157亿砸下AI制药，为何走到临床这么难？

十五七年前的药还留在实验室里

2026年前三个季度，中国AI制药赛道融了157．65亿元——这个数字超过了2023年、2024年和2025年前三年的总和。资本疯狂涌入的同时，一个冰冷的比例悬在所有投资者头顶：从进入临床试验开发的候选药物走到最终获批上市，比例仅约10％。

AI确实让早期研发提速了。把化合物从临床前研究推送到IND（新药临床试验申请）环节的时间，从过去的三四年压缩到了13到18个月，早期化学筛选成本降低了30％到40％。然而一旦跨过IND那道门槛，后续临床二期的成功率大约只有40％，比传统药物研发的历史基线37％只高了3个百分点——远远不够改写那10％的最终结局。

十五六年前的药物还在医院里等待审批。这就是AI制药行业的真实画像：起点跑得快了，终点还是挤不过去。

被忽视的“湿实验”瓶颈

差距在哪里？

百图生科首席执行官刘维的判断很直白：问题的根源在于被行业轻视的“湿实验”——也就是那些必须在真实试管和活体组织中完成的生物学验证步骤。AI无法替代实验，它本质上是“加大实验的效果”。

这句话的分量在于它戳破了一个流行幻觉：很多人以为算力够强、模型够大，药物发现就可以纯靠屏幕里的分子对接完成。现实不是这样。AI生成候选分子的效率越高，反而越需要更多的湿实验去逐一验证——而目前整个行业喂给AI训练的数据量远远不够。

更具体的问题是结构性的。全球大量正在活跃的生物计算公司依赖的是已有的蛋白质结构和已知分子构型的数据库，这些数据的维度有限、样本偏差明显。当面对全新的蛋白折叠类型、罕见的基因修饰路径或者复杂的多器官交互时，模型给出的预测准确率和纸上谈兵相差无几——甚至更糟。

“试点陷阱”这个词来自麦肯锡2026年的一份调研。调查结论是，全球约75％的AI制药公司困在了同一个循环里：有先进的模型、发表了论文、拿到了融资，唯独拿不出临床阶段可验证的数据。换句话说，它们停留在实验室阶段的demo，未能进入真正能决定药物生死的后期管线验证。

杰文斯悖论与30％的废分子

AI制药领域出现了一个有趣的现象，被称为“杰文斯悖论”。

这个经济学概念最早出现在1865年——技术提高了资源利用效率后，单位产出所需资源减少，反而刺激整体需求上升，最终资源消耗总量不降反增。套用到AI制药上就变成：AI让分子生成的速度大幅提升了，但随之而来的结果是全行业湿实验总量、耗材采购量和仪器使用率逆势上涨。

因为生成速度快了，筛选的候选分子数量多了，每一个都还要拿去湿实验室做合成验证。算力节省下来的经费，被湿实验的花费填回去了。

更棘手的是“废分子”问题。据业内人士透露，当前行业中有约30％由AI设计的分子，要么合成路径需要至少七步以上，要么带有化学结构上不稳定的子片段——这两种情况在传统药物化学流程里都属于基本没法做的类型。换句话说，这30％的分子从计算机上跳下来之后，连第一步湿实验都没法开始。

这不是某个公司的问题，而是整条产业链的共同困境。当AI生成的分子在数量上远超人类化学家能够实际处理的饱和度时，瓶颈就不再是算法好不好用，而是谁有更庞大的湿实验产能来消化这些候选物。

百亿融资后的务实转向

那么企业该怎么办？

答案并不浪漫。以百图生科为代表的国内AI制药公司已经从“自己研发管线”的模式，转向“平台赋能者”路线。简单来讲就是：不做苦力研发，帮别人省力气。

这种商业模式转变的逻辑很清晰。如果每条管线都走通需要花几亿美元和十年时间，而底层湿实验基础设施短期内又无法突破，那么高风险的自主管线策略本身就难以为继。相比之下，向其他药企提供基于AI的靶点发现和分子优化服务，既能获得稳定收入，又避开了后期临床失败的风险敞口。

刘维的判断同样务实：要打破当前的转化僵局，行业还需要“熬”三到五年。赌注是下一代大型生命科学实验室、新型生物传感器和微流控技术的组合能否落地，进而实现“百倍量级”的数据采集能力。在此之前，算力和模型的领先不足以替代完整的生物学迭代周期。

这意味着未来两到三年内，AI制药公司的主营业务重心将从管线推进转向技术服务输出，资本市场也需要重新审视这类公司的估值逻辑——从看管线的临床进展，转而为SaaS式的平台营收付费。

投资者的三条线索

对于关注AI制药赛道的投资者来说，有三条可以追踪的实际线索值得关注：

第一，湿实验产能扩张的速度。哪些公司正在自建或合作搭建高通量筛选实验室、自动化合成平台？这决定了其能否消化海量AI分子并积累有价值的临床前数据。没有湿实验基础设施的公司，其技术壁垒会被严重稀释。

第二，客户签约而非管线里程碑的数量。平台赋能型模式的核心KPI是与外部药企的服务合同数量和续约率，而不是单一管线的临床进度。如果一家AI制药公司公布的客户数持续增加且续约率高，说明其技术已被市场认可为工具而非噱头。

第三，合成路径的可执行性评估。对每个候选分子是否附带标准的工艺可行性分析，是区分AI驱动发现和AI辅助发现的关键分水岭。如果一个项目的分子全部可以通过标准三步以内合成的方式快速制备，那么这个项目的临床推进概率会显著高于需要七步以上合成的同类候选物。

这三条线索都不性感，但它们比任何一个关于“AI颠覆医药产业”的故事都更接近真实世界的运转方式。