2026年11月,两组研究结果几乎同时挂上arXiv,拼在一起看,形状耐人寻味。
一边,清华大学智能产业研究院与AI制药公司AIPher的团队宣布:他们的自主系统提出了一个此前没人报道过的药物作用位点,并顺着这个假设筛出了一个全新骨架的分子——湿实验确认,这个分子真的能抑制靶点蛋白,真的能结合上去。另一边,宾夕法尼亚大学与MD Anderson癌症中心的研究者用617个真实的早期肿瘤剂量试验(I期与I/II期)考卷去考五个前沿大模型:设计一场"该给人体试多大剂量"的试验,**没有一个及格**。
同一个月,同一个行业,一端是实打实的突破,另一端是集体不及格。这条能力断层线,恰好画在药物研发最贵、最慢、也最要命的环节上。
## 发现端:分子是真实验出来的
先说好消息。这套叫PharmAgents2的系统,11月5日挂出,想做的是"端到端"的自主药物发现:从文献里提取可复用的科研决策知识,再让一组并行智能体跨靶点、跨假设地扩大探索,像一个"虚拟制药公司"一样运转。
真正让它区别于此前多数AI制药论文的,是三个走完了湿实验闭环的案例。
第一个针对细菌靶点LpxH:系统自主提出了一个此前未被报道的别构位点——意思是,药物起效的位置不在蛋白通常被攻击的"正面口袋",而在另一处——然后针对这个假设位点设计筛选,得到了一个新骨架分子AIPher-L1。后续实验:抑制活性IC50为8.38微摩尔(衡量药效强度的标准指标,数值越小越强),两种独立的物理方法都确认了它与靶点的结合;而且它的抑制活性在测试的底物浓度范围内基本不变——论文称,这与别构机制的预期初步相符;但论文也明说,结合位点和具体机制仍待确证。
第二个针对炎症与自免疾病的治疗靶点JAK1:系统自主比较策略后选定了共价抑制路线,提名候选化合物;细胞实验鉴定出的分子AIPher-J1,在两个细胞因子信号通路实验、10微摩尔浓度下,抑制活性与阳性对照药相当。第三个案例里,系统从一个已知活性分子出发扫了一遍蛋白组,找到了一个新的结合靶点,相互作用同样经过了实验确认。
要强调的是"实验确认"四个字的分量:打分函数可以骗人,论文里的基准可以过拟合,但IC50和结合实验不会。发现端的AI,拿出了这种硬度的成绩单——这在AI制药论文里并不多见。
## 试验端:五个前沿模型,无一及格
坏消息在下游。设计一场I期剂量寻优试验——决定第一批人体受试者该用多大剂量、怎么爬坡、怎么评估——是肿瘤药开发里技术含量最高也最敏感的统计决策之一。而且"标准答案"还在变:美国FDA近年的Project Optimus改革重新定义了什么叫合理的剂量设计,让许多沿用多年的既有设计过时了。
11月9日挂出的这项研究,把617个真实的I期/I-II期肿瘤剂量试验,连同每个试验经专家验证、符合最新监管导向的参考设计,做成了一套考卷。结果:**五个前沿大模型,没有一个达到参考标准。**
更有用的是他们定位差距的方式。把缺的信息补回去做消融实验,发现两个最大的坑:一是**读出"没写出来的东西"**——专家设计里藏着大量没记录在试验材料里的潜在决定因素,把这层信息直接喂给模型,均衡准确率能涨0.22;二是**一步步的结构化决策**——让模型按决策树的方式推进而不是凭直觉直接给答案,又能涨0.24。换句话说,短板更像是出在读出专家的隐性判断、把多步决策走稳上,而不是统计知识本身。
## 更冷的测试:注册数据喂出来的模拟器,不知道药是干什么的
11月4日挂出的另一篇论文,把刀捅得更深。业界越来越想用"患者世界模型"直接模拟临床试验——不用真开试验,预测出结果。这篇论文问了一个此前没人系统测量的问题:**这些模拟器到底知不知道药是干什么的?**
方法很聪明:从3万多个已完成并公示结果的II/III期试验里,构造近万个"试验内对比"(治疗组减对照组的主终点差),然后比较同一个模型"知道用的什么药"和"被藏起药物信息"两种状态下的预测误差——干预技能=知道药之后,预测好多少。
结果:用注册数据训练的模拟器,预测能力是真的(比朴素基线少五分之一的误差),但干预技能是**-0.12**(95%置信区间-0.21到-0.05;换特征、换分层、换时间切点,结论都不翻转)——把药的信息藏起来,它反而预测得更准。也就是说,它对临床结局的预测,几乎不依赖"药做了什么"。作为对照,一个只读试验方案的前沿大模型干预技能是0.20,不大,但至少为正;扰动测试也确认它真的在用药物信息:把试验的两个臂对调,86%的对比里它的预测方向会跟着翻转。更小的模型和开源模型则低到与零难以区分,处在检出限上。
还有一个细节说明0.20其实被低估了:所谓"被藏起药物信息"的对照组并不真盲——大模型能从遮蔽过的文本里猜出药物类别,命中率45%(瞎猜是2%)。所以0.20只是个保守下限,而-0.12更加刺眼。
## 断层背后:不是能力问题,是验证问题
产业界显然意识到了这条断层。11月17日,一个多机构团队挂出了名为VITAL的验证框架,针对的正是"把智能体放进药物研发和临床试验运营"(选试验中心、挽救入组、辅助设计权衡等)时怎么证明它可靠。他们点破了核心困难:在这些场景里**没有现成的参考标准,而"看起来合理的输出"恰恰能掩盖检索、推理、任务编排或人工控制点上的失败**。框架的解法是按用途、可追溯性、自主程度和全生命周期证据四个维度,把验证力度与风险相称地配起来。
把四篇放在一起,我的判断有四条。
第一,断层的根源不是模型强度,而是任务性质。发现端有廉价的验证器——打分函数初筛、高通量实验确证,错了就重来,一次分子合成的成本可以承受;试验设计端没有唯一正确的标准答案,专家共识藏在没写下来的判断里,验证一次错误设计的代价,是一场真实的人体试验。AI在前者能狂奔,在后者只能匍匐,和参数量关系不大。
第二,"会预测"和"懂因果"是两回事,-0.12把这件事量化了。一个能画出漂亮预测曲线的模拟器,可能对药物作用一无所知;而行业综述里"从预测到反事实"的能力阶梯叙事,恰恰容易把前者误标成后者。扰动测试——对调两个臂、看看预测翻不翻——应该成为这类系统的标配体检。
第三,断层另一端的真问题是验证方法学。即便模型明天学会了设计试验,"怎么证明它能用"也没有现成答案——没有参考标准的场景里,貌似合理的输出足以掩盖关键环节的失败,这正是VITAL框架要填的空白;更麻烦的是,标尺本身还在动:Project Optimus已经让一代旧设计过时,AI的评估基准得追着监管科学跑。
第四,对读者,这里有一条实用的新闻过滤器:以后看到"AI发现新药"的标题,先问一句:走到哪一步了?分子层面有湿实验确证,是真进展,值得关注;而"AI设计试验""AI替代临床"的说法,眼下的成绩单是五个前沿模型无一及格。发现端的突破是真的,试验端的差距也是真的——把两者混在一条新闻里,才是最常见的失真。
最后留一个开放问题:像临床试验设计这种高风险、慢反馈的任务,AI的合理路径是长期做专家的"副驾驶",还是等验证方法学成熟后交给它自主?如果是前者,"副驾驶"的责任边界又该画在哪?
来源:
- TrialDesignBench: Benchmarking Language Models for Phase-I Trial Design Against Clinical Knowledge: https://arxiv.org/abs/2611.12640