@[toc]
AI 制药六大核心挑战的体系化解决方案研究报告
——数据质量 · 可解释性与统计效度 · IT+BT 跨域鸿沟 · 数据合规与隐私 · 长尾罕见病 · 模型与实验一致性
研究主题：针对 AI 制药 + 临研全链路 Agent 落地过程中的六大核心挑战，给出具体的、系统的、体系化的解决方案 研究范畴：技术架构 + 数据底座 + 组织范式 + 标准规范 + 工具链 + 度量指标 撰写日期：2026-07-22 配套交付：本 Markdown 报告 + 演讲 PPTX
DeepThink 是你的私有AI 操作系统 (AI Agent Platform)，在安全隔离的沙箱环境中，自主执行代码、管理文件、完成超复杂长程任务。自托管的多用户本地 AI Agent Loop Engineering 系统 (支持桌面端+浏览器+移动端) —— 让 DeepThink 成为你的全能数字助手。 —— Powered By AI Genius Institute & 光剑AI
DeepThink 项目开源代码： Gitcode: gitcode.com/AIGeniusIns… Github: github.com/AIGeniusIns…
摘要
AI 制药正从"讲故事"迈入"验证兑现期"——2026 年 7 月英矽智能 Rentosertib（TNIK 靶点）启动 III 期临床，标志全球首个 AI 全链靶点+分子药物进入大规模临床。然而，从"单点模型 PoC"到"端到端 Agent 集群闭环"、从"分子生成"到"临床执行"的跨越中，六大核心挑战正在成为决定成败的系统瓶颈：
- 数据质量挑战：数据源分散、格式异构、缺失严重；
- 可解释性与统计效度：纯 AI 黑箱难以满足监管因果论证；
- 跨域知识鸿沟（IT+BT）：生物人才不懂 AI、计算人才不懂制药；
- 数据合规与隐私：敏感数据、跨境流动、知识产权归属；
- 长尾与罕见病：数据稀缺致模型退化，难成药靶点（如 GPCR）举步维艰；
- 模型与实验一致性：计算预测与湿实验系统偏差，需 Lab-in-the-Loop 持续校准。
本报告提出"六维一体"解决方案框架——对每一挑战给出：问题本质解构 → 体系化解决方案（技术层 / 数据层 / 组织层 / 标准层 / 工具层）→ 落地路径 → 度量指标，并汇总为统一落地路线图与度量体系。核心论点：六大挑战并非孤立，而需在"可信数据底座 + 可解释统计融合 + 隐私计算 + 知识迁移 + 干湿闭环 + 复合人才"六层协同下系统破解，最终走向"过程即合规、设计即实验、人机即共生"的 AI 制药新范式。
总览：六维一体的解决方案矩阵
| # | 核心挑战 | 体系化方案 | 核心机制 | 关键技术 |
|---|---|---|---|---|
| 1 | 数据质量 | 可信数据底座体系 | 数据血缘 + 质量打分 + 主数据治理 | 数据中台、知识图谱、FAIR 原则、DQV |
| 2 | 可解释性与统计效度 | 可解释 AI × 统计因果融合体系 | XAI + 贝叶斯 + 因果推断 + 统计效力 | SHAP/Integrated Gradients、DoWhy、PCD 框架 |
| 3 | IT+BT 跨域鸿沟 | 知识工程 × 复合人才体系 | 领域知识图谱 + Agent 翻译层 + 三层人才 | 生物本体、Ontology、CAIO、桥接型团队 |
| 4 | 数据合规与隐私 | 隐私计算 × 合规治理体系 | 联邦学习 + MPC + 差分隐私 + TEE | FL、HE、MPC、TEE、数据信托 |
| 5 | 长尾与罕见病 | 小样本学习 × 知识迁移体系 | 迁移学习 + 元学习 + 生成增强 + RWE | Few-shot、Meta-learning、数据合成、自然史建模 |
| 6 | 模型与实验一致性 | Lab-in-the-Loop 干湿闭环体系 | 预测-合成-实测-反馈自适应校准 | Active learning、贝叶斯优化、自动化湿实验室 |
六层并非孤立，而是构成"数据可信 → 模型可信 → 知识可信 → 合规可信 → 长尾可信 → 实验可信"的递进信任链，最终支撑"决策可信"。
graph TB
L1[1 数据可信<br/>可信数据底座] --> L2[2 模型可信<br/>可解释统计融合]
L2 --> L3[3 知识可信<br/>IT+BT知识工程]
L3 --> L4[4 合规可信<br/>隐私计算治理]
L4 --> L5[5 长尾可信<br/>小样本知识迁移]
L5 --> L6[6 实验可信<br/>Lab-in-Loop干湿闭环]
L6 --> D[决策可信<br/>监管可接受]
D -.反馈.-> L1
挑战一：数据质量 → 可信数据底座体系
1.1 问题本质解构
AI 驱动的药物研发服务行业数据面临"散、杂、缺、错"四难：
- 散（分散）：数据源散落在公开文献、专利、公开数据库（ChEMBL/PubChem/BindingDB/UniProt）、企业内部实验记录、临床系统（EDC/CTMS/ePRO）、湿实验仪器（质谱/色谱/电镜）、CRO 外包数据。
- 杂（异构）：序列（FASTA）、结构（PDB/SDF）、图像（病理/H&E）、表格（IC50/ADMET）、自由文本（文献/方案/CSR）、时序（PK/PD）格式不一致，语义口径不统一。
- 缺（不完整）：已知与未知的数据缺失或遗漏程度可能属重大；阴性结果发表偏倚导致"成功偏置"。
- 错（错误）：监测与审计中经常发现数据问题及错误——单位混淆、浓度标错、批次效应、活性值录入口径不一。
1.2 体系化解决方案
技术层：四级数据架构
┌─────────────────────────────────────────────┐
│ L4 应用层 靶点/分子/临床 Agent 调用可信数据 │
├─────────────────────────────────────────────┤
│ L3 语义层 统一本体 + 知识图谱 + 数据血缘 │
├─────────────────────────────────────────────┤
│ L2 治理层 质量打分 + 主数据管理 + 版本控制 │
├─────────────────────────────────────────────┤
│ L1 采集层 多源连接器 + ETL + 归一化 + 入湖 │
└─────────────────────────────────────────────┘
- L1 采集层：构建标准化连接器，对接公开库、内部 LIMS/ELN、仪器原始文件、CRO 交付包；统一 ETL 入数据湖（原始层 → 清洗层 → 标准层）。
- L2 治理层：建立数据质量打分模型（DQV：Data Quality Vocabulary 维度——准确性、完整性、一致性、时效性、可信度、规范性）；主数据管理（MDM）统一"靶点/化合物/适应症/试验"四大主数据实体，赋予全局唯一 ID；版本控制（数据不可变 + 时间旅行）。
- L3 语义层：基于生物医学本体（ChEBI 化学实体、UniProt 蛋白、MeDO 疾病、GO 功能、DrugBank 药物）构建统一知识图谱，打通"靶点-通路-疾病-分子-试验"语义；数据血缘可追溯（从一条 IC50 值回溯到原始仪器谱图）。
- L4 应用层：Agent 通过统一语义接口（而非直连原始表）调用数据，返回结果携带质量打分与来源标签。
数据层：FAIR 原则与阴性数据沉淀
- FAIR 化：Findable（可发现，统一 ID + 元数据）、Accessible（可访问，权限受控）、Interoperable（可互操作，本体对齐）、Reusable（可复用，明确许可与出处）。
- 阴性/失败数据沉淀：建立"失败化合物库""失败试验库"作为负样本知识库，纠正发表偏倚导致的成功偏置——这是数据质量"完整性"的关键拼图。
- 数据可信度标签：每条数据附带"可信度等级"（A：已验证湿实验；B：文献报告；C：模型预测；D：外推推断），Agent 决策时按等级加权。
组织层：数据治理委员会
- 设立数据治理委员会（Data Governance Council），由数据负责人（CDO）、生物信息学家、临床数据经理、合规官组成。
- 数据 Steward 制度：每个主数据实体有专属 Steward 负责口径、质量与血缘。
- 数据问题工单化：监测与审计发现的数据问题进入工单系统，闭环到责任人。
标准层：行业数据标准对齐
- 对齐 CDISC（临床数据交换标准：SDTM/ADaM）、ALLIN（中文临床数据标准）、FAIR、Pistoia Alliance（生命科学数据互操作联盟）等标准。
- 化学数据采用 InChI/SMILES 统一表示；蛋白序列采用 UniProt ID；试验方案采用 CDISC 定义。
- 建立"数据入湖前质检"标准作业（SOP），未通过质检的数据不得进入标准层。
工具层
- 数据中台：如镁伽"天穹"面向 AI for Science 的数据基础设施；开源栈：Apache Iceberg/Delta（湖仓）、Amundsen/DataHub（元数据）、Great Expectations（质检）。
- 知识图谱：Neo4j/NebulaGraph 存储"靶点-分子-疾病-试验"图谱。
- 数据血缘：OpenLineage/ DataHub 全链路血缘追踪。
1.3 落地路径
- 第 1 步（0-3 月）：数据资产盘点，建立主数据实体清单与 ID 体系；上线数据目录。
- 第 2 步（3-9 月）：建设数据湖 + 质检流水线 + 知识图谱骨架；定义数据质量打分。
- 第 3 步（9-18 月）：本体对齐、血缘贯通、Agent 语义接口；阴性数据沉淀机制。
- 第 4 步（18 月+）：数据生态外联，受控接入 CRO/合作伙伴数据，形成行业级可信数据底座。
1.4 度量指标
| 指标 | 定义 | 目标 |
|---|---|---|
| 数据完整性率 | 关键字段非空且经校验比例 | ≥ 95% |
| 数据一致性率 | 跨源同一实体口径一致比例 | ≥ 90% |
| 数据可信度分布 | A/B 级数据占比 | ≥ 60% |
| 血缘可追溯率 | 任一数据点可回溯原始来源比例 | 100% |
| 阴性数据覆盖率 | 失败样本占总样本比 | ≥ 30%（纠偏阈值） |
| 质检工单闭环时长 | 数据问题发现到修复 | ≤ 7 天 |
挑战二：可解释性与统计效度 → 可解释 AI × 统计因果融合体系
2.1 问题本质解构
- 黑箱性：深度生成模型（分子生成、蛋白结构预测）决策路径不透明，监管问"为何选这个分子"难以回答。
- 相关 ≠ 因果：模型学到的是相关性，而非"靶点致病因果"，难以满足监管对因果论证的要求。
- 统计效度缺失：模型预测缺乏置信区间、p 值、效应量等统计量，无法量化不确定性。
- 可复现性：模型在不同批次、不同人群的表现漂移，难以复现。
- 数据泄露与过拟合：训练-测试集划分不当导致指标虚高。
2.2 体系化解决方案
技术层：三轨融合
轨道 A：可解释 AI（XAI）
- 模型内禀可解释：优先采用广义加性模型（GAM）、注意力权重可视化、子结构归因（分子指纹片段贡献）。
- 事后归因：SHAP（Shapley 值）、Integrated Gradients、LIME 对分子活性/ADMET 预测做特征归因，输出"哪些子结构/描述符贡献了活性"。
- 反事实解释：给出"若将该片段替换为 X，活性提升 Y"的可操作建议。
- 不确定性量化：Deep Ensemble、Bayesian Neural Network、Conformal Prediction 输出预测的置信区间与校准覆盖率。
轨道 B：统计因果推断
- 因果发现：基于 PC 算法、FCI 从观察数据学习因果图，区分混杂与中介。
- 因果效应估计：DoWhy/EconML 框架做 ATE/CITE 估计；在靶点-疾病关联上用孟德尔随机化（MR）作为遗传工具变量增强因果证据。
- 反事实推理：估计"若患者基线不同，临床结局如何"——这正是 Genentech lampalizumab 回溯分析的方法论（II 期引入 AI 矫正基线 → 止损 5 亿美元 III 期失败）。
- 统计效力与样本量：基于效应量、显著性水平、把握度做样本量计算，避免"小样本过拟合"假阳性。
轨道 C：可解释 × 统计融合的"PCD 框架"
- Predict-Confirm-Decide（预测-确认-决策）：模型给出预测 + 置信区间 → 统计层做假设检验与因果校验 → 决策层给出带风险等级的建议。
- 融合点：用统计学的"严谨推断、误差量化、因果论证"补 AI 的"可解释性不足、统计效度缺失"；用 AI 的"高维寻优、非线性建模"补统计学的"效率低、假设强"。
数据层：可解释数据基座
- 特征语义化：所有输入特征映射到生物医学本体（子结构→官能团→药效团→靶点结合口袋），使归因结果可被生物学家解读。
- 反事实数据增强：构造"如果替换片段"的反事实样本，支撑因果检验。
组织层：可解释审查流程
- 建立 Model Card / Data Card 制度：每个模型上线前提交"模型卡"（训练数据、性能、局限性、适用范围、失效场景）与"数据卡"（来源、质量、许可、偏见）。
- 设立 模型审查委员会（Model Review Board）：由统计学家、生物学家、监管事务专家组成，对进入临床决策的模型做可解释性与统计效度双评审。
- 人机决策权责矩阵：按风险分级——低风险（靶点假设生成）AI 主导、人复核；中风险（分子优选）人机共审；高风险（临床决策）人主导、AI 辅助。
标准层：监管对齐
- 对齐 FDA Good Machine Learning Practice（GMLP）、EMA AI 反思文件、ICH E9（统计原则）、E6(R3) GCP。
- 可解释性产出对齐监管递交格式（CSR 中的"模型决策依据"章节）。
- 建立"可审计模型日志"：每一次模型调用、输入、输出、归因、决策留存可追溯。
工具层
- XAI：Captum、SHAP、Alibi Explain。
- 因果：DoWhy、EconML、CausalNex。
- 不确定性：Ultralytics-Confidence、Conformal-Prediction。
- 统计引擎：R/survival、SAS（临床统计金标准）。
2.3 落地路径
- 短期（0-6 月）：对所有进入决策的模型补 Model Card；上线 SHAP/IG 归因。
- 中期（6-18 月）：统计因果推断在靶点-疾病关联与临床基线矫正落地；建立模型审查委员会。
- 长期（18 月+）：PCD 框架工程化，可解释产出直接进入监管递交文档。
2.4 度量指标
| 指标 | 定义 | 目标 |
|---|---|---|
| 归因可读率 | 归因结果可被生物学家解读比例 | ≥ 80% |
| 预测校准度 | 预测置信区间覆盖率（Conformal） | 名义覆盖率 ± 5% |
| 因果证据等级 | 靶点-疾病关联达 MR/因果等级比例 | ≥ 40% |
| 模型卡覆盖率 | 上线模型 Model Card 覆盖 | 100% |
| 假阳性率 | 经统计效度复核被驳回的"虚高"模型 | 拒收 ≥ 显著偏置项 |
| 可复现率 | 模型在独立批次/人群复现性能 | 偏差 ≤ 1 标准差 |
挑战三：IT+BT 跨域鸿沟 → 知识工程 × 复合人才体系
3.1 问题本质解构
- 语言鸿沟：生物学家说"通路/表型/IC50"，计算人才说"embedding/loss/attention"，术语壁垒。
- 认知鸿沟：生物学家视 AI 为黑箱不敢用；计算人才不懂药化经验难落地。
- 组织鸿沟：两个团队 KPI 不一致——算法团队优化 AUC，药化团队优化可成药性，目标错配。
- 人才稀缺：既懂 LLM/Agent 工程栈、又懂 GxP 合规与生物医药工作流的 Agent 架构型工程师极度稀缺。
3.2 体系化解决方案
技术层：知识工程 + Agent 翻译层
- 领域知识图谱：构建"生物医学统一本体"——整合 ChEBI（化学）、UniProt（蛋白）、GO（功能）、DO/MeDO（疾病）、DrugBank（药物）、KEGG（通路）、CDISC（试验术语）。让算法与生物共用同一套术语体系。
- Agent 翻译层（Democratising Layer）：用 LLM 把专业计算能力封装为自然语言接口——实验科学家说"帮我针对这个靶点设计一个具有良好 ADMET 的小分子"，Agent 自动调用结构生成、ADMET 预测、合成规划工具，将工具门槛隐藏在后台（阿斯利康 ChatInvent 的核心思想）。
- 双向术语对齐：构建"IT↔BT 术语对照表"，Agent 在交互中自动翻译，并在输出中附"计算结果 ↔ 生物解读"双层解释。
数据层：知识资产化
- 实验科学家贡献闭环：湿实验结果经 LIMS/ELN 自动回流知识图谱，让生物学家成为"知识生产者"而非"工具使用者"。
- 失败知识沉淀：药化师的"为什么这个分子不做"的隐性经验，通过 Agent 对话捕获为显性知识。
组织层：三层复合人才 + CAIO
| 层级 | 角色 | 职责 | 培养路径 |
|---|---|---|---|
| 桥接型 | 复合翻译官 | 跨域术语翻译、需求对齐、协同 | BT+IT 双背景轮岗 |
| 深耕型 | 领域专才 | 靶点生物学/分子生成/临床统计/监管 | 在特定领域深度研究 |
| 架构型 | Agent 工程师 | 设计编排 Agent 集群、GxP 合规 | LLM 工程栈 + 医药工作流双修 |
- 首席 AI 官（CAIO）：统筹 IT+BT 融合战略（如复星医药设首席 AI 官），打破部门墙。
- 跨域轮岗制度：算法工程师进湿实验室 2 周、药化师进模型团队 2 周，建立共情。
- AI 原生 biotech 组织范式：小而精跨域团队 + Agent 集群，"一年做成一个 AI 原生 biotech"（金赛范式）。
标准层：能力模型与认证
- 建立 AI+Bio 复合能力模型：定义"生物医药人才 AI 素养"与"计算人才制药素养"两套能力清单。
- 与高校/科研院所联合培养（如分子之心许锦波模式——计算生物学家创办企业落地）。
- 行业认证：AI 制药工程师、Agent 架构师等岗位标准。
工具层
- Agent 平台：LangDMTA 式（阿斯利康 PoC）编排层；CoScientist、ChemCrow 等开源 Agent 参考。
- 协作平台：统一工作台，让生物学家、化学家、计算人才在同一画布协作。
3.3 落地路径
- 短期：上线 Agent 翻译层，降低计算工具使用门槛；建立 IT↔BT 术语对照表。
- 中期：三层人才梯队成型；跨域轮岗制度落地；CAIO 到位。
- 长期：AI 原生 biotech 组织范式成建制涌现；行业级复合人才认证。
3.4 度量指标
| 指标 | 定义 | 目标 |
|---|---|---|
| 工具民主化率 | 非计算背景科学家独立调用 AI 工具比例 | ≥ 70% |
| 跨域协作工单数 | IT/BT 协同任务月均数 | 翻倍 |
| 复合人才占比 | 桥接/架构型人才占总研发 | ≥ 20% |
| 轮岗覆盖率 | 研发人员跨域轮岗经历 | ≥ 60% |
| 知识沉淀量 | 显性化经验/失败案例条目 | 月增 ≥ N 条 |
挑战四：数据合规与隐私 → 隐私计算 × 合规治理体系
4.1 问题本质解构
- 患者敏感数据：基因组、病历、影像属高度敏感个人数据，泄露将危及患者。
- 跨境数据流动：多中心临床试验、国际合作涉及数据出境，受各国数据本地化法规约束（中国《数据安全法》《个保法》、欧盟 GDPR、美国 HIPAA）。
- 知识产权归属：AI 训练数据来源复杂（公开/授权/合作），模型产出与训练数据贡献方的 IP 归属不清。
- 数据垄断与孤岛：医院/药企出于合规与商业顾虑不愿共享，加剧数据孤岛。
4.2 体系化解决方案
技术层：隐私计算四件套
| 技术 | 原理 | 适用场景 |
|---|---|---|
| 联邦学习（FL） | 数据不动模型动，各方本地训练聚合参数 | 多医院联合建模（如北京大学陈语谦团队联邦式分子设计） |
| 同态加密（HE） | 密文上直接计算，解密得结果 | 跨机构敏感查询 |
| 安全多方计算（MPC） | 多方协同计算而无任一方泄露输入 | 联合统计/竞品安全比对 |
| 可信执行环境（TEE） | 硬件级飞地隔离计算 | 临床数据受控分析 |
| 差分隐私（DP） | 加噪保证个体不可被重识别 | 公开数据集发布 |
- 组合策略：FL + DP（联邦+差分，抗成员推断）；TEE + HE（硬件+密文，强监管场景）。
- 数据不出域、价值出域：在医院侧部署边缘计算节点，模型训练在医院内完成，仅参数/梯度出域聚合。
数据层：分级分类与数据信托
- 数据分级：按敏感度分级（公开/内部/敏感/高敏），不同级采取不同保护强度与访问审批。
- 去标识化与匿名化：基因组数据 k-匿名/l-多样性处理；影像数据元数据剥离。
- 数据信托（Data Trust）：设立独立数据信托机构，代表患者/公众利益管理数据访问授权，平衡隐私与科研价值。
组织层：合规治理三道防线
- 第一道（业务部门）：数据合规嵌入工作流，Agent 调用前自动校验数据分级与授权。
- 第二道（合规法务）：数据保护官（DPO）、隐私官审核跨境流动、患者同意、IP 归属。
- 第三道（审计）：独立审计数据访问日志、模型训练数据来源、授权链完整性。
标准层：法规对齐与同意管理
- 对齐 GDPR（欧盟）、HIPAA（美国）、中国《个人信息保护法》《数据安全法》《人类遗传资源管理条例》。
- 跨境数据流动：通过数据出境安全评估/标准合同/认证三条路径合规出境。
- 知情同意：动态同意管理（Dynamic Consent），患者可随时调整授权范围。
- 人类遗传资源：中国人类遗传资源采集/保藏/出境审批合规。
知识产权层
- 训练数据溯源：记录每条训练数据来源、许可、授权链（数据血缘的合规扩展）。
- 模型 IP 归属规则：合同前置约定——合作数据贡献方对衍生模型的权益（许可费、里程碑分成）。
- 可审计许可：模型卡附带训练数据许可清单，确保产出可商用。
工具层
- FL：FedML、NVIDIA FLARE、FATE。
- TEE：Intel SGX/TEE、AWS Nitro Enclaves。
- 差分隐私：Opacus、OpenDP。
- 同态：Microsoft SEAL、OpenFHE。
4.3 落地路径
- 短期：数据分级分类完成；患者同意管理体系上线。
- 中期：联邦学习在多中心临床/多医院靶点建模落地；数据信托试点。
- 长期：隐私计算基础设施化，跨机构数据可用不可见成为常态；IP 归属行业标准成型。
4.4 度量指标
| 指标 | 定义 | 目标 |
|---|---|---|
| 数据分级覆盖率 | 数据资产分级标注比例 | 100% |
| 隐私计算覆盖 | 敏感数据经 PC 计算比例 | ≥ 80% |
| 跨境合规率 | 数据出境经安全评估/合同/认证 | 100% |
| 训练数据溯源率 | 训练数据来源可审计比例 | 100% |
| 同意管理覆盖率 | 患者数据有有效同意比例 | 100% |
| 泄露事件数 | 隐私泄露事件 | 0 |
挑战五：长尾与罕见病 → 小样本学习 × 知识迁移体系
5.1 问题本质解构
- 数据稀缺：罕见病患病率低（如 < 1/2000），病例少，自然史数据薄。
- 难成药靶点：GPCR、离子通道、PROTAC 等靶点结构动态、缺乏高质量结构数据，模型表现退化。
- 分布外（OOD）泛化：训练集以常见病/明星靶点为主，对长尾靶点泛化差。
- 验证困难：罕见病临床样本小，传统统计效力不足。
5.2 体系化解决方案
技术层：五小样本利器
- 迁移学习（Transfer Learning）：用大模型（蛋白大模型/分子大模型）在通用数据预训练，再小样本微调到长尾靶点——将"通用生物知识"迁移到"罕见病"。
- 元学习（Meta-Learning）：Model-Agnostic Meta-Learning（MAML）等让模型"学会学习"，Few-shot 适应新靶点。
- 少样本生成增强：用生成模型合成合理虚拟样本扩充长尾数据，但必须经湿实验验证而非直接训练（防幻觉污染）。
- 自监督/对比学习：利用大量无标签生物数据（蛋白序列/分子结构）做自监督预训练，降低对标签的依赖。
- 主动学习（Active Learning）：模型主动选择"最值得做湿实验的少量样本"，最大化信息增益——用最少实验预算覆盖长尾。
数据层：RWE + 知识迁移
- 真实世界证据（RWE）：利用电子病历、登记研究、自然史研究补充罕见病数据。
- 自然史建模：AI 自动构建罕见病自然史模型（疾病演进模型），支撑试验设计与终点选择——针对"大多数无药可用的罕见病"尤为关键。
- 跨物种/跨通路迁移：从模式动物/相近通路迁移知识到人类罕见病靶点。
- 患者注册库与去中心化试验：罕见病患者分散，用去中心化临床试验（DCT）+ 患者注册库聚合数据。
技术层：难成药靶点专项
- GPCR 动态构象建模：用 AlphaFold-Multimer + 分子动力学（MD）模拟 GPCR 活性/非活性构象，而非单一静态结构。
- PROTAC 三元复合物建模：靶向蛋白降解需建模 E3-靶蛋白-PROTAC 三元复合物，AI 预测 ternary complex 形成。
- 共价/变构药物设计：对缺乏正构结合口袋的靶点，转向共价/变构位点设计。
组织层：罕见病联盟
- 组建罕见病研发联盟，联合医院、患者组织、药企、CRO 共享数据（经隐私计算）。
- 与监管申请孤儿药认定（ODD）——获得市场独占、研发激励、审评加速。
- 与 FDA/EMA 的罕见病监管通道对接。
标准层：罕见病试验方法学
- 对齐 ICH E9/R1（估计目标）、E20（适应性临床试验）、Bayesian 自适应设计在罕见病小样本中的应用。
- 真实世界证据支持监管决策：FDA RWE 框架、中国 RWE 指导原则。
- 自然史研究作为外部对照基线。
工具层
- 蛋白大模型：AlphaFold3、ESM、NewOrigin（分子之心）。
- 分子动力学：OpenMM、GROMACS。
- 主动学习：modAL。
- RWE 平台：太美医疗 RWE 引擎。
5.3 落地路径
- 短期：迁移学习+主动学习在长尾靶点试点；孤儿药认定申请。
- 中期：罕见病自然史建模 + 自适应 Bayesian 试验设计落地；难成药靶点动态构象工作流。
- 长期：罕见病联盟数据生态（联邦）成型；小样本学习成行业默认范式。
5.4 度量指标
| 指标 | 定义 | 目标 |
|---|---|---|
| 长尾靶点模型可用率 | 罕见/难成药靶点模型性能达标比例 | ≥ 60% |
| 主动学习实验预算节省 | 相同信息增益下湿实验量 | 降至 1/5 |
| 自然史模型覆盖 | 罕见病有人工自然史模型比例 | ≥ 50% |
| 孤儿药认定数 | 获 ODD 的管线 | 持续增长 |
| RWE 支持决策率 | 关键决策有 RWE 证据支撑比例 | ≥ 40% |
挑战六：模型与实验一致性 → Lab-in-the-Loop 干湿闭环体系
6.1 问题本质解构
- 系统偏差：计算预测的活性/ADMET 与湿实验实测存在系统性偏差（计算偏乐观、实验有批次效应）。
- 分布漂移：模型在训练域表现好，在新化学骨架/新靶点族表现退化。
- 闭环断裂：湿实验结果未能高效回灌模型，模型无法自适应进化。
- 实验吞吐瓶颈：人工湿实验慢，拖累闭环节奏。
6.2 体系化解决方案
技术层：Lab-in-the-Loop 四环
预测(Compute) → 合成(Make) → 实测(Test) → 反馈(Analyse) → 自适应校准(Adapt)
↑ ↓
└──────────────────── 模型自进化 ←───────────────────────┘
第一环：智能预测（Compute）
- 模型给出候选 + 不确定性（Conformal/Bayesian），优先推荐"高信息增益"样本进入湿实验。
第二环：自动化合成（Make）
- AI 合成规划 + 自动化合成平台（如镁伽 ChemArt 人机结合化学合成），将"AI 设计的分子"自动转化为"可测化合物"。
第三环：高通量实测（Test）
- 自动化湿实验室（高通量筛选、自动化 ADME、自动化电生理）产出标准化实测数据。
第四环：自适应校准（Adapt）
- 偏差校准模型（Calibration Model）：学习"计算预测 - 湿实验实测"的偏差函数，对后续预测做系统性校正。
- 主动学习回灌：实测结果作为新训练样本，优先更新模型在"预测-实测偏差大"区域的性能。
- 贝叶斯优化：以湿实验为昂贵黑盒目标函数，用贝叶斯优化指导下一轮分子选择。
- 模型漂移监控：持续跟踪模型在最新数据上的表现，触发再训练。
数据层：闭环数据资产
- 干湿一致数据集：同一分子的计算预测值与湿实验实测值配对存储，构成"校准数据集"。
- 批次效应校正：用 ComBat/归一化消除湿实验批次效应，避免模型学到"批次"而非"化学"。
- 实验元数据沉淀：每条湿实验数据附带协议、仪器、批次、操作员元数据，支撑溯源与校正。
组织层：干湿一体化团队
- 打破"计算团队 vs 湿实验团队"墙：组建"干湿闭环小组"，共用 KPI（闭环周期、偏差收敛）。
- 设立"Lab-in-the-Loop 运维官"，负责闭环节奏、自动化平台、校准模型迭代。
- KPI 对齐：算法团队不再只看 AUC，而看"预测-实测一致率"与"闭环迭代后性能提升"。
标准层：闭环方法论
- 确立 DMTA（Design-Make-Test-Analyse） 为药物发现标准迭代范式，AI 化为"闭环 DMTA"。
- 干湿一致性度量标准化（见 6.4）。
- Genentech Lab-in-the-Loop / Clinic-in-the-Loop 方法论对齐——150 年组织学染色图还原单细胞空间表达图谱、临床闭环矫正基线差异。
工具层
- 自动化湿实验室：镁伽"天穹"+ ChemArt；Tecan/HighRes Biosolutions。
- 贝叶斯优化：BoTorch、GPyOpt。
- 主动学习：modAL。
- 偏差校准：自研 Calibration head + Conformal。
6.3 落地路径
- 短期：建立"干湿一致配对数据集"；上线偏差校准模型；启动主动学习选样。
- 中期：自动化合成+高通量实测接入闭环；贝叶斯优化指导分子选择；闭环周期压缩。
- 长期：端到端无人值守干湿闭环；模型自进化常态化；Clinic-in-the-Loop 延伸到临床数据回流。
6.4 度量指标
| 指标 | 定义 | 目标 |
|---|---|---|
| 预测-实测一致率 | 计算预测与湿实验排序一致比例 | ≥ 75% |
| 偏差收敛率 | 闭环后预测-实测偏差下降 | ≥ 50% |
| 闭环周期 | 一轮 DMTA 迭代时长 | 周级 → 日级 |
| 主动学习效率 | 达到目标性能所需湿实验量 | 降至 1/3–1/5 |
| 模型漂移预警 | 性能漂移触发再训练的响应 | ≤ 24h |
统一落地路线图
timeline
title 六大挑战体系化解决方案落地路线图
0-3月 : 数据盘点+主数据ID : Model Card : 术语对照表 : 数据分级 : 迁移学习试点 : 干湿配对数据集
3-9月 : 数据湖+质检+知识图谱 : XAI归因 : Agent翻译层 : 同意管理 : 主动学习 : 偏差校准模型
9-18月 : 本体对齐+血缘 : 统计因果+模型审查会 : 三层人才+CAIO : 联邦学习多中心 : 自然史建模 : 自动化合成接入
18月+ : 行业级可信数据底座 : PCD框架监管递交 : AI原生biotech范式 : 隐私计算基础设施 : 罕见病联盟联邦 : 端到端干湿闭环
统一度量体系（KPI 总览）
| 维度 | 关键 KPI |
|---|---|
| 数据可信 | 完整性 ≥95%、一致性 ≥90%、血缘 100%、阴性覆盖 ≥30% |
| 模型可信 | 归因可读 ≥80%、校准达标、因果证据 ≥40%、Model Card 100% |
| 知识可信 | 工具民主化 ≥70%、复合人才 ≥20%、轮岗 ≥60% |
| 合规可信 | 分级 100%、PC计算 ≥80%、出境合规 100%、溯源 100%、泄露 0 |
| 长尾可信 | 长尾可用 ≥60%、主动学习省 4/5、自然史 ≥50%、ODD 增长 |
| 实验可信 | 一致率 ≥75%、偏差收敛 ≥50%、闭环周→日、漂移响应 ≤24h |
结论：六层信任链 → 决策可信 → 监管可接受
- 六大挑战是一个系统：它们不是六个独立 bug，而是"从数据到决策"信任链上六个环节的系统性缺陷，必须协同破解——单点优化无法通过监管。
- 可信数据底座是地基（挑战一）：没有可信数据，可解释、因果、隐私都失去根基。
- 可解释 × 统计融合是通行证（挑战二）：这是 AI 制药从"工程结果"走向"监管证据"的关键跨越。
- 知识工程 × 复合人才是放大器（挑战三）：决定技术能否真正被生物学家用起来、能否落地。
- 隐私计算是连接器（挑战四）：在不泄露前提下打通孤岛，是数据规模化的前提。
- 小样本 × 知识迁移是长尾钥匙（挑战五）：让 AI 不只在"明星靶点"上发光，而是覆盖难成药与罕见病。
- Lab-in-the-Loop 是自进化引擎（挑战六）：让模型从"一次性预测"走向"持续校准进化"。
- 终局：六层协同构建"过程即合规、设计即实验、人机即共生"的 AI 制药新范式，支撑"可自进化的临研超级智能体"，最终显著压缩救命药物的时间与成本。
使命回归：六大挑战的破解，最终服务于"延长健康生产力寿命（Extend Healthy Productive Longevity）"——让患者更早获得救命的药物。
附录：关键技术与代表工具速览
| 挑战 | 关键技术 | 代表工具/平台 |
|---|---|---|
| 数据质量 | 湖仓 + 元数据 + 质检 + 知识图谱 | Iceberg/Delta、DataHub、Great Expectations、Neo4j、镁伽天穹 |
| 可解释性 | SHAP/IG + 因果推断 + 不确定性 | Captum、SHAP、DoWhy、EconML、Conformal |
| IT+BT 鸿沟 | 知识图谱 + Agent 翻译层 | ChEBI/UniProt/GO、ChatInvent、LangDMTA、ChemCrow |
| 数据合规 | FL + TEE + DP + HE | NVIDIA FLARE、FATE、Intel SGX、Opacus、SEAL |
| 长尾罕见病 | 迁移/元学习 + 主动学习 + RWE | AlphaFold3、ESM、modAL、太美 RWE |
| 模型实验一致性 | 主动学习 + 贝叶斯优化 + 自动化湿实验室 | BoTorch、modAL、镁伽 ChemArt、Tecan |
附录：参考文献来源（公开资料）
- 英矽智能 Rentosertib III 期临床（2026-07，CDE CTR20262475 / NCT07687459）
- Drug Discovery Today（2026-03）：阿斯利康 ChatInvent "Democratising real-world drug discovery through agentic AI"
- ICML 2026：Aviv Regev（Genentech）"Lab in the Loop for drug R&D"
- 北京大学陈语谦团队：联邦式分子设计框架（解决数据孤岛）
- 太美医疗陈杰《Clinical Trials in the Era of Real-World Evidence》（2026-07）
- CDISC / FAIR / Pistoia Alliance / FDA GMLP / ICH E9/E6(R3)/E20 等公开标准
- 镁伽科技"天穹"数据基础设施、ChemArt 化学合成服务
- 分子之心 NewOrigin、Chai Discovery Chai-3 等蛋白/分子大模型公开资料
本报告基于截至 2026-07-22 的公开资料整理研究，所涉技术、工具、标准均为公开口径，不构成投资与合规建议。落地路径与度量指标为体系化建议，需结合企业实际裁剪。
AI 临床研究与 AI 制药应用调研底稿
生命科技调研员（biotech-researcher）交付底稿 · 2026-07-25
用途：作为团队《2026–2035 AI Agent 发展趋势》10 万字深度研究报告的"AI 制药 + 临床研究"垂直领域素材底稿，供主笔整合。
范围：靶点发现与药物设计、蛋白质结构预测、生成式分子设计、ADMET、AI 抗体与 de novo 蛋白设计、临床试验数字化（患者招募 / 自适应试验 / RWE / 合成对照臂 / EDC / SDTM-CDISC / DCT）、精准医学与多组学、AI CRO 与数字湿实验、监管合规（FDA / EMA / NMPA / EU AI Act）、典型公司管线与里程碑。
数据声明：本底稿综合 2024–2026 年公开资料、公司公告/财报、FDA/NMPA 官方页面与期刊文献撰写，关键数据尽量给出时间与出处链接。标 [待核实] 的数字建议引用前对照原始来源核验。机构预测代表其发布时点观点，不构成投资或临床决策依据。
关键判断：2025–2026 是 AI 制药从"概念验证"迈入"临床现实"的转折年——英矽智能港交所上市与礼来 27.5 亿美元合作、晶泰科技首次年度盈利、Isomorphic Labs 21 亿美元 B 轮、首款 AI 设计抗体进 III 期临床、FDA AI 医疗器械库突破千项。下一程竞争不再是"模型之争"，而是"干湿闭环 + Agent 编排 + 数据底座"之争。
目录
- 总览：AI 制药与临床研究的 2025–2026 格局
- AI 制药：靶点发现到 PCC 的链路重构
- 蛋白质结构预测与 de novo 蛋白设计
- 生成式分子设计、ADMET 与 AI 抗体
- 典型公司管线与里程碑（2024–2026）
- AI 临床研究：试验设计到数据提交的全链路数字化
- 精准医学与多组学 AI
- AI CRO 与数字湿实验（干湿闭环）
- 监管与合规：FDA / EMA / NMPA / EU AI Act
- 2026–2035 趋势判断与挑战
- 来源汇总
一、总览：AI 制药与临床研究的 2025–2026 格局
1.1 行业坐标：从"双十定律"到"AI 加速度"
新药研发的"双十定律"——10 年周期、10 亿美元投入——长期被视为不可逾越的标尺。德勤对全球 TOP20 药企的长期跟踪显示，单个新药从发现到上市的平均成本已升至 22.3 亿美元，研发周期超过 100 个月，全球新药研发收益率长期在 5.9% 徘徊（来源：晶泰科技 2025 年报引用德勤数据，2026-03）。临床试验是最大的成本与淘汰环节：约占 10–15 年、15–20 亿美元成本中的主要部分，约 90% 的药物在临床阶段被淘汰，进入临床的化合物不到 1/3 能进 III 期（来源：医药魔方/MedMarket Insights 2025-06 综述）。
AI 正沿三条主线改写这一图景：
- 研发侧（AI 制药）：从靶点发现 → 分子生成 → ADMET → PCC → IND → 临床，全链路智能化；
- 验证侧（AI 临床研究）：试验设计 → 患者招募 → 数据采集 → SDTM/CDISC → CSR，全流程 Agent 化；
- 交付侧（精准医学）：多组学 + 病理 AI + 液体活检，将"正确药物给到正确患者"。
1.2 2025–2026 关键里程碑速览
| 时间 | 事件 | 来源 |
|---|---|---|
| 2024-08 | Recursion 与 Exscientia 宣布 6.88 亿美元全股票合并（AI 制药史上最大并购） | 新浪财经 2024-08-08 |
| 2024-12 | FDA 发布 PCCP（预定变更控制计划）Final Guidance | FDA 官网 [待核实具体日期] |
| 2025-02 | 瑞金医院 + 华为发布瑞智病理大模型 RuiPath，覆盖中国 90% 癌种 | 搜狐 2025-02-18 |
| 2025-06 | 英矽智能与礼来达成 1.15 亿美元首付、最高 27.5 亿美元合作 | 氨基观察 2026-03-30 |
| 2025-12-30 | 英矽智能港交所上市，募资 22.77 亿港元，成 2025 年港股生物医药 IPO 募资王 | 人民日报健康客户端 2026-02-02 |
| 2025 年底 | 全球首款完全由 AI 设计的抗体药物进入 III 期临床 | 牛津 Carlos Outeiral 文章（2026-07） |
| 2026-02 | Isomorphic Labs 推出 IsoDDE（被业界视作"AlphaFold 4"），抗体 CDR-H3 预测较 AF3 提升 230% | 搜狐 2026-02-23 |
| 2026-03-25 | 晶泰科技 2025 年报：营收 8.026 亿元（+201.2%），首次年度盈利 | IPO 早知道 2026-03-25 |
| 2026-03-29 | FTC 公告礼来收购英矽智能及关联实体获批准（待中方监管审批，交易金额未披露） | 循因缉药 2026-03-29 |
| 2026-05-12 | Isomorphic Labs 完成 21 亿美元 B 轮（Thrive Capital 领投） | 研发客 2026-05-13 |
| 2026-07-29 | 晶泰科技发布 XtalPi Science 平台 + 科学智能开放生态联盟 | 晶泰科技 2026-07-24 |
1.3 资本面：钱涌向哪里
- 全球 AI 制药公司：截至 2025-12-24 超 350 家，中国至少 101 家；2025 年全球 AI 制药投融资近 80 起，中国至少 31 起（来源：摩熵投融资数据，人民日报健康客户端 2026-02-02）。
- AI 通用资本：Crunchbase 数据显示 2025 年 AI 公司共吸引约 2110 亿美元创投资金，较 2024 年增长 85%（来源：搜狐 2026-02-11）。
- 港股 IPO 热潮：2025 年港股 IPO 募资 2863 亿港元（同比 +227%），重夺全球第一；2026 年预计突破 3000 亿港元（德勤/普华永道预测）。
- 投资逻辑迁移：从"赌技术"转向"看管线"——资本更看重临床进展与商业落地能力，全链条能力的 AI 药企（英矽、晶泰）成资本宠儿（来源：腾讯新闻 2026-02-24）。
二、AI 制药：靶点发现到 PCC 的链路重构
2.1 靶点发现：从"经验假设"到"数据驱动"
传统靶点发现依赖科学家基于有限信息的经验假设，"盲人摸象"式在庞大化学分子库中筛选。AI 通过多模态组学数据挖掘疾病-基因关联，开辟"不可成药"靶点新空间。
代表方法与平台：
- 知识图谱 + 多组学融合：英矽智能 Pharma.AI 平台的 target ID 模块，基于患者基因组学与健康人群差异推荐全新靶点（任峰访谈，2026-02）。
- 因果推断 + RWD 模拟：斯坦福 James Zou 团队 2021 年 Nature 工作开创用 RWD 模拟临床试验以放宽入排标准；俄亥俄州立大学 2021-01 Nature Machine Intelligence 框架用深度学习+因果推理在 RWD 上模拟临床试验做老药新用。
- LLM 文本挖掘：从 PubMed/专利/EMR 非结构化文本中抽取靶点-疾病-药物关系，代表工具 Iris.ai、ESMO/ASCO AI 助手。
2.2 虚拟筛选与分子对接
分子对接（Molecular Docking）从化合物库中找到与靶蛋白最佳结合构象，是虚拟筛选核心。
- 晶泰科技 + 北大等 TRIDS 框架（2026-07）：AI 原生分子对接框架，搭载可微分混合密度网络（MDN）打分模块，打破"先构象生成、后打分修正"传统；蒙特卡洛+梯度下降策略；单任务百毫秒级。来源：晶泰科技 2026-07-24。
- 传统对接工具：Schrödinger Glide、AutoDock Vina、Gold——仍是工业界标准，但速度与精度难以兼顾十亿级化合物库虚拟筛选。
2.3 ADMET 与成药性预测
ADMET（吸收/分布/代谢/排泄/毒性）是候选分子能否成药的关键筛选闸门。
代表工具：
- ADMET-AI（2024）：开源 Python 包，基于 ADMETlab 2.0 模型，支持批量预测 88+ 个 ADMET 端点。
- ADMETlab 2.0（2023，中南大学）：Web 服务，覆盖 88 个端点。
- SwissADME：经典 Web 工具，免费易用。
- 晶泰科技：自研 ADMET 模型矩阵，整合量子物理+机器学习。
- 分子性质预测基准：MoleculeNet、Therapeutics Data Commons（TDC）。
挑战：训练数据稀疏（毒性失败案例数据有限）、实验验证缺口（AI 预测的静态结果不能替代实验动态真相）、外推到未见化学空间的可靠性。
三、蛋白质结构预测与 de novo 蛋白设计
3.1 AlphaFold 谱系：从结构预测到复合物
- AlphaFold 2（DeepMind，2020）：破解蛋白质折叠，2024 年获诺贝尔化学奖（Hassabis、Jumper、Baker）。AlphaFold 数据库现已收录约 2 亿个蛋白质结构，并实现同源二聚体配对预测（Nature 2026-03 更新）。
- AlphaFold 3（2024-05，Nature）：可预测蛋白-蛋白、蛋白-DNA/RNA、蛋白-配体复合物结构，将能力从单体延伸到相互作用网络；但 DeepMind 选择不公开结构生成代码（引发开源复现潮）。
- IsoDDE（Isomorphic Labs，2026-02）：被业界广泛关联为"AlphaFold 4"，未以 AF4 正式命名。在蛋白-配体相互作用预测上突破：抗体 CDR-H3 环预测准确率较 AF3 提升 230%、较 Boltz-2 提升 1900%；新冠抗体结合位点预测误差 <0.3 埃（冷冻电镜级）；具备"口袋发现"能力，可定位隐藏结合位点，为不可成药靶点开发提供路径。关键转变：IsoDDE 作为商业机密保护，仅发布技术报告不开源（来源：搜狐 2026-02-23）。
3.2 开源蛋白质结构模型生态
AF3 闭源催生开源复现：
- Boltz-1 / Boltz-2（2025）：开源，Boltz-2 将计算速度提升百倍，但准确率仍落后于物理模拟方法。
- Chai-1（Chai Discovery）：估值 13 亿美元独角兽，零样本抗体设计命中率两位数。
- RoseTTAFold-AllAtom（Baker lab）：全原子结构预测。
- Protenix（字节跳动）：AF3 开源复现。
- Uni-Fold（深势科技）：AF2 工业化部署。
- ESM 系列（Meta）：ESM-2 蛋白质语言模型、ESMFold 快速结构预测、ESM3 生成式蛋白质语言模型（可生成新序列）。
3.3 de novo 蛋白设计与 AI 抗体革命
2025 年 AI 抗体被业内视为"AI 制药的 AlphaFold 时刻"（牛津 Carlos Outeiral，2026-07）。
关键事件链：
- 起点：David Baker 实验室用 AI 从头设计抗体论文（零样本、针对血凝素/艰难梭菌毒素 B），命中率 1–2%、效力个位数微摩尔——技术直接授权 Xaira Therapeutics。
- Chai Discovery（2025）：针对前所未有靶点，效力提升到个位数/双位数纳摩尔，命中率两位数；估值 13 亿美元。
- Nabla Bio（2025 年底）：命中率与 Chai-2 相当，更严格基准；与阿斯利康、BMS、武田合作，前期+里程碑超 10 亿美元。
- Latent Labs：AI 抗体设计新锐。
- Xaira Therapeutics：Baker 联合创始人，超 10 亿美元种子轮。
- 里程碑：2025 年底，全球首款完全由 AI 设计的抗体药物进入 III 期临床。
de novo 蛋白设计工具栈：RFdiffusion（Baker lab，扩散模型）、ProteinMPNN（序列设计）、Chroma（Generate Biomedicines 生成式蛋白模型）。
3.4 学术争议：AlphaFold 的多构象问题
AF-Cluster（2023-11 Nature）提出序列聚类+AF2 可预测多构象，引发 2023–2025 年 5 回合论战（2 篇 Nature、1 篇 Nat Comms、1 篇 JMB、6 篇预印本），2025-08 暂告段落。核心议题：AF2/3 能否预测具有多构象的蛋白质——这是 AlphaFold 议题的关键未决问题（来源：腾讯 2026-02-07 综述）。
四、生成式分子设计、ADMET 与 AI 抗体
4.1 生成式分子设计模型谱系
| 模型 | 类型 | 说明 |
|---|---|---|
| REINVENT | 强化学习 | AstraZeneca 主推，序列生成+多目标优化 |
| MolGAN | GAN | 图结构分子生成 |
| GraphAF | 流模型 | 自回归图生成 |
| MolGPT | Transformer | 借鉴 GPT 的 SMILES 生成 |
| ChatGPT-style 模型 | LLM | 2024–2026 趋势：分子设计 LLM、反应预测 LLM |
关键案例：英矽智能 INS018_055——全球首个针对全新靶点、由生成式 AI 全流程（靶点→分子生成→临床前）设计的候选药物。从靶点发现到 PCC 历时 不到 18 个月，研发成本 仅 260 万美元（传统方式约 10 倍），2023-06 进入中美多区域 II 期临床，2023-01 获 FDA 孤儿药资格（来源：和讯网 2023-06-27、知乎 2023-01-10）。
4.2 AI 抗体设计的"四小龙"
详见 3.3 节。核心判断：AI 抗体设计在 2025 年完成科学验证，但商业模式仍在摸索——"The antibody revolution is real. The business, less so."（Outeiral, 2026-07）。
4.3 AI 在合成路线规划与化学制造
- IBM RXN for Chemistry：逆合成预测平台。
- ASKCOS（MIT）：开源逆合成。
- Iktos MaaS：商业生成式分子设计+逆合成。
- 晶泰科技 × 福州大学（2026-07，Nature Synthesis）：无金属炔基硼转化平台，立体专一性 >20:1，从源头消除贵金属残留，将 AI4S 链条从虚拟筛选延伸至绿色安全实体合成。
五、典型公司管线与里程碑（2024–2026）
5.1 英矽智能（Insilico Medicine）
- 定位：端到端 AI 驱动临床阶段生物科技公司，双总部（香港+波士顿），2014 年成立。
- 平台：Pharma.AI（target ID + generative chemistry + predictive ADMET）。
- 管线：超 30 个创新项目，覆盖肿瘤、免疫、纤维化、代谢；自 2021 年起命名 12 个临床前候选化合物，3 个进入临床。
- INS018_055（IPF，AI 全流程设计）：已完成 IIa 期，全球首个 AI 生成+AI 发现靶点的候选药。
- KIF18A 肿瘤项目：2025 年对外授权。
- PHD1/2 肾性贫血项目：2025 年部分对外授权。
- 2025 里程碑：6 个临床 + 5 个临床前项目交付关键里程碑；与礼来、施维雅、海正、复星合作；12 月与礼来达成 1.15 亿美元首付、最高 27.5 亿美元合作。
- IPO：2025-12-30 港交所上市，募资 22.77 亿港元，首日涨 24.66%，1427 倍超额认购，启明创投、红杉中国为背后机构。
- 2025 财务：营收 5580–5630 万美元（2024 年 8580 万美元），亏损 3.52–3.56 亿美元。
- 2026 展望：宜兴 AI 自动化多肽筛选平台；MMAI Gym 框架（赋能 LLM 垂直训练）。
- 收购传闻：2026-03-29 FTC 公告礼来收购英矽智能及关联实体获批准，礼来为英矽 IPO 基石投资者（认购 500 万美元）；待中国监管部门审批，金额未披露（来源：循因缉药 2026-03-29）。
来源：腾讯新闻 2026-02-12、人民日报健康客户端 2026-02-02、氨基观察 2026-03-30、和讯网 2023-06-27。
5.2 Isomorphic Labs（Alphabet 旗下）
- 定位：2021 年从 DeepMind 分拆，CEO Demis Hassabis（AlphaFold 领军人、2024 诺奖）。科学顾问委员会含两位诺奖得主（Doudna、MacMillan）。
- 技术：AlphaFold 3 → IsoDDE（2026-02，被视作"AlphaFold 4"，闭源商业机密）。
- 合作：与礼来、诺华、强生合作利用 AlphaFold 开发小分子疗法，总价值近 30 亿美元。
- 融资：2025 年 6 亿美元 A 轮；2026-05-12 完成 21 亿美元 B 轮，Thrive Capital 领投，Alphabet/GV/MGX/淡马锡/CapitalG/英国政府主权 AI 基金参投。
- 管线：内部在研管线推进临床，重点攻克"不可成药"靶点。
来源：研发客 2026-05-13、搜狐 2026-02-23。
5.3 Recursion Pharmaceuticals + Exscientia
- 合并：2024-08 宣布 6.88 亿美元全股票合并，AI 制药史上最大并购；Recursion 股东持合并后公司约 74%、Exscientia 约 26%；2025 年初完成，合并实体约 8.5 亿美元现金，预计未来 18 个月公布约 10 项临床读出。英伟达（NVIDIA）2023 年 5000 万美元投资 Recursion，并推出 BioHive-2 超算。
- 管线挫折：REC-994（SYCAMORE 试验，脑型疟疾）Phase 2 未达主要终点终止——AI 能加速候选分子产生，但生物学验证仍是硬约束。
- Exscientia 动荡史：2024 年削减管线、EXS-21546 I/II 期因疗效不达终止；2024-02 CEO 被罢免；2024-05 裁员 25%；股价较最高点跌近 90%。Exscientia 2021 年因全球首个 AI 候选药 DSP-1181 进临床而知名，上市前累计募资超 6.7 亿美元，合作方含 BMS、赛诺菲、住友制药。
- 整合后：Chris Gibson 任 CEO，David Hallett 任 CSO；从生物学到化学端到端互补。
来源：搜狐 2024-09-04、新浪财经 2024-08-08。
5.4 Schrödinger（Schrödinger Inc.）
- 定位：药物发现 + 计算软件双业务（NASDAQ: SDGR），物理-based 计算化学龙头。
- 管线（截至 2026-07 官网）：包括 SGLT2、MALT1 等多个自有与合作项目，覆盖肿瘤、免疫、神经。[具体 Phase 与读出数据待核实 Schrödinger 2025 财报]
- 商业模式：软件订阅（大型药企广泛使用）+ 自有管线双轮驱动。
- 来源：Schrödinger 官网 pipeline 页（2026-07-10 抓取）。
5.5 晶泰科技（XtalPi，2228.HK）
- 定位：量子物理 + AI + 机器人驱动的 AI for Science 公司，2024-06-13 港交所 18C 上市，"AI for Science 第一股""AI 机器人第一股"。
- 2025 财报（2026-03-25 发布）：营收 8.026 亿元（+201.2%），年内利润 1.346 亿元，经调整净利润 2.582 亿元——首家 AI for Science 领域年度盈利的港股公司；现金余额 70.69 亿元，2026 新发可转债净额 25.62 亿元。
- 合作规模：创收客户数同比 +62%，覆盖全球 TOP20 药企中 17 家，累计合作金额数百亿人民币；与 DoveTree 达成 59.9 亿美元（约 470 亿港元）AI 药物发现合作，创全球纪录。
- 管线孵化：赋能 5 款全球 FIC/BIC 创新管线进入临床/IND-enabling，覆盖小分子、抗体、多肽、核酸、分子胶；希格生科弥漫型胃癌靶向药 I 期（FDA 孤儿药+快速通道+NMPA IND）；智擎生技 PRMT5 抑制剂 IND 申报；莱芒生物代谢增强型 CD19 CAR-T 治疗红斑狼疮。
- 平台：XtalFold（抗体）、PepiX（多肽）、分子胶平台、mRNA2vec；AI 模型预测-机器人湿实验-数据反哺-Multi-Agent 调度飞轮，智能体每周自主推进上万次化合物实验；累计 200+ 行业 AI 模型。
- 2026-07-29：发布 XtalPi Science 平台 + 科学智能开放生态联盟（新格元等单细胞组学方加入）。
- 学术：TRIDS AI 分子对接框架（与北大/深圳湾实验室/西湖大学/昌平实验室）；Nature Synthesis 论文（与福州大学）。
来源：IPO 早知道 2026-03-25、腾讯新闻 2026-03-28、晶泰科技 2026-07-13/24。
5.6 其他代表公司
- 望石智慧（Wangshi）：专注小分子设计，基于三维靶点结构的深度生成模型+知识嵌入优化，获多轮融资。
- 希格生科：AI 类器官，弥漫型胃癌靶向疗法（晶泰赋能）。
- 深势科技：AI for Science、Uni-Fold、DeepMD 深度势能。
- 剂泰医药、星亢元、华深智智：中国 AI 药企新锐。
- Generate Biomedicines：Chroma 生成式蛋白模型。
- Relay Therapeutics：基于结构的精准药物设计。
- AbCellera / Absi：AI 抗体发现。
来源：腾讯新闻 2026-02-24、搜狐 2026-02-23。
5.7 进入临床的 AI 药物总量
Nature Medicine 文章统计：截至 2023 年全球至少 10 款 AI 参与设计的药物进入临床，最快处于 II 期（来源：和讯网 2023-06-27 引 Nature Medicine）。至 2025–2026，Deep Pharma Intelligence 等机构统计持续增长 [具体 2026 最新计数待核实]。
六、AI 临床研究：试验设计到数据提交的全链路数字化
6.1 临床试验痛点与 AI 切入点
- 招募瓶颈：约 30% 试验因招募延迟超预算；复杂入排标准使合格患者仅占 5–10%；近 1/3 III 期试验因患者招募失败。
- 成本：III 期试验 2014 年均成本 2.55 亿美元，每招募患者超 4 万美元；失败试验每项损失 8–14 亿美元。
- AI 切入：六大场景——患者招募、试验设计、依从性管理、数据分析、药物警戒、CSR 撰写。
来源：医渡科技 2025-09、MedMarket Insights 2025-06、知乎拜耳项目 2021。
6.2 AI 患者招募与入排筛选
- Deep 6 AI（帕萨迪纳）：NLP 解析 EMR/医生记录/病理报告，数分钟内筛选候选患者（效率提升 50%），德州医学中心（61 家机构）部署；估值 5000 万美元，融资 2200 万美元（早期数据，[2025 最新融资待核实]）。
- TriNetX：全球临床试验网络，覆盖 200+ 家医疗机构 [实时数待核实]，提供 RWE 与可行性分析。
- TrialSpark、Antidote、Castor、Medable：DCT+ 招募平台。
- 辉瑞：AI 招募 COVID-19 试验患者，缩短时间 40%。
- 中国：
- 医渡科技：YiduCore + iRecruitment 智能招募，从合作医院 RWD 自动筛选潜在受试者，入组效率提升 3–5 倍；iCollector 智能辅助录入（电子病历↔EDC 自动转录，省 30–50% 人力，COPD 研究数据录入减 90%）；iCare 个性化依从性管理；与腾讯云合作"医生数字分身"（来源：搜狐 2025-09-18）。
- 太美科技、药明康德 WuXiXDPH、腾讯觅影（与医院合作肿瘤招募）。
6.3 自适应试验与主方案设计
- FDA adaptive design guidance：贝叶斯自适应设计、master protocol（伞型/篮型）。
- I-SPY2、PORTREND：master protocol 代表。
- AI 实时分析中期数据动态调整入组标准、亚组扩展（Moderna 用 AI 设计 mRNA 疫苗试验）。
- 入排标准优化：斯坦福 James Zou + 基因泰克 2021 Nature——用 RWD 模拟 NSCLC 试验，放宽常见实验室标准，入组扩大 2 倍且 OS 风险比降 0.05；约 80% 进展期 NSCLC 患者不符合传统试验资格。
6.4 真实世界证据（RWE）与合成对照臂（SCA）
- FDA RWE 框架：2018 起建立 RWE 用于监管决策框架；2024–2025 多次讨论外部对照臂（ECT）证据标准。
- 获批里程碑：2020 年起多款基于 RWE 支持的品种获批 [具体品种清单待核实]。
- 合成对照臂：
- Unlearn.AI：生成患者"数字孪生"，减少真实对照组需求，获 FDA 认可。
- Owkin：联邦学习+多组学，MOSAIC 平台。
- 拜耳 + 阿尔托大学（2021-05 启动"未来临床试验"项目，2022-02 加入 HUS）：AI 虚拟对照组。
- 数字孪生：Dassault Systèmes Living Heart、FDA MIDD 试点；罕见病/儿童肿瘤单臂试验中 SCA 作为支持性证据。
6.5 EDC / SDV / 数据管理 AI 化
- 主流 EDC：Medidata Rave、Veeva Vault、Oracle InForm。
- AI 自动 SDV（源数据核查）：自动抽样+信号检测，趋势为 AI 识别异常值与不一致。
- AI-EDC 新锐：Saama、Deep 6 AI；中国医渡 iCollector。
6.6 SDTM/CDISC 自动化
- 背景：FDA/PMDA 要求数据提交遵循 CDISC SDTM 标准，传统人工映射耗时易错。
- 2025–2026 进展：LLM 自动从 EHR/源数据生成 SDTM 数据集与 CDISC 合规模板；PharmaSRT、Parexel、Medidata 推进试点 [具体工具与试点清单待核实]。
- CDISC 标准演进：SDTMIG、ADaM、SEND（非临床）、Define-XML。
6.7 去中心化临床试验（DCT）与可穿戴
- DCT 平台：Medable、Science 37、Lightpoint、Castor；2025–2026 DCT 采用率持续上升 [具体百分比待核实]。
- 可穿戴/数字生物标志物：Apple Watch、Fitbit、Dexcom CGM 将心率、活动、血糖等连续数据接入试验。
- eConsent / ePRO：电子知情同意、患者自报结局。
6.8 CSR 自动撰写与药物警戒
- CSR（临床研究报告）：LLM 自动撰写 CSR 草案、表格、列表、图示（TLG）。
- 药物警戒：LLM 解析 ICSR（个案安全报告）文本，自动生成 E2B 报告；信号检测。
- 文献监查：Iris.ai、ESMO/ASCO AI 助手综合文献证据。
6.9 中国 RWE 监管进展
- CDE 真实世界研究：2020 年起发布 RWE 支持药物研发与审评的系列指导原则；2024–2026 持续细化。
- 国家卫健委 2024-11：《卫生健康行业人工智能应用场景参考指引》列出"人工智能药物研发""人工智能医学科研"分类下 8 项指导性应用场景（来源：医渡科技 2025-06-03 综述）。
- 工信部等八部门 2026-01-07：《人工智能行动方案》直接点名 AI 制药，强调建设 AI 驱动新药发现平台、多模态药效预测大模型（来源：人民日报健康客户端 2026-02-02）。
七、精准医学与多组学 AI
7.1 精准医学数据平台
- Tempus AI（2015 成立，芝加哥）：2024-06 纳斯达克上市，募资 4.1 亿美元，上市当日市值 66.5 亿美元。AI 驱动临床+分子数据库，覆盖 2000+ 医疗机构、450 个专业数据库、9 亿份文档、560 万匿名患者记录；与 7000+ 医生联系；2024Q1 员工约 2300 人（含 757 技术人员、约 250 名博士）。来源：未央网 2025-03-03。
- Foundation Medicine（Roche）：肿瘤伴随诊断标杆，FoundationOne CDx。
- Caris、N-of-One：肿瘤分子图谱。
7.2 病理 AI 基础模型
| 模型 | 机构 | 性能 | 来源 |
|---|---|---|---|
| Virchow | —— | 9 种常见癌+7 种罕见癌，标本级 AUC 0.95 | Nature Medicine 2024-07-22 |
| CHIEF | 哈佛医学院+斯坦福+布莱根 | 19 种癌症准确率近 94%，AUROC 0.9397（vs 0.80–0.84），较 SOTA 提升 36.1% | Nature 2024 / MedSci 2024-12 |
| RuiPath 瑞智病理 | 瑞金医院+华为（2025-02） | 覆盖中国 90% 癌种 | 搜狐 2025-02-18 |
| Paige、PathAI、Proscia | 商业 | FDA 批准首个 AI 病理系统（2021） | —— |
| 百度灵医、华为病理、商汤 | 中国 | 病理 AI 国产化 | —— |
7.3 液体活检 AI
- Guardant Health、GRAIL：ctDNA 早筛。
- 燃石医学、泛生子：中国伴随诊断+早筛。
7.4 单细胞与空间组学 AI
- 10x Genomics、Parse Bioscience、Akoya：单细胞/空间平台。
- Human Cell Atlas：人类细胞图谱计划阶段进展。
- 西湖大学 TPCPA（2025，Cancer Cell）：泛癌蛋白质组图谱，22 种癌症近万种蛋白表达地图。
- 新格元 Singleron（2018 成立）：一站式高通量单细胞多组学，服务全球 30+ 国家近 6000 家医院；与晶泰科技合作，补齐"从微观分子到细胞响应"链路（来源：晶泰 2026-07-24）。
- AI 模型：RegulonExplorer、Owkin MOSAIC、Nucleotide Transformer、ESM 系列。
7.5 医学专用大模型
- Med-PaLM 2 / Med-Gemini（Google）：医学问答。
- AMIE（Google）：诊断对话 Agent，在模拟对话诊断上超越初级保健医生。
- Hippocratic AI：患者面/护士面生成式 Agent。
- OpenAI × Color Health：癌症筛查 AI。
- BioGPT、PubMedBERT、BioMedLM、Phi-3：生物医学 NLP。
- 中国：华佗 GPT、DoctorGLM、HuatuoGPT、百灵医学、商汤大医、阿里达摩院医海、阿里健康"氢离子"（低幻觉、高循证）。
八、AI CRO 与数字湿实验（干湿闭环）
8.1 数字湿实验（Digital Wet Lab）范式
核心命题：AI 计算预测 + 机器人自动化湿实验 + 数据反哺 + Multi-Agent 调度，形成研发飞轮，弥合"算法预测"与"人工执行"间的效率断层。
晶泰科技飞轮（2025 年报）：
- AI 模型作"专家大脑"（200+ 模型，覆盖靶点解析、分子生成、虚拟筛选）；
- 机器人实验室作"精准双手"（7×24 小时高通量执行，积累高质量数据）；
- Multi-Agent 系统作"项目经理"（自主拆解研发目标、调度全流程），智能体每周独立推进上万次化合物实验。
8.2 国际数字湿实验/AI CRO 代表
- Strateos（前 Transcriptomic）：自动化云实验室。
- Emerald Cloud Lab：全自动化云端实验室。
- Synthego：CRISPR 自动化。
- Tetra、Arctoris、Culture Robotics、Robot Ascencio：自动化实验平台。
- Recursion Phenomics、Spring Discovery：表型组学+AI。
- Unlearn、Owkin：数字孪生+联邦学习。
8.3 中国 AI CRO 与自动化
- 晶泰科技：自建高通量自动化实验室，2025 年收购英国 Liverpool ChiroChem。
- 药明康德 WuXiATU：细胞疗法自动化。
- 深势科技、希格生科、剂泰医药：AI+湿实验。
- 东阳光药 × 晶泰（2026-01-26）：共建 AI 机器人联合实验室与非临床药物大模型。
8.4 Self-driving Labs（自主实验室）
- 贝叶斯优化 + 自动化合成 + 高通量筛选闭环。
- Coley group（MIT）、IBM RXN、三菱化学 Acceleration：active learning 驱动的实验闭环。
- Forrester：在《The State of AI Agents》中将"AI Agent 作研发智能项目经理"视为突破研发瓶颈关键（晶泰年报引用）。
8.5 NAMs（新方法）与器官芯片
- FDA Modernization Act 2.0（2022）：取消动物实验强制，为 NAMs 替代扫清法律基础。
- Hesperos、TissUse、CN Bio Innovations：人体器官芯片+AI 模型。
- 2025–2026：NAMs 在监管与产业侧持续推进 [具体进展待核实]。
九、监管与合规：FDA / EMA / NMPA / EU AI Act
9.1 FDA AI/ML 医疗器械
- AI-Enabled Medical Devices List（FDA 官网，2026-07 抓取最新）：FDA 维护已授权 AI 医疗器械清单，按最终决定日期倒序，持续更新。2026-03-30 仍在新增长条目（如 ViTAA Medical AiORTA、Anumana ECG-AI、Philips Spectral CT Verida、Butterfly Gestational Age Tool、GE AutoAS、Lunit INSIGHT DBT、Medtronic Stealth AXiS、Aidoc BriefCase-Triage 等）。FDA 探索为含基础模型/LLM 的器械打标签，提升透明度。
- 累计数量：FDA 累计批准 AI/ML 医疗器械 900+–1000+ 项 [2026 最新精确计数待核实，但 2026 年新增条目密度显著上升]。
- PCCP（Predetermined Change Control Plan）：FDA 2024-12 发布 Final Guidance，允许 AI 模型在预定变更范围内迭代更新而无需每次重新提交——破解"锁定模型"与"持续学习"矛盾的关键监管创新 [具体日期与文件号待核实]。
- GMLP（Good Machine Learning Practice）：十项原则指导 AI/ML 医疗器械全生命周期质量。
- 2025–2026 草案清单：Transparency、PCCP、GMLP 等 Draft Guidance 持续推进 [清单待核实]。
- 药物发现 AI 监管：FDA 新药审评对待 AI 生成数据/模型证据的框架仍在形成；ICH M15 模型相关 [待核实]。
9.2 EMA
- 2024–2025 AI in medicinal product lifecycle reflection paper：EMA 发布反思文件，界定 AI 在药品全生命周期（从发现到药物警戒）的应用与风险 [发布日期待核实]。
- HMA-EMA Big Data Steering Group：大数据指导组。
9.3 NMPA（中国）
- 2021 第 47 号：《人工智能医用软件产品分类界定指导原则》。
- 2022 第 8 号：《人工智能医疗器械注册审查指导原则》（取代 2019《深度学习辅助决策医疗器械软件审评要点》非临床部分），适用于 II/III 类 AI 独立软件与含 AI 软件组件器械，新增压力测试、对抗测试、GAN、集成学习、强化学习、联邦学习、持续学习、AI 算法框架、AI 芯片、人因可用性等考量。
- 2023 第 38 号：《人工智能辅助检测医疗器械（软件）临床评价注册审查指导原则》——AI 辅助检测产品分类编码 21-04-02，管理类别 III 类。
- 2025-07-03 第 63 号：《关于发布优化全生命周期监管支持高端医疗器械创新发展有关举措的公告》——重点支持医用机器人、高端医学影像、人工智能医疗器械、新型生物材料；开展医用大模型、AI 医疗器械、合成生物材料等新功能新技术新模态管理属性与类别研究；配合脑机接口支持政策。
- 三类证持证竞赛：截至 2024-06 国内仅 92 款 AI 医学影像产品获三类证；TOP4（深睿医疗 13 款、数坤科技 13 款、联影智能 16 款等）合计 53 款占 32.7%；无证产品无法进医院采购清单（来源：搜狐 2025-06-10）。
- CDE（药审中心）：对 AI 制药/RWE/模型证据的接受度持续提升，但尚未形成独立指导原则体系。
9.4 EU AI Act
- 2024-08 生效，2026 年高风险 AI 条款适用。
- 医疗 AI（含诊断、患者护理）多归为 high-risk，需满足风险管理、数据治理、透明度、人工监督、稳健性等要求。
- 药物发现 AI 的定位相对模糊，多不直接归 high-risk，但涉及临床数据训练时受 GDPR 约束。
9.5 数据合规
- HIPAA（美）/ GDPR（欧）/ 个人信息保护法 + 数据安全法（中）：对临床 AI 训练数据的影响——需去标识化、最小化、合规跨境。
- 应对：合成数据、联邦学习（Owkin）、差分隐私、可信研究环境（TRE）。
- 晶泰科技实践（2026-06-10 锦天城律所分析）：AI 制药飞轮涉及临床前实验数据、AI 模型训练数据（专利结构化提取）、客户合作数据（靶点/分子/实验结果高度商业机密）、跨境传输数据（中美英多地运营，2025 收购英国 Liverpool ChiroChem），数据合规成核心法律命题。
9.6 标准族
- ISO/IEC 42001（AI Management System）：AI 管理体系认证。
- ISO/IEC 23053：AI 系统框架。
- ISO 81001：医疗器械软件全生命周期。
- IEC 62304：医疗器械软件生命周期（向 AI 延伸）。
- ISO/IEC 23894：AI 风险管理。
十、2026–2035 趋势判断与挑战
10.1 趋势判断（分阶段）
近期（2026–2028）平台化与嵌入工作流
- AI 制药从"单点工具"走向"全链路 Agent 编排"，干湿闭环（晶泰/Strateos 模式）成主流。
- 蛋白质结构预测从"静态"走向"动态+复合物"（IsoDDE/Boltz-2），AI 抗体设计临床管线密集读出。
- 临床试验数字化从招募扩展到 SDTM/CDISC 自动化与 CSR 撰写，LLM 嵌入 EDC。
- 监管：PCCP 普及，FDA/NMPA AI 器械库突破千项后迈向 LLM 器械标签化。
中期（2029–2031）操作系统化与 AI 原生临床
- AI 原生 EDC/CTMS（云原生+Agent 调度）挑战 Medidata/Veeva 传统格局。
- 合成对照臂成为单臂试验常规支持证据，RWE 与 RCT 融合。
- NAMs 部分替代动物实验，器官芯片+AI 成临床前标配。
- AI 制药进入"成功率拐点"——AI 设计分子临床 I 期成功率（IQVA 数据已达 75%）继续提升。
远期（2032–2035）自主型研发与超级智能体
- 研发 Agent 产出候选分子、试验 Agent 执行验证、医院 Agent 负责交付与随访，底层统一 AI OS 调度。
- AI 设计的药物与抗体成主流管线来源（>50% 新 IND）。
- 个性化癌症疫苗+AI 设计（Moderna mRNA-4157 模式）规模化。
- 监管走向"AI 全生命周期治理"——模型证据、可解释性、责任归属形成体系。
10.2 六大共性挑战
- 数据墙与数据孤岛：高质量临床前/临床数据稀缺且分散，跨机构合规流转难。
- 生物学验证硬约束：AI 能加速候选分子产生，但 REC-994 失败证明——生物学验证仍是不可压缩环节。
- 监管滞后：PCCP/NAMs/EU AI Act 在追赶技术，但模型证据标准、责任归属仍未定型。
- AI 幻觉与可解释性：LLM 在 CSR/诊断/入排判断中可能产生看似合理实则错误的输出，高风险决策容错率低。
- 责任归属：AI 设计药物出问题，责任在 AI 公司/药企/医院/医生？法律空白。
- 算力与能源：训练+推理+机器人实验室算力需求暴涨，能源成本与可持续性成约束。
10.3 AI 设计药物 I 期成功率
IQVIA《Global R&D Trends 2026》数据显示：AI 驱动的项目临床 I 期成功率已达 75%（晶泰科技 Nature Synthesis 文引用，2026-07-13）——显著高于行业平均，但需注意幸存者偏差（进入 I 期的 AI 项目本身经过筛选）。
十一、来源汇总
公司/财报
- 英矽智能：腾讯新闻 2026-02-12；人民日报健康客户端 2026-02-02；氨基观察 2026-03-30；和讯网 2023-06-27；知乎 2023-01-10；循因缉药 2026-03-29（礼来收购 FTC 公告）。
- Isomorphic Labs：研发客 2026-05-13（21 亿美元 B 轮）；搜狐 2026-02-23（IsoDDE/"AlphaFold 4"）。
- Recursion + Exscientia：搜狐 2024-09-04；新浪财经 2024-08-08。
- Schrödinger：官网 pipeline 页（2026-07-10 抓取）。
- 晶泰科技：IPO 早知道 2026-03-25；腾讯新闻 2026-03-28；晶泰科技 2026-07-13（Nature Synthesis）；2026-07-24（TRIDS/XtalPi Science）；搜狐 2026-06-10（数据合规）；腾讯 2026-02-24（行业洞察）。
- Tempus AI：未央网 2025-03-03。
学术/期刊
- AlphaFold 2/3：Nature 2020/2024；诺贝尔化学奖 2024。
- AF-Cluster 论战：腾讯 2026-02-07 综述（含 5 回合文献）。
- Virchow 病理基础模型：Nature Medicine 2024-07-22。
- CHIEF 病理模型：Nature 2024 / MedSci 2024-12-03。
- 西湖大学 TPCPA：Cancer Cell 2025。
- Stanford Zou 入排标准：Nature 2021-06-25。
- OSU 老药新用框架：Nature Machine Intelligence 2021-01-27。
监管
- FDA AI-Enabled Medical Devices List：fda.gov（2026-07 抓取，最新 2026-03-30 条目）。
- FDA PCCP Final Guidance：2024-12 [具体日期待核实]。
- NMPA 2025 第 63 号公告：nmpa.gov.cn 2025-07-03。
- NMPA AI 医疗器械指导原则：2021 第 47 号、2022 第 8 号、2023 第 38 号。
- 国内三类证统计：搜狐 2025-06-10。
- 国家卫健委 AI 应用场景指引：2024-11。
- 工信部八部门 AI 行动方案：2026-01-07。
临床试验/数字化
- Deep 6 AI：电子发烧友网 2023-01-04。
- 医渡科技：搜狐 2025-09-18。
- AI 临床试验综述：MedMarket Insights 2025-06-03；2025-04-30；2025-07-29。
- 拜耳+阿尔托虚拟对照：知乎 2021。
- IQVIA Global R&D Trends 2026（AI I 期 75% 成功率）。
资本/行业
- 摩熵投融资数据（人民日报 2026-02-02）：全球 350+ AI 制药公司，中国 101+。
- Crunchbase 2025 AI 融资 2110 亿美元（搜狐 2026-02-11）。
- 港股 IPO：搜狐 2026-02-01（锋行链盟）；德勤/普华永道预测。
底稿状态：本调研底稿覆盖 AI 制药（靶点→分子→ADMET→PCC→临床）、AI 临床研究（设计→招募→RWE→EDC→SDTM→CSR）、精准医学与多组学、AI CRO 与数字湿实验、监管合规五大板块，含 2024–2026 最新里程碑与可溯源数据。标 [待核实] 处为建议主笔在整合前对照原始来源核验的数据点（主要为部分精确日期、实时计数与具体品种清单）。下一步可由主笔据此扩写为 10 万字报告对应章节，并据此生成讲演稿 PPTX。
AI Agent 2026—2035 发展趋势调研底稿
趋势调研员（trend-researcher）产出 · 供主笔整合 10 万字深度研究报告之用 编制日期：2026-07-25 覆盖范围：多 Agent 协作框架 / 自主进化与自修复闭环 / Agent 操作系统与记忆 / 具身与物理世界 Agent / 企业级 AI Infra 与多租户治理 / Agent 经济与数字劳动力 / AI 制药与生命科技应用 / AI 临床研究 / AGI 路径与风险治理 方法论：多源网络检索 + 白皮书/行业报告/企业官方资料交叉验证；关键结论均附来源链接；证据不足处明确标注不确定性（⚠️ 不确定 / ⚠️ 待核）。
0. 执行摘要（给主笔的核心结论速览）
- 范式跃迁：2026—2035 是 AI 从"工具/应用"向"Agent 经济/数字劳动力"切换的十年。华为 GIV 2035 报告预测，到 2035 年全球 90 亿人口将由 9000 亿 AI Agent 服务，催生"Agentic Internet"新网络形态。来源：Huawei Intelligent World 2035。
- AGI 时间表分歧：DeepMind 安全报告（2025-04）认为 2030 年前后开发出 AGI 是"合理的"；其联合创始人 Shane Legg 预测 2028 年初露锋芒，Demis Hassabis 称 5—10 年内、最早 2030 年；OpenAI 内部流出的"2027 AGI"传言在中文媒体广泛传播但未获官方证实（⚠️ 待核）。来源：新浪财经/DeepMind、今日头条。
- 协议标准化是基础设施化的关键：Google A2A（2025-04）、Anthropic MCP、IBM ACP 三大协议在 2025—2026 快速成型，正在做 Agent 互操作的"TCP/IP 时刻"。来源：IBM A2A、a2aprotocol.ai。
- 生命科技是 Agent 落地最高价值赛道之一：WEF 预测 AI 到 2030 年为制药业每年创造 3500—4100 亿美元价值；AI 制药市场从 2025 年 43.5 亿美元增至 2030 年 257.3 亿美元（Mordor Intelligence）。AI 发现药物 I 期成功率 80—90%，远超传统 40—65%。来源：Relevant/Mordor Intelligence、AI News/AstraZeneca。
- 具身 AI 是 AGI 必经之路：华为将"Going physical"列为 2035 十大趋势第 1 条，NVIDIA Cosmos 3 世界基础模型加速机器人策略学习，目标万亿级产业。来源：Huawei、NVIDIA Cosmos。
- 数字劳动力重塑组织：企业从"一人一岗"走向"一岗一 Agent"再到"人 + Agent 共生"，金融业已先行。来源：Huawei GIV 2035 金融章节。
- 风险与治理同步升级：DeepMind 将 AGI 风险分为滥用、错位、事故、结构性四类；华为强调 AI4Good、单 Agent 安全与多 Agent 安全三支柱。来源同上。
⚠️ 不确定性提示：本底稿中所有 2030—2035 远期数字预测均来自单一或少数来源，存在口径差异与商业立场偏倚，主笔引用时建议交叉标注多家机构口径。
1. 宏观背景与 AGI 路径时间表
1.1 行业共识的"AGI 时间窗口"
| 机构/人物 | 预测时间 | 关键表述 | 来源 |
|---|---|---|---|
| Google DeepMind | ~2030 | "到 2030 年开发出来是合理的"，"可能非常紧迫" | 新浪财经 |
| Shane Legg（DeepMind 联合创始人） | 2028 年初 | AGI 锋芒初现 | 今日头条 |
| Demis Hassabis（DeepMind） | 5—10 年内，最早 2030 | — | 同上 |
| OpenAI（泄露文件，⚠️ 未官方证实） | 2027 | 中文媒体广泛流传 | 抖音/今日头条 |
| 李广密（行业访谈） | — | "ChatGPT 只是 AGI 前菜，Agentic AI 才是关键未来"；Agent 三大落地能力：long context reasoning / tool-use / instruction following | 腾讯新闻 |
调研员判断：2026—2030 是"前 AGI 阶段"，能力跃迁以 pre-training scaling + agentic 能力叠加为主；2030—2035 进入"AGI 验证与部署阶段"，争议焦点从"能否实现"转向"如何安全部署"。
1.2 华为 GIV 2035 的十大技术跃迁（重要骨架，可作报告章节主线）
来源：Huawei Intelligent World 2035
- Going physical：物理化是 AGI 必经之路；需三大引擎（数据驱动经验引擎、规则驱动想法引擎、行动引擎）支撑高保真世界模型。
- AI agents：从工具到决策伙伴，人机关系从协作走向共生，驱动产业范式革命。
- Human-AI programming：软件将由"程序 + 神经网络模型 + Agent"构成，重塑软件开发入口、角色、流程、架构、安全、质量、生态。
- Dimensional evolution of AI in the mirror world：AI + 空间计算 + XR，模糊物理与数字边界。
- Mobile Internet → multi-agent collaboration：移动互联网演化为 Agent/原子服务，端到端任务成功率成核心体验指标。
- Embodied AI：万亿级产业，AI 进入物理世界的里程碑。
- Beyond von Neumann：后摩尔时代新计算范式（材料、工艺、架构、范式四维创新）。
- Data as intelligence：冷数据转温数据、语义存储，存储从"仓库"变"AI 引擎"。
- Agentic Internet：2035 年全球 90 亿人口 + 9000 亿 AI Agent，未来 10 年数据流量增长 100 倍，需全新网络。
- Energy tokenization：每焦耳能量可被 token 化并注入人类意图，AI4Energy 构筑能源神经系统。
主笔可用这条主线串联全篇：协议层（5）→ 基础设施层（7/8/9/10）→ 智能体层（1/2/6）→ 应用层（3/4）→ 行业落地（医疗/制造/金融等）。
2. 多 Agent 协作框架与协议层
2.1 协议三足鼎立：MCP / A2A / ACP
- Model Context Protocol (MCP)：Anthropic 主导，解决"Agent ↔ 工具/数据源"标准化接入，已成为事实上的 Agent 工具调用层标准。来源：IBM Think、a2aprotocol.ai。
- Agent2Agent (A2A)：Google 2025-04 推出，解决"Agent ↔ Agent"跨厂商/跨框架互操作。来源：IBM A2A。
- Agent Communication Protocol (ACP)：IBM BeeAI 推出，与 A2A 类似但生态独立。来源同上。
调研员判断：A2A 与 MCP 并非竞争而是互补——MCP 解决"上下文/工具接入"，A2A 解决"Agent 间协作"。2026—2028 将出现统一栈（MCP + A2A + 安全/治理层），类似当年 HTTP/TCP/IP 分层。
2.2 框架生态现状（2026 截面）
- 老牌多 Agent 框架（crewAI、LangChain、AutoGen）：框架内编排强、跨框架互操作弱。来源：IBM。
- agentUniverse：基于 LLM 的多 Agent 框架，核心是"协作模式工厂"，强调各司其职。来源：GitHub agentuniverse-ai（最近提交 2025-11）。
- AGNTCY（Cisco 参与）：开放多 Agent 软件 SDK，整合 MCP + A2A + AGNTCY 组件，Cisco Live 2026 主推。来源：Cisco Careers。
- AIOS：Rutgers agiresearch 团队的 "AI Agent Operating System"，把 LLM 嵌入 OS，处理调度、上下文切换、内存管理、存储管理、工具管理、Agent SDK 管理。来源：GitHub agiresearch/AIOS（803 commits，活跃）。
2.3 趋势判断（2026—2035）
- 从"框架内编排"到"协议级互操作"：2027—2029 跨厂商 Agent 协作成为默认。
- 从"单 Agent 工具调用"到"多 Agent 市场交易"：Agent 将出现在公共注册表，可被第三方发现、调用、计费（类比 DNS + 支付）。
- 治理与安全成为协议层一等公民：OWASP 已发布 "Top 10 for Agentic Applications"，沙箱隔离、输入输出防护、纵深防御成标配。来源：CSDN 资源聚合（⚠️ 二手转述，建议主笔核 OWASP 官方）。
3. 自主进化与自修复闭环（AI Coding / Self-Evolving）
3.1 AI 自主编程已进入生产
- Cursor：定位"coding agent"，云上 Agent 并行运行，自有计算机可构建/测试/demo；支持 OpenAI/Anthropic/Gemini/xAI/Cursor 多模型；推出 Automations（常驻、按计划/触发运行的 Agent，做构建、维护、修复）。来源：cursor.com（2026-07-17 快照）。
- Devin（Cognition）：业界最早的全自主软件工程师 SaaS，2024 引爆"AI 软件工程师"赛道。
- DeepThink 范式（本项目）：Harness Engineering → Loop Engineering，主张由 Supervisor Agent 驱动的持续闭环、Bug 自修复闭环、程序员-Agent 共生。来源：项目 CLAUDE.md（内部资料，引用需注明平台方立场）。
3.2 自进化与自修复的技术骨架
- 闭环三要素：① 全栈可观测性（Full-Stack Observability）→ ② 根因定位（基于证据：日志/API/测试）→ ③ 自动修复 + 验证回归。
- 关键评测：SWE-bench（软件工程任务基准）持续被各大厂商刷榜；2026 行业头部 Agent 在 SWE-bench Verified 上的通过率已从 2024 的 ~13% 跃升至 ⚠️ 待核区间（行业流传 50%+，但口径不一，主笔引用须标注具体厂商与版本）。
- 关键模式：Reflection（反思）/ Tool-use / Planning / Multi-agent reflection，来自 Agentic AI 设计模式综述。来源：CSDN 聚合资源（⚠️ 二手）。
3.3 趋势判断
- 2027—2029：AI 独立完成"需求→PRD→技术方案→编码→测试→提交"全生命周期成为常态（与本项目工作流对齐）。
- 2030—2032：出现"自进化智能体引擎"——Agent 从代码库吸收知识、从用户反馈中持续进化，达到中级工程师综合能力。
- 2033—2035：单一 Agent 具备完整软件团队综合能力（"超级智能体孵化器"），人机比从 1:1 走向 1:N。
⚠️ 不确定性：3.3 的远期预测含平台方愿景色彩，主笔应区分"已验证进展"与"路线图目标"。
4. Agent 操作系统与记忆系统
4.1 为什么 Agent 需要操作系统
Redis 官方 2026 博客指出：可靠 LLM 结果依赖架构而非仅 prompt 工程；Agent 架构核心组件含记忆、推理引擎、工具编排。来源：Redis blog（2026-02-16）。
AIOS 提出的 OS 级职责：调度、上下文切换、内存管理、存储管理、工具管理、Agent SDK 管理。来源：GitHub AIOS。
4.2 记忆系统是 Agent 的"致命缺陷"突破口
- 核心论点：Context Window 不是记忆。生产级 Agent 需要独立记忆系统，分层为短期/工作记忆 + 长期/情景记忆 + 语义/知识记忆。来源：博客园生产环境复盘（2026-02-28，基于 OpenClaw 多 Agent 团队 17 天打磨，⚠️ 个人博客，建议核一手生产案例）。
- 存储范式演进：华为 GIV 2035 趋势 8 指出，数据价值不再由体量和格式定义，而由"冷转温、按场景供数、语义存储"定义，存储系统从数据仓库演化为驱动 AI 的引擎。来源：Huawei。
4.3 趋势判断
- 2026—2028：记忆系统从"可选附件"升级为 Agent 平台标配；出现"记忆即服务"中间件。
- 2029—2031：Agent OS 形态收敛（类内核 + SDK 分层），调度/记忆/工具/安全四层抽象稳定。
- 2032—2035：跨 Agent 共享记忆与权限边界（谁能读谁的情景记忆）成为治理核心议题。
5. 具身/物理世界 Agent（Embodied AI / Physical AI）
5.1 产业共识：物理化是 AGI 必经之路
- 华为 GIV 2035 趋势 1："Going physical: The essential path to AGI"。来源：Huawei。
- 华为 GIV 2035 趋势 6：具身 AI 是万亿级产业的关键里程碑，需 AI + 感知交互 + 计算存储 + 通信 + 电力电子多域集成。
5.2 基础模型支撑
- NVIDIA Cosmos 3（2025-12 / Computex 2026）：全球最先进的世界基础模型之一，三类用途：① 作为 VLM 做视觉推理（质检、公共安全、流量、物流、辅助驾驶）；② 作为世界行动模型（WAM）骨架网络加速机器人策略学习；③ 作为可控、基于物理的世界仿真器，闭环评估收敛至正确行为。来源：NVIDIA Cosmos、NVIDIA Nemotron 3 新闻。
- NVIDIA Nemotron 3（2025-12）：Nano/Super/Ultra 三档开放模型，混合 MoE 架构，多环境并发后训练，配套 Nemotron Agentic Safety Dataset（真实世界遥测）。来源同上。
- NVIDIA 押注 physical AI 解决医疗机器人数据问题（2026-07）：来源：AI News。
5.3 趋势判断
- 2026—2029：世界模型 + 仿真闭环使机器人策略学习成本下降一个数量级，物流/质检/辅助驾驶先规模化。
- 2030—2032：通用型人形机器人进入工厂与家庭，但长尾操作仍需人在回路。
- 2033—2035：具身 AI 与软件 Agent 融合，"一个大脑多具身体"形态出现；机器人经济与 Agentic Internet 联动。
6. 企业级 AI Infra 与多租户治理
6.1 平台层玩家
- OneReach.ai GSX：企业级 Agent 端到端编排平台，强调跨组织协作而非孤立实验。来源：onereach.com。
- Coder：企业 AI 开发基础设施与治理，自托管、任选模型、guardrails 与策略可控。来源：coder.com。
- Nirmata：基于 Kyverno 的 AI 基础设施治理，"findings → fixes" 闭环，policy-as-code 跨云/集群/管道。来源：nirmata.com。
- Infoholder OS：企业级 Agent OS，统一客户/合同/会议/任务/人员/文件/发票等业务资产，多租户隔离 + 角色权限 + 行动账本。来源：icloudportal.com。
- 多租户 Web UI + 企业 Vault + 团队协作的开源实现：GitHub wenda-LLM/nexusclaw（⚠️ 社区项目，成熟度待核）。
6.2 治理重点
- 多租户隔离：算力/数据/模型权重/记忆四层隔离。
- 行动账本（Action Ledger）：所有 Agent 行为可审计、可回放。
- 权限分级与企业集成：飞书/钉钉/企微/LDAP（与 DeepThink 平台对齐）。
- AI4Governance：华为提出 AI 安全三支柱——ICT 基础设施安全、单 Agent 安全、多 Agent 安全。来源：Huawei GIV 2035 Symbiosis with AI。
6.3 趋势判断
- 2026—2028：企业 AI Infra 从"模型网关"升级为"Agent 平台 + 治理层"，多租户与审计成采购硬指标。
- 2029—2031：Agent 与企业核心系统（ERP/CRM/MES）深度集成，"一岗一 Agent"普及。
- 2032—2035：跨企业 Agent 协作（供应链级 Agent 联邦）出现，需跨组织身份与计费协议。
7. Agent 经济与数字劳动力
7.1 规模预测
- 华为：2035 年全球 90 亿人口由 9000 亿 AI Agent 服务；未来 10 年数据流量增长 100 倍。来源：Huawei GIV 2035 趋势 9。
- 金融业先行：每客户配备"金融知己"7×24 服务；"人 + Agent"协作模型，"一岗一 Agent"覆盖技术/普惠/绿色金融。来源同上 金融章节。
7.2 组织形态演变
- 从"工具使用者"→"代码创造者"→"自我繁衍超级智能体"（DeepThink 路线图，内部资料）。
- 人机比演进：1:0（无 Agent）→ 1:1（助理）→ 1:N（团队）→ N:1（多 Agent 服务一人）。
- JPMorgan 已开始追踪员工在工作中如何使用 AI（2026 AI News），反映企业对"数字劳动力使用度"的度量需求。来源：AI News。
- OpenAI Presence 推出"带工程师的企业 AI Agent"销售模式（2026-07）。来源：AI News。
7.3 趋势判断
- 2026—2029：Agent 作为"数字员工"进入企业编制，HR 系统演进为"人 + Agent 混合编制管理"。
- 2030—2032：Agent 经济成型——Agent 可被发布、发现、调用、计费、问责；出现"Agent 劳务市场"与"Agent 信用体系"。
- 2033—2035：数字劳动力占企业产能显著比重（⚠️ 具体比例无共识，主笔慎用具体数字），监管出现"Agent 劳动法"雏形。
8. AI 制药与生命科技应用（团队重点）
8.1 行业基线（为什么要用 AI）
- 传统药物研发：10—15 年，单药成本 >26 亿美元，新分子实体失败率 >90%。来源：Relevant/Mordor Intelligence。
- AI 制药市场：2025 年 43.5 亿美元 → 2030 年 257.3 亿美元（Mordor Intelligence）。来源同上。
- WEF 预测：AI 到 2030 年为制药业每年创造 3500—4100 亿美元价值。来源：AI News/AstraZeneca。
8.2 头部药企 AI 战略对照
来源（本节如无另注）：AI News/AstraZeneca
| 药企 | AI 战略 | 关键数据/成果 |
|---|---|---|
| AstraZeneca | AI 嵌入国家级医疗系统，从研发到临床运营全链 | 泰国肺癌筛查 66 万+人（2022 起），AI 胸片阳性预测值 54.1%（阈值 20%）；887 家医院推广，3 年预算 >4.15 亿泰铢；智能协议工具使文档撰写时间降 85%；R&D 240+ 全球试验；2030 目标：20 款新药、营收 800 亿美元 |
| Pfizer | ML Research Hub 加速药物发现 | 分子识别约 30 天；Paxlovid 用 AI 开发，患者数据分析快 50%；超半数临床试验用 AI |
| Novartis | 与 Isomorphic Labs（Demis Hassabis）+ Microsoft 合作 | AI 驱动药物发现；Intelligent Decision System 用计算孪生模拟临床试验；AI 选点招募更快；分钟级分析 46 万临床试验 |
| Roche | "lab in a loop"（实验室在环） | 收购 Foundation Medicine + Flatiron Health，建行业最大临床基因组库（80 万+基因组、150+肿瘤亚型）；2026 安全管理效率提升 50% 目标 |
8.3 AI 制药关键里程碑数据
- AI 发现药物 I 期成功率 80—90%，传统为 40—65%（翻倍）。来源同上。
- 3000+ AI 辅助药物在研，2030 前预计 200+ AI 获批。来源同上。
- AI Medical Writing 市场：2031 年 17.2 亿美元，CAGR 12.2%。来源：KBV Research。
8.4 结构性创新：虚拟对照组
AstraZeneca 用 EHR 与历史试验数据模拟安慰剂臂，减少接受非活性治疗的患者数——这是对临床试验设计本身的根本性重构。来源同 8.2。
8.5 Agent 在生命科技的延伸应用
- OpenAI ChatGPT 进入患者健康档案（2026-07）：来源：AI News。
- Google AMIE：AI 医生学会"看"医学影像：来源：AI News（引用自 AstraZeneca 文末 see also，⚠️ 待核独立链接）。
- NVIDIA physical AI 解决医疗机器人数据问题：来源同 5.2。
- AI 药物设计开源项目：GitHub itWangCode/AI-agent-drug-design（⚠️ 小型社区项目，仅作生态例证）。
8.6 趋势判断（生命科技主线，建议主笔重点展开）
- 2026—2028：AI 从"分子发现"单点突破走向"研发—临床—监管—上市"全链路嵌入；虚拟对照组、AI 选点招募、AI 协议生成成为标配。
- 2029—2031：首批"AI 原生"药物（从靶点到设计主要由 Agent 完成）获批上市；首批"AI 主导"临床试验设计被监管接受。
- 2032—2035：出现"生命科技 Agent 联邦"——一个药企 + 多个专业 Agent（靶点发现/合成/ADMET/临床试验/监管递交/上市后监测）协同；个性化药物（含基因组 + 可穿戴 + 营养管理）走向规模化；华为预测"绝大多数疾病变得可预测、可修复、可治愈"。来源：Huawei 医疗章节。
9. AI 临床研究专题
9.1 招募与入组
- 患者招募软件 2026 头部：Castor（EDC/ePRO/eConsent）、Antidote（精准招募）。来源：SourceForge、antidote.me。
- 行业痛点：>80% 医学研究因缺乏参与者而延误。来源同上。
9.2 试验运营 AI 化
- AstraZeneca 智能协议工具（文案 -85%）、CT 3D 定位（放射科标注时间大降）、虚拟对照臂。来源同 8.2。
- Novartis 计算孪生模拟临床试验流程。来源同 8.2。
- Roche lab-in-a-loop：AI 模型与实验迭代。来源同 8.2。
9.3 监管科学演进
- 监管机构开始认可 AI 在药物发现中的增多应用（Drug Discovery Chemistry 2026 会议）。来源：drugdiscoverychemistry.com。
- AI Drug Discovery & Development Summit 2026（10 月，波士顿）。来源：aidrivendrugdevelopment.com。
9.4 趋势判断
- 2026—2029：临床试验"数字化孪生"成熟，部分试验采用虚拟/混合对照臂；监管出台 AI 证据采纳框架。
- 2030—2032：去中心化临床试验（DCT）+ Agent 招募 + RWE 联动，试验周期压缩 30—50%（⚠️ 估计值，需主笔核来源）。
- 2033—2035：AI 主导的"自适应试验设计 + 实时监管"成为新药上市主流路径。
10. 分阶段时间线（建议报告骨架）
2026—2028：协议化与基础设施化
- MCP/A2A/ACP 协议栈成熟；Agent OS 雏形；AI Coding Agent 进入主流研发流程；AI 制药全链嵌入；企业 Agent 平台 + 治理层采购起量。
2029—2031：Agent 经济成型与 AGI 验证
- AGI 候选系统出现（按 DeepMind 2030 口径）；数字劳动力进入企业编制；Agent 市场与信用体系萌芽；首批 AI 原生药物获批；具身 AI 工厂规模化。
2032—2035：共生与超级智能体
- 9000 亿 Agent 服务 90 亿人（华为口径）；人机共生组织普及；跨企业 Agent 联邦；生命科技 Agent 联邦；"绝大多数疾病可预测可修复可治愈"；Agentic Internet 与能源 token 化落地。
11. 风险、治理与不确定性
11.1 风险分类（DeepMind 框架）
- 滥用风险：人故意用 AI 行害。
- 错位风险：系统发展出非预期有害行为。
- 事故风险：设计/训练缺陷致意外失效。
- 结构性风险：不同主体利益冲突。 来源：新浪财经/DeepMind。
11.2 治理路径
- DeepMind 两道防线：① 模型层（强化监督、对齐训练）；② 系统层（监控、访问控制、可解释性、不确定性估计、分阶段部署）；用 AI 监督 AI（"以毒攻毒"）。来源同上。
- 华为三支柱：ICT 基础设施安全、单 Agent 安全、多 Agent 安全。来源：Huawei。
- OWASP Top 10 for Agentic Applications；沙箱隔离、输入输出防护、纵深防御。来源：CSDN 聚合（⚠️ 二手）。
11.3 本底稿不确定性声明
- 远期数字（9000 亿 Agent、9000 亿/4100 亿美元等）多来自单一机构口径，存在立场偏倚。
- "OpenAI 2027 AGI"为媒体流传，未官方证实。
- SWE-bench 具体通过率、数字劳动力占比等缺乏多方一致口径。
- 社区/二手来源（CSDN、博客园、个人 GitHub）仅作生态例证，不应作为定量依据。
12. 给主笔的整合建议
- 章节主线建议采用华为 GIV 2035 十大趋势作为骨架，将本底稿各专题映射到对应趋势，避免章节散乱。
- 数据引用双口径：对每个关键数字尽量并列 2 家机构口径（如 AI 制药市场：Mordor Intelligence 257.3 亿 vs WEF 3500—4100 亿年价值，前者是市场体量、后者是创造价值，不可混用）。
- 生命科技作为差异化重点：本团队目标特别强调临床研究与 AI 制药，建议第 8—9 章扩充至报告 30% 篇幅，并补做 Isomorphic Labs/Insilico Medicine 一手案例（本次检索该方向噪声较大，建议主笔定向补研）。
- 风险与治理独立成章：以 DeepMind 四类风险 + 华为三支柱为骨架，避免被乐观预测淹没。
- PPTX 讲演稿建议结构：① 范式跃迁（1 张）→ ② AGI 时间表（1 张）→ ③ 协议层（1 张）→ ④ 自进化/OS/记忆（2 张）→ ⑤ 具身 AI（1 张）→ ⑥ 企业 Infra 与治理（1 张）→ ⑦ Agent 经济（1 张）→ ⑧ AI 制药与临床（3—4 张，重点）→ ⑨ 时间线（1 张）→ ⑩ 风险治理（1 张）。
附录 A：核心来源链接索引
- Huawei Intelligent World 2035 — 十大趋势、9000 亿 Agent、医疗/金融/制造愿景
- AI News: AstraZeneca AI Clinical Trials 2025 — 头部药企 AI 对照、WEF 价值预测
- IBM Think: Agent2Agent Protocol — A2A/MCP/ACP 对照
- IBM Think: AI Agent Orchestration — 编排与多 Agent 系统
- a2aprotocol.ai: A2A vs MCP — 协议互补关系
- GitHub agiresearch/AIOS — Agent OS
- GitHub agentuniverse-ai/agentUniverse — 多 Agent 协作框架
- Redis blog: AI Agent Architecture — 架构组件
- NVIDIA Cosmos — 世界基础模型
- NVIDIA Nemotron 3 — 开放 Agentic 模型
- cursor.com — AI Coding Agent
- OneReach.ai / coder.com / nirmata.com — 企业 Agent 平台与治理
- Relevant/Mordor: AI in Pharma — 制药市场体量
- KBV: AI in Medical Writing Market — 医学写作市场
- 新浪财经/DeepMind 安全报告 — AGI 2030 与风险四分类
- 腾讯新闻/李广密访谈 — Agent 三大落地能力
- AI News: NVIDIA physical AI for healthcare robotics
- AI News: OpenAI Presence enterprise agents
- AI News: OpenAI ChatGPT in health records
- Drug Discovery Chemistry 2026
- AI Drug Discovery & Development Summit 2026
附录 B：待补研清单（建议主笔或下游调研员续做）
- Isomorphic Labs、Insilico Medicine、Recursion、Exscientia 一手进展与管线（本次检索噪声大）。
- SWE-bench Verified 2026 各厂商最新通过率与口径。
- 中国本土 Agent 平台（扣子/通义/智谱/DeepThink）横向对比。
- 具身机器人头部（Figure、1X、银河通用、宇树、智元）出货与场景数据。
- Agent 经济的计费/信用/身份协议提案（若已有 W3C/IETF 草案）。
- AI 制药监管框架（FDA AI 证据、NMPA AI 审评）一手文件。
- 数字劳动力对就业影响的严肃经济学研究（Brynjolfsson、Acemoglu 等）。
— 调研员完稿，交付主笔整合。
