AI在其他诸多领域应用火爆，让市场趋之若鹜，然而一向无往不利的AI在生物医药领域却是冷静了下来。

一方面，随着人工智能的飞速发展，人们对AI制药仍然抱有畅想和期待；另一方面，AI制药公司面临的管线失利、裁员以及融资困难的问题不容忽视，况且目前并没有任何一款AI研发的药物成功上市。

进入2023年后，市场对于AI生物医药的态度逐渐变得更加理性，人们对AI不再盲目乐观，开始重新衡量AI的能力边界：对制药来说，AI是颠覆还是辅助？

AI制药企业的春天依然没来

AI制药并非近几年才诞生的新概念。

早在2012年，Exscientia公司就将AI用于药物研发。而近年来，随着人工智能和计算机技术的爆发式增长，尤其是AlphaFold2以及ChatGPT的出现，AI制药也迎来了飞速发展。巨大的想象空间和无限的潜能吸引着大批创业者、传统制药企业甚至互联网企业在AI制药领域布局。

从2015年开始，晶泰科技、望石智慧、英矽智能等AI制药初创企业如雨后春笋般涌现。传统药企也选择通过战略合作、股权投资等方式切入AI制药赛道。如药明康德先后投资了多家AI赋能药物研发的公司；恒瑞医药与专门从事人工智能新药设计平台开发的法国Iktos公司达成合作，引进AI新药研发平台。

除此之外，国内互联网科技企业也纷纷跨界入局“AI制药”，华为成立医疗智能体“EIHealth”，阿里云与全球健康药物研发中心合作，腾讯发布AI驱动的药物研发平台“云深智药”，李彦宏亲自带队成立百图生科，字节跳动成立了专门负责大健康业务的极光部门，并在国内外招募AI-drug团队。

但看似火热的赛道，实际困难重重。

今年准备冲击上市的英矽智能，因为一直在加大对于药物研发的投入，又没有真正的产品成功上市，其年内亏损额持续扩大。2021年与2022年英矽智能的研发开支分别为3848.9万美元、7817.5万美元，远超营业收入。由此，年内亏损额从2021年的1.30亿美元扩大至2022年的2.21亿美元，累计亏损超3.51亿美元。

2022年7月，英国AI制药企业Exscientia开发的用于治疗强迫症的候选药物DSP-1181宣布停止开发，原因是Ⅰ期临床研究未达到预期。

2023年4月，AI药物研发公司BenevolentAI也宣布，其用于治疗特应性皮炎的局部泛Trk抑制剂BEN-2293的Ⅱa期临床试验没有达到次要疗效终点，即无法减少患者的瘙痒和炎症。BEN-2293是三种原肌球蛋白相关激酶（Trk）受体（TrkA、TrkB和TrkC）的选择性抑制剂，也称为泛Trk抑制剂，是BenevolentAI唯一一条临床管线，而这条管线的失败也使得公司受到巨大影响。

在2023年的AACR2023会议上，Relay披露了选择性PI3Kα抑制剂RLY-2608的临床数据。Relay的RLY-2608 是一种突变选择性的口服 PI3Kα抑制剂，Ⅰ期试验评估了安全性、耐受性、药代动力学、药效学和初步抗肿瘤活性。然而Ⅰ期临床数据显示，在27名患有PIK3CA突变型乳腺癌的受试者中，只有一名患者出现部分缓解（PR），而且这一点尚未得到证实，因为该患者曾经接受过12线治疗。这样的临床数据也使得Relay的股价狂跌36%。

7月31日，日本住友制药和大冢制药宣布，其合作在研的Ulotaront药物的两项Ⅲ期研究精神分裂症临床试验未能达到主要终点。Ulotaront 是一款利用人工智能技术发现，具有 5-HT1A 激动剂活性的TAAR1激动剂，目前正在研究用于治疗精神分裂症、广泛性焦虑症和重度抑郁症的辅助治疗，并正在考虑其他适应症。受此消息影响，住友制药的股价下跌超10%。

除了临床失败，从去年下半年至今，还出现了多起AI制药公司裁员的事情。

2022年8月9日，Absci宣布裁员40人、简化运营和研究业务，以应对不断变化的经济状况。

2023年5月25日，前面提到的管线失败的BenevolentAI宣布进行大范围的战略调整，裁撤多达180名员工，比例接近50%，重整生物业务部和技术部门，优先考虑公司最有潜力的临床和临床前资产。

2023年4月，作为公司大规模裁员的一部分，Meta将其AI蛋白质折叠团队也裁掉了。此前，该团队创建了一个基于 Transformer 的蛋白质预测模型——ESMFold。Meta 声称AlphaFold2和RoseTTAFold具有相似的准确性，但ESMFold推理速度更快，能够探索宏基因组蛋白的结构空间。然而从Meta的动作来看，即便这样一个成熟的团队，也没能维持住Meta探索AI制药的热情。

缩短“从靶点到临床”的距离

在理论上，AI制药的前景得到了充分渲染。

在传统药物研发中寻找可能成药的化合物主要是靠人工试验筛选，效率低下，且筛选的先后顺序往往是基于研发者个人的经验，不确定性很高。AI强大的数据分析和深度学习能力，可以快速处理和解析大量的生物化学信息，帮助筛选出合适的化合物，设计优化药物分子结构，从而缩短研发周期，节约研发成本。

清华大学国强教授、智能产业研究院（AIR）首席研究员、水木分子首席科学家聂再清表示当前人工智能技术用来加速药物进程的应用主要集中在临床前研究即药物的早期研究阶段，通过人工智能技术进行药物靶点的发现与挖掘、药物分子虚拟筛选、药物分子设计与优化，抗体设计等。其解决的主要是临床前研究湿试验的成本比较高，周期比较长的问题。通过AI计算获得初步候选建议，再进行湿试验验证，是当前AIDD主要应用模式。

在2020年年底重返清华后，聂再清教授带领团队探索大数据与AI在医疗健康领域的应用，通过大模型将复杂多模态生物医药数据、知识进行统一表示学习，提升药物研发任务效率。9月21日，水木分子正式发布针对生物医药的千亿参数大模型产品ChatDD。ChatDD通过人机协作对话方式有效地将专家知识与大模型知识相联结，开拓了继传统药物研发TMDD、CADD、AIDD之后的第四代药物研发新模式。聂再清介绍，ChatDD在药物研发中的应用可以扩展到早期研究之前的立项阶段和临床试验阶段，有望对药物研发全流程、各环节进行效率提升。

青岛百草公司董事长黄效华同样认为，人工智能可以在药物研发药物筛选、分子设计和临床试验等阶段，显著缩短研发周期，降低研发成本，提高效率，从而改变了传统的研发模式和经济模式。青岛百草是一家专注大生物纤维的生物科技型企业，在黄效华看来，人工智能可以帮助医生更好地了解某些群体的差异，制定群体性治疗和预防方案，这可能导致更具针对性的药物开发和使用，包括更具创新性的使用方式和手段，比如传统衣住行的材料中使用具有生物活性功能的材料、为某些固定群体（矿工、海员、边防等）研发新产品、提供医疗数据分析服务等新商业模式。

根据Tech Emergence研究报告预测，AI在化合物合成和筛选方面可节约40%至50%的时间，每年可为制药行业节约260亿美元的化合物筛选成本；根据英伟达公开资料，使用AI技术可使药物早期发现（涵盖靶点发现与验证到先导化合物优化）所需时间缩短至1/3倍，成本节省至1/200倍。即便目前还没有一款药物成功获批上市，全球获批临床的AI药物管线着实不少。

2月2日，AI制药头部公司Exscientia宣布，其与百时美施贵宝（BMS）合作设计的ESX4318已经进入Ⅰ期临床试验。该临床试验将会开发免疫和炎症相关适应症。BMS将会负责临床和商业化开发，Exscientia将有资格获得一笔里程碑付款。5月15日，Exscientia再次宣布，其旗下第六款由AI平台设计的药物分子 DSP-2342 进入临床Ⅰ期。这也是继 DSP-1181 和 DSP-0038 后，Exscientia 和日本住友制药合作进入Ⅰ期试验的第三款临床分子。

英矽智能共建立31个内部管线，涵盖29个药物靶点，同样产品管线丰富。6月27日，英矽智能核心产品ISM001-055获FDA批准开展II期临床试验，并完成首批患者给药。ISM001-055用于治疗纤维化相关适应症，英矽智能招股书显示，该药物TNIK靶点是通过其Pharma.AI平台识别的新型抗纤维化靶点。

6月12日，德睿智药宣布其自主研发的GLP-1RA小分子口服药物MDR-001的I期临床试验成功完成首例受试者给药。MDR-001是德睿智药借助自研Molecule Pro一站式AI药物发现平台辅助设计的创新药物管线，与同类临床在研药物相比，MDR-001显示了优异的体内外疗效，成药性（包括PK和安全窗）大幅提高。

想要盈利，还要继续挖掘AI的潜能

中国AI制药市场的主要参与者有三类，互联网公司、药企、CRO，在商业模式上主要分为AI+SaaS、AI+CRO和AI+biotech，即售卖软件、服务和研发药物。

然而，相比传统的药物研发模式，AI并没有使药物研发在数量级效率或创新性方面有所提升，相关企业也就很难通过“药”实现盈利。

以英矽智能来说，公司主要通过自有平台Pharma.AI提供人工智能驱动的药物发现服务和软件，以及利用平台开发自有的临床前在研管线，即涵盖了上述三种商业模式。但从收入构成来看，英矽智能主要依靠售卖软件与服务。2021年—2022年，来自药物研发服务的收入（来自预付款项及其他基于成功开发里程碑的款项）占比分别为78.2%、95%，来自软件解决方案服务的收入占比分别为21.8%、5%。

从一个个临床失败的管线可以看出，AI制药目前并没有完全跳脱与颠覆传统药物研发的范式，它并没有帮药企从根本上解决药物研发的失败率和成本问题，只是把药企目前面临的问题，用不同的方式再表达一次。

从长远看，想要从本质上推动制药行业的发展，还要好好思考AI的能力边界，不断更新AI技术，进一步挖掘AI在生物制药当中的潜力，不断积累药物研发相关数据，努力尝试去颠覆现有的药物研发范式。

AI技术对数据的“量”和“质”的要求非常高，只有有了足够多的数据，AI才能更好地发挥出其在数据分析、整合、筛选等方面的作用。

就目前而言，比较容易取得突破的就是具有海量数据的蛋白质结构预测、药物合成路线设计等环节。以AI药物合成路线设计为例，目前科学家已拥有的化学反应数据量多达四五千万，这样的数据量对于AI来说已经足够了。但是对于其他一些数据积累较为匮乏的环节，AI还有很长一段路要走。

不过，好消息是，在数据层面，中国有“得天独厚”的优势。一方面，国内人口基数庞大，医院规模可观，更利于搜集整合大规模数据；另一方面，中国CRO公司数量可观，药企在药物开发中可以同时纳入多个CRO公司平行开展多项试验，比对不同结果，帮助AI学习进步，提升研发质量。

此外，数据的质量也是关键。不同企业研发的产品即便是针对同一靶点，但由于其生物测试条件不完全相同，产生的数据可能也会存在差异。如何将数据标准化、规范化也是AI制药急需解决的问题。

可以预见的是，未来AI制药竞争会从算法竞争过渡到数据竞争，传统药企在经验和数据上拥有优势，新兴的AI制药企业无疑更熟悉平台和算法，二者的联合也是大势所趋。

8月21日，石药集团宣布，分别与英矽智能和晶泰科技在创新药研发人工智能（AI）领域达成战略合作协议。基于协议，石药集团将充分应用自身深厚的药物研发经验，结合英矽智能、晶泰科技在创新药研发领域领先的AI技术平台，聚焦于具有高度临床需求的战略品种，以AI辅助药物设计，提高新药筛选效率和成功率，共同推动本集团创新药物的研发。

除了数据方面，AI在药物研发过程中的应用方式也仍待扩展。临床前阶段，AI已经参与到核心分子生成、虚拟筛选、ADMET预测的环节，但是临床后AI的效用目前仍鲜有人提及。

实际上，临床阶段才是真正的药物杀手，成功率仅10%，同时临床试验环节在整个研发周期中费用占比也会带来巨大成本。

AI制药发展至今，市场仍未等到由AI辅助研发成功的创新药物上市。而且在药物研发过程中，由于临床试验阶段的各种不确定性，居高不下的失败率使得AI制药并没有人们想象的那么省钱。虽然人工智能尚未被广泛采用并应用于临床试验，但它有可能改变临床发展，使临床试验更快、更安全、更便宜。

亦笙生命科技总裁许珂表示，人工智能可以实时分析临床试验产生的大量数据，帮助研究人员快速识别趋势，并就如何进行临床试验做出明智的决定，以设计更好、更安全的临床试验，并以比以往更低的成本改善患者预后。目前在临床试验中使用人工智能常见的应用有基于智能算法的患者招募和筛查、通过预测患者行为和药物疗效来改进试验设计和优化，使用预测检测确定最适合的患者群体、识别潜在的安全问题，更准确的识别不良事件和安全监测，自动收集和分析临床数据，通过自然语言处理技术（NLP）帮助研究者实时访问专业知识。

聂再清认为临床试验需要严格遵守试验周期的设定，从时间维度来讲可以提速的空间有限，人工智能技术主要在提升临床试验的成功率方面发挥作用。水木分子研发的ChatDD-FM多模态生物医药大模型通过人工智能技术可以分析挖掘药物生物标记物，识别疾病亚型，进行更精准患者招募，进行受试者的分层、提高临床试验通过率。通过对临床试验的数据的训练，可以挖掘分析更好的药物生物标记物，根据病人治疗后的生物应答，更好指导剂量指导、药物概念验证，以及临床替代终点开发。

另外一个值得期待的方向是数字孪生。数字孪生是生物实体的副本，例如细胞、器官或人。这种数字复制品允许研究人员实时观察患者，同时模拟和预测临床试验中患者的不同临床结果。其优势在于通过获取历史患者数据并创建“数字双胞胎”，然后在接受对照治疗或安慰剂时预测患者的病程。帮助制药商和学术研究人员完成临床试验，同时减少总体参与者的数量。

该领域进展最快的公司是Unlearn.ai，通过将经典机器学习和生成式人工智能的结合，用来模拟临床试验并减少试验规模。2022年9月，Unlearn宣布欧洲药品管理局（EMA）对其平台已发布最终有利的资格意见，并且“拟议的程序可以提高Ⅱ期和Ⅲ期临床试验的功效和/或减少样本量。”标志着这项工作在一定程度上获得了EMA的肯定。

不过，从长期来看，AI参与制药仍然值得期待。如今，AI制药正在进入关键的价值验证期，可能整个行业都还要纠缠在欢呼声和质疑声中继续挣扎一段时间，想要重回2021年的盛况，恐怕需要等待一个标志性的突破：有一款AI辅助研发的药物成功上市；或者临床前阶段，在数量集和成功率上有飞跃性的突破。