核心内容总结
近期AI制药虽有高光（多款管线进入III期临床），但行业与资本预期回归冷静：AI带来的“快”不必然“省”，药物最终价值取决于临床需求而非AI标签。当前AI制药重化学模型（分子设计）轻生物模型（疾病机制），导致临床阶段成功率低，需从“同类首创（FIC）”转向“疾病领域治疗价值首创（FID）”范式——以疾病需求为起点，协同生物与化学模型，从源头提升临床成功率。
详细拆解解读
1. AI制药：高光背后的冷静——快不一定省，临床价值才是王道
近半年AI制药确实有“高光时刻”：国内外多款AI设计的药物进入III期临床（如英矽智能的特发性肺纤维化候选药、德睿智药的小分子药物）。但行业不再盲目乐观，原因有二：
- “快”不代表“省”：AI能快速找到候选分子，但前端省的时间和成本，可能在后端临床验证阶段（最耗钱耗时）又赔回去；
- AI标签没用，治病才是硬通货：药物最终价值不是看是否AI设计，而是能否解决病人未满足的需求（比如治难治性疾病、比现有药效果更好）。
简单说，AI只是工具，能治病的药才值钱。
2. 临床验证成“死亡之谷”——AI为啥在这儿掉链子？
新药研发有个“死亡之谷”：候选药在II期临床试验的通过率仅25.6%（100个里仅25个能过）。AI在这个阶段“无能为力”，原因是：
- AI只能提假设，不能验证：AI的底层逻辑是分析现有文献的关联（比如老药新用），但它只能给出“这个分子可能治这个病”的假设，验证需要在动物和人身上做试验——这部分AI搞不定；
- 临床验证是“烧钱坑”：临床阶段要证明药物在人体中的效果和安全性，很多AI设计的分子在实验室里看着不错，但到人体里要么没效果，要么有副作用，最终夭折。
比如，AI能快速找到100个候选分子，但90%可能在临床前或临床阶段失败，前端的“快”抵不过后端的“惨”。
3. 核心瓶颈：重“画钥匙”轻“找锁”——化学模型热，生物模型冷
当前AI制药投入严重失衡：
- 化学模型（画钥匙）：聚焦分子设计（比如怎么做出一个能和靶点结合的分子），是目前AI应用最多的领域，相当于“画一把钥匙”；
- 生物模型（找锁）：聚焦疾病机制（比如这个病是怎么来的，哪个靶点和病有直接关系），相当于“找锁+理解为什么要开这个锁”。
现在大家都把钱砸在化学模型上，生物模型投入不足。结果是：即使钥匙画得再漂亮，如果锁找错了（靶点和疾病关系不明确），钥匙也没用——这就是为什么很多AI药是改良现有药物，而非解决新需求。
4. 破局新思路：FID范式——从“药找病”到“病找药”
行业提出“疾病领域治疗价值首创（FID）”替代传统“同类首创（FIC）”：
- FIC：先找新分子，再看它能治什么病（药找病）；
- FID：先看病人有什么未满足需求（比如胰腺癌没好药），用生物模型搞懂疾病机制（找到靶点和病的因果关系），再用化学模型设计分子（病找药）。
比如赵宇团队用生物模型解析胰腺癌机制，再设计分子，推进了一款胰腺癌新药进入I期临床——从源头提高了成功概率。
5. 未来怎么走？——虚拟临床+政策支持，让生物模型“热”起来
要解决生物模型的问题，需两方面发力：
- 技术上：虚拟临床：用AI模拟病人，替代部分动物试验和人体试验（比如赵宇团队做的世界首个虚拟临床试验已完成），能减少成本和风险；
- 资源上：政策倾斜：生物模型需要大量数据和算力，投入周期长、风险高，需国家队或大平台牵头：
- 设立专项经费，明确生物模型与化学模型的经费配比；
- 推行长周期考核（不要求短期出成果），按研发里程碑拨付资金。
只有让生物模型“热”起来，AI制药才能真正跨越“死亡之谷”。
总结
AI制药不是“颠覆者”，而是“赋能者”。它的未来不在于“更快设计分子”，而在于“更准解决疾病需求”——通过生物与化学模型协同，从源头提升临床成功率，才能真正成为药物研发的核心驱动力。