从依苏帕格鲁肽α近二十年的0到1之路谈起
过去两年，几乎每一场医药行业论坛、每一份券商研报，都在讨论同一个问题：AI制药，究竟是AI公司做药，还是药企做AI？前者把AI写进公司基因，以平台能力和创新管线获得资本市场关注；后者则常常被简化为"采购外部AI工具"的跟随者。
作为一个从疾病机制和靶点生物学研究起步、花了近二十年把一个原创分子推到上市的制药人，我越来越觉得，这并不是一道"AI公司做药，还是药企做AI"的二选一问题。比谁来做AI更重要的，是AI能否真正进入药物研发的真实循环。换句话说，这个问题本身可能被问错了。
争论双方有时共享着一个未经充分检验的前提：AI已经可以独立"做药"。而真正走过一个完整药物生命周期的人都知道，AI正在深刻改变药物发现，但从"发现一个分子"到"做成一款药"，中间仍隔着漫长而复杂的生物学、药学、临床和监管验证。
近二十年，从一篇论文到一张处方
2002年，我们报道了GLP-1治疗延缓db/db小鼠糖尿病发生的研究（Diabetologia, 2002），揭示了GLP-1治疗糖尿病的潜力。GLP-1被认为是一种重要的肠促胰素（incretin hormone），其经典作用主要体现在葡萄糖依赖性促进胰岛素分泌，从而改善血糖控制。我们这一时期的研究运用体外与体内实验技术，在细胞、器官和小鼠在体水平，系统解析了GLP-1葡萄糖依赖性地促进β细胞胰岛素分泌、同时抑制胰高血糖素的分子生物学机制。更重要的是，这项研究在2型糖尿病动物模型中首次将GLP-1对β细胞量的增加与糖尿病病程的延缓直接联系起来，率先提出了GLP-1超越肠促胰素效应（"beyond insulinotropic effects"）的重要科学概念：GLP-1的作用不限于促进胰岛素分泌，它还能增加β细胞量、延缓疾病进程。这一认知，为此后二十年GLP-1药物的多靶点效应和多器官获益，奠定了最早的科学基础之一。
但生物学认知只是起点。天然GLP-1在体内降解极快，难以直接形成持久的药理作用。我们的下一个问题变成了：能不能通过蛋白工程，让GLP-1在保留生物活性的同时获得足够长的体内暴露，从而真正成为一种可临床使用的长效药物？
2006至2007年前后，我们设计并报道了全新的GLP-1/IgG-Fc融合蛋白构建体（Gene Therapy, 2007），这构成了后来依苏帕格鲁肽α技术路线的重要原型。在这一过程中，我们已经开始把生物信息学工具用于融合蛋白设计，包括利用SWISS-MODEL进行三维结构预测和分析。
随后，我们又与中国科学院生物物理研究所孙飞教授团队围绕Class B G蛋白偶联受体开展结构生物学研究，希望从结构层面进一步理解肽类激素与受体的相互作用。2013年，我们关于胰高血糖素受体（GCGR）胞外结构域表达、纯化和初步表征的研究发表于Protein Expression and Purification，为后续结构研究建立了实验基础。
此后，是每一个创新药都必须走完的漫长链条：成药性评估，体外与体内概念验证，临床前候选化合物（PCC）的确立，工艺开发与制剂研究，从小试到中试再到商业化规模的放大，连接动物实验与人体研究的PK/PD和毒理桥接，首次人体试验，II期、III期临床确证，直至接受监管机构对药品质量、安全性、有效性及整体获益-风险的严格审评。
2025年1月，依苏帕格鲁肽α获中国国家药品监督管理局批准上市，用于治疗2型糖尿病。其在2型糖尿病患者中的群体药代动力学研究显示，在1-3 mg剂量范围内平均半衰期超过200小时（超重或肥胖患者中长达280小时），是目前已上市同类GLP-1受体激动剂中最长的；III期临床中，24周糖化血红蛋白（HbA1c）降幅最高达2.2%，胃肠道不良反应发生率更低。从原型分子见刊到患者手中的一张处方，这条路走了近二十年。
我讲这段经历，不是为了讲一个励志故事，而是想说清楚一件事：从0到1的药物研发中，最难被替代的原创环节之一，是对疾病和靶点生物学的深入认知，以及由此提出真正值得验证的科学假说。此后的许多环节，计算工具都可以越来越深入地参与其中：从早期的生物信息学，到计算机辅助药物设计（CADD），再到今天的AI辅助药物研发（AIDD）。
AI不是从天而降的新物种，它更像是药物研发工具演进线上的最新一环。工具一直在变，但真正的问题始终是：我们是否理解疾病、是否提出了正确的问题、是否能够用实验去验证答案。
"Garbage in, garbage out"：一条被AI放大的古老公理
计算机科学有一条古老的公理：Garbage in, garbage out，输入垃圾，输出垃圾。AI时代，这条公理不仅没有被废除，反而更加重要。一个能力强大的模型可以把不完整甚至错误的输入组织成非常流畅、看起来无懈可击的答案，因此，对输入数据和科学问题的质量要求反而更高。
这一点在制药领域尤其关键。药物研发的数据天然稀疏、异构，而且存在一个长期的"发表偏倚"：成功结果更容易进入论文和公共数据库，阴性结果和失败实验则大量留在实验记录中。因此，公开数据非常重要，但它并不等于药物研发真实世界的全部。
靶点发现更是如此。以我熟悉的内分泌代谢领域为例，激素的分泌与节律、激素对靶器官的作用机制、器官与器官之间、细胞与细胞之间的相互作用，共同构成高度动态的代谢调控网络。如果对这个网络缺乏深入认识，就不可能提出真正有价值的靶点假说。如果你给AI一个含糊的指令"帮我找一个代谢病的新靶点"，它会还给你一个漂亮的答案，但这个答案可能从一开始就偏离了疾病的真实生物学。在当下近乎"AI万能"的氛围里，我们需要一次静下心来的审视。AI可以帮助我们更快地寻找答案，但科学家首先要把问题问对。
泡沫不在技术，在认知
"泡沫"这个词，不是我们提出的。过去几年，AI制药既出现过令人兴奋的进展，也经历过项目终止和临床失败。早期一些被高度关注的AI设计候选药物在临床阶段停止开发；与此同时，AI发现和设计的Rentosertib在IIa期获得积极临床结果，并于2026年7月启动III期临床研究。
这些事实不应该被简单解读为"AI制药成功"或者"AI制药失败"。它们更像是在提醒我们：AI在靶点发现、分子生成和早期优化中的效率提升是真实的，但发现阶段更快，并不自动等于临床成功。
2024年一项针对AI原生Biotech临床管线的分析显示，AI发现分子在I期的成功率约为80%-90%，在II期约为40%；但作者也明确指出，II期样本量仍然有限。截至目前，我们仍缺乏足够长时间、足够大样本的证据，证明AI已经重写了从临床开发到最终获批的总体成功率。
所以，我所理解的"泡沫"并不在AI技术本身，技术进步是真实的；真正需要警惕的是认知错位。一类错位，是把"工具效率"误当成"发现能力"：AI确实可以加速分子生成与筛选，但加速不等于方向正确；另一类错位，是把"AI-driven"的叙事当成已经兑现的临床价值。
AI未必能够消除药物研发的试错，但它有机会减少低价值的试错。真正的评价标准，不是模型生成了多少分子，而是最终有多少分子经得起实验和临床验证。
我们的回答：用高质量"小数据"，让AI真正懂自己的药
因此，我们做AI的方式是"向内"的。我们并不排斥大模型和公开数据，相反，它们提供了AI能力的重要基础。但真正要让通用模型理解一家药企自己的融合蛋白、多肽以及具体疾病生物学，仅靠公共数据远远不够。
银诺近二十年的研发留下了大量一手湿实验数据和研发知识，其中不仅包括成功结果，也包括那些没有写进论文的阴性结果和失败实验。成功的数据告诉模型什么可能有效；失败的数据，则告诉模型什么不要再做。
这些数据的价值不在于"量大"，而在于它们与具体分子、具体实验条件、具体研发决策高度关联，且可以被持续追溯和验证。我们所说的"小数据"，不是为了否定大数据，而是强调高质量、企业专有、与真实研发问题紧密耦合的数据。
在此基础上，我们在内部部署计算能力，引入AI agent、蛋白质大模型、结构预测和生成式设计等工具，并让AI产生的设计尽快进入真实实验体系。实验结果无论成功还是失败，都回流计算体系，用于模型评价、参数校准、必要的微调、候选排序以及下一轮分子设计，逐步形成"设计—实验—数据—模型—再设计"的闭环。
GPU和模型是工具，数据是燃料，而实验闭环才是发动机。真正构成差异化的，不是拥有多少算力，而是可计算的数据、可验证的实验和可以持续迭代的模型能否连接在一起。这套闭环已经开始产出成果：一系列创新大分子、小分子实体，正走在从PCC到非临床确证、再到临床推进的路上。
结语：乐观，但把乐观建立在正确的地方
那么，"AI公司做药"会实现吗？我的答案依然是乐观的，但乐观必须建立在正确的地方。当公共大模型的基础能力与企业自身高质量数据、真实实验反馈和疾病生物学认知真正结合起来，AI将越来越深地参与新药发现，甚至承担过去只能依赖大量人工试错完成的工作。
但这应该是科学积累和研发闭环不断成熟的结果，而不是融资叙事的前提。在从马车到汽车的变革拐点上，我们不怀疑汽车会赢；我们只是坚持，方向盘需要由真正理解疾病、理解药物、也尊重实验验证的人来掌握。
近二十年走完一个0到1，我们学到的最重要的一课是敬畏：敬畏生物学，敬畏数据，也敬畏时间。而这三样东西，恰恰是对抗泡沫最好的解药。
参考文献
1. Wang Q, Brubaker PL. Glucagon-like peptide-1 treatment delays the onset of diabetes in 8 week-old db/db mice. Diabetologia. 2002;45(9):1263-1273. doi:10.1007/s00125-002-0893-5.
2. Kumar M, Huang Y, Glinka Y, Prud'homme GJ, Wang Q. Gene therapy of diabetes using a novel GLP-1/IgG1-Fc fusion construct normalizes glucose levels in db/db mice. Gene Ther. 2007;14(2):162-172.
3. Soltani N, Kumar M, Glinka Y, Prud'homme GJ, Wang Q. In vivo expression of GLP-1/IgG-Fc fusion protein enhances beta cell mass and protects against streptozotocin-induced diabetes. Gene Ther. 2007;14(12):981-988.
4. Wu L, Zhai Y, Lu J, Wang Q, Sun F. Expression, purification and preliminary characterization of glucagon receptor extracellular domain. Protein Expr Purif. 2013;89(2):232-240. doi:10.1016/j.pep.2013.04.004.
5. Lou YR, Xu YL, Xiong Y, Deng C, Wang Q. Population Pharmacokinetics of Efsubaglutide Alfa in Healthy Subjects and Subjects with Type 2 Diabetes. Clin Pharmacokinet. 2025;64(4):533-552. doi:10.1007/s40262-025-01475-7.
6. Zhu D, Ma J, Wang W, et al. Efficacy and safety of efsubaglutide alfa in individuals with type 2 diabetes (SUPER1): a randomised, double-blind, placebo-controlled, Phase IIb/III trial. Diabetologia. 2026;69(6):1494-1507. doi:10.1007/s00125-025-06593-2.
7. Jayatunga MKP, Ayers M, Bruens L, Jayanth D, Meier C. How successful are AI-discovered drugs in clinical trials? A first analysis and emerging lessons. Drug Discov Today. 2024;29(6):104009. doi:10.1016/j.drudis.2024.104009.
8. Bender A, Thomas MC, Scannell JW, et al. Artificial intelligence in drug discovery—what it is, where we stand and the path forward. Nat Rev Drug Discov. Published online August 7, 2026. doi:10.1038/s41573-026-01496-2.
9. Insilico Medicine. Insilico Initiates Phase III Clinical Trial for Rentosertib, Its AI-Empowered TNIK Inhibitor for Idiopathic Pulmonary Fibrosis. July 7, 2026.