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，这一事件确实引发了对AI医疗监管的重新审视。核心结论是：DSP-1181的失败并非否定AI制药的价值，而是将监管焦点从“鼓励创新”转向“平衡黑箱风险”，未来AI算法的可解释性与临床前验证标准，极可能成为中美监管机构共同收紧的审评维度。
监管天平：鼓励创新与警惕黑箱
当前FDA与NMPA对AI制药的整体态度，是在效率红利与安全性之间寻找平衡。AI技术本身可显著优化新药研发效率、降低临床失败概率，官方资料明确指出AI可应用于“监管审批（优化药品审批流程）”环节，这体现了监管机构对技术赋能持开放姿态。
然而，DSP-1181的失败暴露了AI模型“黑箱”属性的现实风险。当算法预测的候选分子在真实临床中未达预期，监管机构必然追问：模型的决策依据是什么？训练数据的偏差如何校正？ 这种追问正加速推动“算法可解释性”从学术议题转化为潜在的合规门槛。对于AI制药企业而言，未来提交IND申请时，仅提供“AI找到的靶点”可能不够，还需附上可审计的决策逻辑链。
失败案例的行业启示：辅助定位仍是主流
需要厘清的是，DSP-1181的挫折并未改变AI在药物研发中的辅助性定位。根据浙商证券对全球80条获批临床的AI药物管线的统计，运用人工智能发现新靶点的管线仅3条（占比约4%），大部分项目仍集中于化合物筛选、ADMET性质预测等辅助环节。这组数据说明，监管与产业界对AI的共识仍是“效率工具”而非“替代引擎”。
| 管线阶段 | 占比 |
|---|---|
| 临床1期 | 32.5% |
| 临床2期 | 36.3% |
| 临床3期 | 5.0% |
上述数据表明，AI药物管线整体尚处早期积累期。DSP-1181的失败更可能促使监管机构细化“AI辅助设计”与“AI全权主导”的审评差异，而非一刀切地收紧审批。
对中国AI制药出海申报的策略影响
对中国AI制药企业而言，DSP-1181案例带来的直接变量是：出海申报时，算法透明度的举证责任或将前置。 若FDA或NMPA后续将“可解释性”纳入技术审评要求，企业必须在临床前研究阶段就建立完整的算法版本管理、数据溯源及决策回溯机制。
这并不意味着出海通道收窄，反而可能加速行业洗牌——那些仅靠“AI概念”包装、缺乏扎实可解释性验证的企业将面临更高合规成本，而具备真实技术壁垒、能清晰阐述模型逻辑的企业，反而可能因监管标准明确化而获得更顺畅的审批路径。监管的“新变量”本质上是对AI制药从“讲故事”转向“讲证据”的强制校准。
常见问题
DSP-1181失败是否意味着AI制药路线不可行？
并非如此。DSP-1181是首个由AI设计进入临床的分子，其失败属于新药研发高失败率的常态体现。目前全球AI药物管线中超过三分之二仍处于临床早期阶段，AI在药物研发中的辅助价值（如缩短周期、降低成本）依然被产业与监管认可，关键在于如何建立更可靠的验证标准。
监管机构会强制要求AI算法“透明”吗？
从趋势看，算法可解释性正从技术伦理议题转向监管实操维度。DSP-1181这类案例会强化监管对“黑箱”风险的警惕，未来在临床审批中，监管方很可能要求申办方提供算法训练数据来源、模型决策依据等可审计信息，但具体细则尚未公布，需关注FDA与NMPA后续指导原则。
中国AI制药企业出海策略应如何调整？
建议将“监管合规前置”纳入研发早期规划。在临床前阶段就建立完整的算法文档体系，包括数据清洗日志、模型版本迭代记录及关键预测结果的回溯验证。同时，关注目标市场对AI医疗器械及药物的专项指导原则，避免因“算法黑箱”问题在审批后期遭遇补充要求，从而拉长申报周期。