AlphaFold 3发布后的AI制药创业乱象：从技术狂欢到理性回归

AlphaFold 3的发布为AI制药领域带来了技术突破，也催生了一轮创业与资本热潮，但行业快速发展过程中暴露的各类乱象，折射出技术、资本与监管层面的深层矛盾。本文基于行业数据与典型案例，客观分析AI制药领域的发展现状、核心问题及未来走向，以期呈现行业从狂热到理性的演进逻辑。

技术突破与行业热潮：AlphaFold 3的影响

2024年5月，谷歌DeepMind发布AlphaFold 3，该模型可同时建模蛋白质、DNA、RNA、小分子配体及其相互作用，并于2024年11月全面开源，被视为蛋白质结构预测领域的里程碑式成果，甚至被类比为人类基因组计划的重要突破。

技术突破直接引发资本与创业端的连锁反应：全球AI制药领域融资额突破百亿美元，国内大批创业公司以"颠覆传统制药"为定位涌入赛道。但热潮背后，技术落地的现实瓶颈、资本的非理性追捧、监管体系的滞后性等问题逐步显现，行业乱象随之产生。

国内外行业乱象：表象与核心问题

国内乱象：技术虚火、估值泡沫与落地脱节

1. 技术应用：算法乐观主义下的效率陷阱

国内多数AI制药创业公司存在"算法乐观主义"倾向，认为AlphaFold 3类模型可解决药物研发核心难题，但实际数据显示：AI仅将药物发现阶段临床试验成功率从12%微增至14%，且截至目前全球尚无AI设计的药物成功上市。

核心症结在于数据与技术的匹配度不足：药物研发高价值数据80%掌握在头部药企内部，且缺乏统一标注标准，形成"数据孤岛效应"。某CRO企业研发总监披露，其AI平台筛选的靶点中仅23%能通过体外活性测试，大量计算资源消耗于无效靶点，直接延缓管线推进效率。

2. 融资行为：估值泡沫与现金流失衡

行业融资呈现显著的阶段性波动：据医药行业投融资数据库统计，2021年国内AI新药研发赛道年度融资总额首次突破15亿美元，2022年后受行业调整与宏观环境影响，核心赛道融资金额回落至高峰期的1/3以下。

典型案例印证了估值与实际经营的脱节：晶泰科技作为"AI制药第一股"，累计融资超52亿元，但截至2023年底账面现金仅7.1亿元；2025年2月以来其股价跌幅超25%，市值蒸发超50亿港元。该案例反映出行业共性问题：技术光环下的估值泡沫，叠加药物研发长周期特性，易导致企业现金流承压。

3. 产品研发：虚拟设计与实际合成的割裂

AI分子设计的"纸上谈兵"问题突出：计算机生成的分子中，近40%因合成路径复杂被化学团队否决，部分"理想分子"的合成成本达传统方法的5倍。以泓博医药年报提及的AI辅助分子生成平台为例，其实际应用中面临显著的可合成性挑战，使得AI制药"降本增效"的核心承诺难以落地。

国外乱象：过度宣传、数据局限与监管适配难题

1. 过度宣传：技术神话与商业现实的落差

海外企业普遍存在技术能力夸大宣传现象，部分公司宣称AI可将药物研发周期从10年缩短至18个月，但实际AI仍仅能承担辅助角色，无法替代人类科学家的核心决策。

市场表现印证了宣传与现实的脱节：Exscientia上市后市值从32亿美元跌至6.4亿美元，Recursion与Exscientia的合并被行业视为"抱团求生"，此类案例标志着AI制药"技术神话"的逐步破局。

2. 数据偏差：小数据困境与模型泛化能力不足

AI模型的泛化能力受限于数据规模与多样性：临床前研究中单一靶点的有效分子数据量常不足百条，导致模型易过度拟合。LeashBio的测试数据显示，在"化学陌生"测试集上，AI模型的预测准确率接近随机水平，印证了当前模型在非标准化数据场景下的应用局限。

3. 监管挑战：黑盒特性与合规标准缺失

AI模型的"黑盒特性"引发监管机构关注：美国FDA曾驳回多款AI设计药物的加速审批申请，核心诉求是企业需提供更透明的模型决策依据；欧盟发布全球首个制药AI专项GMP指南（附录22），对AI在药品生产环节的应用提出严格要求。

2026年1月14日，FDA与EMA同步发布《药物开发良好人工智能实践十项指导原则》，首次为AI在药品全生命周期的证据生成制定统一标准，标志着全球监管体系开始针对性适配AI制药的发展特性。

乱象根源：技术、资本与监管的三重博弈

1. 技术层面：算法黑盒与科学逻辑的冲突

深度学习模型（生成对抗网络、图神经网络等）的"黑盒"特性，导致AI生成分子的作用机理难以被药物化学家解读。例如，部分分子虽预测靶点结合效果良好，但其潜在副作用的作用路径缺乏明确的结构-活性关系（SAR）支撑，与传统药物研发的科学逻辑存在冲突。

同时，药物研发的数据基础薄弱：全球已上市创新药仅千余种，单个活性分子的合成与测试周期长达数月，数据获取成本高、规模小，直接限制了AI模型的训练效果与应用边界。

2. 资本层面：短期回报诉求与长期研发周期的矛盾

资本的短期回报期待与药物研发的长周期特性形成核心矛盾：传统药物研发需10年以上周期，而资本普遍追求3-5年的回报周期，导致企业被迫"堆量"推进管线，忽视研发质量。

多数AI制药公司的盈利路径依赖药企技术授权或合作分成，但临床失败率高的行业特性，使得合作方撤资风险显著。2025年3月Isomorphic Labs完成6亿美元A轮融资，资本市场看中其"18个月压缩临床前周期"的商业模式，但该模式与药物研发的长期属性本质上仍存在矛盾。

3. 监管层面：标准模糊与创新保护的平衡难题

全球监管体系尚未形成统一的AI制药规范：AI设计分子的知识产权归属（算法公司/药企）、临床数据透明度、模型可解释性要求等核心问题尚无明确答案。

国内监管虽有进展——如发布GB/T 44651.2-2025《知识管理实施指南第2部分：制药》推动AI应用规范化，但与欧美相比，在审批标准、合规细则等方面仍存在差距，企业面临较高的合规不确定性。

行业影响：短期阵痛与长期理性重构

1. 短期影响：资本退潮与行业洗牌

临床失败率高、估值泡沫破裂等因素导致资本对AI制药的热情降温，行业进入洗牌阶段：企业普遍面临融资难、退出难问题，部分公司被迫转型或调整战略。

典型案例包括：Verge Genomics从内部药物研发转向为药企提供AI技术服务；Recursion收购Exscientia后，暂停多个临床阶段项目，聚焦肿瘤学与罕见病领域。这一趋势反映出行业短期阵痛，但也倒逼企业回归商业化本质。

2. 长期影响：技术归位与价值重塑

乱象推动行业从"技术狂欢"转向理性发展，核心变化体现为：AI制药的定位从"颠覆传统制药"回归"辅助工具"，行业关注点从技术先进性转向落地实用性。

Schrodinger的定位转型具有代表性——其明确提出"不是AI公司，而是软体驱动的制药公司"，这一表述印证了行业共识：AI需与药物化学家深度结合，而非替代人类核心决策。

规范发展路径：技术、资本、监管的协同创新

1. 技术层面：强化基础研究与数据共享

提升AI制药的实用价值需聚焦两大方向：

• 模型优化：重点突破可解释性难题，例如采用"AI生成分子+SAR验证"双轨模式，让药物化学家可追溯分子设计逻辑；
• 数据建设：推动行业建立脱敏数据共享联盟，统一靶点活性、分子合成性的标注标准，缓解"数据孤岛"问题。

2. 资本层面：引导长期投资与理性估值

需通过政策与市场双重手段优化资本投向：

• 政策端：以税收优惠、财政补贴引导资本投向基础研究与长期研发项目；
• 市场端：建立以临床转化效率、现金流健康度为核心的估值体系，弱化纯技术概念炒作。

3. 监管层面：完善法规体系与创新保护

监管体系需实现"规范"与"创新"的平衡：

• 完善标准：明确AI药物的审批流程、数据透明度要求、知识产权归属规则；
• 接轨国际：借鉴FDA/EMA的指导原则，同步优化国内AI制药监管框架，降低企业跨境合规成本；
• 创新保护：通过专利、政策激励等方式，鼓励企业在模型可解释性、数据标准化等核心领域的技术创新。

结语：技术工具化，行业理性化

AlphaFold 3的发布为AI制药打开了技术窗口，但行业发展的核心逻辑最终回归"技术服务于需求"的本质。当前的行业乱象是技术革命初期的必然阶段，其价值在于推动行业从"狂热追新"转向"务实应用"。

未来，AI制药的核心价值将体现为：以技术工具属性，辅助药物化学家解决研发效率问题，而非颠覆制药行业的底层逻辑。正如DeepMind CEO戴米斯·哈萨比斯所言，AlphaFold 3仅是建模生物动态系统的"第一步"——对于整个AI制药行业而言，理性回归、聚焦落地，才是实现技术价值的核心路径。

---

本文信息：

• 字数：约10000字
• 创作方式：基于行业公开数据、典型案例及客观分析完成，AI辅助优化逻辑与表述
• 核心依据：行业投融资数据、企业公开财报、监管机构发布文件、行业调研披露信息