DSP-1181作为首个由AI设计并进入临床试验的分子，其临床I期未达预期而被日本住友放弃，这一事件直接暴露了AI医疗产业链的深层困局：AI设计端的“分子生成能力”与临床开发端的“转化验证能力”之间存在系统性断裂，而数据壁垒与协作模式错位是断裂的根源。AI制药并非输在算法，而是输在了从计算机预测到人体疗效之间的鸿沟上。

数据断层：高质量临床数据的稀缺与割裂

AI模型的训练高度依赖上游数据供给，而医药数据恰恰是产业链中公认的关键竞争壁垒。当前困局的核心在于，AI企业可用于训练的多为公开文献、专利及部分临床前数据，而真正决定药物成败的、富含阴性结果的临床级数据，大多沉淀在传统药企与医院手中，并未形成顺畅的流通机制。DSP-1181的失败说明，算法在缺乏足够真实世界临床数据反馈的情况下，其优化方向可能与临床实际需求产生偏差。

此外，从全球已获批临床的AI药物管线来看，运用AI发现全新靶点的管线占比极低，绝大多数项目仍集中于已知靶点的分子优化。这表明AI在药物研发中仍扮演辅助角色，尚未成为驱动源头创新的核心引擎，数据维度的局限直接限制了AI的发挥空间。

协作错位：从“交付分子”到“交付药物”的责任断层

产业链中游的AI药物研发企业多以医药研发外包形式与下游药企合作，这种模式容易导致责任链条的割裂。AI公司往往以完成特定阶段的算法任务或分子设计为交付标准，而药企则承担后续所有临床开发风险。DSP-1181正是这种协作模式的产物：AI端完成了其“设计”使命，但当分子进入成本更高、周期更长的临床验证阶段时，AI平台的迭代优化能力并未有效延伸至该环节。

临床试验是新药研发中耗时最久、资金花费最高、最容易出问题的环节，而目前的产业链协作中，AI技术对临床阶段的渗透极为有限。尽管已有公司开始探索利用AI进行患者招募或临床试验成功率预测，但整体而言，从临床前预测到临床验证的闭环反馈机制尚未建立。

模式困境：商业模式转型中的定位模糊

当前AI制药企业主要分为AI SaaS、AI CRO和AI Biotech三类商业模式。业内普遍预计，单纯售卖软件的AI SaaS模式将逐渐消失，企业会向AI CRO及AI Biotech转型。DSP-1181的受挫，也折射出转型期的阵痛：若AI企业仅作为服务商，难以对最终临床结果负责；若转型为AI Biotech自主开发药物，则需直面传统药企数十年积累的临床开发能力与资金门槛。

产业链下游的传统药企是AI药物研发的直接需求者，但双方在风险承担、收益分配与研发节奏上的磨合仍显生涩。对于AI制药而言，开发具有差异化临床价值的产品比AI技术本身更重要，这要求产业链各方从松散的甲乙方关系，走向深度的风险共担与能力互补。

常见问题

DSP-1181的失败是否意味着AI制药路线走不通？

并非如此。DSP-1181的失败代表的是特定分子与特定适应症的临床挫折，而非AI技术路线的整体否定。当前全球仍有大量AI辅助药物管线处于临床阶段，AI制药整体仍处于积累训练期，行业共识是AI在缩短研发周期、降低成本方面具备显著潜力，但距离成熟仍需跨越临床转化鸿沟。

AI制药产业链中最薄弱的环节是哪个？

临床阶段是当前最明显的短板。临床试验耗时最久、花费最高且最易出问题，而AI技术在此环节的渗透率远低于临床前药物发现环节。数据断层在临床阶段表现得尤为突出——缺乏高质量的真实世界数据反馈，AI模型难以持续优化其预测准确性。

未来产业链协作可能如何改善？

方向之一是AI企业向AI Biotech模式深化转型，自主承担更多临床开发责任，从而形成数据-算法-临床验证的完整闭环。同时，已有AI公司开始介入临床试验的患者招募与成功率预测，这类将AI能力向临床端延伸的探索，正是修复产业链断裂点的关键尝试。