湿实验瓶颈：AI制药从模型到药物的关键缺口

前几天刷到一组数字，愣了半天：2026年前三季度AI制药融资157.65亿元，比2023到2025三年加起来还多。可同期进入临床的AI候选分子，最终获批比例约10%——跟传统新药研发的成功率差不多。钱翻了几倍，成功率没动。

我第一反应是模型还是不行。但越看越觉得不对。AI在文献整理、分子生成这些环节确实快，可这些能力不构成壁垒。文献里的实验结果互相矛盾、口径不一，拿公开数据训出来的分子，很可能连实验台都上不去。

所以真正的墙在湿实验。

几个信号挺说明问题。Anthropic在2025年9月跑到湾区自己建了生物湿实验室；礼来推出TuneLab平台，签供应商补齐湿实验环节。最让我印象深的是诺和诺德泄露的文件——它专有的生物化学训练数据大约只有407MB。这个体量小得有点出人意料，高质量实验数据稀缺到什么程度，一下就具体了。

头部玩家已经在跑干湿闭环。晶泰控股三百多台自动化工作站，把原来三到四周的实验迭代压到六天，单周自主推进上万次实验，每月沉淀二十多万条反应数据，其中八成是文献里查不到的失败负样本。看到“八成是失败的”这句，我反而踏实——真正值钱的从来不是漂亮结果。

但湿实验有个绕不过去的物理天花板。Recursion的自动化系统每周能跑220万次实验，可功能性筛选还得靠人，一天约300个样本。这个落差，靠堆算力填不上。AI可以狂奔，实验室只能积累。

再往后看，BCG的数据挺冷静：AI设计药物一期成功率超80%，二期约40%，跟行业均值没差别。模型擅长找到能进临床的分子，还没证明能找到能上市的药。

所以我现在的态度是，别急着信管线故事。2027到2029年第一批AI原生管线集中出临床数据，那才是这个赛道的成年礼。在那之前，我会盯三件事：平台公司的客户复购率、里程碑收入有没有实际到账、湿实验订单增长的质量。

融资热不等于药做出来了，实验室比PPT诚实得多。