DSP-1181作为首个由AI设计并进入临床的分子，因未达预期而被日本住友放弃，这一事件为AI医疗行业敲响警钟：AI医疗的国产替代不能只靠算法追赶，更需在底层数据、靶点发现和临床验证等环节实现真正的自主可控。简单模仿海外技术路线不可持续，中国AI医疗的破局之道在于从“AI辅助”向“AI驱动”的研发模式跃迁。
失败背后的行业真相
DSP-1181的失败并非孤例，它折射出AI制药行业整体仍处于积累训练期。浙商证券统计的全球80条获批临床AI药物管线中，运用人工智能发现新靶点的管线仅3条，绝大多数仍集中在已公布靶点（65%）上，说明AI在药物研发中仍主要起辅助作用。与此同时，资本高度集中——2022年AI制药赛道融资总额达62.02亿美元，同比增长47.67%，其中美国AI初创公司吸纳了总融资额的77%，凸显出中国在源头创新上的资金与资源差距。
自主可控的三个关键路径
高质量医疗数据积累
产业链上游的数据集是行业的关键竞争壁垒。AI模型的训练效果直接取决于输入数据的质量与规模，缺乏自主可控的高质量医疗数据，算法再先进也难以产生可靠的研发成果。国内参与者需在合规前提下，系统性地积累、清洗和结构化医疗数据，构建属于自己的数据资产。
新靶点发现能力
当前AI制药管线中，AI发现的新靶点占比极低，说明行业尚未真正发挥AI在源头创新上的潜力。从AI辅助到AI驱动，关键在于让AI深度参与靶点发现、分子生成等上游环节，而非仅停留在化合物筛选等中下游优化工作。这需要算法、数据与生物学验证能力的深度融合。
从AI辅助到AI驱动的模式跃迁
目前国内AI制药市场的主要参与者包括药企、CRO和互联网公司，商业模式分为AI SaaS、AI CRO和AI Biotech三类。行业趋势显示，AI SaaS模式未来会逐渐消失，企业将向AI CRO和AI Biotech转型。开发具有差异化临床价值的产品比AI技术本身更重要，选择确定性更高的应用场景，针对未满足的临床需求开发药物，才是AI Biotech商业化的正道。
常见问题
DSP-1181的失败是否意味着AI制药路线不可行？
不能得出这一结论。DSP-1181的失败说明AI制药仍处于早期探索阶段，研发周期长、失败风险高是药物研发的常态。当前全球AI药物管线中仅4条推进至III期，行业整体仍在积累训练期，需要理性看待单点失败。
中国AI医疗与海外的主要差距在哪里？
差距主要在于源头创新能力和资本集中度。数据显示美国AI初创公司吸纳了全球77%的AI制药融资，而全球AI药物管线中由AI发现新靶点的仅有3条，中国在靶点发现等上游环节的自主能力仍需加强。
AI医疗国产替代最需要突破的环节是什么？
最核心的是数据壁垒和靶点发现能力。高质量医疗数据是训练AI模型的基础，而新靶点发现能力决定了能否从源头实现创新。两者结合，才能推动中国AI医疗从辅助工具走向真正的研发驱动力。