AI制药正成为当前全球医药研发领域的核心热点赛道，国内首款AI辅助研发的原创新药盐酸伊司特韦片正式获批上市，该药从源头发现到完成临床试验仅用时三年半，大幅打破了传统新药研发动辄十年的常规周期，为行业探索出了全新的高效研发路径。这款药物的成功落地，标志着AI技术在新药研发领域的应用从理论探索正式走向规模化落地验证，也让行业对AI赋能创新药研发的实际价值有了更为具象的认知。

　　长期以来，创新药研发始终面临高投入、长周期、高失败率的“三个十定律”难题，即完成一款新药研发通常需要十年时间、十亿美元投入，最终研发成功率不到百分之十。AI技术介入新药研发流程后，显著提升了药物靶点发现、海量分子筛选等研发前端环节的运行效率，同时大幅提高了对药物安全性、代谢特征等核心属性的预测精度，有效压缩了研发前期的试错成本。

　　尽管AI技术已经实现了研发前端效率的大幅提升，相关领域专家指出，AI生成分子的速度加快并未同步降低后续临床环节的失败率，反而可能带来更多需要逐一验证的研究假设，进而产生额外的资源消耗。当前整个AI制药行业亟需高质量、标准化的全生命周期临床数据作为支撑，才能进一步优化靶点发现的精准度，提升临床试验的推进效率。

　　从长期发展趋势来看，AI未来将从单一的研发赋能工具，逐步转变为新药研发的组织性力量和“伙伴科学家”，推动整个医药研发范式实现深度重塑，让原本线性串联的传统研究流程，转变为多模态信息融合的并行优化模式，进一步释放创新药研发的潜在效能。

　　国家多部门已将AI制药全流程数据自动采集与追溯系统写入医药工业发展相关规划，明确提出到2030年，我国创新药产业规模年均增速超过百分之二十，首创新药全球占比突破百分之二十五，为中国医药产业向原始创新方向迈进提供明确的政策指引和发展支撑。

AI技术重构新药研发前端流程

　　传统创新药研发的流程极为复杂，从实验室基础发现到最终产出临床可用的创新药物，往往需要经历多个层层递进的严格环节。研发人员首先需要瞄准特定疾病的根本作用机制，锁定关键生物靶点，再通过高通量筛选与结构优化，从数以亿计的海量分子中筛选出最具潜力的候选化合物，后续还要经过临床前研究、多期临床试验、监管机构严格审评等多个阶段，整个过程中分子筛选环节犹如“大海捞针”，高度依赖科研人员的经验积累和长时间的反复试错。

　　AI技术介入之后，首先对研发前端的核心环节进行了效率重构。以盐酸伊司特韦片的研发过程为例，攻关团队选择的DNA编码化合物库包含多达490亿种化合物，团队通过AI模型辅助确定筛选条件，从100多个初步筛选出的潜力分子中锁定9个分子进行合成测试，最终确定了编号为WLU6937的候选分子，整个从克隆靶点蛋白到选定候选分子的过程仅用时六个月，远快于传统研发模式的耗时。

　　西湖大学生命科学学院教授黄晶表示，在盐酸伊司特韦片的研发过程中，AI实质性地参与了多个关键环节，团队借助AI实现了新药研发中的数据整合，形成了计算预测、实验验证、数据反馈、模型再优化的完整闭环，大幅提升了每一步筛选的精准度，减少了不必要的重复实验消耗。

　　负责主导该项目资本引入及成果转化的西湖大学校长助理王廷亮表示，盐酸伊司特韦片的成功上市证明，真正的AI辅助药物研发当前是高效可行的，AI技术并非简单替代科研人员的工作，而是通过算力优势拓展了人类科研探索的边界，让原本需要耗费数年的分子筛选工作在极短时间内完成。

行业现存数据短板待补齐

　　当前AI制药行业的效率提升主要集中在研发前端环节，进入临床前研究和临床试验阶段后，AI技术的赋能作用尚未完全释放。不少业内研究人员指出，AI生成分子的速度不断加快，直接带来了大量待验证的候选化合物，这些化合物都需要通过细胞实验、动物实验以及后续的多期临床试验逐一验证其安全性和有效性，这一过程中产生的资源消耗并未随着AI技术的应用同步减少。

　　香港中文大学（深圳）高等金融研究院客座教授郑磊在接受《证券日报》记者采访时表示，不同药企、CRO的实验范式各不相同，大量分散的实验数据难以实现跨主体打通，同时过往研发过程中产生的失败数据大多没有公开，导致AI训练模型容易出现“虚高预测”的问题，很多在计算机模拟中表现完美的分子，进入实际实验室环节后无法顺利合成，或是成药性表现远低于预期。

　　当前行业内尚未出现完全由AI端到端独立设计的重磅药物，AI制药的整体发展仍有很长的路要走。整个行业的核心痛点集中在数据层面，只有建立起覆盖药物研发全生命周期的高质量、标准化临床数据库，才能为AI模型的持续迭代提供充足的优质训练素材，进一步提升靶点发现的精准度，降低后续临床试验的失败概率。

　　随着行业认知的不断深化，头部AI制药企业已经不再局限于单纯输出算法服务，开始主动布局自动化实验基建，补齐湿实验闭环能力，传统药企也从采购单点AI工具，转向投资或共建自主可控的AI研发中台，整个产业链的价值链条正在不断完善，逐步形成上中下游深度协同的网状赋能体系。

研发范式升级与产业发展目标明确

　　AI技术在制药领域的持续渗透，正在推动整个医药研发的底层逻辑发生深刻变革，传统的线性串联研发模式中，前一个环节全部完成后才能进入下一个环节，整体流程耗时久、调整难度大，而在多模态信息融合的并行优化模式下，不同研发环节的工作可以依托AI实现数据实时互通、同步推进，大幅压缩整体研发周期。

　　当前AI制药的商业化路径已经形成了清晰的多元格局，主要分为面向药企提供平台订阅与项目服务、管线对外授权、全流程自研新药上市三类，三者的风险与潜在收益依次抬升，其中“管线授权+里程碑分成”是当前行业内最普遍的变现路径。随着AI制药企业相继进入资本市场，行业发展已经从技术叙事时代，正式进入了以临床数据为核心评价标准的新阶段，资本、算力、医药资源正在加速向能够交付可验证研发结果的市场主体集中。

　　国家层面出台的相关规划，将AI制药全流程数据自动采集与追溯系统纳入医药工业发展的整体布局，为行业的基础设施建设指明了方向。到2030年，我国创新药产业规模年均增速超过百分之二十、首创新药全球占比突破百分之二十五的发展目标，将引导整个产业资源向原始创新方向倾斜，推动中国医药产业逐步摆脱跟随式研发的路径依赖，在全球创新药研发的核心赛道中占据更重要的位置。

　　随着AI技术与医药研发的融合不断走向深入，人机共智的高效协作模式将在更多研发场景中落地应用，AI不再是辅助性的工具，而是深度参与到研发全流程的核心协作力量，持续为公众健康守护提供更有力的技术支撑。

(编辑：吴淑娟)