专栏名称: 医药魔方

记录行业发展，揭示产业趋势！医药魔方持续输出具有行业理解和深刻洞见的内容，包括药品市场格局变化、医药行业趋势演变、政策解读、代表性公司业务分析、医药行业标杆人物专访、重磅事件解读等，帮助用户理解医药行业生态和演变，辅助行业用户决策。

AI挑战医药医疗：围棋大师 vs 薛定谔的猫

医药魔方 · 公众号 · · 2025-02-18 07:59

正文

在普通群众看来，AI是战无不胜的AlphaGo；在医药人看来，AI更像是抱着碱基和氨基酸就试图手搓生命体的愣头青。当这个热血青年挥舞着算法大棒冲进生命科学的迷宫时，场面如同当代版堂吉诃德大战风车——只不过这次风车上挂满了冷冻电镜、质谱仪和临床试验方案。

AI应用四原则：行业适配的基石

先说观点：就目前来看，AI在执行型领域拥有更多机会，但在探索型领域中短期内难现颠覆性变革。

所谓执行型领域，多有如下特征： 规则简单清晰，参数输入准确，验证标准明确且成本低，积累数据丰沛且可重复性强 。这些构成了AI大杀四方的基石，或可谓之“AI应用四原则” 。

围棋正是这四原则的完美典型，故而AlphaGo能势如破竹找出361个交叉点的最优解，甚至自我迭代出亘古未有的妙手。以此类推，如AI结合自动化技术，进一步在类似的执行型领域替代更多人工，譬如已经广泛开展的无人码头等，以及未来颇受期待的无人驾驶。

相较而言，医药医疗领域是典型的探索型领域，AI应用四原则在的适配性着实不佳。譬如万众期待的AI制药：

规则简单明确？仅仅分子层面信号通路已是纷繁复杂，遑论更细胞、组织、疾病等更高层次，生命体规律我们所知只是冰山一角，如肿瘤微环境简直就是黑帮火拼现场：癌细胞收买免疫细胞，血管内皮暗中输送粮草，间质细胞还在打酱油，这种混沌江湖，AI来了也得交保护费；

输入参数准确？不同研究者、不同时刻选择和测量的生物学或者疾病参数，差别远比想象更大，AI制药公司或许声称曾收集200万份化合物数据，结果可能不下于30%的IC50值连测量PH值都做不到一致；

验证标准明确且成本低？安全性和有效性标准勉强算明确（虽然从生化、细胞、动物到临床的数据类型已是海量），但验证成本高昂才是不可逾越的挑战----AI纵然能24小时设计100万个候选分子，然而真正想验证哪个成药，终需逐个面对细胞实验每孔数美元、小鼠模型每只数百美元、临床研究每期数千万美元的现实重力场；

积累数据丰沛且可重复性强？哪怕是Nature、Science、Cell级别的论文，可重复性有几成，大家心里有数，同一实验方案，在波士顿能发Nature，在上海可能连Western Blot都跑不出来，而AI需要的可重复性或许是Ctrl+C/Ctrl+V级别的精准复刻。

种种这些，未必是AI不够聪明，更多是医药医疗行业本身的发展基础所致，加之复杂的生命系统本身也如薛定谔的猫一般难以预测。

当然医药人不必过于沮丧，AI在探索型领域的困境，放至整个自然科学领域倒也不是孤例。譬如飞行器外形设计的流体力学，本身也依赖有大量经验系数。迄今为止，飞行器外形高精度空气动力学属性依然无法仅通过计算机模拟预测，而仍是需要风洞和飞行试验来实测真实数据，再根据设计者经验反馈优化外形，然后再试验进一步优化----跟药化专家设计候选分子同样的套路。

据说，苏27“试”出来的完美外形，还曾助力业内加深了对流体力学基础原理的理解。这像不像临床研究发现PD-1靶点高效而其他免疫检查点疗效不佳的结果，加深我们理解肿瘤免疫原理的过程？

量子力学也有类似场景。物理学家已能够通过状态方程解析得到氢原子的状态，然而不同氢原子数量带来难度进阶却好似天堑之隔。1个氢原子的状态方程，计算难度约是课后习题的水平。而仅到10个氢原子，计算难度恐怕就到了诺奖级别，再到100个氢原子更是谁都得跪。到此层面方能理解，现有计算框架的AI距离精准预测生命体亿万细胞的协同行为，依然还是星辰大海。

放弃速胜论，积小胜为大胜

倘是如此，难道医药医疗的应用对AI终是不可挑战的宇宙级命题？恰恰相反，笔者认为AI未来在医药医疗仍是大有可为，但切记不可搞速胜论，而应由简入繁，分层突破。

蛋白质结构预测的Alphafold作为AI当前在医药医疗领域少有的成功应用，完美适配了前述的“AI应用四原则”：规则简单清晰（一级序列决定蛋白质结构）、输入参数准确（一级氨基酸序列）、验证标准明确且成本低（预测结构与真实晶体结构对比）、早期积累数据丰富且可重复性强（公开发表解析蛋白质结构超过20万种）。这为AI在医药医疗的应用挖掘探索了可行路径：锁定某些高确定性试验田，积小胜为大胜，如此方可在避免复杂系统风险的同时，持续沉淀跨场景迁移能力。

万众瞩目的AI制药，应该如何突破？上来就挑战“研发一款创新药”这种SS级全流程终极目标肯定不可取，但将创新药研发流程拆开来看，大致还是逃不脱发现、验证和反馈优化的循环，某些环节还是有突破的可能。

候选药物分子发现自然有机会，只是倘若不结合真实试验研究，即便玩出花来依然价值不高，虚拟成果连PCC都算不上。这方面值得尝试，但不要给予太高预期。其余某些同样“动脑权重大于动手”的环节，譬如临床需求挖掘、方案设计、数据整理等等，AI同样可以率先出击。

当然，挑战更大、成本更高但价值也更大的环节，终归还是那些需要动手的验证。小到动物模型，大到临床研究，中短期看不到AI取代真实研究的可能性。如果要预测一个突破的顺序，从长远看，相较纷繁复杂药效研究，药代和安评研究在不同类型药物研发过程共性更高（无论是动物模型或者临床试验）。反过来说，如果AI连在药代和安评研究这些中间环节获得全行业公认的实质性进展，笔者认为那些号称能够预测药效甚至开发me better的AI大概率仍是镜花水月。

其实AI未必就要死磕新药研发，医药医疗领域可做其实还有的很多，完全可以按照前述思路，再筛选一些细分领域，比如AI+自动化用于护理，尤其直接嫁接当前护理体系，增加护理人效水平，个人认为比A+自动化用于新药研发可能前景更好：技术门槛更低同时付费市场更大。

当然了，如果不去讲AI制药的故事，某些明星公司能否匹配那些已经高不可攀的估值，这是另外的算盘了。恰如此前戏谑英伟达、暗讽美股AI泡沫类似观点：当下美国的ChatGPT再厉害，依然造不出六代机。AI或许能高效给出百倍千倍的idea，但如果没有动手验证，idea is cheap。

结语：质变来自长期主义者

AI在医药医疗领域未来进军路径，比较实际的应当遵循如下思路：

AI挑战医药医疗：围棋大师 vs 薛定谔的猫

正文

请到「今天看啥」查看全文