先说结论：工具进步了，出药证据还没跟上。

长文回顾了“AI 优先”公司的管线分布：多数项目仍在临床前，进入早期临床的有一批，真正走到后期的很少。这不能只用“药本来就慢”一笔带过。过去多年，行业叙事反复许诺周期会明显缩短。若许诺很大、后期仍稀少，中间一定有东西被说轻了。

技术侧并不空白。蛋白结构预测和设计、更细的测量手段、更广的药物模态，都让单点预测看起来更强。矛盾在于：预测变强，并不自动等于项目决策变好，更不等于患者端结果变好。

作者用了一个很克制的说法：眼下更像是“证据不足”，而不是“已经证明没用”。这个调子很重要。它挡住两种偷懒：一边说泡沫破了、AI 没戏；一边把个别早期项目的顺风，直接记成平台胜利。

在我们看来，问题可以拆成三层，它们经常被混在一句话里讲。

第一层：把活性分子当成药。 数据库里，有活性的分子可以到上百万量级；真正上市的药大约只有上千量级。两者优化的东西不一样。前者常看结合和体外活性，后者还要过暴露、安全、疗效和可开发性。新闻和融资材料里，常把“找到配体”写成“发现药物”——好听，却会系统性低估后面的路有多长。

第二层：数据没有看起来那么干净。 生物读出高度依赖条件：细胞系、剂量、时间点、患者代谢、共病和生活方式，都会改答案。化学空间又极大，而且充满合成习惯和项目偏好带来的偏置。你照亮的往往只是一小片区域，换一片就未必成立。这时再喊“多喂数据就行”，常常是在回避更难的问题：你的代理指标，到底能不能代表体内和临床真正要的东西。

第三层：分数进步，不等于决策进步。 常见流程是：划分训练和测试，某个指标涨了，就宣布新高度。可模型最终要服务的是项目里的取舍：推进还是停下，先做哪个实验，毒性风险能不能承受。淘汰毒性和挑选活性，能容忍的错误类型完全不同。如果分数从来没有进入真实的设计、合成、测试循环，也没有留下可核对的决策痕迹，它对出药的意义就很有限。

把三层叠在一起，就会出现一种熟悉的景象：材料很亮，管线仍早，归因很满，证据很薄。这不是某几家公司的道德问题，而是成功标准设错了位置。

外部压力还会放大这种错位。出药成本长期承压，公司需要显得在改变；融资端常带着高承诺入场；论文和基金又更奖励“数据集上刷分”。于是“看起来进步很快”和“实际项目里的决策有没有变好”，可以长期脱节。

图：三层卡点与配体/成药数量级（Lumina 据 NRDD 2026 重绘）

解法不是再换一个更大的模型名字，而是把成功标准挪回药物发现真正发生的地方。

1. 先写清要服务的决策，再选方法和指标。 动手之前先问：这个模型是用来淘汰风险、挑选苗头、排序优先级，还是辅助剂量和暴露判断？不同用途下，该看的指标和能接受的错误不一样。指标服从决策，而不是决策服从指标。

2. 先证明代理指标靠谱，再大规模铺数据。 值得扩产的数据，是那些已经显示出对体内或临床相关终点有预测力的读出。否则堆得越多，噪音和自我安慰也越多。健康的数据工作分两步：小范围搞清楚“什么值得测”，再在有限、相关的空间里加密，并说清楚模型适用边界。

3. 让模型进入真实项目循环，而不是停在演示。 有价值的落地通常长这样：模型建议改变了实验优先级，改变了某次推进或停下，并且这件事可以被同事复核。嵌进设计、合成、测试、分析的循环，比多做一张架构图重要。

4. 让临床结果，包括失败，回流到发现端。 如果临床前和临床被数据墙完全隔开，模型就只能在实验室好看的世界里学习。次优结局和失败，恰恰是最贵的监督信号。没有它们，团队容易在已经讲顺的故事里打转。

5. 把“发论文”和“改决策”拆成两套考核。 两者可以并行，但不能互相顶替。只奖励分数、不奖励决策质量，进步幻觉会自我繁殖。

这些方向并不新，也不浪漫。它们的共同特征是：更难讲成口号，却更接近出药。

如果你做投资、BD 或研发管理，不必先争论哲学，可以直接改问题清单。

看一家 AI 药物发现团队时，优先问这些：

1. 你们最拿得出手的案例，是活性分子、临床候选，还是进入人体之后仍然站得住的贡献？

2. 被写成“AI 发现”的资产，生物学是不是老地图上的重访？旧靶点、旧机制也可以有价值，但定价逻辑不同。

3. 模型有没有改过具体的推进或停下？有没有书面记录，而不是口头回顾？

4. 你们最常用的代理指标，对体内或临床终点的预测关系证明到哪一步了？

5. 验证有没有前瞻成分？换一个真实项目，结论是否还站得住？

6. 失败和误导有没有被讨论？只报命中、不报带偏，价值要打折。

7. 收入或合作节点，绑的是模型交付，还是临床进展？

看自己团队时，可以用更粗的三档自检：一档是测试集更好；二档是进了实验循环、改了优先级；三档是改了推进或停下，且可核对。大量公开叙事停在一档，少数到二档，三档往往含糊。买方若只为一档付三档的价钱，就会持续错付。

看预算时，问杠杆在不在刀刃上。 同样是改善，降低错误推进、提高患者匹配，往往比“再多画一批分子”更贴近研发成本的痛点。早期热闹不等于最值钱。若 AI 开支几乎不碰失败模式、分层和决策节点，回报故事会长期对不齐。

看不同应用时，预期要拆开。 结构预测与设计能力进步清楚，但从结构走到可开发药物仍长。部分物化性质预测更可用。生成式设计能提出新结构，新不等于可合成、可成药。试验招募和流程效率有时先见到收益。临床结局预测主张很多，可推广性和偏差问题也大。允许工具层和流程层先兑现，不要把流程改善直接说成临床突破。

这些标准对国内外团队和买方同样适用。能讲清决策贡献的，走到合作桌上更硬；只会讲平台和分数的，迟早会遇到更抠细节的对手盘。

我们不是在等一句“AI 已经赢了”或“AI 已经输了”。我们更愿意在未来一到两年里，看到这些更具体的东西：

1. 归因说得清。 新进临床的项目如果强调 AI，应能说明 AI 改的是哪一步决策，而不是只出现在标题里。

2. 后期信号逐渐出现。 后期项目不必一夜之间变多，但方向应可见：有信息量的读出、更清楚的患者定义、经得起追问的开发路径。

3. 验证方式公开化。 出现能被同行听懂的做法：决策场景是什么、错误成本是什么、如何前瞻检验，而不只是离线刷分。

4. 失败数据开始被学习。 组织愿意把次优结局送回发现端，而不是只把成功案例做成广告。

5. 对外叙事升级。 融资和合作材料从“我们很会找分子”，转向“我们如何改进取舍、如何降低错误推进、如何服务成药路径”。

这也是我们后续持续跟踪 AI 药物发现时的主线：不追每一篇新模型新闻，而追决策有没有变好、证据有没有变硬、叙事有没有变老实。

图：成熟度三档与往后观察点（Lumina）· 完整尽调 7 问与数据图见两套贴图

Bender 等人的长文，最有用的地方不是提供裁判句，而是逼行业换问题：你优化的是分数，还是取舍？

我们的答案很直接。分数可以看，取舍才算数。找到活性分子值得高兴；离把分子做成药，中间仍是药物发现最贵、最难、也最不该被话术抹平的那一段。

向光而行，不是把复杂事情调成鸡汤，而是让该被看见的证据露出来：决策有没有被照见，失败有没有被学习，承诺有没有被临床核对。

#AI药物发现 #NatureReviews #成功标准 #尽调清单 #亮眼洞察