AI制药的“反摩尔定律”困局：算力暴涨，新药产出为何下降？三位顶尖学者激辩四大破局路径

导语：算力暴涨，新药产出却持续下降，AI制药深陷“反摩尔定律”。南佛罗里达大学许东、同济大学刘琦、香港大学张清鹏三位教授，从系统科学、数据闭环、赛道选择和AI Agent四大维度，给出破局关键。

过去几年，AlphaFold 家族的惊艳迭代与生成式 AI 在分子设计上的“狂飙”，让外界产生了一种错觉：AI 即将彻底颠覆制药行业。然而，冰冷的现实是，那些在硅基世界中被打分极高的完美分子，进入碳基人体后却在临床二、三期试验中屡屡折戟。AI 算力指数级暴涨，药物研发却深陷“反摩尔定律”——技术越先进，投入越庞大，新药产出率却持续下降。AI 究竟是颠覆者，还是仅仅充当高级“加速器”？

近日，南佛罗里达大学教授许东、同济大学生命科学与技术学院教授刘琦、香港大学数据科学与药学系副教授张清鹏三位横跨计算科学、生物信息学与复杂系统科学的顶尖学者，在一场主题为“后 AlphaFold 时代 AI 制药的破与立”的线上圆桌中，展开了长达两小时的深度对谈，为上述困局给出了清晰而务实的破局思路。我们将核心洞察提炼为四大方向，以下为详细解读。

洞察一：告别“钥匙开锁”的线性思维，重回系统科学与机理模型

当前 AI 制药最大的误区在于还原论的简化思维——将药物研发等同于“一把钥匙开一把锁”的游戏，过度追求分子与单一靶点的高亲和力。然而，人体并非一台可被简单拆解的机器，而是一个会自适应、会代偿、与环境动态交互的复杂生态系统。张清鹏教授一针见血地指出，药物进入人体后，需要经历吸收、分布、代谢、排泄等极其复杂的动力学过程。在细胞系中表现优异的分子，未必能被有效递送，更未必能引发期待的宏观药理反应。

刘琦教授点出了问题的本质：“AI 技术目前只能做到‘降本增效’，它无法颠覆制药本身的生物学与化学逻辑。”一个极具说服力的案例是辉瑞的新冠药物 Paxlovid。在其大获成功的背后，居功至伟的并非时髦的深度学习黑盒模型，而是基于常微分方程（ODE）的 PKPD 数学模型分析。这类偏重机理、能提供清晰生物学追溯路径的模型，在学术界受到的关注却远不及那些“刷榜”的 AI 大模型。

未来的破局点在于“灰盒化”——将基于物理与机制的（Physics/Mechanism-driven）模型与强大的数据驱动（Data-driven）表征学习相结合。唯有让 AI 真正理解药物在体内的作用机制，而非仅仅进行“暴力猜解”，AI 制药才能从虚拟世界稳健地走向临床。

洞察二：跨越“盲人摸象”的数据鸿沟，干湿实验闭环是唯一解

为何 AI 在自然语言处理和图像识别领域所向披靡，在生命科学领域却泛化能力极差？答案在于数据的“完备性”与“干净度”。不同于拥有海量标准标签的 ImageNet，生命科学领域的数据面临三大先天缺陷：

维度不完备：当前对靶点和生命体的特征描述（如氨基酸序列、SMILES 表达式）相比图像像素而言太少，用单一模态数据训练模型宛如“盲人摸象”。
负样本缺失：制药公司出于商业机密，极少公开失败的实验数据，导致 AI 模型只能在“幸存者偏差”中学习，极易过拟合。
长尾分布下的边缘案例：许东教授提到，以 AlphaFold 为代表的模型基于进化中的负选择能很好地预测常见蛋白，但面对 BCR/抗体等处于主动进化的边缘案例时，效果要大打折扣。

数据鸿沟的存在，注定了现阶段的纯计算模型无法独立完成新药发现。三位学者一致认为，“干湿实验结合”是现阶段唯一可行的路径。不再追求 AI 一次性给出完美分子，而是利用贝叶斯优化、主动学习等方法，让 AI 生成数十个候选者，通过高通量、自动化的湿实验快速测试，并将结果（尤其是负反馈）实时反哺给 AI。通过 24 小时不间断的快速迭代，在有限的数据样本下逼近最优解。许东教授团队在多肽农药的案例中，仅通过贝叶斯优化数十个多肽，就实现了约 100 倍的杀伤效果提升，且已进入大田验证与商业化，这正是干湿闭环威力的生动写照。

洞察三：找准高价值赛道：老药新用、多肽/抗体、免疫疗法与虚拟细胞

在具体的制药赛道选择上，三位嘉宾描绘了一幅清晰的价值地图：

老药新用：老药的安全性已经过验证，直接绕过了最致命的毒副作用风险。结合系统生物学，利用 AI 寻找多靶点的“药物组合”，是控制复杂系统网络失衡的高效路径。例如，通过 AI 计算找到的老药新用方案，已在《新英格兰医学杂志》报道的卡斯尔曼病案例中成功落地。但其商业化挑战在于如何突破现有专利封锁，这反而催生了 AI 在专利规避设计上的新应用。

从小分子到多肽/抗体的演进：相比于合成困难、成本高昂的小分子从头设计，多肽和蛋白药物的可合成性极高（大肠杆菌表达等技术使成本大幅降低）。挑战转移到了“如何保持稳定”以及“如何避免强烈的免疫副作用”。

免疫疗法：免疫疗法（如针对癌症、阿尔茨海默症等）被视为当今制药界的“顶流”。然而，由于免疫系统极其复杂，目前 AI 在免疫领域的渗透依然较浅。这片尚未被充分开垦的处女地，正是年轻学者和创新企业大有可为的“好领域”。

RNA 递送与虚拟细胞：随着 mRNA 技术的成熟，制药的核心难点之一变成了“递送”（如 LNP 纳米脂质体在不同器官的分布）。同时，从分子层面的 AIDD 向细胞层面的“数字细胞”演进正在发生。利用单细胞测序、扰动测序构建细胞的“世界模型”，在虚拟环境中模拟药物干预效果，有望大幅缩减动物实验的时间与成本。

洞察四：AI Agent 入驻实验室，从 SaaS 向 RaaS（结果即服务）跃迁

大语言模型与 AI Agent 的狂飙，正在重塑科研的生产关系。过去，生物学家需要学习复杂的代码和软件去处理数据。而如今，诸如 OpenAI Swarm 模式或 BioAutoMATE 等智能体的出现，正在将制药软件从 SaaS（软件即服务）向 RaaS（Results as a Service，结果即服务）跃迁。研究人员只需用自然语言提出需求，Agent 就能自动完成文献检索、假设生成、工具调用和流程自动化。张清鹏教授形容，这就像每个研究员都配备了十几个 24 小时不知疲倦的“超级实习生”。

尽管目前的 Agent 更多是在做“降本增效”的流程自动化，尚无法触及突破底层制药逻辑的“无人区”，但其对研发速度的提升是实实在在的，效率可提升数倍。在未来，随着具身智能与自动化实验室的结合，药企的研发成本结构将被彻底重写。

结语：中国优势与“顿悟”奇点

在 AI 制药这条长坡厚雪的赛道上，中国展现出了得天独厚的优势：极高的 AI 人才密度、完备的上下游产业链、显著的成本优势，以及庞大的临床数据资源，共同促成了近年来越来越多的中国 Biotech 公司向海外药企高价“出海”（License-out）的繁荣景象。尽管我们仍面临医疗数据分散、“数据孤岛”林立的现实挑战，但正如许东教授所言，特斯拉自动驾驶正是通过源源不断的数据积累最终促成了智能的“顿悟”。随着中国产学研各界在干湿闭环上的持续发力，AI 制药跨越“死亡之谷”的奇点，或许已在酝酿之中。