兰艳艳任首席科学家，清华团队创业做AI Native制药｜对话艾斐智药高博文

一款药走到患者面前，要先经过一场持续十余年的淘汰赛。研究人员确定与疾病相关的靶点后，从海量化合物中寻找少数能够结合的命中分子，再反复优化活性、选择性、药代和安全性。

随着 AI 技术逐步渗透药物研发领域，蛋白结构预测、分子生成、虚拟筛选等环节的效率已得到显著提升，将 AI 工具嵌入传统研发流程也成为行业主流路径。但这种模式本质上仍属于局部提效，大量核心研发决策仍高度依赖专家经验。

在此背景下，艾斐智药（AIPher）成立。艾斐智药技术源自清华大学智能产业研究院兰艳艳团队在 AI for Science 与药物研发领域的积累。核心成员高博文创立公司并任 CEO，兰艳艳教授担任公司首席科学家，研究院创始院长张亚勤院士担任首席科学顾问。

近日，在接受生辉专访时，艾斐智药创始人高博文表示，公司希望探索 AI 原生（AI Native）研发模式，让 AI 贯穿候选分子发现、实验选择和研发决策，推动 DrugCLIP、PharmAgents 等研究成果进一步进入真实药物研发场景。

这场创业的技术起点来自一次跨界迁移。高博文曾在字节跳动研究视频算法推荐，负责从数亿条内容中寻找与用户兴趣匹配的部分。在药物研发领域，他发现早期药物发现本质上也是超大规模匹配问题，只是匹配对象从用户与内容变成了蛋白与分子。

由此，他带着在工业届积累的AI经验和对问题的认知，把双塔结构的思想迁移至药物发现场景，开发出 DrugCLIP 模型，并搭建 PharmAgents 体系，以期打通模型、实验与决策链路。相关研究显示，DrugCLIP 的筛选速度较传统分子对接最高提升超百万倍，使人类基因组规模筛选成为可能。

在高博文的规划中，AIPher 的最终目标，是构建一家由 AI 驱动的“虚拟药企”：让 AI 能够持续拓展探索边界，自主判断下一步研发方向，并从真实实验结果中不断学习和进化，逐步参与乃至自主完成药物研发的完整过程。

一次算法跨界

高博文最早在本科阶段接触机器学习。就读多伦多大学计算机专业时，他开始系统学习相关方法。随后进入加州理工学院攻读硕士学位，并开始接触到了人工智能与基础科学的跨学科研究。

硕士毕业后，高博文加入字节跳动，参与推荐与视频算法的系统研究，优化推荐系统中的召回算法。所谓召回，是指系统先从数亿条候选内容中快速找出可能与用户相关的部分，再交给后续模型进行精细排序。

与此同时，他也在关注 AI 解决复杂科学问题的潜力。高博文告诉生辉，2021 年，DeepMind 的 AlphaFold2 在蛋白质结构预测竞赛中显著提高了预测精度。这项进展让他意识到，AI的能力确实可以被广泛运用于生命科学研究中。

后来，高博文加入兰艳艳教授领导的清华大学智能产业研究院 AI for Drug Discovery 团队，开始系统开展 AI 药物研发研究。

近年来，团队围绕药物发现全链条持续布局，已发表相关研究论文 30 余篇，覆盖基因组学，蛋白结构与表征、虚拟筛选、分子生成、分子优化、药物设计评价及多智能体等多个关键环节，相关成果发表于 Science、Nature、NeurIPS、ICML、ICLR 等国际顶级期刊和会议。

在这一过程中，高博文注意到，早期药物筛选与他此前从事的推荐算法存在形式上的相似性：推荐系统从海量内容中寻找与用户相关的项目，虚拟筛选则从大型化合物库中寻找可能与蛋白口袋结合的分子，二者本质上都涉及大规模匹配和检索。

不过，形式相似并不意味着可以直接套用。药物筛选还受到三维结构、结合位点和成药性等条件约束，可靠实验数据也比互联网行为数据更少。

围绕这些问题，高博文先后参与蛋白口袋预训练、分子筛选与生成、多目标性质优化，药物发现智能体等研究，多篇成果发表于 ICLR、ICML 和 NeurIPS 等顶尖人工智能会议。

图｜DrugCLIP 全基因组规模虚拟筛选研究发表于《Science》正刊

DrugCLIP 以及团队在药物发现不同任务上一系列模型和研究成果的成功，让高博文逐渐看到 AI 改变药物研发的更大可能。尤其是当这些方法进一步进入真实实验后，团队发现，AI 不仅能够提升单个研发环节的效率，也能够突破传统方法受到的计算与认知边界，在过去难以触及的空间中进行更大规模的探索。

但单点模型的突破仍然只是起点。真正完成一款药物的发现与推进，需要经历靶点选择、分子发现、实验设计、分子优化以及一系列连续的研发决策。如何把已经在不同任务中得到验证的 AI 能力进一步放大，从解决一个个独立问题走向贯穿药物研发全流程，成为团队进一步思考的问题。

带着这一思考，高博文选择创业。他表示，AIPher 所理解的 AI Native，并不是简单地在传统药物研发流程中加入更多 AI 工具，而是从 AI 的能力出发，重新思考和设计整套药物研发系统：哪些问题由 AI 探索，哪些研发决策可以由 AI 参与，计算与实验如何衔接，真实结果又如何持续反馈给模型和 Agent，让整个系统在项目推进中不断学习和进化。

这种思路也决定了 AIPher 的团队和研发组织方式。AI Native 并不意味着由 AI 人员单独设计一套系统，再交给生物和药化团队使用。相反，从系统设计之初，AI、生物、药化和产业研发人员就需要共同参与，将不同领域对于药物研发的知识、经验和判断融入其中。目前，团队成员覆盖人工智能、结构生物学、药物化学和产业研发等领域。

在项目运行中，团队也希望打破计算、药化和生物依次交接的传统线性流程，让不同专业成员与 AI 从项目早期共同定义问题、设计研发路径，并根据计算与实验结果持续调整方向。

高博文希望，最终形成的并不是一套服务于传统研发流程的 AI 工具，而是一套由人类科学家与 AI 共同设计、并能够随着真实研发不断进化的 AI Native 药物研发系统。

让 AI 掌舵“化学宇宙”

药物研发本质上是一个不断探索、判断与迭代的过程。从靶点选择、候选分子发现到分子优化，每一步都面临大量可能性，也伴随着“下一步该往哪里走”的选择。

在高博文看来，真正的难点发生在任务衔接处，例如哪些分子值得推进、哪些实验优先开展、结果偏离预期后如何调整方向，都可能改变项目后续的研发路径。

围绕这一目标，AIPher 搭建了覆盖早期研发全流程的技术架构。他将其概括为 Exploration、Decision 和 Evolution，也就是探索、决策和进化，分别对应扩大生物化学空间的搜索边界，选择最优研发路线，以及通过计算与实验反馈持续学习并推动模型和智能体进化。

首先是 Exploration。支撑这一层的核心技术 DrugCLIP，解决的是“在近乎无限的化学空间中，如何找到真正值得探索的分子”的问题。

药物发现早期，虚拟筛选承担着从海量化合物中寻找潜在候选分子的任务。但随着可探索的化学空间不断扩大，传统方法的计算范式开始面临明显的规模瓶颈。

以分子对接为代表的传统方法，需要将小分子逐个放入蛋白口袋，模拟结合姿态并进行打分；近年来发展的深度学习方法，则可以通过神经网络直接预测蛋白与分子的结合可能性。但两类方法本质上都没有摆脱蛋白与分子之间的逐对计算：候选分子扩大一倍，需要完成的计算也随之增加。

这意味着，即使单次预测变得更快，面对亿级、十亿级乃至更大的化学空间，计算规模依然会迅速成为瓶颈。DrugCLIP 想改变的，正是这种虚拟筛选的计算范式。

针对这一问题，高博文将双塔模型应用于药物筛选场景，开发出 DrugCLIP。这套模型通过设置两个独立编码器，分别解析蛋白口袋与小分子的结构信息，并将二者映射到同一高维向量空间中，再根据二者间距离筛选候选分子。

图｜蛋白口袋编码器、分子编码器和对比学习过程（来源：高博文 23 年 NeurIPS 论文）

让这套向量检索具备真实化学意义的，是对比学习的训练机制。简单来说，就是模型根据大量配对样本，把能够结合的蛋白与分子拉近，把无法结合的组合推远，从而逐渐学会什么样的结构更可能发生相互作用。

完整的模型训练由三层数据体系共同支撑：第一层是合成数据，从纯蛋白质结构中提取片段及周边结构生成配对样本模拟真实蛋白分子相互作用，搭建起向量空间的基础框架；第二层是公开的蛋白配体复合物真实数据，用于对向量空间进行精准校准；第三层则来自自研项目的私有湿实验数据，无论筛选成败，真实实验反馈都会回流模型，用于后续迭代微调。

高博文将这种高维向量空间形象地比作“化学宇宙”，在空间中，每个蛋白口袋、每个小分子都拥有专属坐标，面对新靶点时，DrugCLIP 要做的事情，就是在它的坐标周围快速寻找潜在结合分子。

这套方法首先在公开基准上得到验证。2023 年，DrugCLIP 相关论文发表于人工智能顶会 NeurIPS。论文显示，该模型在多个虚拟筛选基准上显著优于传统分子对接和监督学习方法，同时大幅减少计算时间。

2026 年，团队将 DrugCLIP 的应用规模拓展至人类基因组级别，相关成果发表于《Science》正刊。高博文介绍，研究在 24 小时内完成了约 1 万种人类蛋白的 2 万个潜在口袋与 5 亿个小分子之间超过 10 万亿次相互作用评分，筛选速度最高提升约百万倍。

此外，模型在多个不同的药物靶点上取得了超过 10% 的湿实验成功率；随着相关模型和方法的持续迭代，在部分项目中，湿实验成功率进一步提升至 80% 以上，并能够通过单轮筛选发现皮摩尔级活性分子，部分结果优于上市药物对照。

第二层是 Decision。处于决策层的 PharmAgents，是这套体系的核心大脑。这款垂直领域智能体可调用一系列覆盖药物研发全周期的自研专业模型与外部工具，整合论文、专利、计算结果与专家经验，围绕具体研发目标拆解任务并给出执行方案。

高博文介绍，项目立项阶段，PharmAgents 就可综合分析疾病机制、靶点成药依据、临床未满足需求与差异化空间。在后续的工作中，它将自主协调活性、选择性、成药性与安全性的多重目标，并在关键节点参与项目推进的决策判断。

图｜PharmAgents 在研发策略空间中开展大规模、穷尽式的并行探索

谈及人与 Agent 的协作模式，高博文将现阶段的模式形容为“人智协作”，即 Agent 给出方案，人类专家负责校验补充，并在真实项目推进中不断形成新的反馈。

最后是 Evolution。它并不只是用实验数据更新模型，还包括让 PharmAgents 从一次次真实研发决策及其结果中学习，使模型与 Agent 都能够随着项目推进持续进化。

当探索和决策真正进入项目后，第三个问题也随之出现：系统如何从每一次真实结果中变得更好？在 AIPher 看来，实验验证并不是一次研发任务的终点，而是下一轮进化的起点。这种进化发生在两个层面。

一方面，真实实验产生的活性、选择性、成药性等数据会持续返回 DrugCLIP 等专业模型，帮助模型进一步理解特定靶点和化学空间；另一方面，PharmAgents 也会从真实项目中学习：此前为什么选择这些分子、为什么安排这些实验、哪些判断最终得到验证，哪些又被实验结果推翻，这些过程信息都将成为后续决策迭代的依据。

更进一步，团队希望让 AI 不只是被动接受实验数据，而是主动判断“下一步最值得产生什么数据”。PharmAgents 可以根据当前模型的不确定性和项目中的信息缺口，选择最有价值的分子和实验进行验证，再利用实验结果更新模型和自身决策。由此，每一轮真实研发都不只是完成一次任务，而是在让整个系统变得更强，并进一步提升下一轮探索和决策的能力，形成持续进化的研发循环。

同时，公司的技术探索并不会止步于此。高博文还透露，团队即将发布 PharmAgents 2.0 技术报告与药物发现基准测试集，并披露系统产出方案的实验验证结果。

在他看来，基准测试只是第一层验证，能否产出真正有价值的研发决策，才是衡量系统能力的核心标准。

把模型变成药物

技术层面的突破，最终要落地到真实的药物研发产出中。当前 AI 制药行业已分化出不同发展路径，包括企业侧重模型与计算平台输出，或是结合 AI、物理模拟与自动化实验，也有企业同步推进合作研发与自有管线布局。

高博文判断，随着单点模型逐渐普及，差异不再只取决于某项任务能否做得更快、更准，还要看 AI 能否进入真实项目，参与连续决策，并从实验结果中学习进化。

至此，AIPher 将整套技术路线概括为 Exploration、Decision 和 Evolution的不断循环进化：DrugCLIP 等专业模型负责扩大探索边界，PharmAgents 综合证据并完成研发决策，真实实验与项目结果则持续返回模型和 Agent，成为下一轮探索与决策的进化信号。

三者不是彼此独立的模块，而是一条不断向前循环、持续进化的研发链路。AIPher 希望这套循环最终形成能够持续发现和推进候选药物的“虚拟药企”。

图｜PharmAgents 2025 年公开版本框架（来源：arXiv）

另外，高博文将公司的长期目标概括为打造“中国的 Isomorphic Labs”，从 AI 原生逻辑出发构建完整研发能力。除小分子药物外，团队也计划将探索、决策与学习的循环进化框架延伸至多肽、抗体、小核酸等分子类型，覆盖更广泛的研发场景。

商业化路径上，公司采用自主项目与外部合作并行的策略。高博文透露，当前基于 PharmAgents 的自研药物管线最快已经达到 pre-PCC 阶段；同时公司已与多家高校、科研院所、知名药企和医院开展合作项目。

与此同时，实验能力将作为下一阶段的建设重点，公司会继续连接外部实验平台，并逐步建设自有的智能实验室，以期让实验能力全面接入 PharmAgents 系统，实现干湿一体推理。

依托兰艳艳教授团队长期积累的 AI for Drug Discovery 技术体系，以及张亚勤院士等科学顾问的持续支持，AIPher 希望进一步把学术研究中的模型能力转化为真实药物研发能力。

未来 3 至 5 年，高博文希望公司建立一批重要产业合作，把 Agent、专业模型与实验真正连接起来。在此基础上，艾斐智药还将推动自主及合作项目产生高质量候选分子，逐步完成 PCC（临床前候选化合物）提名和 IND（新药临床试验申请）申报，争取让部分项目进入临床阶段。

参考资料：

https://proceedings.neurips.cc/paper_files/paper/2023/hash/8bd31288ad8e9a31d519fdeede7ee47d-Abstract-Conference.html

https://www.science.org/doi/10.1126/science.ads9530

https://arxiv.org/html/2503.22164v2

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成