都说是AI驱动新药研发 那是一回事吗
2026年4月，OpenAI 推出了一款名为 GPT-Rosalind 的 AI 模型，旨在加速药物发现的进程。GPT-Rosalind 的定位是服务于生命科学研究，其核心功能在于从海量数据中提取关键信息，并将科研成果迅速转化为实际的医疗应用。
但是早在2020年Medidata AI就已经被美国FDA批准在临床中使用了，在试验设计和证据生成方面，Medidata AI可以预测哪些患者疗效最好；
哪些患者可能产生不良反应，进而采取措施减少不良反应或者安全事件。
在临床数据管理发面，通过Medidata AI可以对试验中采集到的所有数据进行自动校对，从而提升效率，减少数据管理者的负担。在试验执行过程中，Medidata AI则能基于历史临床试验作出预测，助力申办方筛选合适的研究中心，以及对试验中生成的成百上千的文件进行分类等。在患者参与上，Medidata AI也可助力寻找数字生物标记物等数据，进一步减少患者参与临床试验的负担。
2024 年，Medidata 提出 “AI Everywhere” 战略，将人工智能深度融入临床试验全生命周期。这一战略并非空想，而是依托于 40 余名数据科学家、100 多位 AI 产品开发人员组成的专业团队，以及 12 项专利和 20 余篇顶级期刊论文的技术积累。
在患者体验层面，AI 带来了诸多革新。以知情同意环节为例，AI 能根据受试者的语言水平和文化背景生成个性化内容，并通过聊天机器人解答疑问，大幅减少医患沟通成本。在神经科学领域，AI 通过分析 5 分钟的语音、面部表情和动作数据，就能完成阿尔茨海默病等疾病的严重程度评估，替代传统耗时 1 小时的量表评估，既减轻患者负担，又提高评估效率。
Medidata 的 AI 解决方案已在多个项目中验证了其价值。与 CRO 公司 PDD 的合作中，通过优化试验中心选择，在达成相同目标的前提下，将试验周期缩短 7 个月，成本减半，助力 PDD 赢得 6000 万美元订单。在 Arcus 的肿瘤试验中，凭借历史数据集和AI技术创建合成对照组，证明药物可降低 37% 死亡率，中位生存期增加5.9个月，为 Arcus带来 3.2 亿美元投资。而与百时美施贵宝（BMS）的合作，更是通过 AI 验证替代终点，将 CAR-T 疗法的上市时间提前 2 年。
还有达索系统旗下 BIOVIA 平台整合了 AI 与计算化学能力，构建支持药物发现关键环节的数字化框架，帮助研发团队把 “设计 — 评估 — 优化” 的迭代做得更快、更稳、更可追溯。
利用机器学习加速分子设计与虚拟评估，围绕目标产品特征（TPP）优化候选结构。
基于实验数据构建预测模型，覆盖亲和力、ADME、毒性等关键指标。
将 AI 与分子模拟结合，提高对药物 - 靶标相互作用的理解与解释能力。
提供逆合成分析建议，辅助制定合成策略与路线选择。
管理并解析海量虚拟设计与实验数据，揭示结构 - 活性关系（SAR）并支持决策。
整合第三方工具与数据源，提升跨团队协作与研发流程的连贯性。
借助 BIOVIA，团队能够在保证研发科学严谨性的前提下，缩短探索周期、提升预测命中率，并更高效地推进创新化合物进入后续开发流程。
上文提到的 Medidata 与 BIOVIA，同属达索系统旗下 。
达索 2019 年以 58 亿美元收购 Medidata，形成了覆盖药物早期发现（BIOVIA）→ 临床试验全周期（Medidata）→ 生产合规的生命科学全链条数字化布局，二者的 AI 能力并非孤立存在，而是形成了研发闭环的协同赋能。
2020-2021 年，Medidata 的 AI 合成对照臂（SCA）技术就成为全球首个被美国 FDA 批准用于关键 III 期注册临床试验的 AI 解决方案，直接用于药物上市的核心监管决策；
2024 年 Medidata 提出的 “AI Everywhere” 战略，并非从零起步，而是基于数十年积累的全球最大临床试验数据库（覆盖 3 万 + 项试验、700 万 + 患者数据）、12 项专利和完整的临床合规体系，将 AI 深度嵌入临床研发的每一个环节；
BIOVIA 则深耕药物发现上游数十年，其 AI 能力始终锚定计算化学、分子模拟、结构 - 活性关系（SAR）等核心研发场景，是全球药企研发体系中广泛应用的工业级基础设施，而非一款新发布的算法产品；
2026 年 4 月 OpenAI 发布的 GPT-Rosalind，目前仅处于研究预览阶段，仅向符合条件的客户开放 API，核心能力仍集中在文献挖掘、生物假设生成、实验规划等早期研发辅助环节，尚未进入监管认可的临床核心流程，也无规模化的商业化落地与可验证的药物上市成果。
达索体系（BIOVIA+Medidata）工业垂直 AI 路线：以物理化学、临床研究的科学规律为核心，AI 是嵌入研发流程的 “效率工具”，解决明确的、可量化的产业难题。
Medidata 拥有全球最大的标准化临床试验数据库，BIOVIA 积累了数十年的分子实验、合成化学、生物活性数据，数据全程可追溯、可审计、符合监管要求。
BIOVIA 聚焦分子设计、ADME/T 预测、逆合成分析等药物发现核心环节；Medidata 聚焦试验设计、数据管理、中心筛选、替代终点验证等临床核心环节，每一项 AI 能力都经过产业与监管的双重验证。
所有 AI 功能均符合 GxP、ICH、FDA/NMPA 的监管要求，数据全链路可追溯，已有多个 AI 成果被用于药物上市的监管审批，具备完整的合规路径。
通过 AI 为药企缩短试验周期、降低研发成本、加速药物上市，直接转化为可量化的商业价值（如为 BMS 提前 2 年推进 CAR-T 上市、为 Arcus 带来 3.2 亿美元投资），自身也实现了稳定的商业化盈利。
而以OpenAI 为代表的通用大模型垂直化路线，以海量文本、数据的语义理解为核心，AI 是拓展研发边界的 “能力增量”，主打跨领域的知识整合与创新探索。核心训练数据来自公开文献、专利、数据库，缺乏药企内部非公开的、高价值的临床与实验闭环数据，数据的合规性、可验证性存在天然短板
主打生物化学、基因组学、蛋白质工程的跨领域理解，擅长证据整合、假设生成、多步骤实验规划，解决的是研发早期的 “开放性问题”，而非临床落地的 “确定性问题”。
大模型的 “幻觉” 问题、数据来源的可追溯性、算法决策的可解释性，均与医药行业的强监管要求存在显著冲突，尚未有成果被监管机构用于药物上市的核心决策。目前仅能展示基准测试性能、实验室级别的能力验证，无规模化的商业化收入，也未从根本上改变 OpenAI 持续巨额亏损的商业现状。
达索体系的 AI 路线，走的是 “产业需求→技术研发→场景验证→监管认可→商业闭环” 的路径：先深度扎根医药研发的每一个具体环节，搞清楚药企的核心痛点、监管的刚性规则，再用 AI 去解决一个个具体的、可量化的问题，最终让 AI 的价值直接体现在 “药物更快上市、成本更低、研发成功率更高” 上，自然实现了与药企的双赢。
而 OpenAI 为代表的通用大模型路线，本质上是 “技术能力→场景适配→需求挖掘” 的路径。GPT-Rosalind 虽然在生物信息学基准测试中表现亮眼，甚至在部分任务中优于人类专家，但它解决的仍然是研发早期的 “辅助性问题”，而非决定药物生死的 “核心问题”。新药研发的核心壁垒，从来不是 “找不到文献、想不出实验方案”，而是 “分子在体内是否有效、是否安全、能否通过临床试验与监管审批”—— 这恰恰是通用大模型的能力盲区，也是达索体系深耕数十年的核心护城河。
而且很多科学家从自身的科研实践中已经总结出，自然语言在研发中没有任何优势，他们宁愿使用鼠标和键盘来操作程序。
绝大多数鼓吹 “自然语言降低科研门槛” 的声音，都完全脱离了一线科研的真实工作状况。
对于熟练的研发人员而言，键鼠操作、代码指令、专业软件的标准化交互，是 “精准指令直达”，而自然语言交互，是 “高成本的模糊博弈”。
熟练的研发人员用 BIOVIA 这类专业工具，只需要：输入靶标 PDB 编号、配体 SMILES 字符串、选定经过验证的力场模型、设定好活性阈值与 ADMET 核心指标，点击运行，就能批量完成 1000 个分子的虚拟筛选与评估，全程 10 分钟，每一个参数、每一步运算都完全可控、可追溯、可复现。
而用自然语言大模型，你需要经历的是：
第一轮：“帮我做 XX 靶点的高活性分子筛选，要成药性好的”—— 大模型给你一堆泛化的分子结构，用的是默认的、甚至错误的力场，“高活性”“成药性” 的标准完全是它自己脑补的；
第二轮：纠正 “我要的是针对 XX 突变体的靶点，不是野生型，用 OPLS4 力场，不要 AMBER，核心指标是 Caco-2 通透性> 10^-6 cm/s，hERG 抑制 < 1μM”—— 大模型改了一部分，但依然会偷偷篡改参数，甚至编造不存在的分子活性数据；
第三轮到第 N 轮：反复纠正它的理解偏差、排查它偷偷修改的变量、验证它给出的每一个数据，最终你会发现，花 2 小时跟大模型拉扯的事，自己动手 10 分钟早就做完了。
临床数据管理员用 Medidata 的标准化工具，只需要设定好数据核查的逻辑规则、异常值阈值、源数据溯源要求，就能自动完成上万条病例数据的自动校对，每一条异常标记都有明确的规则依据、可直接定位到源数据。而用自然语言大模型处理，你会面临无尽的模糊地带：
“帮我核查这份临床试验数据的异常值”，什么叫异常值？是超出 3 倍标准差，还是不符合临床诊疗常规？是缺失值 > 20% 标记，还是全量标记？这些临床研究的核心规则，自然语言永远无法做到代码级的精准定义，最终大模型给出的结果，要么漏检关键异常，要么误标大量合规数据，你依然要逐条人工复核，所谓的 “解放双手”，完全是空中楼阁。
科研人员的核心需求从来不是 “少敲几下键盘”，而是 “每一步操作都精准可控，每一个结果都可复现”。
自然语言看似降低了操作门槛，实则把研发人员从 “执行者” 变成了 “无限纠错的审核者”，而纠错的时间成本、试错的经费成本，远高于自己动手完成。
科学研究的底层逻辑是 “基于事实的逻辑推导与实验验证”，结论的可靠性完全依赖于数据的真实性、推理的严谨性、实验的可复现性。而 GPT 类大模型的核心机制，是 “基于海量语料的下一个 token 概率预测”，它的核心目标是 “生成通顺、符合人类预期的文本”，而非 “输出真实、精准、符合科学事实的结论”。
大模型的幻觉，最可怕的不是一眼就能看穿的低级错误，而是 “细节拉满、逻辑自洽、完全符合科研范式的伪造”。在药物研发领域，它可以编造不存在的化合物 IC50 活性数据、杜撰靶标晶体结构的 PDB 编号、伪造顶级期刊的文献结论、甚至编出一整套看似完美的逆合成路线 —— 而这些内容，非经实验验证、文献溯源，根本无法识别。一线科研中已经出现过大量真实案例：科研人员用大模型生成的分子设计方案，花费数月时间、数十万经费合成后，才发现大模型编造了核心的活性数据；用大模型整理的文献综述，里面近 30% 的引用文献是完全杜撰的，而这些虚假结论，直接误导了后续的研究方向。
医药研发、生命科学研究，尤其是进入临床试验、监管申报环节，“可解释性、可追溯性” 是刚性的监管要求。一个分子为什么有活性、一个临床试验的终点为什么这么设计、一个统计结论为什么成立，每一步都必须有明确的科学依据、完整的推导过程、可溯源的数据支撑。
而通用大模型的推理过程是完全的黑箱，你永远无法知道，它给出的一个科研结论，到底是来自真实的文献数据，还是来自它的概率拼接。
它的一个实验设计，到底是基于科学规律，还是来自语料里的相关性巧合。
这种黑箱特性，决定了它的输出永远无法进入药物研发的核心流程，更不可能通过 FDA、NMPA 等监管机构的审核。
生命科学、药物研发的语言，是化学结构式、数学公式、标准化的参数与代码，这些语言的核心特征是 “唯一、无歧义”。
而自然语言的本质特征，就是 “模糊性、多义性、语境依赖性”。同样一句 “这个化合物对靶点有很好的抑制活性”，在科研语境里，需要明确是 nM 级还是 pM 级、是针对野生型还是突变体、是体外酶活还是细胞水平、测试条件是什么。
而在自然语言里，这句话没有任何精准的信息，大模型可以基于这句话，生成无数看似合理、实则完全不符合研发要求的内容。
科研人员宁愿用鼠标点击标准化的参数选项、用键盘输入精准的代码与数值，本质上是在用无歧义的标准化语言，规避自然语言的模糊性陷阱。
上面的论述并非全盘否定大模型在生命科学领域的价值，而是要明确它的能力边界：
它只能在不影响科研核心结论的非关键环节，提供辅助价值，绝对不能进入科研的核心流程。
它的合理适用场景是科研前期的文献泛读与初步筛选，帮你快速定位某一领域的核心文献与研究方向。
但最终必须溯源原文，绝对不能直接用它的总结结论。
实验记录、科研报告、论文的文本润色与格式整理，不涉及核心数据与结论的推导。
科研常识、基础实验方案的快速查询，替代传统的搜索引擎，但关键操作步骤必须核对标准操作流程 SOP。
跨领域的知识科普，帮你快速了解陌生领域的基础概念，而非深度的科研推导。
而一旦进入分子设计、实验设计、数据处理、统计分析、结论推导、临床方案设计这些决定科研生死的核心环节，通用大模型的自然语言交互、概率生成机制，就成了完全不可控的风险源。
这也恰恰解释了，为什么达索 BIOVIA、Medidata 这类工业级垂直 AI 工具，早已实现商业化落地与产业双赢，而 OpenAI 的 GPT-Rosalind 这类通用大模型，依然停留在 “听个响” 的阶段。
前者的核心逻辑，是尊重科研的底层规律，用 AI 做科研的 “辅助执行器”—— 研发人员定规则、定参数、定目标，AI 精准执行、提升效率，全程可控、可追溯、可验证。
而后者的核心逻辑，是试图用自然语言重构科研流程，让 AI 做科研的 “主导决策者”。
这从根上就违背了科学研究的本质，自然会被一线科研人员用脚投票。
说到底，科研人员要的从来不是 “会说话的 AI”，而是 “能精准干活、不瞎编乱造、完全可控的工具”。
在严谨的科学研究面前，模糊的 “智能”，远不如精准的 “笨拙”。
页:
[1]