AI能力持续跃升，药物研发为何仍步履艰难

先讲结论

工具在迭代，但能改变临床结局的证据依旧稀缺。下一阶段的核心已不再是测试集分数又刷新了多少，而是看模型是否真正参与到项目的真实取舍中——能否帮团队减少错误推进、增加正确决策。

Lumina 开篇

行业从来不缺新模型，也不缺“AI 正在重塑制药”这样的宏大叙事。真正稀缺的，是一套更难自我欺骗的成功评价体系。

《Nature Reviews Drug Discovery》近期刊发了剑桥大学 Andreas Bender 等十余位横跨学界与产业作者的综述长文：技术能力确实在朝前走，临床层面的硬证据目前依然单薄。

我们关注的并非再为这篇论文做一次摘要，而是四个层面的追问：当下瓶颈何在、解决路径指向何处、近期该关注什么、未来更期待看到什么。

先讲结论：工具迭代了，出药证据尚未跟上。

长文梳理了“AI 优先”公司的管线图谱：大多数项目仍停留在临床前，进入早期临床的有一批，真正推进到后期的寥寥无几。这不能简单归结为“药本来就慢”一句话带过。过去多年间，行业叙事不断许诺研发周期将大幅压缩。若承诺够大、后期进展仍稀疏，中间必有环节被刻意轻描淡写了。

技术侧并非空白。蛋白质结构预测与设计、更精细的测量手段、更丰富的药物模态，都让单点预测看起来更强大。矛盾在于：预测变强，并不自动等于项目决策变优，更不等于患者端的结局改善。

作者采用了一个相当克制的表述：当下更像是“证据尚不充分”，而非“已被证伪”。这个定调至关重要。它同时挡住了两种偷懒：一端宣称泡沫破裂、AI 无用；另一端把个别早期项目的顺风顺水，直接归功于平台胜利。

我们认为，问题可以拆解为三层，它们经常被混为一谈。

第一层：把有活性的分子当成药。数据库中，具备活性的分子可达百万量级；真正上市的药物大约仅千余量级。两者所优化的维度截然不同。前者常聚焦结合与体外活性，后者还需穿越暴露、安全、疗效与可开发性。新闻稿与融资材料里，常把“找到配体”包装成“发现药物”——听起来悦耳，却会系统性低估后续道路的漫长。

第二层：数据远没有看起来那么干净。生物读出高度依赖实验条件：细胞系、剂量、时间点、患者代谢、共病与生活方式，都可能改写答案。化学空间极其广阔，又深嵌合成习惯与项目偏好带来的偏倚。你照亮的往往只是局部一片，换一片便未必成立。这时再喊“多喂数据就行”，常常是在回避更难的问题：你的代理指标，究竟能否代表体内与临床真正需要的东西。

第三层：分数进步，不等同于决策进步。常见流程是：切分训练集与测试集，某个指标上扬，便宣告新高度。可模型最终要服务的是项目里的取舍：推进还是停下、先做哪项实验、毒性风险能否承受。淘汰毒性与筛选活性，所能容忍的错误类型截然不同。如果分数从未真正进入真实的设计、合成、测试闭环，也没有留下可核对的决策印记，它对出药的价值就相当有限。

把三层叠加，就会出现一种熟悉的图景：材料亮眼，管线仍早，归因丰满，证据稀薄。这并非某几家公司的道德缺陷，而是成功评价标准被错置了位置。

外部压力还会放大这种错位。出药成本长期承压，企业需要展现改变姿态；融资端常携高承诺入场；论文与基金又更倾向于奖励“数据集上刷分”。于是“看起来进步飞快”和“实际项目里的决策是否变好”，可以长期脱钩。

图：三层卡点与配体/成药数量级（Lumina 据 NRDD 2026 重绘）

当下核心问题：行业仍在用模型“面子”上的胜利，支付药物“里子”上的账单。

解法并非再换一个更大的模型名号，而是把成功标准挪回药物发现真正发生的地方。

1. 先厘清要服务的决策，再选择方法与指标。动手之前先追问：这个模型用于淘汰风险、挑选苗头、排序优先级，还是辅助剂量与暴露判断？不同用途下，该看的指标与可接受的错误各不相同。指标服从决策，而非决策服从指标。

2. 先证明代理指标靠谱，再规模化铺开数据。值得扩产的数据，是那些已显示出对体内或临床相关终点具备预测力的读出。否则堆叠得越多，噪声与自我安慰也越多。健康的数据工作分两步：小范围弄清“什么值得测”，再于有限且相关的空间内加密，并清晰交代模型适用边界。

3. 让模型真正嵌入项目闭环，而非止步于演示。有价值的落地通常呈现为：模型建议改变了实验优先级、改动了某次推进或停下，且这件事可供同事复核。嵌入设计、合成、测试、分析的闭环，远胜过再多画一张架构图。

4. 让临床结果（含失败）回流到发现端。倘若临床前与临床被数据墙完全隔离，模型就只能在实验室看似漂亮的世界里学习。次优结局与失败，恰恰是最昂贵的监督信号。缺少它们，团队容易在已讲顺的故事里原地打转。

5. 把“发论文”与“改决策”拆为两套考核。两者可以并行，但不能相互替代。只奖励分数、不奖励决策质量，进步幻觉会自我繁殖。

这些方向并不新鲜，也谈不上浪漫。它们的共性是：更难讲成口号，却更贴近出药本身。

Lumina 的立场

支持踏实做方法、做数据、做转化的人；不支持把活性分子当药、把测试集当临床、把融资承诺当证据的叙事。

若你做投资、BD 或研发管理，不必先陷入哲学争论，可以直接修改问题清单。

审视一家 AI 药物发现团队时，优先追问这些：

1. 你们最拿得出手的案例，是活性分子、临床候选，还是进入人体后仍站得住脚的贡献？

2. 被冠以“AI 发现”的资产，其生物学是否只是老地图的重访？旧靶点、旧机制同样具备价值，但定价逻辑各异。

3. 模型是否改变过具体的推进或停下？是否留有书面记录，而非仅口头回顾？

4. 你们最常用的代理指标，对体内或临床终点的预测关系已证明到哪一步？

5. 验证是否含前瞻成分？换一个真实项目，结论是否依然站得住？

6. 失败与误导是否被正视？只报命中、不报带偏，价值要大打折扣。

7. 收入或合作节点，所绑定的是模型交付，还是临床进展？

审视自身团队时，可用更粗的三档自检：一档是测试集更好；二档是进入实验闭环、改动优先级；三档是改变推进或停下，且可被核对。大量公开叙事停在一档，少数抵达二档，三档往往含混。买方若仅为一档支付三档的价钱，就会持续错付。

审视预算时，追问杠杆是否落在刀刃上。同样是改善，降低错误推进、提升患者匹配，往往比“再多画一批分子”更贴近研发成本的痛点。早期热闹不等于最值钱。若 AI 开支几乎不触及失败模式、分层与决策节点，回报叙事会长期对不齐。

审视不同应用时，预期需要拆开。结构预测与设计能力进展清楚，但从结构走向可开发药物仍然漫长。部分物化性质预测更可用。生成式设计能提出新结构，新却不等于可合成、可成药。试验招募与流程效率有时先见到收益。临床结局预测主张众多，可推广性与偏倚问题同样突出。允许工具层与流程层先兑现，不要把流程改善直接包装为临床突破。

这些标准对国内外团队与买方同样适用。能讲清决策贡献的，走到合作桌上更硬朗；只会讲平台和分数的，迟早会遇到更抠细节的对手盘。

我们并非在等一句“AI 已经赢了”或“AI 已经输了”。我们更愿意在未来一两年的时间窗口里，看到这些更具体的东西：

1. 归因说得清。新进临床的项目若强调 AI，应能阐明 AI 改变的是哪一步决策，而非仅出现在标题里。

2. 后期信号渐次浮现。后期项目不必一夜之间骤增，但方向应可见：有信息量的读出、更清晰的患者定义、经得起追问的开发路径。

3. 验证方式走向公开。出现能被同行理解的做法：决策场景是什么、错误成本是什么、如何前瞻检验，而非仅离线刷分。

4. 失败数据开始被学习。组织愿意把次优结局送回发现端，而非只把成功案例做成广告。

5. 对外叙事升级。融资与合作材料从“我们很会找分子”，转向“我们如何优化取舍、如何降低错误推进、如何服务成药路径”。

这也是我们后续持续跟踪 AI 药物发现时的主线：不追每一篇新模型新闻，而追决策是否变好、证据是否变硬、叙事是否变老实。

图：成熟度三档与后续观察点（Lumina）· 完整尽调 7 问与数据图见同步分布的贴图系列

Bender 等人的长文，最有价值之处不在于给出裁决句，而是倒逼行业换一组问题：你优化的究竟是分数，还是取舍？

我们的答案相当直白。分数可以看，取舍才算数。找到活性分子值得高兴；离把分子做成药，中间仍是药物发现最贵、最难、也最不该被话术抹平的那一段。

向光而行，不是把复杂事情调成鸡汤，而是让该被看见的证据浮现：决策有没有被照见，失败有没有被学习，承诺有没有被临床核对。