夜雨聆风
点击上方蓝色字体，关注公众号
本文探讨：
* AI制药产业外部宏观政策与经济环境
* 全球核心经济体配套政策梳理
* AI制药产业运行现状
* AI分子设计落地正向案例复盘
* AI自主设计分子临床失败项目复盘
* 针对AI制药临床试验体系的优化路径建议
边听边读，体验更佳
前言
AI药物研发赛道持续获得资本加码，全球累计融资规模达百亿美元级别，底层算法持续迭代，分子生成技术的落地宣传持续走高。抛开行业宣传层面的包装，行业现存结构性短板已十分突出：截至2025年末，全球暂无完全依托AI自主完成分子设计、完整走完三期临床并拿到上市批件的创新药物。行业持续投入研发资金，分子生成效率实现大幅提升，但管线推进普遍卡在临床转化环节。该现状并非底层算法技术存在硬缺陷，而是全行业资源配置与发展认知出现明显偏移——行业资源大量倾斜至AI分子结构优化赛道，却普遍忽视候选分子进入人体后疗效、安全性落地验证这一核心诉求。
AI制药产业外部宏观政策与经济环境
全球宏观经济走势与医药研发投入基底
医药行业长期通行“双十研发定律”，即一款新药平均研发周期10年、综合投入10亿美元，但该基准数据已完全脱离当前行业实际。Tufts Center公开测算数据显示，现阶段一款创新药综合研发成本已攀升至26亿美元上下，研发周期拉长至12至15年，整体临床转化成功率不足10%。高额研发成本持续压缩药企利润空间，全行业持续寻找降本增效路径，AI药物研发在此行业背景下获得产业与资本双重重点布局。
从全球宏观投入维度看，2020年后全球医药企业研发开支保持逐年增长态势。2024年全球头部制药企业研发总支出突破2000亿美元；资金投向AI药物研发平台的占比虽未形成绝对主力板块，但增速显著。2022至2024三年间，大型药企与AI技术服务商达成战略合作累计交易金额突破58亿美元，辉瑞、罗氏、阿斯利康均完成内部专属AI研发实验室搭建。
资本市场对赛道的预期呈现强波动特征。2021年为行业投融资周期顶点，全球AI制药风险投资总额约18亿美元；2024年融资规模回落至峰值半数以内，2025年赛道融资热度再度回升。智药局统计口径显示，2024年全球AI+新药研发融资总额58亿美元，融资事件128起，同比融资规模增幅61.1%、融资笔数增幅23.1%；2025年国内AI制药领域落地融资32起，累计融资总额超67亿元人民币，同比涨幅130.5%。
全球核心经济体配套政策梳理
美国：监管端由观望转向实操落地
2025年FDA落地多项针对AI药物研发监管的核心举措。当年5月8日，FDA局长Martin A. Makary对外公示，机构需在6月30日前完成全部门生成式AI工具规模化落地，同步上线Elsa专属AI系统，覆盖科学审评、数据解析、申报文件标准化处理全流程。内部试点科研人员反馈，传统人工耗时三日完成的审评核查工作，依托该系统仅需数分钟即可完成。
具备长期行业指导价值的政策文件为2025年1月FDA发布的《药品与生物制品研发人工智能监管决策参考考量（草案）》，文件搭建基于风险分级的七步AI可信度评估框架，全文共计23页，清晰划定AI在新药研发中的监管边界：用于药物早期发现、企业内部申报文书优化的AI工具不在评估约束范畴，仅直接关联患者安全、药品成品质量、试验数据可信度的AI应用，需完整走完整套可信度评估流程。
行业标志性节点出现在2025年12月，FDA正式出具全球首个机器学习生物标志物AIM-NASH资质认定文件，该节点标志美国药品监管机构结束谨慎观望阶段，正式认可算法驱动型药物研发工具的合规价值。
中国：分层政策红利持续释放
国内AI制药配套政策分为顶层产业规划、药品监管数字化两大实施维度。国家发改委2022年5月印发《“十四五”生物经济发展规划》，顶层文件明确推动生物技术与数字信息技术融合创新，将生物医药产业列为重点发展赛道。药品监管层面，NMPA持续推进AI辅助审评体系搭建，规划将大模型、智能代理工具落地至药品分类管理、审评任务分配、申报材料智能审核、医药知识检索、研发风险识别多类实操场景。
地方配套扶持政策落地节奏分化，北京、上海、深圳三地出台细分产业扶持细则。北京市医药健康产业引导基金、大兴区产业投资基金等国有资本直接参与本土AI制药企业股权融资。2025年剂泰科技落地4亿元D轮融资、深势科技完成超8亿元C轮融资，两轮融资均有地方政府产业基金参投。
英国：生命科学强国战略配套AI试验沙盒
英国将AI药物研发纳入“生命科学超级大国”核心实施路径，专属AIAirlockSandbox项目落地后，自适应临床试验审批周期平均缩短7个月。伦敦集聚Exscientia、BenevolentAI等行业早期头部企业总部，在政策配套、复合型研发人才储备层面形成先发竞争优势。
欧盟：健康数据开放与GDPR合规约束形成制衡
法国搭建存储规模6700万条记录的国家级健康数据枢纽HealthDataHub，但GDPR法案对个人知情授权的硬性要求，大幅压缩制药企业模型训练可用数据池，企业实际可调用有效数据仅约1000万条。德国Fraunhofer研究院联合拜耳、勃林格殷格翰搭建可解释AI研发模块，适配EMA审计核查相关合规标准。
政策环境综合评估
综合全球各经济体政策落地动作，各国对AI制药赛道统一执行“鼓励产业发展、分层审慎监管”的管理逻辑。激励侧举措集中在产业资金扶持、审评流程提速、医药数字基建搭建；监管约束侧聚焦AI模型可信度验证、医疗数据隐私保护、受试者安全底线三类核心事项。FDA七步可信度评估框架、NMPAAI智能审评落地规划均体现监管机构的统一思路：认可AI对研发效率的提升价值，但不会为缩短研发周期放宽安全管控标准。
该政策框架给赛道企业带来双向经营约束：企业既要量化论证AI工具对研发周期、成本的优化效果，还需完整佐证AI产出试验数据可支撑完整临床验证。后者恰好是当前全行业能力短板所在。
AI制药产业运行现状
市场规模与中长期增长预测
不同第三方机构对AI制药市场规模统计口径存在显著差异，该现象侧面印证赛道仍处于行业定义、统计标准统一的早期阶段。
Research And Markets测算数据显示，2024年全球AI制药市场规模约15亿美元，另有机构统计数值为17.58亿美元；机构一致预判2027年市场规模将逼近36亿美元，年均复合增速突破30%。MordorInte lligence测算预期更为乐观，2025年全球赛道市场规模约43.5亿美元，2031年有望达到349.9亿美元，对应年均复合增速41.52%；Precedence Research给出的区间为2025年19.4亿美元、2035年189.9亿美元。
国内赛道增长曲线更陡峭。融资中国行业报告显示，本土AI制药市场规模由2019年0.6亿元增长至2024年5.62亿元，年均复合增速53.01%；2020年国内市场规模8163万元，机构预判2025年可达到7.74亿元。本土赛道特征清晰：产业起步周期晚、规模扩张速度快，国有引导基金、市场化产业资本同步加注，但商业化变现落地成果仍较为稀缺。
备注说明：市场规模数据偏差来源于统计口径区分，部分报告将CRO配套服务、专业软件授权、算力硬件全部纳入统计范围，部分仅核算原生AI制药企业直接经营收入。横向对标数据前，需先确认各机构统计边界。
产业链参与主体分层与竞争格局
赛道参与主体可划分为三类差异化玩家，边界清晰且业务模式互不重叠
原生AI生物科技企业，代表主体包含Insilico Medicine、Exscientia、Recursion、Benevolent AI、Atomwise等。核心竞争优势为自主算法体系完整、无传统制药业务历史包袱；短板集中在临床项目全流程开发经验储备不足、长期临床投入资金储备有限。
传统大型药企、头部CRO服务商，辉瑞、罗氏、赛诺菲、药明康德属于该分类。企业具备海量临床数据库、稳定现金流、完整临床落地渠道，但自研AI技术能力薄弱，普遍通过战略合作、企业并购补齐数字化研发短板。
全球科技巨头，谷歌旗下Isomorphic Labs与Alpha Fold、英伟达BioNeMo平台、微软、IBM均归属此类。企业输出底层算力、通用研发平台、基础大模型，不直接开展创新药物自主研发业务。
三类主体产业融合节奏持续加快，行业整合成为常态。2024年Isomorphic Labs与诺华、礼来签订合作框架，潜在交易总额接近30亿美元；赛诺菲与Insilico Medicine落地12亿美元AI新药发现合作；Recursion斥资6.88亿美元完成Exscientia收购。独立算法型中小企业生存空间持续收缩，单一业务模式难以支撑完整研发管线推进。
AI技术在制药全流程应用成熟度分层
AI技术覆盖新药研发从靶点挖掘到上市后药物警戒全链条，但各环节技术落地成熟度存在明显断层
靶点识别与验证产业化落地程度相对成熟。Insilico MedicinePanda Omics平台、Benevolent AI知识图谱、DeepMind AlphaFold均实现规模化商用。依托AI工具可批量解析海量学术文献、多组学数据、专利文本，潜在靶点挖掘周期由数年压缩至数月区间。
分子设计与结构优化是赛道商业化宣传最多、技术落地最成熟的环节。生成式AI模型包含GAN、VAE、扩散模型多条技术路线，数天至数周内即可完成全新分子结构生成，虚拟筛选综合效率远超传统高通量筛选。
临床前研究核心落地场景集中于ADMET（吸收、分布、代谢、排泄、毒性）性质预判。AI可在分子实体合成前完成成药性、基础安全风险预判，减少进入临床阶段的项目失败概率。
临床试验设计与落地AI渗透程度偏低，但中长期增长潜力突出。自适应试验框架、受试者精准招募、数字化临床终点、远程患者监测等应用处于试点阶段，暂未形成行业通用标准流程。
上市后药物监测药物警戒是AI增速最快的细分场景。FDA Sentinel数据库整合2亿份患者诊疗记录，AI工具48小时内即可标记潜在不良事件，传统人工审核周期长达数周。
管线推进进度：高速扩张背后的转化隐患
智药局2024年初管线统计数据显示，全球AI辅助研发药物管线一期、二期、三期项目数量分别为56个、41个、5个。单看项目总量赛道发展态势向好，细化拆解后结构性问题凸显。
行业至今无AI设计药物完整走完三期临床并获批上市；管线层级呈标准金字塔结构，临床前、药物发现阶段项目占比约60%，一期临床25%，二期12%，三期及审评阶段仅3%；同时二期向三期管线转化比例持续走低，大量项目停滞于二期临床阶段。
波士顿咨询行业测算数据进一步佐证分化特征：AI研发药物一期临床成功率区间80%-90%，大幅高于传统新药40%-65%历史均值；进入二期临床后，成功率回落至40%，仅触及传统药物历史区间上限30%-40%，未形成突破性优势。若沿用历史三期临床平均成功率测算，AI新药整体研发成功率预期仅由传统5%-10%小幅提升至9%-18%。
该组数据指向核心行业矛盾：AI在药物早期筛选环节建立的效率优势，无法平稳传导至中后期疗效验证环节。一期高成功率仅能说明AI优化后的分子基础安全指标达标；二期疗效验证阶段优势消失，根源在于人体疾病内在生物学复杂程度，超出现有AI模型预判边界。
投融资市场结构性分化特征
2025年赛道投融资资源头部集中趋势进一步强化。财联社调研信息显示，国内AI制药赛道出现“融资事件小幅缩减、单笔融资规模大幅反弹”的分化格局，资本投资逻辑由全域撒网转向头部优质标的筛选，行业CR5（前五企业融资集中度）逼近50%。
头部企业资本落地成果亮眼：英矽智能2025年末登陆港股，募资总额22.77亿港元，为当年港股生物医药板块最大规模IPO，基石投资方覆盖腾讯、礼来、淡马锡等产业及财务资本；晶泰科技通过新股配售完成约26.5亿港元资金募集；Isomorphic Labs2025年4月完成6亿美元首轮融资，2026年5月落地21亿美元B轮融资，投后估值35亿美元。
头部标的融资热度之外，大量中小型AI制药企业陷入融资困境。2024年全球赛道总融资58亿美元，仍低于2021年行业峰值；Exscientia收购前估值由20亿美元以上缩水至7亿美元以内，Benevolent AI最终退市，Recursion上市后股价最大跌幅接近90%。资本市场对赛道耐心持续衰减，行业亟需落地可验证的三期临床管线成果，支撑资本长期投入预期。
AI分子设计落地正向案例复盘
本章筛选五家代表性企业落地项目，案例“成功”定义限定于分子设计流程优化、早期临床数据达标，不代表对应药物最终通过上市审评。
案例一：Insilico Medicine Rentosertib（ISM001-055）
企业基础背景：InsilicoMedicine2014年成立，香港、纽约双总部布局，为端到端AI新药研发标杆企业，核心技术载体包含靶点挖掘引擎Panda Omics、分子生成平台Chemistry42。
项目开发路径：Rentosertib为TNIK激酶小分子抑制剂，临床适应症定位特发性肺纤维化（IPF）。依托企业AI体系，项目从靶点识别到临床前候选化合物锁定周期控制在18个月内，推进至一期临床仅耗时9个月，传统研发路径平均周期为4.5年。
分子开发阶段，企业融合二维、三维多结构AI模型完成先导分子筛选。2024年9月企业披露IIa期临床阳性数据，试验观测到剂量依赖型肺功能指标改善；2025年3月药物获美国通用名委员会授予通用名Rentosertib，成为全球首款完整依托生成式AI端到端开发、获得官方通用命名的候选药物；2025年4月拿到国内CDE突破性疗法认定。
案例行业价值：该项目是当前AI研发药物临床推进进度最领先的项目之一，验证AI全链路覆盖靶点挖掘、分子设计的实操可行性。客观约束同样存在，IIa期临床试验样本体量有限，大规模确证性试验仍在推进，药物最终上市结果存在不确定性。
案例二：DeepMind AlphaFold蛋白质结构预测体系
企业基础背景：AlphaFold不直接产出药物分子，但属于AI制药底层基建级技术突破。DeepMind2020年对外发布AlphaFold2，攻克困扰生物学界数十年的蛋白质折叠预测难题；2024年迭代AlphaFold3，拓展至蛋白质与DNA、RNA、小分子配体交互关系预测，项目核心研发人员DemisHassabis、JohnJumper斩获2024年诺贝尔化学奖。
技术落地成果：截至2024年，AlphaFold完成超2亿种蛋白质结构开源共享，全球头部药企、科研院所均常态化调取数据库结构开展研发。AlphaFold3可高精度还原各类生物大分子结构与交互模式，为基于蛋白结构的定向分子设计搭建底层数据底座。
产业转化路径：DeepMind2021年分拆IsomorphicLabs专项承接AlphaFold商业化落地，企业与诺华、礼来、强生等头部药企签订合作协议，潜在总交易价值接近30亿美元；2025年7月企业披露，首批依托AlphaFold结构数据开发的抗肿瘤候选药物即将启动人体一期临床试验。
案例行业价值：AlphaFold属于赛道底层基础设施类技术突破，无法直接产出上市药物，但全面缩短靶点挖掘、分子结构优化周期。赛道绝大多数AI分子设计项目，均依托该数据库基础数据开展，间接技术赋能的行业价值，甚至超过直接开发新药的企业项目。
案例三：Benevolent AI Baricitinib老药新定位项目
企业基础背景：BenevolentAI2013年成立，总部设于伦敦，核心技术载体为知识图谱+NLP融合AI系统，整合学术文献、生物医药数据库、多组学、临床诊疗多维度数据。
项目开发路径：该项目不属于全新分子从头设计，依托AI完成已上市药物适应症重定位。2020年新冠疫情爆发阶段，企业知识图谱解析SARS-CoV-2入侵人体作用机制，预判已获批类风湿关节炎治疗药物Baricitinib兼具抗病毒、抗炎双重药理作用。
AI模型推导机制显示，Baricitinib可抑制AAK1、BMP2K两类NAK激酶，阻断病毒网格蛋白介导内吞入侵人体细胞；同时作为JAK1/2抑制剂，可抑制重症患者细胞因子风暴。后续多组临床试验验证该预判，ACTT-2试验中，Baricitinib联合瑞德西韦方案，可将需吸氧或无创通气患者死亡率降低40%；RECOVERY试验数据证实，该药物可显著下调重症感染者死亡风险（风险比0.87）。
案例行业价值：Baricitinib是最早大规模落地临床诊疗的AI预判疗法，WHO出具官方推荐用于新冠重症治疗。该项目证明，相比从头合成全新分子，AI药物重定位落地速度、实操价值更突出，可省去完整临床前安全验证周期。客观局限在于，项目核心优势建立在药物已完成全流程上市验证基础上，AI仅挖掘新增适应症，不存在全新分子创制动作。
案例四：Atomwise深度学习虚拟筛选平台
企业基础背景：Atomwise2012年创立，总部位于美国旧金山，核心产品AtomNet为卷积神经网络驱动的分子虚拟筛选工具。
项目开发路径：平台依托深度学习模型预判小分子与蛋白靶点结合亲和力，单周可完成500万种化合物批量筛选。企业与多家药企、学术机构建立合作，在埃博拉病毒、多发性硬化症、耐药菌抗感染赛道挖掘候选先导化合物。
标志性落地项目为联合IBMWatson、学术机构共同开发抗埃博拉药物，AI批量完成数十亿化合物对接模拟，筛选出多项具备体外抗菌活性的先导分子并完成实验室验证。
案例行业价值：Atomwise代表虚拟筛选赛道成熟商业化路径，技术路线不追求原创全新分子骨架，而是在现有化学分子库内筛选具备开发潜力的存量化合物。该模式研发风险偏低、落地周期短，但分子创新属性相对薄弱。企业商业模式以药企合作里程碑款项、药品销售分成为主，不自主承担临床开发投入。
案例五：Schrödinger物理模拟与AI融合分子设计体系
企业基础背景：Schrödinger1990年成立，总部纽约，为计算化学软件老牌服务商，融合物理分子模拟、机器学习搭建行业标准化药物研发平台。
项目开发路径：企业核心技术壁垒为自由能微扰（FEP）高精度结合亲和力测算工具，全球绝大多数头部药企采购该平台，单企业年度软件授权费用超5万美元。企业自主管线中，候选药物SLB-2推进至三期临床阶段。
与纯算法导向AI企业存在明确区分，企业研发逻辑遵循“物理规律优先”原则：AI工具仅用于缩短计算耗时，分子结构最终优化方案以物化基础原理为决策依据。物理+数据融合路线，在模型可解释性、结果稳定性层面优势显著。
案例行业价值：该项目证明AI技术无需完全替代传统计算化学工具，二者融合可实现研发效能提升。药物研发高度依赖领域基础学科积累，纯数据驱动算法模型稳定性普遍弱于物理规则约束的混合技术路线。企业约20亿美元稳定市值也佐证，输出研发工具的商业模式，自主经营稳定性高于独立开发新药的业务模式。
AI自主设计分子临床失败项目复盘
正向案例可直观展示AI技术研发潜力，失败管线则完整暴露行业现存核心短板。本章筛选五家企业标志性终止项目，拆解失败底层诱因，区分分子设计、临床转化两类问题边界。
案例一：ExscientiaDSP-1181（强迫症适应症）
项目基础背景：DSP-1181为全球首款完整依托AI完成设计、进入人体临床的候选药物，企业联合日本住友制药开发，靶向5-HT1A受体，临床定位强迫症（OCD）。项目靶点筛选至临床候选分子锁定仅12个月，传统研发路径周期4至5年。
项目终止过程：2020年DSP-1181在日本启动一期临床，初期安全观测指标符合预期；2022年企业正式对外公告，项目因无法达成预设临床终点永久终止。
失败根源拆解：美国化学文摘社ToddWills完整拆解该项目全部专利文件，暴露核心缺陷：该分子结构与1967年FDA获批经典抗精神病药物氟哌啶醇高度同源。项目研发阶段合成、检测的350组分子内，大量复刻氟哌啶醇骨架，另有多款分子仿制其余28款已获批药物结构。
核心行业教训：AI输出分子仅能实现化学结构层面新颖，药理学层面很难形成真正差异化创新。训练数据集大量收录上市药物骨架，会导致算法局限于已知结构小幅优化，难以产出具备全新作用机制的候选分子。DSP-1181的终止印证，AI快速生成合规化学分子的能力，无法弥补研发团队对疾病生物学、药物药理机理认知不足的短板。算法可以快速产出外观符合药物标准的分子，但无法保证对应治疗效果实现突破性改善。
案例二：ExscientiaEXS-21546（实体瘤适应症）
项目基础背景：EXS-21546由Exscientia自主研发，靶点为A2A受体，开发目标适配肿瘤免疫治疗场景。A2A受体属于肿瘤微环境关键免疫检查点，靶点抑制可缓解腺苷分子对机体免疫细胞的抑制效应。
项目终止过程：2023年10月，企业官宣EXS-21546项目全面终止，核心制约因素为药物无法形成安全有效的治疗窗口。
失败根源拆解：AI在分子优化环节完成高度适配设计，EXS-21546对A2A靶点亲和力、选择性均达到行业最优标准，单从分子与靶点匹配逻辑看属于优质先导化合物。但肿瘤微环境内在生物复杂度远超模型预设范围，人体肿瘤内部腺苷浓度、免疫细胞构成、组织缺氧程度存在极强个体异质性，单纯阻断单一靶点不足以打破肿瘤免疫逃逸机制。更为关键的是，药物起效剂量与毒性暴露剂量区间高度重叠，现有AI模型无法提前预判该风险。
核心行业教训：该项目直观体现化学计算模型与真实生物体系的割裂矛盾。AI可精准解决小分子与靶点结合的化学层面问题，但难以模拟分子进入人体后复杂生理交互过程。治疗窗口狭窄是临床管线终止最常见诱因，当前行业主流AI模型对此类风险的预判能力存在明显短板。
案例三：BenevolentAIBEN-2293（特应性皮炎适应症）
项目基础背景：BEN-2293为Benevolent AI自研外用广谱Trk抑制剂，针对特应性皮炎湿疹开发，企业计划依托该产品打造无激素外用治疗方案。
项目终止过程：2023年IIa期临床数据披露，药物安全性、耐受性全部达标，但在湿疹面积严重程度评分、瘙痒量化评分两项核心疗效指标上，未观测到具备统计学意义的改善效果。疗效终点未达标直接引发企业大规模组织调整，当年5月裁员180人，2024年再度缩减30%研发人员、关停美国分部，公司股价较高点下跌超75%，并于2025年3月从阿姆斯特丹泛欧交易所摘牌退市。
失败根源拆解：行业从业者普遍认为项目立项环节存在根本性偏差。现阶段轻中度湿疹主流治疗方案包含糖皮质激素、钙调磷酸酶抑制剂，中重度患者可选用PDE4、IL4/IL13、JAK抑制剂多条成熟管线。企业AI知识图谱筛选Trk作为核心靶点，相当于避开经过临床验证的成熟通路，切入研究积累薄弱、未知变量较多的小众赛道。AI在测算靶点与疾病关联度时，放大了Trk通路在湿疹发病机制中的作用权重，同时低估现有成熟疗法的临床竞争壁垒。
核心行业教训：AI筛选出靶点仅代表关联关系，不代表靶点具备成药价值。算法能够挖掘人工难以察觉的通路关联，但通路是否主导疾病进程、是否具备可干预空间，仍需深度生物学试验验证。BEN-2293项目失败根源在于靶点定位偏差，分子设计环节不存在硬缺陷，即便分子优化效果达标，错误靶点仍会直接造成临床试验全线失败。
案例四：Recursion Pharmaceuticals REC-994（脑海绵状血管畸形适应症）
项目基础背景：Recursion采用高通量表型筛选搭配深度学习、计算机视觉的复合技术路线，单周可完成300万组细胞水平试验数据采集。REC-994开发方向为遗传性神经血管疾病脑海绵状血管畸形（CCM）。
项目终止过程：2025年5月Recursion公告叫停REC-994二期SYCAMORE确证试验。药物整体安全性表现平稳，但对比自然病程对照组，MRI病灶体积、患者功能评分均无显著改善。
失败根源拆解：该项目属于典型表型筛选模型陷阱。AI依托计算机视觉观测细胞图像，判定REC-994能够修复体外培养病变细胞形态，但单层细胞培养体系缺失人脑三维血管结构、血流动力学、长期组织损伤等关键生理条件。体外细胞层面观测到的修复效果，无法复刻至完整人体器官环境中。
企业官方也曾公开表态，行业90%以上的临床失败率，对于等待创新疗法的患者而言难以接受，该表述客观反映全行业转化困境。2024年11月Recursion完成与Exscientia合并，2025年6月企业再度缩减20%人员编制，搁置两项罕见病在研管线。
核心行业教训：海量表型筛选数据积累，无法弥补体外模型与人体真实组织的鸿沟。AI在简化细胞试验体系内捕捉到的作用规律，进入复杂人体生物系统后极易失效。该项目再次佐证，临床转化瓶颈不在于行业数据储备体量不足，而是现有数据与人体临床终点之间缺少稳定、可复现的关联逻辑。
案例五：Exscientia DSP-0038（神经精神类疾病适应症）
项目基础背景：DSP-0038为Exscientia设计双靶点调节剂，同步激动5-HT1a受体、拮抗5-HT2a受体，开发方向覆盖各类精神、神经类疾病。
项目终止过程：该管线已从企业官方管线清单移除，实质宣告开发终止。与DSP-1181特征相近，该分子同样存在药理创新性不足的短板。
失败根源拆解：中枢神经系统药物研发本身属于制药行业高难度细分赛道，血脑屏障穿透效率、靶点脑部占有率、差异化副作用谱系等变量相互交织，建模难度极高。AI可精准优化分子与受体结合能力，但神经类药物临床疗效同时受脑部组织分布、神经可塑性、患者个体基因差异等多重难以量化因素约束，现有模型难以全面覆盖。
核心行业教训：中枢神经赛道是检验AI制药转化能力的核心场景，同样会暴露算法底层局限性。若现有AI模型对机制相对简单的靶点通路都无法精准预判临床收益，面对中枢神经系统高度复杂的交互网络，技术突破难度会进一步放大。Exscientia在中枢赛道连续多个管线终止，直接说明当前AI体系对神经生物学底层逻辑的建模深度存在显著不足。
AI制药最大瓶颈不在分子设计，而在临床转化验证
整合前文四部分案例、数据与产业现状，本章从五大维度完整印证报告核心观点。
数据维度：管线成功率分布直观锚定瓶颈位置
波士顿咨询、智药局多组统计数据统一显示，AI研发药物一期临床成功率维持80%-90%区间，大幅超越传统新药40%-65%历史均值；进入二期疗效验证阶段后，成功率回落至40%，仅持平传统药物历史区间上限，未产生实质性突破。
分层成功率形成的漏斗曲线具备明确解读意义：AI在早期安全性验证环节具备稳定优势，但进入疗效确证阶段后技术红利完全消失。无论分子优化完成度高低，候选分子无法在人体中实现预设治疗收益，前期全部研发提速工作都会失去商业与临床价值。
一期临床试验核心观测指标为药物安全性、体内药代动力学特征，恰好匹配当前AI模型优势，算法可提前优化ADMET属性、预判潜在毒性，筛选安全属性更优的先导分子。但二期试验核心目标验证疗效，需要完整解析疾病发病通路、患者群体异质性、生物标志物、剂量效应关联等复杂变量，以上内容均属于现阶段AI模型短板领域。
截至2024年初全球AI药物管线分布数据同样具备参考价值，一期56项、二期41项、三期仅5项，且暂无三期临床顺利获批标的。金字塔式管线分层并非行业偶然现象，是全行业普遍存在临床转化短板的直观结果。
案例维度：终止管线底层诱因具备高度共性
复盘前文五款宣告终止的AI研发药物，各项目表层失败诱因存在区分，但底层逻辑高度统一：AI在分子化学层面实现的优化成果，会被人体生物学系统的复杂变量完全抵消。
DSP-1181，分子化学结构优化指标全部达标，但药理机制缺乏差异化创新，大量复刻已上市药物骨架；
EXS-21546，分子靶点匹配度达到最优，但治疗窗口预判失效，肿瘤微环境复杂变量未纳入模型计算；
BEN-2293，分子设计环节无明显缺陷，但前期靶点筛选出现根本性偏差，Trk通路在湿疹中的干预价值被算法高估；
REC-994，体外细胞表型修复效果显著，但人体器官生理复杂度远高于体外单层细胞模型；
DSP-0038，受体亲和力优化完成度高，但中枢神经生物学复杂交互机制无法被现有AI完整建模。
全部终止管线中，没有任何一个项目因分子结构设计缺陷、化学优化不足而叫停。所有失败节点均出现在分子进入生物体内开展试验之后，矛盾集中在简化计算模型与真实人体复杂生理系统的偏差层面。
技术维度：AI能力存在前端强、后端弱的结构性失衡
现阶段AI制药技术落地形成明显能力断层，研发早期环节技术成熟度充足，临床转化相关环节落地能力严重不足。
研发前端优势板块包含靶点挖掘、化合物虚拟筛选、全新分子生成、ADMET性质预判、合成路线规划等场景。该类环节统一特征为问题边界清晰、标准化数据易批量获取、单次验证周期短、试验结果反馈闭环快速，高度适配AI算法迭代逻辑。
临床后端薄弱板块覆盖临床试验全流程设计、患者分层筛选、给药剂量梯度优化、生物标志物挖掘、真实世界证据构建等工作。该类场景普遍存在边界模糊、医疗数据稀缺且个体差异极大、完整验证周期长达数年、伦理监管约束严格等特征，很难转化为标准化数学优化问题交由AI求解。
这种前后端能力差距并非单纯技术迭代滞后，本质是AI算法逻辑与生物医药复杂体系存在底层冲突。算法擅长在固定、封闭的化学空间内求解最优结构，但临床试验属于动态开放系统，人体生理、个体差异、外部环境多变量持续交互，很难统一抽象为可计算参数。
新华网行业深度报道曾提出明确观点，临床管线终止的核心诱因集中在靶点选择失误、疾病底层机制认知不足，并非分子筛选效率偏低。仅聚焦分子发现这一占整体研发15%-20%的细分环节优化，属于治标不治本的发展思路。摩根士丹利2026年行业报告也区分两类模型价值，化学模型仅负责研发执行提效，生物学模型才能够指导管线核心决策，行业长期资源过度倾斜前者，持续忽视后者能力搭建。
资本维度：市场估值逻辑与临床真实产出存在背离
PitchBook行业统计数据显示，2024年原生AI制药企业中位估值7800万美元，是传统无AI赋能Biotech企业（4000万美元）的近两倍；赛道单笔融资中位规模2650万美元，显著高于医药行业平均1400万美元水平。资本市场给予AI企业估值溢价，底层预期建立在算法能够大幅提升临床管线整体成功率之上。
但临床落地数据持续冲击资本乐观预期，Exscientia并购前估值自20亿美元缩水至7亿美元以内，BenevolentAI最终退市，Recursion上市后股价最大跌幅接近90%。上述企业经营波动印证，一旦AI药企无法交付可落地的三期临床成果，资本市场会快速下调估值、收缩资金供给。
更深层的结构性矛盾在于，当前资本评估AI制药企业的核心指标为管线数量、分子生成迭代速度，并未将临床转化验证能力、管线中后期推进质量纳入核心估值标准。这套估值导向持续引导行业资源集中投向分子设计工具迭代，用于搭建临床转化体系的资金、人才投入持续被压缩。全行业集体竞速分子生成效率的背景下，管线临床验证配套能力的短板会持续放大。
认知维度：全行业对核心瓶颈存在普遍性误判
行业资源分配、研发方向偏差，根源在于市场参与者对赛道核心约束的统一误判，多类行业现象可佐证该认知偏差。
行业学术会议、期刊论文选题存在明显倾斜，分子生成、靶点预测、化合物性质优化类研究占绝大多数，围绕临床试验设计、患者分层、转化医学体系的研究内容占比极低。选题偏好直接反映研发人员资源投放重心，长期引导行业技术研发路线单向倾斜。
企业人才招聘结构同样体现认知偏差，AI制药企业核心招聘岗位集中于算法工程师、计算机科研人员、计算化学家，具备完整临床开发经验的医师、药理专家、转化医学研发人员招聘占比持续偏低。人员构成直接决定企业核心能力重心天然偏向分子设计环节。
赛道主流商业模式进一步放大认知偏差，多数原生AI企业以分子授权、管线里程碑收费为核心收入来源，仅负责早期分子开发，不自主承担长期临床投入风险。轻量化合作模式缓解企业短期资金压力，但同步削弱企业搭建完整临床转化能力的内生动力。
行业对外叙事框架固化认知偏差，企业、机构对外宣传长期聚焦AI缩短研发周期、压缩早期开发成本，极少讨论算法对临床成功率的改善效果。统一宣传口径预先假定分子发现为赛道核心瓶颈，掩盖临床转化能力缺失这一真实行业约束。
综合五大维度交叉验证可形成确定性结论：当前AI制药产业最核心发展瓶颈，并非分子设计环节迭代速度不足，而是全行业临床转化验证体系建设存在能力缺口。分子生成效率越高，堆积在临床前置环节等待验证的候选化合物体量越大，转化链路的堵塞问题会持续加剧。若行业无法调整这种前期投入过重、临床配套薄弱的失衡发展模式，赛道将长期陷入大量分子产出、极少新药落地的发展困境。
针对AI制药临床试验体系的优化路径建议
依托前文全维度分析结论，本章从六大方向给出落地优化方案，帮助行业缓解临床转化环节核心瓶颈。
建议一：研发逻辑由分子优先转向疾病机制优先
现阶段主流AI制药研发路径遵循先设计分子、再匹配适应症，底层延续传统化合物驱动开发模式。行业需要全面转型疾病机制驱动研发体系，依托AI完整拆解疾病分子通路、患者群体异质性、治疗抵抗底层诱因，再基于生物学结论设计药物干预方案。
可落地执行动作包含以下方向
加大资源投入搭建多维度生物学预测模型，而非单一迭代化学分子优化算法。AI工具核心目标应当预判不同靶点在细分患者群体中的干预效果，不局限于筛选可与靶点结合的小分子结构。
整合基因组、转录组、蛋白组、代谢组多组学数据搭配真实世界临床诊疗数据，搭建动态疾病演化仿真模型，替代静态靶点-药物匹配数据库。
管线立项阶段引入临床医师、患者代表共同参与评估，规避算法团队脱离临床真实场景独立开展分子开发的闭门研发模式。
建议二：搭建干湿实验闭环持续迭代验证体系
现阶段多数AI制药项目存在计算干实验与实验室湿实验脱节问题，算法批量输出候选分子，但实验室验证通量无法匹配分子产出速度，大量预测表现优异的化合物长期停留在理论阶段，未开展实体试验验证。
优化落地思路
搭建自动化高通量实验验证平台，压缩AI预测结果到实验室实体验证的周期。InsilicoMedicine自研临床前一体化实验室搭建的闭环工作流，具备全行业参考价值。
引入人机协同不间断试验闭环模式，依托自动化实验室机器人承接重复性生化、化学检测工作，实现全天候不间断试验运转，压缩各研发步骤等待间隔。
建立快速淘汰评估机制，针对AI输出候选分子，通过低成本初筛试验快速排除假阳性化合物，避免大量资金、人力投入至体外数据达标、体内无效的分子管线。
建议三：重构临床试验整体设计范式
传统临床试验一刀切入组、统一给药方案的设计思路，无法释放AI精准分层、个性化匹配的技术优势，需要将算法深度嵌入试验全流程设计环节。
受试者招募与分层优化思路
依托AI解析电子病历、基因测序、医学影像多维度数据，精准定位对药物潜在高响应的患者细分群体。
试验方案设计初期预设对应生物标志物评价标准，避免临床结束后再开展事后亚组分析，BEN-2293管线失败部分源于缺少前置分层标志物设计。
自适应试验体系落地路径
采用贝叶斯自适应试验框架，依托中期阶段性数据动态调整给药剂量、受试者样本规模、入组筛选标准，提升整体试验投入产出效率。
引入数字孪生技术构建虚拟对照人群，减少实体试验安慰剂组招募规模，缩短整体临床推进周期。
临床评价终点优化方向
探索数字化临床终点、患者自主评价指标与AI分析工具结合，捕捉传统理化检测指标无法观测的治疗改善效果。
慢性病、罕见病研发管线，可将真实世界诊疗数据作为临床终点补充或替代评价依据。
建议四：提升临床前体外模型的临床预测匹配度
REC-994管线终止充分暴露单层细胞体外模型与人体完整器官生理环境的巨大差距，行业需要加大资源开发预测精度更高的临床前评价体系。
类器官与器官芯片技术落地推广
采用患者自体细胞构建类器官模型，相比传统肿瘤细胞系，能够保留人体组织完整结构、生理功能特征。
扩大器官芯片技术应用范围，模拟多器官交互、人体生理微环境，缩小体外试验与临床真实环境偏差。
体内动物模型迭代优化
开发人源化小鼠、非人灵长类评价模型，提升免疫类药物、中枢神经药物临床前预判准确度。
依托AI汇总历史临床前试验数据与对应临床终点结果，搭建临床前-临床结果关联数据库，持续优化不同疾病管线的模型选型标准。
计算仿真模型升级方向
整合三维分子结构、电子密度图谱、实体实验室检测数据搭建多模态基础模型，跳出仅依靠分子字符串开展计算的单一模式。
拓展全生物系统动态仿真能力，计算边界从单一靶点-分子结合反应，延伸至信号通路、细胞网络、组织层面动态交互模拟。
建议五：组建跨学科协同的转化医学专职团队
多数AI制药企业缺少成熟临床管线开发经验，属于临床转化短板的组织层面根源，对应优化方案如下。
企业人才架构重构
高管层补充具备完整新药临床开发全周期经验的管理人员，避免研发决策完全由算法技术人员主导。
设立独立转化医学职能部门，打通临床前基础研究与人体临床试验之间的研发断层。
外部深度协同体系搭建
与三甲医院医学研究中心、专业临床CRO、患者权益组织建立长期深度合作，持续获取一线临床真实诊疗洞察。
探索与传统大型药企风险共担合作模式，由成熟药企承接后期高投入临床开发工作，AI企业聚焦早期靶点挖掘、分子优化环节。
行业数据共享机制搭建
推动全行业建立临床失败管线匿名数据共享平台。现阶段多数企业将终止项目数据视为商业机密封存，行业无法从历史失败案例中提炼统一优化经验。可参考航空行业安全事件上报机制，搭建脱敏临床失败数据库，实现全行业经验复用。
建议六：调整监管沟通策略与行业预期管理方式
AI制药企业在对接各国药品监管机构时，需要同步调整沟通逻辑与对外预期宣传口径。
深度参与监管科学建设
主动跟进FDA、EMA、NMPA等机构AI研发配套指导原则起草、修订流程，将企业一线实操经验反馈至监管政策制定环节。
递交IND申报材料时，主动完整提交AI模型可信度全套验证文件，包含训练数据来源、模型内部验证方法、已知算法局限、结果不确定性量化分析。
行业预期理性管控
面向投资机构、公众保持客观表述，明确AI仅能提速早期药物发现流程，无法完全规避临床管线失败风险。过度夸大技术收益会持续损害全行业长期市场信誉。
推动赛道估值标准重构，由单纯依托管线数量、分子产出速度估值，转向以临床验证成熟度、转化体系完善程度为核心评价指标，引导资本流向具备完整临床落地能力的企业。
坚持长期主义研发导向
行业参与者需要客观接受现实，AI制药完整产业成熟周期大概率维持10至15年，无法在3至5年内实现规模化新药上市。赛道需要长期耐心资本持续加注，摒弃短期快速退出的投机式开发思路。
结论
AI制药赛道具备长期产业发展潜力，但行业长期存在过度营销、放大短期技术优势的问题。分子生成迭代速度持续提升、算法精准度不断优化，但若上述技术进步无法转化为人体临床可验证的稳定疗效，行业本质只是持续加速产出更多临床失败管线。
本报告核心观点，AI制药产业核心瓶颈为临床转化验证能力缺失，而非分子设计效率不足，该结论并非否定AI技术的产业价值，而是对行业失衡发展路线提出校正方向。AI真正不可替代的长期价值，不在于短周期批量生成全新分子骨架，而是辅助行业深度解析疾病发病机制、精准预判药物临床收益、筛选适配治疗的细分患者群体。
赛道长期竞争壁垒不再归属分子生成速度领先的企业，而是能够稳定将候选分子推进至临床获批、落地临床治疗场景的研发主体。这要求行业同步完成多层转型，研发认知层面由单一化学建模转向全维度生物体系建模；组织架构层面由纯算法研发团队扩充为具备完整转化医学能力的复合型团队；资本评价逻辑由分子产出速度竞赛转向临床验证质量比拼。
只有跨越临床转化环节高失败率的行业死亡谷，AI制药技术才能真正兑现革新人类疾病治疗方式的长期产业价值。
部分参考文献
河北省工业和信息化厅《关于印发〈医药工业数智化转型实施方案（2025—2030 年）〉的通知》（2025/04/03）
华创证券《计算机行业深度研究报告：AI 制药：从概念验证到商业化兑现》（2026/04/10）
药时代《AI “盯上” 大热赛道！》（2025/03/14）
同济大学 / 科技日报《协同治理破解转化难题，加快人工智能药物设计》（2026/05/13）
摩熵医药《医药生物行业 AI 制药临床管线回顾：早研优势凸显，后期范式迎来积极改变》（2026/02/02）
每日经济新闻《AI 药物研发首获临床疗效验证 英矽智能首席科学官任峰：讲故事的时代过去了》（2024/10/01）
FDA 官网《Considerations for the Use of Artificial Intelligence to Support Regulatory Decision-Making for Drug and Biological Products》指南草案（2025/01/01）
FDA 与 EMA《人用药品和生物制品研发中人工智能良好实践指导原则》（2026/01/14）
Nature Medicine《Rentosertib IIa 期临床试验中期结果》（2025/06/01）
Nature Biotechnology《英矽智能 AI 驱动药物发现全流程论文》（2024/03/01）
观研报告网《中国 AI 制药行业发展趋势分析与未来投资研究报告（2025-2032）》（2025/05/07）
同写意《英矽智能三闯港交所：AI 制药的困局与突围》（2025/05/26）
东方证券研究所《AI 管线值得关注，新药研发成功率有望翻倍》（2025/02/01）
IntuitionLabs《FDA Draft Guidance on AI in Drug Development Explained》（2026/04/01）
国家发改委《中国 unveils five-year plan for bioeconomy》（2022/05/20）
Cisema《China Launches National AI Roadmap for Pharmaceuticals, Medical Devices, & Cosmetics Supervision》（2026/05/15）
Mordor Intelligence《Artificial Intelligence (AI) In Pharmaceutical Market Analysis | Industry Growth, Size & Forecast Report 2031》（2026/08/07）
Market Research Future《AI in Drug Discovery Market Size & Global Trends [2035]》（2026/07/28）
Precedence Research《AI in Pharmaceutical Market Size to Hit USD 18.99 Billion by 2035》（2026/05/27）
和达资本《【和达洞见】AI 制药产业研究分析》（2025/08/13）
医药魔方《147 亿美元！2025 年中国创新药融资回温》（2026/01/05）
新浪财经《AI 药物发现领域 2024-2025 年成功案例深度分析报告》（2026/02/03）
ACS Central Science《通往药物超级智能的路线图》（2026/03/27）
生物通《综述：人工智能在药物发现中的革命：制药创新的范式转变》（2025/06/03）
PMC/NIH《The AI-Assisted Identification and Clinical Efficacy of Baricitinib in the Treatment of COVID-19》（2022/03/02）
MDPI《AI in Drug Discovery: Clinical Failures, Regulatory Reality, and the Validation Crisis Behind the Hype》（2026/06/10）
Infiuss《AI in Drug Discovery: The Illusion of Speed and the Reality of Clinical Failure》（2025/12/09）
新华网《AI 制药的破局点：从 "效率竞赛" 到 "疾病认知革命"》（2026/03/18）
Fortune《Isomorphic Labs 总裁 Colin Murdoch 专访》（2025/07/06）
WIRED《AI-Designed Drugs by a DeepMind Spinoff Are Headed to Human Trials》（2026/04/24）
Clinical Trials Arena《Isomorphic Labs prepares to launch trials for AI-designed drugs》（2025/07/07）
北京师范大学《人工智能在医疗健康领域的创新应用、风险挑战与治理对策》（2025/04/01）
经济日报《AI 进药企，新药研发在提速丨打造智能经济新形态》（2026/08/11）
中国政府网《医药工业数智化转型实施方案 (2025—2030 年)》（2025/04/24）
中国药科大学学报《基于人工智能的小分子生成模型在药物发现中的研究进展》（2024/03/01）
IntuitionLabs《AI-Discovered Drugs in Clinical Trials 2026: Full Pipeline》（2026/07/31）
生物通《综述：药物发现中的人工智能：临床失败、监管现实与炒作背后的验证危机》（2026/06/20）
中国医药保健品进出口商会《热潮之下，AI 制药如何跨越落地鸿沟？》（2026/05/18）
央广网《AI 制药面临规模化落地瓶颈 药企与 AI 科技企业跨界合作加速》（2026/07/28）
凯莱英临床《【技术】AI 重构临床试验新范式：从效率革命到合规落地》（2026/08/14）
（图片来源：网络）
祝企业2026年都能赚到钱！
大家都平安健康！
（感谢读到这里，么么哒）
（电子工业出版社，2020）
（机械工业出版社，2019）
（中国经济出版社，2019）
（中国经济出版社，2017）
（中国经济出版社，2021）
本文为作者采访、咨询及查阅相关资料原创编写完成，仅供学习参考，尊重作者汤历漫知识主权，请勿做别的用途。如果有其他需要请联系liman_tang@126.com，微信greenclaw，聊聊你的故事。
所有网络图片权侵删请联系作者。
点击下方“阅读原文”了解更多