DSP-1181的临床失败不是偶发事件，而是AI医疗行业供需错配的必然信号——供给端资本助推下管线快速涌入临床，与需求端临床验证的严苛标准之间形成了结构性落差。作为第一个由AI设计进入临床的分子，DSP-1181因未达预期被日本住友放弃，这一案例暴露的并非AI技术本身的失效，而是行业在“速度叙事”与“验证规律”之间的失衡。重新校准供需节奏的关键，在于接受“快速失败”策略——用更低的成本、更早的淘汰换取更高的临床成功率。

供给过热：速度红利掩盖了验证成本

AI制药的核心承诺是缩短研发周期。资料显示，AI技术在药物研发各环节的渗透率越高，研发效率越高，普遍认为可缩短一半研发周期、减少10%研发投入。这种效率优势吸引了大量资本涌入——2022年AI制药赛道融资事件达144起，同比增长97%，总金额62.02亿美元，同比增长47.67%。

然而，速度带来的供给膨胀并未同步提升临床阶段的成功率。浙商证券统计的全球80条获批临床的AI药物管线中，42条推进至1期，29条推进至2期，仅4条进入3期。管线数量快速增长，但越往后端越稀疏，说明大量分子在早期临床即被淘汰。DSP-1181的失败正是这一漏斗效应的缩影——AI可以加速分子的生成与筛选，却无法绕过临床试验对人体安全性与有效性的终极检验。

需求严苛：临床验证的“慢变量”不可压缩

药物研发的最终需求方是临床验证体系，而这一体系的规则不因AI提速而改变。从适应症分布看，AI药物管线与传统的选择高度重合——癌症占66%，遗传性疾病和罕见病占12%，这既说明AI尚未开辟全新的治疗疆域，也意味着其产品必须与传统药物在同等严格的临床标准下竞争。

更深层的错配在于靶点创新度不足。已获批临床的AI管线中，运用人工智能发现新靶点的仅3条，占比约4%。多数管线仍基于已知靶点进行分子优化，AI更多扮演辅助角色，而非颠覆者。当供给端的创新集中在“更快的已知路径”上，而需求端要求“更好的临床结局”时，失败率的累积便成为必然。DSP-1181的折戟提醒行业：AI缩短的是发现周期，而非验证周期。

节奏校准：以“快速失败”重构行业供需

行业供需节奏的重新校准，核心不是收缩供给，而是改变供给的质量结构与淘汰机制。浙商证券数据显示，当前AI药物研发仍处于积累训练期，大量管线集中在早期临床阶段——这恰恰为推行“快速失败”策略提供了窗口。

所谓快速失败，是指在临床前及早期临床阶段，利用AI的预测能力更早识别无效分子，避免将资源浪费在注定失败的后端试验上。资料指出，临床试验是新药研发中耗时最久、资金花费最高的环节，近三分之一的3期临床因患者招募问题而失败。AI公司已开始介入患者招募匹配与临床试验成功率预测——例如基于公开临床数据评估试验设计合理性，对于样本量过小（如仅10个病人）的慢性病试验，AI评估体系可直接判定其缺乏说服力。这种前置筛选能力，正是供需再平衡的关键工具。

常见问题

DSP-1181的失败是否意味着AI制药路线走不通？

不是。DSP-1181的失败反映的是行业整体仍处于早期积累阶段，而非AI技术路径的终结。当前全球AI药物管线中，绝大多数仍停留在1期或2期临床，行业共识是AI药物研发仍处于“积累训练期”，首个分子的失败属于探索过程中的正常淘汰。

AI制药与传统制药的研发周期差异有多大？

资料显示，传统药物平均上市时间约为10-16年，其中药物研发阶段需3-7年、用药安全阶段需5-7年。AI技术有望将总研发周期缩短1/2-2/3，同时至少降低10%的研发投入。但需注意，这种缩短主要体现在临床前发现环节，临床验证阶段的时间压缩空间有限。

投资者应如何看待AI药物管线的临床推进数据？

应关注管线质量而非单纯数量。当前80条获批临床的AI管线中，仅4条推进至3期，占比5%，且新靶点管线占比仅约4%——这说明多数AI药物仍沿袭传统靶点路径，真正的创新验证尚需时日。行业供需的重新平衡，将依赖于更多“快速失败”案例积累出的数据，用于训练更精准的临床预测模型。