诺奖得主莱维特断言AI制药远超预期，AI全链路深度渗透药物研发

AI制药在2026张江药谷大会暨上海国际生物医药产业周上成为焦点。诺贝尔化学奖得主迈克尔·莱维特在对话英矽智能联合CEO任峰时坦言，人工智能在药物研发领域的发展速度远超他的预期，AI将贯穿药物发现到临床试验的每一个环节。

AI制药从概念走向临床验证

传统的药物研发链条从靶点发现到临床试验完成，通常需要10-15年和20-50亿美元投入。莱维特在1970年代完成了全球首次蛋白质动力学模拟，那时用计算机研究生物学被认为是不切实际的尝试。如今AI已经能够预测蛋白质结构（AlphaFold）、生成全新分子、设计药物并推动进入临床试验。

英矽智能作为AI制药代表企业，已经通过AI平台完成了多个候选药物的从头设计，并将部分管线推进到临床试验阶段。任峰在对话中提到，AI不仅仅是辅助工具，而是开始主导药物设计决策——从靶点筛选到分子优化，AI能够在数周内完成传统方法需要数年的工作。

这一判断在产业数据中得到印证。2026年以来，国内已有超过15个AI设计的候选药物提交IND申请，覆盖肿瘤、自免疫、纤维化等适应症。AI制药公司不再停留在算法演示阶段，而是真正将分子推向临床。

AI渗透药物研发全链路

莱维特提出的核心观点是AI将应用于药物研发的每一个环节。药物研发链条可以分为三个主要阶段，每个阶段AI的渗透深度不同：

靶点发现阶段，AI通过分析海量基因组学、蛋白质组学和临床数据，识别疾病与蛋白靶点之间的关联。英矽智能的PandaOmics平台整合了多组学数据和多模态AI模型，可以在数天内完成从疾病机制分析到靶点排序的全流程，而传统方法这一过程通常需要1-2年。

分子设计阶段，生成式AI模型（如基于扩散模型的分子生成）能够从头设计具有特定药理性质的分子结构。这一环节的AI技术最为成熟，AlphaFold2对蛋白质结构预测的精度已经达到实验级别，为分子设计提供了可靠的结构基础。

临床试验阶段，AI开始参与试验设计、患者招募优化和数据分析。真实世界数据（RWD）结合AI预测模型，可以在早期识别药物的有效性和安全性信号，降低临床试验的失败率。

产业格局与投资风向

2026年AI制药领域的资本热度持续。OpenAI寻求以1.5万亿美元估值进行新一轮融资的消息引发市场对AI基础设施价值的重新审视，而AI制药作为AI垂直应用中最具确定性的变现场景之一，吸引了大量产业资本。

国内AI制药第一梯队企业除英矽智能外，晶泰科技、深势科技等也在加速管线推进。晶泰科技的智能自动化药物研发实验室已经实现”AI预测-实验验证”闭环，将先导化合物筛选周期从数月压缩到数周。深势科技的Hermite平台在量子化学计算层面提供了高精度分子模拟能力。

从商业模式看，AI制药公司目前主要有三条路径：自研管线授权、与药企联合开发收取里程碑款、以及平台技术服务费。英矽智能选择了自研管线为主的模式，已完成多个管线的对外授权交易，验证了AI设计药物的商业价值。

技术瓶颈与务实挑战

莱维特在对话中也指出了AI制药面临的现实瓶颈。药物研发的耗时和成本大头不在分子设计阶段，而在临床验证阶段。AI可以速设计和筛选环节，但无法加速人体的生物学反应——临床试验仍然需要按照科学规律和时间周期推进。

此外，AI模型的训练数据质量是关键制约因素。高质量的临床数据和药理数据大多掌握在药企手中，公开数据集的覆盖面和标注质量不足以支撑更复杂的AI模型训练。数据孤岛问题在一定程度上限制了AI制药的进展速度。

蛋白结构预测虽然精度高，但蛋白质在体内的动态构象变化、翻译后修饰对功能的影响等仍是AI模型尚未完全覆盖的领域。细胞层面的药效预测和毒性预测准确率仍需提升。

监管框架逐步完善

FDA和NMPA对AI辅助药物研发的监管态度正在趋于明确。FDA在2026年初更新了AI/ML用于药物开发的指南草案，提出AI模型的可解释性和可审计性要求。NMPA也在推进AI医疗器械和AI药物审评指导原则的制定。

监管层面的核心关注点是AI模型在药物设计中的决策过程是否可追溯、可解释。药企需要在IND申请中说明AI在分子设计中的具体角色和验证方法，这推动了AI制药从”黑箱”走向”可解释AI”的技术演进。

莱维特最后表示，AI在药物研发领域的进步速度是过去50年生物学领域最快的一波技术变革。这并非说AI能替代所有实验验证，而是AI正在重新定义药物研发的效率基准——过去需要实验室数月验证的假设，现在可以在计算层面快速筛选和评估。