TL;DR：AI 已经能预测蛋白结构、筛选化合物、几秒内生成候选分子，但合成、细胞实验、动物研究和人体临床仍受生物学规律与监管要求约束——AI 加速的是研发前端搜索，而不是整条新药研发流程。这一判断来自 Andreas Bender 等人 2026 年 8 月 7 日发表于 Nature Reviews Drug Discovery 的观点文章。
AI 已经能预测蛋白结构、筛选化合物、生成候选分子，也能辅助预测活性和毒性。计算端的进步很快，但一款药物是否安全、有效，最后仍要由实验和人体数据回答。
候选分子可以在几秒或几小时内生成。合成、细胞实验、动物研究和人体临床却受生物学规律、实验条件、患者差异与监管要求约束。前端搜索加速，并不会让整条研发流程按同样比例缩短。
视频版（B站） ｜ 音频版（5 分 29 秒）｜ Spotify 订阅 ｜ 偏好阅读？文字版就在下方
目前常见应用包括：
AlphaFold 在 2021 年的 CASP14 评测中显著提高了蛋白结构预测准确度，是计算方法改变生命科学工具链的明确案例。但蛋白结构只是药物研发需要处理的一类信息。知道一个蛋白大致长什么样，不等于已经找到了能安全治疗患者的药。
FDA 对药物研发流程的说明列出了候选物之后仍需回答的问题：它怎样被人体吸收、分布、代谢和排泄；合适剂量是多少；可能出现哪些毒性和药物相互作用；不同人群的反应是否不同。
临床前研究只能回答一部分安全问题，不能替代人体研究。进入临床后，研究者还要分阶段评估剂量、安全性、初步疗效、治疗获益和少见不良反应。临床试验使用明确的方案、入组标准、对照和统计方法，计算模型不能跳过这些证据要求。
AI 如果只把早期筛选从一个月缩短到一天，而合成、验证或临床仍是主要瓶颈，患者拿到药物的时间就不会同步缩短。
同一个分子在不同实验方法、细胞系统、剂量、时间点和患者群体中，可能表现不同。训练数据中的“有效”，也许只表示它在某个测试中与靶点结合，并不自动包含能否进入细胞、到达正确组织、避免伤害其他器官等信息。
数据还可能来自不同实验室、设备和记录标准。模型在随机拆分的测试集上表现很好，可能只是因为训练集和测试集共享了相似化合物、实验条件或研究习惯。换到新时间、新项目或新实验室后，性能未必保持。
因此，模型分数需要和适用范围一起解释。脱离实验条件的单一“准确率”，很难代表真实研发决策的可靠性。
原文把这种问题称为 underspecification，即任务看起来已经定义，实际仍遗漏了决定结果的条件。
例如，“预测一个有效分子”至少可能指：
这些目标不能互相替代。模型可能准确优化了容易取得的代理指标，却没有优化项目最后真正关心的结果。此时增加模型规模或生成更多分子，只会让不合适的目标被执行得更快。
Nature Reviews 的观点文章认为，药物研发中的 benchmark 需要从模型验证转向决策价值。团队不应只问预测误差有没有下降，还要问：
一个模型可以在静态数据集上领先，却没有改变任何 go/no-go 决定。反过来，一个不够耀眼的工具如果能稳定减少无效实验，可能更有实际价值。
技术推动通常从新模型出发：先做出更大的生成器或预测器，再寻找可以使用它的任务。科学问题牵引则先定位研发流程中最昂贵、最慢或最容易出错的决定，再判断 AI 是否适合改善这个决定。
两种路径都可能产生研究价值，但资源分配方式不同。生成大量分子很适合展示模型能力；如果项目真正卡在靶点选择、实验不可比或临床入组上，继续扩大分子生成量不会解决瓶颈。
团队应该直接回答：“模型改变了哪一个决定，以及这个决定为什么值得改变？”
这是概念性流程图。图中卡片宽度和候选数量不代表行业统计比例，具体研发路径也会因药物类型与适应症而不同。
计算结果首先是待验证假设。候选能否合成、实验能否重复、生物学机制是否成立、毒性是否可接受、人体内是否产生治疗获益，都需要后续证据。每个阶段都可能推翻上一阶段看起来很有希望的结果。
AI 可以帮助选择下一项实验、预测失败风险或整理多源数据，但模型置信度不能作为临床疗效证据。
2026 年的 Nature Reviews 文章认为，AI 药物研发已有大量方法、应用和 benchmark，但临床相关影响的证据仍然有限。这句话不能反过来解释成“AI 制药已经失败”。
较成熟的新方法出现的时间，可能还短于一款药从发现走到完整临床验证所需的周期。许多项目仍在研发途中，结果尚未成熟。现在既不能用早期跑分提前宣布行业革命，也不能因为上市药物不多就认定这些方法没有价值。
合理的做法是持续追踪中间决策是否改善，并等待足够长的临床结果。
团队可以把模型验证分成几层：
不同层级回答的问题不同。静态测试集适合筛查模型错误，外部和前瞻研究才能逐步说明它是否适合真实流程，临床试验则负责回答对患者是否有效。
Hacker News 讨论中，一些从业者把 AI 的日常价值描述为安装和使用专业工具、编写分析脚本、检查实验方案、整理数据，或更快得到一个可供实验的起始结构。这些是社区个人经验，不代表行业统计。
这种价值仍然重要。研究人员每天少花一些时间处理软件和数据，可以把更多精力放在实验设计和结果解释上。它不会立刻产生一款新药，也很难进入“AI 发现药物”的宣传标题，但可能是技术真正进入研发流程的第一步。
AI 制药是否成功，最后要看它能否让关键决策更准确，让实验更少浪费，并帮助更安全、更有效的药物更快到达患者。模型排行榜只覆盖早期计算环节。
本文由《听懂 AI》第 007 期整理而成。节目主要来源是 Andreas Bender、Morgan C. Thomas、Jack W. Scannell 等作者于 2026 年 8 月 7 日发表在 Nature Reviews Drug Discovery 的观点文章《Artificial intelligence in drug discovery — what it is, where we stand and the path forward》。本文补充 FDA 的药物研发流程资料和 AlphaFold 原始论文。Hacker News 讨论只作为社区观察，不作为临床效果证据。
资料说明：本文讨论研发评测与证据边界，不提供药物、疾病或临床决策建议。Nature Reviews 原文是一篇多作者观点文章，不是单项 AI 模型的临床试验；文中的流程图和评测建议是编辑阶段的概念性整理。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。