wukangjupingbb的博客

*“单模型幻象”**是指目前许多 AI 药研项目倾向于寻找或构建一个“超级模型”（Single Super-Model），试图通过增加数据量、扩大参数规模（类似 LLM 的路径）或优化单一算法，来直接预测药物的成功率或分子的活性。作者认为这种做法是危险且具有误导性的，原因在于：生物学的复杂性≠\neq药物研发不是一个简单的“输入分子→→输出活性”的函数问题，而是一个涉及化学、细胞生物学、药理学、毒理学和临床医学的多尺度级联过程。

◦ 石药集团：作为传统药企代表，通过自建AI平台（小分子、多肽）并将其内化为研发基础设施，成功在重磅出海合作中（如与阿斯利康）获得议价权，展示了内化AI能力的战略价值。这篇文章总结了OpenAI推出专为生物医药研发设计的AI模型GPT-Rosalind的背景、能力、战略意图，及其对中国AI制药行业主要参与者的潜在影响。◦ 晶泰科技：已于2025年实现年度盈利，核心竞争力在于湿实验端（AI分子合成与测试的机器人平台），这是OpenAI目前不具备的能力，构成了其护城河。

总结而言，文章认为AI并未使药物研发自动化，而是将其从一个高成本试错的系统，推向一个能更快反馈、更早纠错、更高效率决策的新模式。这篇文章的核心观点是：AI在药物研发中的核心价值并非替代科学家或实现全自动化，而是通过优化工作流程，更早地排除错误答案、缩小候选范围，从而提升整体研发效率、降低试错成本。◦ AlphaFold的意义：它是重要的分水岭，其革命性在于将蛋白质结构预测从一个高门槛、慢反馈的瓶颈，变成了可快速获得高质量参考的基础能力，从而改写了工作流的起点，让团队能更快进入后续分析。

AI制药行业进入了“去伪存真”的阶段。不要再为仅仅利用AI做流程自动化的公司买单，而要关注那些能证明其“AI设计结果”在临床上确实管用的公司。AI制药公司必须跨过从“卖工具”到“卖FIC药物”的边界。Alex Zhavoronkov通过这番话，试图将英矽智能定义为**“制药业的英伟达”（提供平台）与“生物科技界特斯拉”**（落地产品）的结合体，试图彻底告别“AI外包商”的低端标签，直接挑战传统药企巨头的核心地位。

◦ 专家观点认为，当前AI技术虽然可能显著提升药物研发某个特定环节（如临床前候选化合物设计）的效率，但药物研发涉及数十个复杂属性，且最终必须通过严格的临床试验验证。◦ 英矽智能更偏向“AI+Biotech”模式，即利用自研的AI平台（Pharma.AI）进行内部药物管线研发，并通过对外授权（License-out）或合作开发实现变现。这篇文章对国内两家领先的AI制药公司——晶泰控股与英矽智能在2025年的发展状况进行了对比分析，并探讨了AI制药行业的当前格局与挑战。

在医药研发企业尝试“自建大模型”进行 AIDD（人工智能药物研发）验证时，最大的陷阱在于**“过度崇拜模型参数”而忽视了药物研发的物理本质**。从 AI 算法到药物入库的“最后一公里”极其漫长且充满了不确定性。

药物发现正在由“生物学家+化学家的经验积累”转向“数据科学家+计算硬件的规模化处理”。对于初创药企而言，拥有自主的计算算法管线已不再是锦上添花，而是入场门槛；对于传统大药企而言，如何将实验室数据有效闭环回馈给算法，将决定其在下个十年是否会掉队。一句话总结：计算驱动并非要取代实验，而是通过极致的“算前筛选”，让实验成为“验证”而非“摸索”。

非常高。它强迫研发人员在追求技术领先（Level 3.0）时，必须同时评估生物学、化学、临床和商业四个维度的闭环。这是一个典型的“降温”模型。AI 只是加速器，不是魔法。如果忽略了生物学本质或临床逻辑，单纯堆砌 AI 算力只会产生大量“在硅片上很完美、在人体内很垃圾”的候选药物。非常适合作为制药企业或 Biotech 初创公司的“决策审计清单” (Decision Audit Checklist)，用于评估一个研发项目是真正的创新，还是仅仅是一个“看起来很美的假象”。

2026年，AI制药不是要证明"自己有没有用"，而是要证明**“自己在哪里有用、有多大用”**。潮水退去后，我们可能会发现：AI没有颠覆制药工业，但它确实改变了游戏的节奏和成本结构——这本身就是价值。真正的革命，从来不是"旧世界一夜崩塌"，而是"新世界悄然成为主流"。2026年的期中考试，考的不是AI制药的生死，而是谁有资格进入下一学期。

公开基准测试集可以作为**“及格线”

在AI制药（AI in Drug Discovery, AIDD）领域试用开源大模型时，指标的设定不能仅仅停留在传统大语言模型（LLM）的通用指标（如流畅度、代码生成能力）上，而必须结合。

这类工具专注于片段连接（Fragment Linking）问题，即在给定两个或多个分子片段的情况下，生成合理的连接结构（linker）将它们桥接起来。这在基于片段的药物设计（FBDD）中至关重要。核心特点：工作原理：关键算法：核心特点：工作原理：独特优势：核心特点：关键创新：核心算法对比表特性DeLinkerSyntaLinkerAutoLinker表示方法3D图SMILES序列混合（2D+3D）生成策略强化学习TransformerVAE几何约束✓

先说明背景：ADC（Antibody–Drug Conjugate）中的连接子（linker）既要把高毒性有效载荷（payload）和抗体连接稳定地送到肿瘤位点，又要在合适的环境/酶促条件下可靠释放载荷。设计目标往往是多目标、相互冲突的（体内稳定性 vs. 可释放性、亲水性/疏水性平衡、合成可行性、免疫原性、药代/毒性等）。下面分点详细说明具体作用、实现方法、如何提高效率/性能，以及可参考的实际/类比案例。一、AI 在连接子设计中的具体作用（功能性分类）三、实际或可参考的案例（已公开/类比）

FDA 宣布不再强制要求新药临床前实验必须经过动物测试（基于《FDA现代化法案2.0》），标志着生物医药研发进入了从“动物模型驱动”向“人体生物学驱动”转型的时代。这一政策转变对AI模型的数据生态产生了深远影响。

AI在类器官研究中的角色，正在从单纯的“分析工具”演变为“实验设计大脑”。它通过提高模型的生理相关性和预测的精准度，正在逐步瓦解动物实验在毒理学中的统治地位。未来，随着“多器官芯片（Organs-on-Chips）”与AI的深度融合，人类将有望构建出更接近真实的虚拟人体毒理评估系统。

通过图神经网络（GNN）挖掘疾病-基因-药物的隐含关系，成功识别出巴瑞替尼（Baricitinib）可用于治疗COVID-19（已获FDA紧急使用授权）。利用机器学习分析2000万张细胞图像（无标签），通过自监督学习发现细胞衰老相关的表型特征，进而识别出NASH（非酒精性脂肪性肝炎）的潜在靶点。通过这些工具和方法的组合使用，现代药物研发正从"经验驱动"转向"数据驱动+AI增强"的新范式，显著提升靶点识别的精度和效率。在复杂的多靶点组合疗法中，通过强化学习优化靶点选择策略。标注数据稀缺（新疾病靶点发现）

结合模式核心协同逻辑解决的核心痛点生物 + 化学 (ADC)精准导航 + 强力摧毁降低化药全身毒性物理 + 化学 (光/磁)外部触发 + 局部释放解决药物渗透性与时空控制物理 + 生物 (放射免疫)能量辐射 + 靶向识别杀伤体积较大的实体瘤及微小转移灶数字 + 化学 (DTx)行为干预 + 生理调节提高依从性，实现个体化调剂未来的多模态药物将向**“四模态融合”**发展。

将原本互不相通的生化实验数据与临床表现数据串联。单一模态往往只能看到局部（如结构），多模态提供了“上下文”，减少了假阳性。可以在计算机上完成大部分“干实验”，显著降低试错成本。

研发环节代表模型/项目核心技术核心优势靶点识别/结构预测极高精度，解决蛋白折叠难题分子生成突破化学空间搜索限制，生成高活性分子药效/毒性预测GNN / BERT捕捉复杂分子特征，减少动物实验多模态集成DeepChem框架集成降低开发门槛，标准化研发流程目前的趋势：类似于 GPT 的预训练模式正在化学领域复现（如 Molformer）。将蛋白序列、小分子图结构、甚至病理文本描述整合进同一个模型，实现更精准的药效评估。将量子化学计算（DFT）的结果作为 AI 模型的约束，提高预测的物理真实性。

将抗体筛选和Linker优化的时间从数月缩短至数周。通过早期毒性预测，剔除具有潜在安全性风险的候选分子，降低临床失败率。AI辅助的定点偶联技术解决了传统ADC产物异质性大的痛点，使药物更像单一组分的化学药，便于质量控制。AI能够探索人类直觉难以触及的化学空间，设计出非天然的、性能更优的合成Linker和新型载荷。随着端到端（End-to-End）AI平台的成熟，未来的ADC研发将实现抗体、Linker、Payload三者的“一体化协同进化设计”，而非目前的分段优化。

AlphaFold 3的发布无疑是AI制药领域的一个里程碑，但它也引发了资本的狂欢和创业的热潮。在这股热潮背后，隐藏着一些值得警惕的乱象。但我相信，这些乱象只是行业发展过程中的阵痛，它们将推动AI制药行业从技术狂欢走向理性回归。未来，AI制药可能会从"颠覆传统制药"的神话中走出来，回归到"辅助工具"的本质。AI将与药物化学家深度结合，共同推动药物研发的进步。

**摘要：**在AI时代，效率优势逐渐消失，独特性成为核心竞争力。文章指出，AI使标准化工作同质化，企业应从"效率竞争"转向构建"非对称优势"——即AI难以替代的独特领域，如个人审美、问题定义能力和实体体验。建议深耕小众领域，转型为资源整合者，并建立人格化信任。核心启示是：未来属于能利用AI释放创造力、展现人文关怀的独特个体，"平庸勤奋"将贬值，"独特灵魂"将溢价。

英矽智能和晶泰科技的港股表现，标志着中国AI制药正在从“概念驱动”迈入“结果驱动”的新阶段，行业共识已从“AI能不能造药”，转向“AI在哪些环节真正值钱”。