AI 药研现在到底跑通了没有，还是在刷榜单

很多人把 AI 药研看成是只要模型足够大就能批量生产新药的黑盒，但实际情况是，预测蛋白质结构和真正把药做进人体里完全是两码事。目前的现状是，AI 在早期筛选（Hit-to-Lead）阶段确实快得惊人，能把原本要跑几年的虚拟筛选缩短到几天，但到了临床试验这个“死亡之谷”，AI 还没能显著提高新药的成功率。

我觉得现在的核心矛盾在于数据质量。药研数据极其碎片化，而且很多失败的实验数据根本没被公开，导致模型在训练时存在严重的幸存者偏差。如果喂进去的都是成功案例，模型自然会产生过度乐观的预测。

目前比较有意思的实操路径是把 AI 当作一个极其高效的“过滤器”，而不是“决策者”。一个比较典型的 AI 辅助药研工作流大概是这样的：

一、 靶点识别与验证
利用大模型分析海量文献和组学数据，锁定可能的致病蛋白，这一步主要是为了缩小搜索范围。

二、 分子生成与虚拟筛选
使用生成式模型（如扩散模型或 VAE）设计出数百万个潜在的小分子，然后通过物理模拟计算它们的结合能。

三、 实验验证（Wet Lab）
把 AI 筛选出的前 100 个候选分子交给化学家合成，在体外细胞实验中验证活性。

四、 迭代优化
将实验回传的真实结果（包括失败的）重新喂给模型，修正参数，开始下一轮筛选。

在这种闭环里，AI 的价值在于它能帮人类尝试那些“反直觉”的分子结构，打破化学家的经验主义。但想靠它直接输出一个成品药，目前看还太早。真正决定生死的是药代动力学（PK/PD）和毒性，这些复杂的生物学反应目前还没有一个能完全模拟的数字孪生系统。