AI制药这条赛道上，最常被引用的一句话是"把新药研发时间砍掉一半"。这句话有出处。被引用的方式常常不对。
砍掉的是哪一半，决定这个结论成不成立。
被改掉的是哪一段
新药研发的链条可以粗分成四段：靶点发现、分子发现与优化、临床前研究、临床试验。
AI制药在这四段里的渗透程度完全不同。差别很大。
靶点发现这一段，AI 做的是从海量组学数据里找关联。哪些基因的表达和疾病相关，哪些通路的异常可能是驱动因素，这类问题适合机器学习。它能把候选靶点的清单缩短，把明显不成立的排除掉。
分子生成这一段，变化最明显。给定一个靶点，算法可以在化学空间里生成大量结构，预测亲和力、成药性、毒性。过去靠化学家一个一个设计、合成、测试，一轮几个月；现在算法先筛一遍，把合成的数量降下来。
临床前研究这一段，AI 主要用在毒性预测和药代动力学建模上，能减少一部分动物实验，但替代不了。
临床试验这一段，AI 的角色是辅助：患者招募的筛选、方案设计的优化、影像判读的辅助。它不改变试验必须做这件事本身。
所以准确的说法是：AI 压缩的是前半段的试错成本，不是整条链的时间。
湿实验为什么省不了
这里有个容易被忽略的分界。算法给出的是预测，预测要变成证据，必须在湿实验里验证。
原因很朴素。算法模型的训练数据来自已有的实验，它对化学空间的理解是间接的。一个全新的骨架，模型给出高亲和力，可能只是因为这个区域的数据稀疏。外推出来的结果不可靠。
湿实验的成本恰恰是 AI 想省的那部分。合成一个化合物要钱，测活性要时间，做动物实验更贵。AI 能把它从"一万个里筛"降到"一百个里筛"，这已经是很大的节省，但那一百个还得真做。
更麻烦的是失败率。新药研发的整体失败率在九成以上，失败大多发生在临床阶段，原因是不够有效或者安全性不行。AI 在临床前能提高成功率，但改善的幅度有限，因为临床失败的原因往往是人体的复杂性，不是分子本身的性质。
数据质量决定模型上限
AI制药公司最值钱的资产不是算法。是数据。
公开数据的问题是不完整、不标准。同一个活性指标，不同实验室的测定条件不一样，数值不能直接比；阴性结果很少发表，模型学到的是有偏的分布。
企业自己的数据更可靠。量往往不够。一家公司做了十年，积累的化合物数据可能只有几十万条，对深度学习来说不算多。
数据质量这件事，落到具体就是三问：这批数据的实验条件是否一致，阴性结果有没有记录，临床样本和临床前数据能不能对上。
制药大模型这几年被反复提起，逻辑是先把生物医学的文献、专利、实验数据统一表征，再在这个基础上做下游任务。这条路走得通。前提还是数据清洗，而清洗是苦活，没有捷径。
生物标志物的发现是另一个受益点。AI 能从多组学数据里找到和疗效相关的标志物，用来筛选入组人群，把试验做得更小、更精准。这一条的价值可能比"生成分子"更实际。
对患者的好处在几年后
把时间轴拉直看，会更清楚。
短期，患者感受不到。这是实情。一个分子从临床前进入 I 期，到上市平均要六到八年。今天 AI 生成的那些候选分子，多数还在临床前或者 I 期，上市时间在 2030 年之后。
中期能看到的是临床试验数量增加。候选分子多了，进入临床的也多了，患者参与试验的机会变多。这对罕见病和难治肿瘤的患者是有意义的，因为他们最缺的就是选项。
长期看，如果研发效率真提上去了，药价有下降空间。这个传导很慢。而且被支付体系稀释。
有一点要提醒。AI 制药公司的管线里，真正进入后期临床的比例还不高，多数集中在临床前。看AI制药公司的价值，管线阶段比"AI"这个标签重要得多。
研发周期这个数，比较稳妥的说法是：临床前阶段可以压缩三到五成，整体研发周期压缩一到两成，上市时间不会因为 AI 提前好几年。这个判断不性感。但更接近实际。
引用来源
国家药品监督管理局药品审评中心，《人工智能辅助药物研发技术指导原则（试行）》。
Nature Reviews Drug Discovery，《人工智能在药物发现中的应用与局限》，2025 年综述。