DSP-1181的受挫，标志着AI医疗药物研发从“AI能设计分子”的验证期，进入“AI能做出好药”的残酷淘汰期。 这个曾被视为AI制药里程碑的分子未能达到预期，被合作方放弃，恰恰印证了行业评判标准的根本转变：对后来者而言，进入临床不再是值得炫耀的终点，以临床成功率为核心的生物学验证深度，才是决定生死的分水岭。

从概念验证到临床大考

AI制药并非新事物。自计算机辅助药物设计（CADD）起步，到如今机器学习、自然语言处理及大数据技术的深度介入，AI在药物研发中的应用已有数十年积累。约投顾研究显示，行业普遍认为AI制药可显著缩短研发周期、降低研发投入并提高成功率，这正是资本近年来对其青眼有加的根本原因——传统药物研发已很难“回本”。

然而，现实远比理论骨感。DSP-1181作为第一个由AI设计并进入临床的分子，其失利具有标志性意义：它打破了“AI设计即成功”的简单叙事。 这提醒市场，AI在靶点确认、分子生成、化合物筛选等环节的高效，并不能自动转化为临床阶段的胜果。行业数据同样佐证了这一点：在已获批临床的AI药物管线中，多数仍停留在早期阶段，运用AI发现全新靶点的管线占比极低，表明AI在药物研发中仍主要扮演辅助角色。

后进者的策略重构

DSP-1181的暗淡结局，为AI制药的后入局者提供了清晰的价值坐标。首先，核心指标必须从“管线数量”切换为“临床成功率”。 过去，拥有一条AI设计的分子进入临床即是重大利好；如今，市场更关注该分子在真实患者身上的安全性与疗效数据。其次，不宜迷信AI的“速度神话”，而应强调生物学验证的深度。 浙商证券的统计显示，AI药物管线的适应症选择与传统方法高度重合——癌症仍是首选，这提示AI的“颠覆性”尚未完全兑现，其价值更在于提升既有研发流程的效率。

这并不意味着AI制药前景黯淡。行业正处于从CADD向AIDD转型的过程中，开发具有差异化临床价值的产品，比AI技术本身更重要。对后来者而言，与其追逐“首个AI设计药物”的虚名，不如选择确定性更高的应用场景，针对未满足的临床需求深耕，将AI能力扎实嵌入从靶点发现到临床试验的每一个环节。

常见问题

DSP-1181的失败是否意味着AI制药这条路走不通？

并非如此。DSP-1181的受挫是行业从概念验证走向临床实证的必经阵痛。它说明AI在药物发现环节的效率优势，不能替代临床阶段的严格验证，但不否定AI在缩短研发周期、优化资源配置上的真实价值。

当前AI药物研发管线整体处于什么阶段？

整体仍处于积累训练期。根据行业统计，全球已获批临床的AI药物管线中，过半仍停留在临床一期和二期，推进到三期及以上的占比很小。从靶点选择看，AI发现全新靶点的能力尚未成为主流，更多是辅助传统研发流程。

对AI制药初创企业而言，哪种商业模式更值得关注？

行业趋势显示，单纯的软件服务模式空间有限，未来更多企业会向AI CRO（研发外包服务）和AI Biotech（自主新药研发）转型。其中AI Biotech因发展潜力大、市场空间不受限，正成为多数企业的选择，但这更考验企业在靶点选择与临床开发上的深度能力。