始来源
FT: Why AI can transform pharma — but nature cannot be hurried - https://www.ft.com/content/24b23156-382f-4b20-bdec-cbd072cafe2c AlphaFold Protein Structure Database - https://alphafold.ebi.ac.uk/ Isomorphic Labs Our Tech - https://www.isomorphiclabs.com/our-tech WSJ: Biotech Investor Pumps the Brakes on AI Drug Discovery - https://www.wsj.com/pro/venture-capital/biotech-investor-pumps-the-brakes-on-ai-drug-discovery-7a724b51
免责声明
本文仅用于行业信息整理与学习交流，不构成医疗、投资或研发决策建议。FT、WSJ 内容均为媒体报道；文中涉及 Capgemini 预测的数据按 FT 引述处理，不单独作为一手研究结论。AI 制药项目是否成功，仍需以公开临床数据、监管结果和患者获益为准。