跳到正文
原文
生物谷·资讯·· 21 天前AI 评分60

AI4S在生物医药领域的应用瓶颈与政策趋势

巨头扎堆砸钱的 AI4S,为什么被按住了脚步?深度解读:AI4S的瓶颈不在算力,在实验台!

AI 导读

文章分析了AI4S在生物医药领域的应用瓶颈,指出物理侧的验证能力仍是主要限制,并探讨了政策趋势。

正文

2026 年 8 月,Anthropic 发布的一项实验结果在科学界激起层层涟漪:Claude 在 48 小时内自主完成了从靶点研究到蛋白质结合剂设计的全流程工作,最终交付的 1320 个候选设计中,经两家独立实验室验证,有 354 个成功结合靶标,总命中率达 26.8%,15 个靶标中 14 个获得有效设计。

作为对比,当前蛋白质设计领域的行业平均成功率仅在 10%—15% 之间。这意味着,一个通用大模型用两天时间,完成了过去需要资深蛋白质工程师数周计算、优化和筛选的工作量,且质量更优。

几乎在同一时间维度上,另一组数据却勾勒出截然不同的产业图景。截至 2026 年秋,全球 AI 制药领域累计投入已达约 600 亿美元,约 175 个 AI 起源药物进入人体临床试验,但 FDA 批准上市的数量依然是零。走得最远的英矽智能 Rentosertib 确实已进入 III 期临床——从项目启动到确定临床前候选化合物仅用 18 个月,合成测试的分子不到 80 个,发现阶段的提速真实可感。然而这项 III 期试验设计为持续给药 52 周,给药结束后还要经历数据整理与统计分析,临床读出的时间刻度,并不以 AI 的迭代速度为准。

当这两组数字并置,AI4S(人工智能赋能科学研究)当前最核心的内在张力便清晰浮现:数字侧的生成能力正在以小时和天为单位指数级释放,而物理侧的验证能力仍然以周、月、年乃至十年为单位线性运行。

中国工程院院士李国杰对此有一个精准的论断:AI 的生成能力快速增长,验证能力却难以同步提升,"无验证闭环,难成智能化科研"。理解 AI4S,不能只惊叹于它在数字世界跑得多快,更要看清它在何处被物理世界牢牢按住了脚步。

图片来源:www.labopen.fi

速度从哪里来

AI 在科学任务上展现出的速度优势并非凭空降临,它建立在三条长期积累的技术线索之上,在特定任务场景中叠加释放,最终形成了今日所见的爆发力。

第一条是数据。AlphaFold 的突破性能力,根植于一个极其特殊的存量数据资产——PDB 数据库中数十万个通过冷冻电镜、X 射线晶体学和核磁共振技术逐点测定的蛋白质三维结构。这些高质量、格式统一、规模足够的结构化数据,是几代结构生物学家用数十年湿实验一点一滴积累而成的。没有这个厚重的数据基座,深度学习在蛋白质折叠问题上的突破便无从谈起。这也解释了为何 AI4S 率先在结构生物学领域"引爆"——它恰好拥有一个其他科学领域难以复制的、近乎完成的存量数据集。

第二条是算法范式的迁移。早期的专家系统依赖人工编写规则,在高维复杂系统面前迅速触及天花板;深度学习带来的核心转变,是让机器从数据中自动提取层次化表征,使 AI 从 "执行规则" 转向 "发现模式"。生成式模型更进一步,将能力边界从 "预测" 推进到 "设计"——给定一个靶标名称,就能从零生成自然界中不存在的蛋白质序列。2020 年 AlphaFold2 解决的是 "序列到结构" 的预测难题;2024 年诺贝尔化学奖授予大卫・贝克、戴密斯・哈萨比斯和约翰・江珀,表彰的正是计算蛋白质设计与结构预测两个方向的里程碑式突破。截至 2026 年,AlphaFold 已预测约 2 亿个蛋白质结构,几乎覆盖了科学界已知的全部蛋白质序列。

第三条是工程能力。GPU 并行计算与大规模预训练范式的普及,使科学任务的模型训练从 "实验室级" 迈入 "工业级"。但这条线索的真正含义需要被准确理解:在 Claude 的蛋白质设计实验中,底层的生成能力并非来自 Claude 本身——RFdiffusion、ProteinMPNN、ESMFold2 这些开源专用模型早已存在,任何实验室都可以下载使用。

Claude 真正做的是编排:研究团队将蛋白质工程师的工作知识写入一份约 1.6 万词的提示词协议,然后让模型自主选择靶点、表位、工具组合和筛选标准,在 48 小时内调用 10 种结构生成方法、拼接出 24 种工具链组合。人类操作员只做了三件事:批准网络访问、监控基础设施运行、将排好序的设计送去合成检测,全程没有介入任何设计决策。

这个分工揭示的机制,比"AI 无所不能"的叙事更值得深思:数字侧的爆发不是单一通用模型的万能,而是通用调度能力与专用工具生态的深度耦合。速度来自编排,而编排的上限,终究由底层工具和数据的质量决定。

图片来源:iabac.org

剪刀差的四个层面

当数字侧进入"48 小时产出千级候选"的量级,物理侧的约束就从背景噪音变成了不可回避的结构性瓶颈。这些约束并非同一性质,它们从不同方向收紧 AI4S 的速度天花板,需要逐层拆解来看。

第一层是实验通量。现有自动化设备的设计逻辑,本质上仍是人类实验操作的机械延伸:样本准备、反应、检测、数据分析的流程,都是按照人的操作节奏组织的。AI 一天可能需要验证几千次实验假设,传统设备一天只能完成几十次。这不是"多买几台机器"就能简单解决的问题,整个工具链需要从底层逻辑上为 AI 重构。

晶泰科技的路径提供了一个参照:全球部署超 300 台自动化工站,累计沉淀 50 万条真实实验记录,其中 80% 是公开数据库中稀缺的失败负样本;其自动化实验室每周产生数千条失败反应数据,这些"负面知识"反过来使模型下一轮推荐的成功率持续提升。干湿闭环的核心价值不在于"有了自动化",而在于实验产生的数据能够以 AI 可用的速率和格式,持续回流到模型迭代中。

第二层是临床时间的刚性。李国杰院士的判断是:AI 有望将药物发现阶段从传统的 5—6 年压缩到 2—3 年,发现阶段的研发成本可降低 40%—60%;但完整的药物研发周期仍受制于临床试验、生物复杂性和监管要求,通常仍需 8—12 年。Rentosertib 的 18 个月是真实的提速,但它进入的是一个以 52 周给药周期和独立数据读出为基本单位的阶段。临床周期不是"等待被 AI 加速的低效环节",而是科学和监管层面对"证明因果有效性"的制度性要求。在这个环节上,AI 的速度优势无法直接兑换为时间。

第三层是数据生产速率。AlphaFold 的成功建立在几十年积累的存量数据之上,但存量红利正在快速耗尽。从结构到药效、从药效到毒性、从毒性到临床反应,每深入一层,可用数据就差着一个数量级。大语言模型可以"吞掉"互联网的全部存量文本完成训练,AI4S 却不能——它必须通过重新设计实验本身来生产数据。一个熟练研究员一天能做几十次实验,但 AI 要真正理解生命机制所需的实验数据量,与当前人类的实验产出速率之间,存在着数量级的鸿沟。这就是为什么干湿闭环从"锦上添花"变成了结构性的产业命题——没有闭环,AI4S 的数据供给迟早会撞上一堵墙。

第四层是验证逻辑本身的不完备。李国杰院士将科学问题区分为 R1(可验证)和 R2(半可判定)两类,指出 AI4S 验证瓶颈的根源在于科学问题的半可判定性,"可验证性的边界就是自动化的边界"。

DeepMind 的 GNoME 项目提供了一个直观的量化截面:该平台预测了约 38 万种热力学稳定的晶体材料,但截至 2023 年底,经独立实验验证成功合成的只有 736 种。736 除以 380000,约 0.19%。这个比例不应被简单读作 "AI 预测不准"——736 种新材料被实验合成本身就是真实的科学进展——但它准确地量化了从"数字侧稳定"到"物理侧可合成"之间那道巨大的筛选漏斗。

更隐蔽的风险是"目标漂移":AI 在高维空间中优化一个代理指标(比如结合亲和力),可能得到一个在指标上非常漂亮、但在物理上毫无意义甚至有害的答案。一个空间坐标的幻觉,在药物设计中就是良药与毒药的距离。

图片来源:hdsr.mitpress.mit.edu

政策在赌什么

2025 至 2026 年,全球主要经济体的 AI4S 政策密集升级,初步形成美、欧、中三极竞合格局。

美国以"创世纪计划"(Genesis Mission)将 AI 赋能科研提升至国家级工程,由能源部牵头整合联邦算力与数据资源,首批投入 3.2 亿美元建设美国科学云平台,目标是在十年内将联邦研发效率翻倍。欧盟以"科学 AI 战略"和 RAISE(欧洲 AI 科学资源中心)统筹跨国算力、数据与人才,侧重可信治理与技术主权。英国则聚焦优势领域,以较小体量的专项投入寻求单点突破。

中国政策的独特之处,在于落地链条的密度和推进速度。2025 年国务院《关于深入实施"人工智能+"行动的意见》将"人工智能+科学技术"列为六项重点行动之首。2026 年 6 月,北京印发《加快推进人工智能赋能科学研究实施方案(2026—2028 年)》,部署 18 项具体任务,核心方向直指自主实验室体系、科学模型体系、科学数据底座和干湿闭环科研新模式。

这份方案释放的一个关键信号值得注意:自主实验室被置于五大方向的首位。政策制定者没有把 AI4S 的重心放在"更大的模型"上,而是放在了物理侧的基础设施——具备自主感知、自主决策、自主执行能力的实验载体上。这意味着政策下注的不只是算力和算法,更是科研组织方式的根本转换:从分散的 "作坊式" 科研,转向计算、实验、数据回流和模型迭代一体化的平台模式。

北京拥有 90 多所高校、100 多万科研从业者、145 家在京全国重点实验室,方案试图将这些存量资源重新组织到与数字侧节奏相匹配的干湿闭环体系中。这个判断与前文对物理侧的分析高度一致:AI4S 的瓶颈不在数字侧,政策资源正在向瓶颈真正所在的位置移动。

产业分化的真相

资本的热度是真实的。2026 年上半年全球 AI4S 领域融资持续走高,仅 Isomorphic Labs 一笔 B 轮融资就达 21 亿美元,CuspAI 估值在不到一年内翻四倍至 26 亿美元。但渗透率数据提供了必要的冷静视角:AI4S 在整体科研活动中的渗透率仍不到 1%,有机构测算显示,渗透率达到 10% 时全球市场规模约为 595 亿美元——当前的资本叙事本质上是一个从极低基数启动的早期故事。

更有分析价值的,是产业内部正在发生的分化。平台层和管线层争夺的是模型能力叙事和临床兑现进度,但正在形成真实壁垒的,是干湿闭环层。晶泰科技和镁伽科技代表的路径不是"用 AI 替代实验",而是"用自动化实验为 AI 生产燃料"。镁伽的鲲鹏实验室以 AI 实验员执行 7×24 小时不间断工作,8 名科学家和实验员在 4 个月内完成 156 轮干湿实验迭代,将抗体多项预测精度从 70% 提升至 90% 左右;传统方法通常需要 40 至 50 人的团队耗费 3 至 4 年才能达到同等效果。缩短的是迭代周期,积累的是负样本和过程数据——这些恰恰是公开数据库中最稀缺的资产。

"零获批"的真相也需要被准确放置。600 亿美元投入、175 个进入临床的 AI 起源药物、FDA 批准为零,这组数字不应被简单读作 AI4S 的失败。它更反映的是:AI 在发现阶段的加速,与证明阶段的制度性时间刚性之间,存在一道无法用算法跨越的鸿沟。真正的产业拐点信号,可能不是某个 AI 药物获批上市,而是跨国药企开始为 AI 设计的分子结构付费——从"论文可信度"转向"可采购的产出"。这一步,比任何单项模型能力的提升都更能说明 AI4S 正在跨过产业化的门槛。

图片来源:www.oajaiml.com

边界在判断层

对 AI4S 最有力的审视,不是问 "AI 能不能做科学",而是区分科学活动中两个性质完全不同的层面。李国杰院士的分析框架值得作为收束:一是 "执行层",即在既定问题、方法和评价标准下生成假设、设计实验、分析数据、检验结果;二是 "判断层",即决定哪些问题值得研究、哪些异常值得追踪、哪些结果具有科学意义,以及何时需要改变研究目标和评价标准。

AI 正在以前所未有的速度接管执行层的大量环节,Claude 的蛋白质设计实验就是执行层能力的一次集中展示。但判断层仍然内在于人类科学共同体。科研活动根植于开放世界,其对象、背景、历史语境和价值维度,不能被任何封闭形式系统完全表示。真正意义上的科研全自动化,不仅需要生成假设和检验结果,还需要自主评价科学意义并在新发现面前修正评价准则——这种"自指闭环"无法被还原为一个可事前完备验证的算法过程。

这不是对 AI4S 价值的否定,而是对它长期价值的重新定位。AI4S 最深刻的贡献,可能不在于 "AI 做出了人类做不出的发现",而在于将科学家从执行层的重复劳动中释放出来,使其更集中地投入判断层的创造性工作。

但这一前景恰恰要求物理侧的基础设施跟上:如果实验通量、数据质量和干湿闭环不出现数量级的改善,执行层的加速只会把瓶颈更尖锐地推到判断层面前 ——AI 生成了更多值得审视的候选,而人类验证和判断它们的能力并没有同步增长。

下一个拐点在地面上

短期来看,AI4S 的公众叙事仍将由数字侧的能力突破驱动,每一次模型升级都会带来新一轮的乐观预期。但产业的真正分水岭,将取决于谁能建立可持续的干湿闭环和高质量数据积累。资本热度与临床兑现之间的时间差,不会因为模型参数变大而自动消失。

中期而言,如果自动化实验工具链的"为 AI 重构"取得实质进展,即不是简单地把人手操作换成机械臂,而是从实验设计、调度、检测到数据回流全流程按 AI 的节奏重新组织——验证通量可能出现数量级提升,数字与物理之间的剪刀差会从结构性瓶颈收窄为阶段性摩擦。但临床周期和数据生产速率的深层约束,仍将定义 AI4S 在生物医药领域兑现的实际节奏。

更长期地看,AI4S 真正改变的可能不是 "发现的速度",而是科研的组织形态。从以个体科学家和手工实验为中心的作坊模式,转向计算、实验、数据回流和模型迭代一体化的平台模式。这一转型的成功与否,不取决于 AI 在数字侧还能跑多快,而取决于那些不会因为模型变强而自动变快的东西——实验的通量、临床的读出、数据的生产速率,以及人类科学共同体保留的最终判断权。(生物谷Bioon.com)

版权声明 本网站所有注明“来源:生物谷”或“来源:bioon”的文字、图片和音视频资料,版权均属于生物谷网站所有。非经授权,任何媒体、网站或个人不得转载,否则将追究法律责任。取得书面授权转载时,须注明“来源:生物谷”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。

来源:生物谷·资讯 · news.bioon.com