CADD自1981年被《财富》杂志宣称为“下一次工业革命”以来，历经四十余年发展，真正成功的药物案例依然寥寥，微芯生物的西达本胺常被作为计算机辅助药物设计的代表性成果提及，但其可复制性一直存疑。AI医疗当前面临的核心风险并非技术本身不先进，而是从高预期的算法能力到低成功率的临床转化之间存在巨大落差，叠加数据偏差、算法黑箱与监管不确定性，行业仍处于积累训练期。
从CADD高预期到临床转化的现实落差
CADD（计算机辅助药物设计）并非新鲜事物，早在1966年，赛勒斯·利文索尔将计算机模拟与分子图像结合实现蛋白质和核酸结构可视化，便标志着该领域的开端。然而，行业对AI制药的期待与实际产出并不匹配——第一个由AI设计进入临床的分子DSP-1181，因未达预期已被开发方放弃，这印证了临床阶段的失败风险并未因AI介入而消失。
从全球AI药物管线的推进进度看，浙商证券统计的数据显示，已获批临床的AI药物管线中，推进至III期的占比仅5.0%，而临床I期占比32.5%、II期占比36.3%。这意味着绝大多数AI药物管线仍停留在早期验证阶段，距离商业化上市有相当距离。AI技术在药物研发中更多承担辅助角色——已公布靶点的管线中，运用AI发现新靶点的管线占比仅4.0%。
AI医疗特有的行业风险与不确定性
AI医疗面临的风险具有鲜明的行业特殊性，并非传统制药风险的简单延伸。
数据偏差与质量风险是首要挑战。AI模型的训练高度依赖医药数据，而产业链上游的数据集供应本身构成关键竞争壁垒。若训练数据存在选择偏差或质量缺陷，算法输出的可靠性将无从保障。此外，AI评估体系对临床试验设计的判断也依赖既有公开数据，样本量过小的试验设计在AI评估下难以通过，但这一评估逻辑本身也需要真实世界数据的持续校验。
算法黑箱与可解释性风险同样不容忽视。AI在靶点发现、化合物筛选等环节的决策过程往往缺乏透明性，这在新药审批与临床应用中可能引发监管疑虑。当AI模型给出一个分子设计方案或临床试验成功率判断时，若无法清晰解释其推理依据，监管机构与临床医生的接受度将受到制约。
商业模式的不确定性是另一重风险。当前AI制药企业主要分为AI SaaS、AI CRO和AI Biotech三类模式，但行业普遍预判SaaS模式将逐渐消失，企业将向AI CRO及AI Biotech转型。商业模式的动荡期意味着企业需要不断调整战略定位，而AI Biotech模式虽发展潜力大，却也意味着企业需独立承担药物研发的高昂成本与失败风险。
常见问题
AI医疗与CADD是什么关系？
AI制药（AIDD）是CADD的演进形态，指将机器学习、自然语言处理及大数据等AI技术应用到制药各环节。CADD自1981年即被寄予厚望，而AIDD在数据和算法推动下近年获得资本高度关注，但两者都面临从算法能力到临床价值的转化挑战。
AI药物研发的成功率为何仍然不高？
核心原因在于药物研发链条极长，AI目前主要介入靶点确认、化合物筛选等临床前环节，而耗时最久、资金花费最高、最容易出问题的临床试验阶段，AI的渗透率仍然有限。全球AI药物管线中，推进至III期的占比仅5.0%，大多数管线仍在I期、II期徘徊，失败风险尚未充分暴露。
如何看待西达本胺作为AI制药成功案例的意义？
西达本胺是CADD应用的代表性成果，但其作为孤例的可复制性存疑。AI药物研发高度依赖具体团队的技术路线、数据积累与适应症选择，个体经验难以直接迁移。这也提醒市场，AI医疗的行业性突破仍需等待更多管线走完临床验证，而非依赖单一成功案例的线性外推。