AI 制药走进腹地：化学模型先行，生物模型仍是瓶颈

在 2026 BPD 第九届生物药工艺发展大会上，苏州爱科百发总经理吕贺军回忆起一件往事：几年前他所在公司与某 AI 团队合作时，对方跑出的第一批候选分子几乎全是「不可成药的无效产物」。但他同时表示，随着大模型底层技术发展，类似问题在今天已「基本不可能再出现」。从最初的概念验证，到逐步走向药物研发的核心环节，AI 制药正在越过单点工具的阶段，向更深处的产业腹地挺进。

加速之后：从「用了 AI」到「被 AI 改变」

过去，传统药物发现高度依赖海量试错，周期冗长、失败率高。AI 能挖掘文献、组学与生物数据库中潜藏的关联信息，快速锁定潜在靶点、生成全新分子结构，并对活性、毒性、可合成性做前置预判，从而大幅缩减需要实际合成的化合物数量。

随着赛道扩张，参与者已从传统药企、生物科技公司延伸至 AI 算法企业、底层算力与模型供应商，以及专业数据服务商。摩根士丹利在《跨越分子：2026 年是人工智能药物发现的成败之年》报告中提出一个判断：化学模型是药企研发体系的「加速器」，生物模型的发展水平才决定 AI 制药行业的价值上限。前者解决「如何高效开发药物」，后者则聚焦「能开发什么药物」。

真实案例：周期压缩与角色重塑

• 镁伽科技依托自研的镁伽鲲鹏实验室（已迭代至 3.0 版），在抗体药研发中 4 个月完成 18 个靶点、56 轮干湿实验闭环迭代，工作量相当于传统模式下四五十名科研人员三四年产出。联合创始人张琰举例称，AI 在类器官培养基筛选上「相较于人类提高了很多倍」。
• 剂泰科技自研的 AiTEM 制剂创新平台在自研新药 MTS004 上，将临床前制剂优化周期从行业平均的 1–2 年缩短至 3 个月以内，整个项目从立项到完成 III 期临床试验共耗费 38 个月。COO 王文首表示，AI 已从「可选用工具」变为「必选基础设施」。
• 百奥赛图董事长沈月雷则持审慎态度：公司目前仍主要沿用小鼠产生抗体、活性验证的传统路径，AI 现阶段更多用于全流程加速，尚未用于做关键预测。其 AI 驱动抗体药物研发平台已完成本地化部署，并与「千鼠万抗」业务打通。

剂泰、百奥赛图等企业分别将 AI 定位为底层核心、产业基础设施或局部效率工具，对「AI 该嵌入多深」并无统一答案。

瓶颈：生物模型与「死亡之谷」

热闹表象之下，AI 制药的真实能力边界正被重新审视。多家企业与投资人均指出，瓶颈集中在更早的靶点发现以及后期的临床转化阶段。

• 数据：具备成药潜力的药物靶点约 3000–5000 个，但目前已获批药物对应的仅约 500 个，意味着八到九成靶点尚未被开发。
• 模型可解释性不足：截至目前，全球尚无一款由 AI 全程主导设计的药物获批上市，仅少数项目推进至 III 期临床。
• 体系割裂：靶点发现属于基础研究，无法直接进入人体临床验证，「源头一旦偏差，后期代价巨大」。

百英生物高级副总裁史雷认为，AI 目前最直观的赋能集中在分子筛选与优化环节；复宏汉霖 AIDD 负责人杨馨怡则用「小惊喜不断，大惊喜没有」来形容当前阶段——化学模型可探索人工设计难以触及的结构方向，但寄望 AI 一次产出颠覆性成果并不现实。

未来：多模态与生物学基础模型

行业普遍认为，下一阶段的突破点不再是单一算法优化，而是通过多模态技术整合基因、蛋白等多维度数据，结合生物学基础模型的迭代升级，实现更精准的靶点预测和成药性评估，进而提升新药研发全流程效率。要真正从「用了 AI」走到「被 AI 改变」，AI 制药仍需在生物模型与临床转化两端跨过那道尚未抵达的关卡。