AI制药的真正瓶颈，不是模型。

8月6日，BPD 2026期间，天鹜科技「AI赋能创新药研发与应用实践」专题论坛在上海张江科学会堂举办，现场座无虚席。

“精准小数据，远胜模糊大数据”；“不是彩票式颠覆，而是源源不断的小惊喜”——这些判断贯穿了整场讨论。当晓鹜™已打通从蛋白质设计到自动化实验的全链路，行业的注意力正在从算法迭代，转向数据质量与干湿闭环这类更基础但也更紧迫的问题。

技术天团，开麦！

天鹜科技 AI Lab 技术科学家谭扬率先登台分享，主题围绕《MatwingsVenus™（晓鹜™）赋能蛋白质研发创新实践》进行展开。报告开篇，谭扬以“最理想的蛋白质AI模型是一把瑞士军刀”为切入点，剖析行业现存痛点：当前蛋白质AI模型功能单一、传统AI工具难以支撑完整的研发闭环。

作为MatwingsVenus™（晓鹜™）智能体核心开发者，谭扬从蛋白质模型底层技术出发，详细讲解晓鹜™智能体区别于传统单点AI工具的核心优势：该平台突破了"从序列直达功能"和"自然语言驱动实验"两大技术边界，具备从AI设计到自动化实验执行的全链路能力——真正实现“不止看懂，更能设计；不止回答，更在执行”，为蛋白质研发注入从0到1再到N的持续创新动能。

天鹜科技 AI Lab 技术科学家谭扬

天鹜科技AI+创新药研发负责人李松以《大模型与多智能体助力创新药研发与进展》为主题带来分享，系统阐述了AI大模型与多智能体技术在蛋白质结构预测、蛋白质从头设计、蛋白质定向进化系统三大核心方向的前沿应用。

“传统蛋白设计需要人类专家将多个工具串联，而LLM agent正将这一过程自动化、智能化。”李松一针见血地指出技术跃迁的本质。在此基础上，他全面展示了公司AI蛋白质设计平台在从头设计、定向进化、蛋白发现领域的硬核能力，并辅以多个真实落地案例，生动呈现AI蛋白质设计如何深度贯穿创新药研发的各个环节——从靶点发现到候选分子优化，从理性设计到实验验证，每一步都因智能体协同而变得更高效、更精准、更可及。

天鹜科技AI+创新药研发负责人李松

生鹜医药研发高级副总裁盖云超围绕《AI驱动的蛋白设计：重塑基因治疗的未来》展开分享，深入探讨AI驱动的蛋白设计如何突破传统限制，针对性解决基因治疗领域在递送效率、特异性、免疫原性以及基因编辑效率、药物成本等方面的关键瓶颈。

他指出AI蛋白设计已经实现从“发现”到“创造”的研发范式跃迁——这不仅是技术工具的升级，更是支撑下一代基因治疗的产业新基建。它正在将实验室中的概念验证，加速推向可规模化的商业化临床路径。但他同时提醒，技术转化之路依然充满现实挑战，从数据壁垒到闭环构建，从工艺放大到监管适配，每一步都考验着行业的耐心与智慧。唯有将AI蛋白设计作为核心战略能力牢牢握在手中，才能在基因治疗这一黄金赛道上抢占先机，引领未来。

生鹜医药研发高级副总裁盖云超

AI不是彩票，是“源源不断的小惊喜”

主题报告后，论坛进入圆桌讨论环节。本次圆桌以“AI如何重塑创新药研发的关键环节与产业未来”为主题，由生鹜科技CSO段清主持，邀请复宏汉霖AIDD负责人杨馨怡、百英生物高级副总裁史雷、启明创投副总裁黄硕、上海爱科百发VP、苏州爱科百发总经理吕贺军以及天鹜科技AI Lab技术科学家谭扬，围绕“AI将如何重塑创新药研发的关键环节”、“AI赋能创新药研发如何从技术验证走向真实落地”、“AI创新药研发的产业格局与未来趋势将走向何方”三大核心议题展开深度探讨：

生鹜医药CSO段清以行业痛点开题，直指新药研发效率与成功率的核心制约。他抛出的两个问题颇具张力：AI究竟是给既有流程提速，还是能突破人力的认知边界？而落地时，真正的门槛又在哪里——是数据质量、模型可靠性，还是实验验证与协同能力？

生鹜医药CSO段清

复宏汉霖AIDD负责人杨馨怡分享AI在分子筛选、分子优化场景优势突出，既可以加速原有研发流程，还能拓展更大化学空间，生成人类经验很难想到的分子；但在靶点发现、临床环节仍受验证周期与高昂试错成本制约，落地难度较大。她提醒行业“不必寄望 AI 带来彩票式颠覆性大惊喜，更多是源源不断的小惊喜。”新药研发全链条层层存在失效风险，AI 更适合聚焦目标清晰的单点任务实现赋能，现阶段尚无法实现端到端全自动新药研发。

复宏汉霖AIDD负责人杨馨怡

百英生物高级副总裁史雷深耕抗体早期发现领域多年，他指出，当前AI在抗体筛选、分子优化环节落地成熟，可显著提速研发进程，但新药研发AI应用的核心瓶颈是在上游靶点确立与立项阶段。相较于逻辑、路径清晰的数理领域，生物学体系复杂且存在大量未知领域，让AI在靶点发现、临床转化场景存在明显能力短板，也正因未知领域的探索需求，科研人员更愿意借助AI工具赋能实验。

百英生物高级副总裁史雷

启明创投副总裁黄硕从投资人视角结合大量创新药项目研判指出，源头 First-in-class 创新受研究体系割裂、验证成本高制约，真正跑通的项目寥寥无几。行业普遍规避源头风险，扎堆 Best-in-class分子优化赛道，内卷之下进一步放大AI工具价值。她纠正行业一大数据误区：“很多人幻想拿到大药厂海量历史内部数据就可以训练好AI。但是药企历史实验是为验证自家项目设计，并不是为AI训练服务，实际训练价值可能并没有想象中那么高。”相较于单纯追求数据体量与质量，贴合AI训练需求、全新设计实验产出专属数据集，才是更高效的路径。

启明创投副总裁黄硕

上海爱科百发VP、苏州爱科百发总经理吕贺军基于行业实践与调研成果表示，AI制药产业化落地并非单一环节问题，而是受数据质量与可及性、模型可靠性、干湿闭环实验验证、跨学科协同四大要素相互制约、耦合影响。他表示，数据层面的短板已是当前AI制药项目失利的首要因素，而AI模型黑箱难题也成为行业核心监管痛点。同时他强调，AI模型的性能上限完全取决于训练数据质量，即便模型算法表现优异，若缺少完善的实验验证体系支撑，研发落地也难以推进，正如他所言：“模型输出再好，但实验验证跟不上，就好比车子一个轮子是圆的，另一个轮子是方的，车子同样跑不快。”

上海爱科百发VP、苏州爱科百发总经理吕贺军

天鹜科技AI Lab技术科学家谭扬指出，AI赋能新药研发的核心价值在于加速发现人类认知之外的全新路径。当前传统研发手段可覆盖的行业低垂红利已基本耗尽，而AI虽存在可解释性弱的短板，但只要输出结果经实验验证有效，即可落地产生价值。针对AI制药行业普遍面临的落地困境，谭扬直指核心症结在于数据建设，他强调精准度远重于数据体量，“脏数据灌得再多，模型也只会在错误的方向越跑越远；精准小数据，远胜模糊大数据。”对此他提出务实的落地思路，通过拆解细分、界定清晰的小边界任务，杜绝研发断点，先保障数据精准度再积累数据体量，依托精准高质量数据集打磨模型，也是适配AI制药干湿闭环落地的核心关键。

天鹜科技AI Lab技术科学家谭扬

活动的最后，段清综合嘉宾观点道：创新药研发瓶颈源于科学认知的深度和广度不足，但AI并非没有用武之地，在分子筛选优化这类短周期、规则清晰的任务中，它已展现出确定性的价值——不仅能大幅加速，还能跳出经验框架，给出反直觉的解决方案。不过，段清也强调，落地必须正视数据质量参差的现实；未来更应围绕模型需求，定向生成高质量、标准化的实验数据，而非一味迷信存量历史数据。这样的路径，或许才是AI真正撬动研发变革的支点。

整场论坛下来，一个共识悄悄浮出水面：AI在创新药领域既不是万能神药，也不是泡沫噱头，它更像一把正在被反复打磨的钥匙——能不能打开新药的大门，取决于数据这块“坯料”够不够纯，也取决于我们是否愿意放下对“一键搞定”的幻想，耐心地一圈一圈锉出齿痕。

散场时，午后的阳光正斜斜地铺满落地窗，明晃晃的，把每个人脸上那种“还没聊够”的兴奋照得清清楚楚。或许，这场论坛最动人的不是那些酷炫的技术名词，而是所有人眼里都带着同一种笃定——这条路很难，但值得走；AI不会代替我们造出明天的药，但它正在帮我们少踩几个昨天的坑。剩下的，交给时间，和下一轮实验。