2026年初的JPM大会，AI制药又被推到台前。
同写意报道中提到，礼来与英伟达再度合作，成立AI联合创新实验室，未来五年共同投入超10亿美元，目标是重构药物研发全链条。数月前，礼来已与英伟达启动建设由超过1000颗英伟达Blackwell Ultra GPU芯片驱动的超级计算机和AI制药工厂。按照同一篇报道的不完全统计，2026年开局一个月，全球公开的AI制药相关合作与交易已逾十起。
这说明一件事：大药企和算力公司已经愿意把真金白银押上来。但钱和算力只能证明行业热，不能证明药能成。
新药研发的难，不在于缺少想法，而在于想法走到人体试验时，常常会被安全性、有效性、毒理和适应症选择逐一筛掉。《人工智能在新药研发中的应用》提到，AI在药物研发中的应用主要有七类：靶点药物研发、候选药物挖掘、化合物筛选、预测ADMET性质、药物晶型预测、辅助病理生物学研究、发掘药物新适应症。这些环节都重要，但大多还在临床前或早期研发阶段。
真正昂贵的部分，仍然在后面。
《人工智能在新药研发中的应用现状与挑战》引用IQVIA 2019年报告称，新药从临床试验开始到研发结束的平均开发时间在过去10年里增加了26%，2018年达到12.5年。这个数字提醒行业，AI如果只把早期筛选做得更快，却无法提高后续临床成功率，价值会被大幅打折。
所以，AI制药现在最该看的指标，不是又发布了什么模型，也不是分子生成速度有多快，而是候选药物能不能在人体试验中拿出可信数据。尤其是三期临床。它样本更大、周期更长，也更接近监管和商业化的真实门槛。
英矽智能、晶泰科技这类公司经常被放在AI制药的观察名单里，但市场对它们的期待并不完全相同。前者更容易被拿来追问：AI参与设计或筛选的管线，能不能走到更后面的临床阶段，并拿出安全性和有效性结果。后者则更常被放在“计算+自动化实验”的服务框架下讨论：它能不能帮助药企把分子设计、合成、测试这些步骤衔接得更快、更稳定。
这两条路没有高下之分，验证方式不同。做管线，最后要接受临床数据检验；做平台和服务，要看药企是否持续买单，以及平台能否在真实项目中缩短试错过程。
摩熵医药在关于2024年AI制药行业的分析中提到，AI在制药领域的应用正在从蓝图走向实景，并开始尝试处理临床试验中的复杂问题。这个判断比较克制，也更接近当下状态：AI制药已经不是纯概念，但也还没到可以轻松宣布胜利的时候。
眼下最容易被忽略的是“湿实验”。模型在云端生成分子，最终仍要回到实验室：能不能合成，性质是否稳定，ADMET表现如何，动物实验结果能否支撑继续推进。没有这一步，算法再漂亮，也只能停在预测层面。
对监管来说，另一个问题是可追溯。药物研发不是消费级应用，模型为什么推荐某个靶点、为什么筛掉某个分子、实验数据如何回流到下一轮设计，都要能解释、能复核。黑箱可以提高效率，但不能替代证据链。
因此，AI制药接下来会变得更朴素：少看发布会，多看项目进展；少看模型参数，多看临床阶段；少看宏大叙事，多看失败率有没有被真正压低。
礼来与英伟达的超10亿美元合作，说明大公司已经把AI放进研发基础设施。清华相关研究报告列出的七个应用场景，说明AI确实能进入药物发现的多个环节。IQVIA关于研发时间的数字，则说明传统新药研发的压力足够大，行业需要新工具。
但这些都还不是最终答案。
最终答案会写在临床数据里。尤其是三期临床数据。AI制药能不能从“更快找到分子”走向“更高概率做成药”，要等那些数据表出来以后，市场才会真正买账。
