首例由AI设计并进入临床的分子DSP-1181因未达预期而被放弃，这一标志性事件让AI医疗药物研发的技术路线面临深刻反思：纯算法驱动的“一次性设计”模式存在对体内复杂环境预测不足的局限，行业正加速从单纯AI算法向“数据-实验闭环”方向融合演进。DSP-1181由Exscientia的AI平台设计，靶向血清素受体，用于强迫症治疗，其折戟并不意味着AI制药路线失败，而是提示技术重心需要从“生成分子”向“验证分子”的系统能力迁移。
纯AI设计的局限：预测与现实的落差
DSP-1181的失败暴露了纯AI设计模式的核心短板：算法可以在海量化学空间中生成结构新颖的候选分子，但对分子进入体内后的吸收、分布、代谢、排泄及毒性等复杂生物学表现，预测能力仍然有限。临床前模型与真实人体环境之间存在显著差异，这种“体外-体内鸿沟”并非单靠更强大的生成算法就能弥合。浙商证券统计显示，在全球获批临床的AI药物管线中，运用人工智能发现新靶点的管线仅占少数，多数管线仍集中在已知靶点上的分子优化，这也表明纯AI在药物研发中更多承担辅助角色，而非颠覆性主导。
从“生成”到“闭环”：技术路线的演进方向
行业正在形成的共识是，AI制药的真正壁垒不在于生成分子的算法本身，而在于能否构建“设计-实验-数据反馈-再设计”的闭环验证体系。纯AI设计模式类似于“一次性提交答案”，缺乏对失败数据的吸收与迭代；而AI与自动化实验、湿实验验证相结合的模式，则能让算法在每一轮实验数据中持续学习，逐步逼近真实生物学环境下的成药性要求。这一技术路线的差异，本质上决定了AI制药企业是停留在“工具提供者”角色，还是成长为具备药物开发能力的“研发主体”。
产业格局：商业模式向研发纵深演进
从产业链视角看，AI制药市场的主要参与者包括药企、CRO和互联网公司，商业模式分为AI SaaS（售卖软件）、AI CRO（售卖服务）和AI Biotech（自主研发药物）三类。行业发展趋势判断认为，纯软件服务的SaaS模式未来会逐渐消失，企业将更多向AI CRO和AI Biotech模式转型，其中AI Biotech因发展潜力大、市场空间不受限，会成为多数AI制药企业的选择。这一转型的背后逻辑正是“数据-实验闭环”的深化——只有深度介入药物研发流程、积累真实实验数据，AI模型才能获得持续优化的燃料。
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的折戟更多反映的是特定分子的临床失败，而非AI方法论的整体失效。AI在靶点确认、化合物筛选、ADMET性质预测等环节仍能显著提升效率，行业普遍认为AI制药可缩短研发周期、降低研发投入。当前AI制药仍处于“积累训练期”，临床管线多数处于早期阶段，技术成熟度与临床验证都需要时间沉淀。
纯AI设计与AI+实验闭环的核心区别是什么？
核心区别在于是否具备数据反馈与迭代机制。纯AI设计完成分子生成后即告一段落，缺乏对后续实验数据的吸收；而AI+实验闭环则将湿实验、自动化验证产生的数据持续反馈给算法，使模型在每一轮迭代中修正预测偏差，逐步提升对体内复杂环境的判断准确度。
未来AI制药企业会呈现怎样的竞争格局？
行业趋势判断认为，AI SaaS模式将逐步萎缩，企业会向AI CRO和AI Biotech方向转型。AI Biotech因不受市场空间限制将成为主流选择，而AI CRO领域则可能类似传统CRO行业，最终形成少数头部企业占据主要市场的格局。能否构建高质量的数据-实验闭环体系，将是区分企业竞争力的关键分水岭。