AI制药一期九成过！二期骤跌至四成，验证环节卡了脖子？

AI（人工智能）制药有组扎眼数字。

临床一期成功率能到八到九成。到了二期，剩下约四成。这个落差，才是人工智能科研热里最该看的地方。

普通人也该关心。因为这决定了未来新药、新材料、电池、低碳混凝土，能不能从新闻里走到工厂和医院里。也决定了学人工智能的人，最后靠什么吃饭。

会调模型的人会越来越多。能拿到真实实验数据、能把方案做出来的人，会越来越贵。

这两年人工智能驱动科学研究很热。新华日报报道了江苏的一些进展。苏州材科源图做催化材料项目，企业受访时提到，不到两个月完成交付，转化效率提升三成。南京药石科技把算法接入药物发现平台 ZoeStar，背后有超过二十万种分子砌块。

这些都很亮眼。

但开头那个断崖提醒我们，人工智能到底把科研哪一步变快了，哪一步还卡着。

科研像一条流水线，最慢那台机器决定产量

这里可以借一个工厂里的老道理。

一条流水线有三台机器。前两台每分钟能处理一百件，第三台每分钟只能处理十件。那整条线的产量，就是每分钟十件。

你把前两台提到两百件，也没用。产量不会涨，只会把半成品堆到第三台前面。

科研也差不多。

大致分三步。先提出假设，再设计方案，最后做实验验证。新药还要过动物实验、临床一期、二期、三期。新材料还要小试、中试、放大生产。

过去每一步都慢。

一个新药分子怎么设计。一种材料配方怎么调。很多时候靠经验、文献、试错，慢慢摸。

人工智能最厉害的地方，是把提出假设和设计方案这一步压缩了。

过去几个月想不出来的组合，现在可能几秒钟排出一长串。过去靠人眼翻文献，现在模型可以在大数据库里找线索。过去要试很多明显不靠谱的方案，现在可以提前筛掉一批。

这就是它的价值。

可验证那一步没有同步变快。

分子到底有没有毒。进入人体以后能不能吸收。对某种病有没有疗效。材料配方能不能搅拌、凝固、压测、量产。

这些都在物理世界里发生。

模型能给你方向，不能替你完成临床。模型能缩小范围，不能替你把混凝土浇出来。

所以瓶颈变了。

过去是想不出方案。现在是方案太多，验不过来。

一期好看，二期难看，问题出在验证

人工智能制药的一期和二期落差，正好能说明这件事。

一期主要看安全性。一个分子像不像药，有没有明显毒性，人体能不能接受。人工智能在这一步有优势。它能筛结构，筛性质，筛可合成性。

所以一期数据好看，不奇怪。

二期开始看疗效。这个药对这种病人有没有用。靶点选得对不对，生物学假设立不立得住，患者差异会不会把效果冲掉。

这一步很难靠模型包办。

所以人工智能药物到二期以后，成功率回到约四成，和传统药物差距拉不开。这个结果不丢人，但很清醒。

Isomorphic Labs 是很好的例子。它是 Google DeepMind 分拆出来的人工智能制药公司。今年宣布融了二十一亿美元。这个数字很大。

但公开报道也提到，它的自研药物到现在还没有给人类患者用药。首个临床时间，也从二零二五年底推到了二零二六年底。

这不代表它没价值。

它说明药物这件事，最后要被人体检查。融资不能替代临床。模型分数不能替代疗效。

到目前为止，公开产业统计里，还没有一款人工智能发现药拿到监管批准。这句话听着冷，但对行业很重要。

人工智能能把路修短。它还没把终点搬到眼前。

行业现在最容易犯两个毛病

第一个毛病，是过分迷恋生成。

很多项目喜欢讲模型多大，参数多少，能一口气生成多少分子、多少材料配方。听起来很热闹。

可科研不按热闹结账。

如果没有真实实验数据，没有物理和化学约束，没有高通量实验去回收结果，生成越快，堆出来的待验证方案越多。

这就像前两台机器越跑越快，第三台前面堆成山。

药石科技这类案例，值得看的地方不只是用了人工智能。更关键的是，它们都在把模型和真实数据库、可合成资源、实验验证绑在一起。

药石科技提到，ZoeStar 依托超过二十万种分子砌块，生成候选分子时还考虑可合成性和实体砌块资源。这就比空想分子更接近实验室。

第二个毛病，是估值跑得太快。

清科研究的数据说，二零二六年一季度，中国人工智能领域总投资金额超过一千一百亿元，同比上升一百八十五点四个百分点。

钱进来很快，产品出来很慢。

这中间就容易出现错配。

市场愿意为会生成的能力付高价。可制药、材料、能源这些行业，最后要看验证能力。能不能中试，能不能量产，能不能过监管，能不能交付客户。

如果按会生成来估值，却期待它交出会验证的结果，泡沫就会出来。

要给人工智能一个公道判断

人工智能科研没有吹成空气。

把设计和假设生成提速千百倍，这件事很有价值。过去科学家可能花几年走死路。现在模型可以先筛掉一批明显不合适的方向。

人力就能集中到更有希望的地方。

AlphaFold 就是这样的台阶。它把蛋白结构预测向前推了一大步。公开数据库已经提供超过二亿个蛋白结构预测。很多研究因此少走了弯路。

哈萨比斯把 AlphaFold 看成科学革命的第一级台阶。这个说法我认。

但第一级台阶踩稳了，不等于后面的楼梯消失了。成药、毒性、疗效、工艺放大、量产稳定性，这些台阶还得一级一级爬。

江苏那些企业受访数据，比如效率提升三成、周期缩短、碳排降低，方向值得看。但文章里必须保留一个口径，这些是企业受访自述，不等于已经全行业大规模跑通。

人工智能的贡献在于减少瞎试。

它没有取消实验。

普通人该看懂什么

这件事最后会落到普通人身上。

先说钱包。

如果你买股票、基金，或者看人工智能医药、新材料概念股，别只看模型故事。要看它有没有真实数据，有没有实验平台，有没有客户订单，有没有中试和量产能力。

会生成方案，只是第一步。

再说工作。

会用大模型会变成基础技能。就像会用办公软件一样，不稀奇。更值钱的是三种能力叠在一起。

懂领域知识。会做实验。能把人工智能用到真实流程里。

材料、医药、化工、电池这些行业，最缺的会是这类复合型人才。纯会写提示词的人，优势会变薄。只会做传统实验的人，也会被更高效的团队追上。

最后说生活。

未来我们当然会看到更多人工智能参与研发的新药、新材料、新产品。但不要以为新闻里一个模型发布，明天药店就能买到药，后天工厂就能量产材料。

科研最难的部分，没有被取消。

它只是从想不出方案，变成验不完方案。

看懂这点，就不会被一句模型很强带着跑，也不会把自己的能力押在最容易被复制的那一步。

本文只作产业机制分析，江苏案例数据为企业受访自述，临床与融资数据引自公开研究和报道，不构成投资建议。