AI 药物研发不能只靠跑模型，BMS 翻倍投入背后的实验闭环逻辑

很多人对 AI 药研的认知还停留在“用模型预测蛋白质结构”这个阶段，觉得只要算力够强、算法够新，就能快速刷出新药。但观察 BMS（百时美施贵林）在过去三年的实操路径，你会发现真正的技术壁垒根本不在于模型本身，而在于如何将 AI 深度揉进一个能够自我进化的实验闭环里。BMS 最近决定在 AI 药研领域翻倍加码，这释放了一个核心信号：AI 在药物筛选的早期阶段已经跑通了，它不再是一个用来讲故事的 PPT 概念，而是一个能实打实降低成本的工程化工具。

很多药企引入 AI 是为了追求“快”，但 BMS 的逻辑是追求“覆盖度”。他们关注的是如何利用 AI 探索那些人类经验无法覆盖的化学空间。要实现这一点，不能靠简单的预测，而必须构建一套“生成 → 验证 → 反馈”的闭环系统。

首先，最硬核的基建在于高质量专有数据集的构建。AI 领域有个共识叫 Garbage In, Garbage Out（垃圾进，垃圾出）。大多数公司依赖公开的数据库，但公开数据往往缺乏生物学意义上的真实样本，且噪声极大。BMS 这三年的潜伏期，很大程度上是在大规模清洗和标注内部实验数据。只有让模型在具有真实生物活性的私有数据上训练，AI 预测出的分子才具备进入湿实验阶段的价值。

其次，是建立 AI 与湿实验（Wet Lab）的极速反馈流。这是决定 AI 药研能否落地的关键。一个典型的闭环路径是：AI 根据目标靶点预测出一个潜在的候选分子 → 通过自动化合成平台快速产出样本 → 进行高通量生物活性测试 → 将测试得到的真实数据实时回传给 AI 模型进行参数优化 → 再次启动预测。这个循环的迭代速度越快，命中率的提升就越明显。如果这个链路是断裂的，AI 预测出的分子在实验阶段被证明无效，而数据没有及时回传，那么 AI 依然在原地打转，无法实现真正的进化。

最后，BMS 正在将 AI 的应用维度从“单一靶点”扩展到“系统药理学”。传统的药物研发习惯于盯着一个蛋白质的结合口袋，试图找到一把精准的“钥匙”。但 BMS 尝试利用 AI 分析整个信号通路，从系统层面观察药物对生物网络的影响。这种维度的提升，让药物研发从一种带有随机性的“碰运气”行为，变成了一种可预测、可量化的工程化过程。

当然，AI 无法直接跳过临床试验这个生死关，但它极大地优化了进入临床之前的那个“漏斗”环节。在药物研发的早期筛选阶段，候选药物的失效率极高，导致了巨大的成本浪费。BMS 敢在三年实测后翻倍下注，说明 AI 已经能够显著提高候选药物的质量，减少在后期才被发现的失效风险。

总结来看，AI 药研的竞争已经从“算法之争”转向了“闭环之争”。谁能把高质量数据、自动化实验和迭代模型这三者无缝连接，谁才能在化学空间的探索中获得先机。