近期，首届医药协同创新大会在北京召开，清华大学药学院院长钱锋提出“新药研发急不得，也虚不得”的核心观点，直指当前医药创新领域对AI制药的过度高估。大会发布的《医药协同创新白皮书》显示，2025年全球AI制药市场规模达15亿美元，但仅3%的AI辅助药物进入临床III期，技术落地的现实困境凸显。
AI制药真能颠覆新药研发？看完这3个局限就懂了
AI在药物研发中确实有特定优势，它能通过深度学习分析海量文献和化合物数据库，快速提出“老药新用”假设，比如预测某抗癌药物可能对自身免疫疾病有效，显著提升早期筛选效率。但它的作用边界远没有想象中宽泛，核心局限主要有三点：
- 假设≠有效药物： AI提出的分子-靶点结合预测只是研发起点，后续需验证药物在人体内的代谢路径、毒性反应及疗效差异，比如某AI推荐的候选药物可能在体外实验中结合力强，但进入人体后因无法穿透血脑屏障而失效。
- 临床验证难突破： 占研发周期70%的临床试验环节中，AI无法预测药物对不同人群的个体化反应，比如糖尿病药物在动物模型中有效，但人类试验中可能出现肝肾损伤等副作用。2026年《自然·医学》刊发的报告显示，87%的AI候选药物在人体试验中因安全性或疗效问题终止，失败率远高于传统研发模式。
- 存在生物学认知盲区： AI依赖已有文献数据，无法发现未被研究的全新生物学机制，若某种疾病的关键调控蛋白未被科学界发现，AI无法提出针对性靶点。
别被AI新药神话骗了！这些误区暗藏健康风险
公众与产业界对AI制药的过度期待，正在影响医药创新的正常进程，甚至暗藏健康风险：
- 产业资源错配： 资本过度涌入AI制药领域，导致传统药物化学、药理学等基础研究投入减少，比如某药企将90%研发预算用于AI平台建设，临床前动物实验团队规模缩减40%。
- 患者预期被误导： 部分企业宣传“AI将药物研发周期缩短至1年”，但实际新药从实验室到上市平均仍需8-10年，错误预期可能加剧患者对现有规范治疗手段的不信任，延误病情。
- 科研路径异化： 部分研究者为迎合AI热点，选择数据丰富但临床价值低的“热门靶点”，忽视罕见病、耐药菌等真实未满足需求，比如某团队因阿尔茨海默病靶点数据充足而放弃更急需的抗生素研发。
- 学术泡沫风险： 2026年《柳叶刀》评论指出，部分AI辅助药物研究存在“数据套利”现象，即通过算法优化已知分子结构发表论文，缺乏原创性突破。
回归科学本质！新药研发该走的3条正确路径
要推动医药创新良性发展，需遵循药物研发的底层逻辑，从多维度优化策略：
- 重构技术定位： 将AI定位于“假设生成工具”而非“全流程替代者”，比如AI可辅助筛选10万种化合物缩小至100种候选分子，但后续药效学研究仍需实验验证；同时建立“AI+临床医师科学家”协作模式，由AI提出假设，临床专家结合患者真实需求选择研发方向。
- 强化基础研究： 设立专项基金支持“冷门但关键”的基础研究，比如靶点发现、药物递送系统创新，可参考美国NIH“高风险高回报”研究资助机制；推行“临床-实验室”双导师制，培养兼具医学实践与科研能力的复合型人才，解决“会看病的不懂药，懂药的不懂病”的割裂问题。
- 升级监管体系： 建立AI辅助药物临床试验的双盲评估机制，要求企业同时提交AI预测数据与传统实验数据对比报告；优化加速审批通道，对填补临床空白的药物（如罕见病治疗药物）开放“真实世界证据”补充通道，而非单纯依赖AI模拟数据。 理性看待AI制药价值，坚守科学研发逻辑助力新药创新。
