夜雨聆风
2026年7月，抗纤维化药物Rentosertib正式进入III期临床。这款TNIK抑制剂的特殊之处在于：从靶点发现到分子设计再到临床推进，全程由AI主导完成，仅用18个月走完传统研发需要4年的路程，研发成本从数千万美元压缩至百万美元级。IIa期数据显示，该药在用力肺活量（FVC）等核心指标上呈现剂量依赖性改善，安全性与耐受性良好。这是AI制药从概念验证走向临床实证的关键节点，也标志着行业正从"单点工具"向"端到端实验闭环"的体系化阶段跃迁。
一、药物发现：靶点与分子的双重突破
人类基因组约2万个蛋白编码基因中，仅716个靶点有获批药物。传统靶点发现高度依赖文献积累和专家经验，存在严重的路径依赖。AI通过多组学数据统一建模，将靶点发现升级为系统工程。英矽智能PandaOmics平台的靶点富集倍数为随机排序的15倍，成功发现TNIK等全新靶点并推进至III期临床，36%的AI赋能药物针对新型靶点，突破了原有靶点发现的局限。
在分子设计层面，生成式AI（RNN、VAE、Diffusion等架构）将化合物搜索空间从传统高通量筛选的百万级扩展至近乎无限的化学空间。英矽智能Pharma.AI平台已产出29条管线，平均12至18个月完成从立项到临床前候选分子确定，周期缩短50%至70%，成本降低80%至90%。这一效率提升并非简单的"加速"，而是通过AI对活性、选择性、溶解度、代谢稳定性等多维参数的联合优化，在分子设计阶段即嵌入成药性约束，从而系统性降低后期失败概率。
截至2025年7月，已有63家公司的117项AI赋能药物进入临床阶段，其中一期临床转化率达70%，显著高于传统制药约50%的水平。这一数据表明，AI在分子设计的成药性优化上已产生实质性价值。然而，二期成功率仍维持在约40%，与历史水平持平，说明在疾病生物学验证和患者疗效确认阶段，AI尚未形成突破性优势。
二、临床前评价：NAMs驱动的范式转移
2026年4至5月，FDA与中国中检院相继明确以新方法学（NAMs）替代传统动物试验，监管风向发生根本性转向。这一变革的生物学基础在于：超过90%的临床失败源于动物模型无法复刻人类疾病的复杂性。NAMs的"三位一体"架构——干细胞解决物种差异根源、类器官与器官芯片复刻人体器官结构与功能、AI通过多组学挖掘敏感性决定因素并经类器官迭代验证——正在将临床前评价从经验驱动转向数据驱动。
AI在临床前的应用已从传统ADMET预测向更深方向延展。晶泰科技Xtalgazer平台以AI结合机器人7乘24小时驱动晶型筛选，通过计算化学提高筛选完备性，在更短周期内使用更少的活性药物成分完成更完备的结晶研究。剂泰科技NanoForge平台作为全球首个AI驱动纳米递送系统，拥有千万级LNP脂质库，实现从分子生成到剂型确定的完整闭环。这些进展表明，AI正从"预测分子性质"向"设计完整药物系统"演进。
三、临床试验：从经验驱动到证据驱动
I至III期临床试验消耗总研发成本的60%至70%，耗时6至7年。约30%至40%的临床失败源于试验设计缺陷而非分子本身无效。全球临床试验已突破一百万项，但数据高度分散异构，专家个人经验无法驾驭百万级证据。
2026年4月，FDA启动实时临床试验（RTCT）实施计划，计划同年夏天推出AI优化早期临床试验试点。阿斯利康与安进已成功启动两项肿瘤药概念验证性RTCT，FDA已验证实时信号。这意味着沿用60年的"事后审查"模式正在向"实时连续审评"转变。AI在此环节的核心价值不在于替代专家判断，而在于将全球成功案例、失败教训与监管反馈进行系统级比对，为专家与监管提供可追溯的决策底座。
诺和诺德与AWS的战略合作是这一趋势的典型实践。双方依托Amazon Bio Discovery平台，向科研人员开放40余款生物专用AI模型，AI智能体可按需调度、组合各类模型适配不同研发任务。实验室实测数据回传计算仿真流程用于迭代优化模型，实现"计算虚拟药物设计+实体实验室试验"一体化科研链路。诺和诺德已将生成式AI用于临床试验文档编制，依托Bedrock接入Claude搭建的文档系统，将部分临床材料撰写时长缩短90%以上——以往需要40至50名工作人员耗时15周完成的文书工作，如今仅需3人、数分钟即可产出初稿。
四、评测体系：从模型跑分到研发结果
AI制药赛道面临一个核心矛盾：模型在公开数据集上跑分漂亮，落地到真实研发项目却难以复现效果。公开数据集存在样本重复、数据污染、正负样本失衡等问题，模型高分有时来自对已有数据规律的记忆，而非对新问题的真正理解。更有价值的数据——药企长期积累的真实项目数据——属于核心资产，不可能大规模公开。
英矽智能在MMAI Gym训练框架中发布的DDD Benchmarks，尝试提供一种新的评估思路。该体系由两个模块组成：药物研发基础套件包含300多套测试任务，覆盖疾病生物学、分子性质预测与优化、逆合成路线设计、基于结构的分子设计及临床开发等方向，并引入分布外检测数据集（ODD）检验模型泛化能力；候选药物核心套件则将模型放入从苗头化合物筛选、分子优化到候选药物提名的连续决策过程中，考察端到端研发决策能力。这一设计的核心逻辑是：不仅看模型能否给出正确答案，更要看这些答案能否通过实验验证、能否指向具有临床转化潜力的候选分子。
五、产业生态：算力、数据与全链路协同
AI制药的规模化落地离不开底层基础设施的支撑。华为在CPIC 2026上展示了覆盖分子发现、分子动力学模拟、靶点调研、智慧临床等环节的全链路智能化方案，联合伙伴打造昇腾算力原生的蛋白质结构预测及设计套件、小分子药物研发平台等。某大型药企通过与华为合作，将小分子早期药物发现周期缩短至3至6个月。
产业链价值正向核心基建扩散。金斯瑞生物科技2025年CGT CDMO新签项目60个，同比增长82%，抗体蛋白药CDMO新签41个。作为AI制药从"干实验"向"湿实验"转化的关键基础设施供应商，上游"卖水人"率先兑现业绩。工信部等八部门联合印发的《"人工智能+制造"专项行动实施意见》明确提及AI制药、AI生物制造领域，政策层面的推动力正在加速形成。
六、挑战与前瞻
尽管进展显著，AI制药仍面临结构性挑战。数据层面，数据孤岛与标准不统一导致模型训练精度和可解释性不足；流程层面，不同环节的AI系统之间缺乏有效的数据共享与协同机制，研发流程存在断点；验证层面，二期临床成功率未见显著提升，说明AI在疾病生物学理解上仍有根本性局限。
真正有价值的方向，不是证明某个模型创造了多少成功，而是建立模型能力与研发结果之间越来越清晰的联系。当AI模型的表现能够在真实项目中被持续记录、比较和验证，当干湿实验闭环的构建使数据测量成本持续降低并反哺模型迭代，AI制药才可能从概念展示进入稳定的研发应用阶段。Rentosertib的III期数据预计2029年读出，届时将为这场范式跃迁提供最终裁决。
