2026年2月3日，北京一场题为“AI将如何颠覆制药”的前沿研讨会，把AI制药的讨论又往前推了一步。
据中国日报中文网报道，这场会议由大湾区人工智能应用研究院与中国科学技术大学北京校友会联合主办。分子之心创始人、国际计算生物学会会士许锦波在会上提到，传统大分子药物研发更像“大海捞针”，而AI蛋白质设计正在把过程推向“精准编程”。
这句话听起来有些满，但放在蛋白质设计的语境里，并不夸张。
AI不只看结构，也开始给方案
过去几年，AlphaFold和ESMFold让行业看到了AI理解蛋白结构的能力。会议通发布的“2026第三期AI驱动的蛋白质结构解析与设计（实操）专题培训班”介绍中也提到，AlphaFold2等成果实现了蛋白质结构的高精度预测；RFdiffusion、ProteinMPNN等生成式模型，则把蛋白质从头设计继续往前推。
这里的变化不只是“算得更快”。
传统蛋白质工程面对的是一个极大的搜索空间。MatwingsVenus™的文章举过一个例子：一个平均大小的蛋白质包含361个氨基酸，理论上的序列组合是20的361次方；改变一个氨基酸位置，可能性约有6000种，改变两个是2300万，改变三个就到500亿量级。
在这种空间里，单靠筛选和随机突变，很容易变成碰运气。AI模型的价值，是先在庞大的可能性中缩小范围，再把更有希望的序列交给实验验证。
所以，行业现在常说的“从预测到生成”，重点并不是AI替代药物研发，而是研发流程的前半段正在改写：模型先提出结构、序列或候选分子，实验团队再筛掉不合格的部分。
候选分子来得更快，但别急着宣布胜利
2026上海生物医药合作大会前瞻研讨中，生成式AI重塑蛋白质与抗体设计被列为焦点议题。相关材料提到，AI模型的引入，正在把过去可能耗时数月甚至数年的研发周期压缩到数周，设计效率提升数十至上百倍。
这解释了为什么AI蛋白质设计会在生物医药圈迅速升温。对药企来说，早期发现阶段如果能少走弯路，价值很直接：更快拿到候选分子，更早进入体外实验和动物实验，也更早知道一条路线是不是该停。
但速度不是药物研发的最终答案。
屏幕上看起来漂亮的蛋白结构，到了试管、细胞和人体里，可能完全是另一回事。一个分子即使结合力强，也可能遇到免疫原性、稳定性、代谢、毒性等问题。AI生成了更多候选项，不等于候选项天然更安全，也不等于它们能走到临床终点。
这也是AI制药最容易被误读的地方：模型可以提高设计效率，却不能跳过生物验证。
2026年，三期临床会给出更硬的答案
Phirda转载的《AI制药2026年的11大预测！》把2026年称为关键节点，原因很明确：AI设计的先导药物正陆续进入关键性试验阶段，全年预计会有多项临床数据读出。文章还提到，未来18个月内，多家完成重大合并的实体预计获得一系列临床验证结果。
这些数据的重要性，不在于给AI制药讲一个更好听的故事，而在于回答一个更冷的问题：AI能不能规模化地催生真正有效的药物？
制药行业长期面对高失败率。上述预测文章提到，AI能否打破制药行业近90%的临床失败“魔咒”，仍要靠三期临床结果来检验。这个关口过不去，前面的模型架构、参数规模、生成速度，都只能算研发过程中的亮点，不能算药物成功。
换句话说，AI制药到了2026年，已经不能只靠“发现更快”来证明自己。行业真正关心的是：更快发现之后，能不能更快排雷；进入临床之后，能不能在安全性和有效性上经得住检验。
生成式蛋白设计会留下来，泡沫也会被筛掉
现在看，AI蛋白质设计的方向大概率不会退回去。
AlphaFold、ESMFold打开了结构理解的大门，RFdiffusion、ProteinMPNN这类模型继续把设计能力往前推。会议通的培训班材料也把新药研发、酶工程改造、合成生物学列为这些技术正在影响的领域。对科研机构和企业来说，这已经不只是一个展示模型能力的题目，而是会进入实验流程、项目管理和管线决策的工具。
但工具越强，越需要清楚边界。
AI可以给出候选分子，可以缩短早期探索时间，也可以帮助研究者在巨大的蛋白质序列空间里少走弯路。它不能替代湿实验，不能替代毒理学验证，更不能替代临床终点。
所以，2026年的AI制药不缺热度。真正值得盯住的，是那些从模型走到实验、再走到临床数据的项目。生成式蛋白设计已经把门推开了，接下来要看它能带多少药物真正走出去。
