AI制药最近越来越像一场“基建大赛”：模型负责设计，自动化实验室负责验证，数据再回流模型，形成Design–Build–Test–Learn闭环。听起来非常顺。但这里有一个更根本的问题：制药真的能够像软件和制造业一样，把成功案例大规模复制吗？

软件最强大的地方，是一个成功算法可以复制一百万次，边际成本接近于零。但药物研发不是这样。一个靶点在肥胖成功，不代表另一个靶点也能复制；一个疾病模型有效，不代表到了人体还能成立；一个分子的优化路径跑通，也不意味着下一条管线能照着再来一次。疾病生物学、组织暴露、安全性、患者异质性、临床终点，每一个项目都可能重新洗牌。

所以，模型一天生成1万个候选，实验室一天验证1000个候选，并不自动等于研发效率提升10倍。如果最上游的生物学假设就是错的，更快的设计和更大的实验吞吐量，可能只是让我们以更低成本、更高速度重复失败。AI真正需要解决的，不只是throughput，而是成功规律到底能不能跨项目迁移。

这也是为什么，我对“湿实验会因为AI而无限爆发”的叙事比较谨慎。自动化、API化、机器可读实验数据当然非常重要，但这些首先解决的是执行效率，而制药真正最贵的问题是决策不确定性：这个靶点该不该做？这个机制能不能转化到人？什么样的证据足以支持进入下一阶段？

真正改变制药的AI，不应该只是让我们“做更多实验”，而应该逐渐找到哪些规律可以跨疾病、跨靶点、跨项目复用，把一次成功从偶然事件变成可以部分重复的能力。到那一天，AI制药才真正拥有规模经济。否则，再先进的AI实验室，也可能只是一个把失败跑得越来越快的机器。

#AI制药 #人工智能 #药物研发 #新药研发 #生物医药 #医药创新 #药物发现 #实验自动化 #转化医学 #研发决策