首个由AI设计并进入临床阶段的药物分子DSP-1181在临床I期因未达预期而被研发方放弃，这一标志性事件揭示了AI医疗落地的核心真相：AI在药物发现阶段的高效，无法消除人体生物学复杂性带来的临床失败风险。这一案例表明，AI制药的挑战并非仅存在于算法或算力层面，而是贯穿从靶点确认到临床验证的全链条，其中训练数据偏差、临床转化率以及监管标准的不确定性，构成了当前最不容忽视的风险盲区。

临床阶段的“黑箱”：AI无法预测人体复杂性

DSP-1181的失败极具代表性。作为AI设计分子进入临床的标杆案例，其折戟于临床I期，说明AI模型在分子生成与筛选上的优化能力，尚不能等同于对人体安全性与有效性的预判能力。人体内的代谢通路、免疫反应与个体差异构成了一个复杂的“黑箱”，而AI的训练数据主要来源于既有知识库，难以覆盖真实世界中无穷的生物学变量。

从行业整体数据看，全球范围内获批临床的AI药物管线仍处于早期验证阶段。统计显示，在已推进的管线中，推进至临床I期的占比约32.5%，推进至II期的占比约36.3%，而进入III期的仅占5.0%。这一分布结构说明，绝大多数AI药物仍卡在早期临床验证环节，距离真正意义上的商业化落地尚有漫长距离。

数据偏差与辅助定位：被低估的底层隐患

AI医疗的另一重风险在于训练数据偏差导致的“假阳性”。AI模型的预测能力高度依赖训练数据的质量与代表性，若数据本身存在人群覆盖不足、实验条件偏差等问题，模型输出的候选分子虽在计算层面表现优异，却可能在真实生物环境中失效。这种偏差不仅浪费研发资源，更可能误导后续的临床设计方向。

值得注意的是，AI在药物研发中的角色目前仍以辅助为主。数据显示，在已公布靶点的AI药物管线中，运用人工智能发现新靶点的管线占比仅约4%，绝大多数管线仍依赖于已知靶点或传统发现路径。这意味着，AI当前更多是提升了已知路径的研发效率，而非颠覆性地开创全新治疗逻辑。此外，从适应症分布看，癌症以约66%的占比成为AI制药的首选领域，这与传统药物研发的适应症选择逻辑高度重合，也侧面印证了AI制药尚未脱离传统研发框架的现状。

监管滞后：审评标准的动态博弈

AI制药面临的另一重不确定性来自监管层面。由于AI算法的“黑箱”属性与传统药物审评所依赖的确定性证据链存在冲突，监管机构对AI设计分子的审评标准仍在动态摸索之中。例如，如何验证AI靶点的生物学合理性、如何评估算法迭代对药物批次一致性的影响、如何界定AI模型在临床失败中的责任边界，这些问题目前均缺乏成熟的国际共识。

对于AI制药企业而言，应对监管不确定性的务实策略是主动拥抱临床价值导向。现阶段行业正处于从计算机辅助药物设计（CADD）向AI驱动药物研发（AIDD）转型的过程中，选择确定性更高的应用场景、针对未满足的临床需求开发具有差异化价值的产品，比单纯追求AI技术的炫技更为重要。

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的失败属于个案，但它提供了一个宝贵的警示：AI在药物发现环节的效率优势并不能直接转化为临床阶段的成功率。行业整体管线仍处于早期积累期，需要更多临床数据来验证AI设计的可靠性。

AI在临床试验环节能发挥什么作用？

AI正在被探索应用于患者招募与临床试验成功率预测。例如，通过匹配医疗记录与受试药物信息来优化患者招募，或基于公开临床数据预判试验设计的合理性。这些应用旨在降低临床试验这一“耗时最久、花费最高”环节的失败概率。

当前AI制药与传统制药的关系是什么？

AI制药并非要取代传统研发，而是作为提升效率的辅助工具。目前AI在新靶点发现上的贡献仍有限，更多是在化合物筛选、成药性评估等环节加速流程。AI技术的渗透率越高，研发效率的提升越显著，但最终的药物价值仍需通过传统临床验证来确认。