新药研发素来有“十年、十亿美元”的说法，卡点就在湿实验周期长、失败率高。生成式AI进入生物医药之后，业界开始试着用算法替掉一部分实验环节。Potential Sciences就是这条路上走得比较激进的一家英国初创公司。
从“湿实验”到“干计算”
据WIRED报道，这家英国初创公司正在试一种争议不小的药物发现方法：真实生化实验不再作为唯一依赖，先用计算机生成大量模拟生化数据，拿这些数据去训练人工智能模型，让模型掌握分子与生物靶点之间如何相互作用。背后的核心假设是，只要虚拟数据跟真实世界的化学与生物学规律足够接近，AI就能在进实验室之前把大量筛选做完，药物发现早期阶段的时间因此大幅缩短。
传统药物研发一般要经过靶点确认、化合物筛选、先导化合物优化、临床前研究以及多期临床试验。光临床前阶段就可能耗上好几年，失败率还极高。Potential Sciences想的是把一部分筛选和优化工作“前移”到计算环境里，实验室只用来验证最有希望的候选分子，不必在成千上万个化合物里盲目试错。
英国政府背书的激进赌注
报道提到，Potential Sciences拿到了英国政府的支持。这个背景有它的意味：英国这几年在生命科学与AI交叉领域投得比较积极，想用公共资金带动私营部门创新，稳住自己在生物技术领域的地位。对政府来说，支持这类公司不只是押注一家初创企业，也是在试探一条可能压低整个医药行业研发成本的技术路线。
不过，这条路线并非没有争议。计算机生成的生化数据够不够可靠，是整个方法能不能成立的前提。真实生物系统极其复杂，分子在体内的行为受吸收、分布、代谢、排泄等多重因素影响，虚拟数据很难把这些细节完全复现出来。训练数据一旦与真实世界存在系统性偏差，AI模型就可能学到错误的规律，后续实验验证阶段会出现大量失败。
AI制药的行业背景
Potential Sciences并非孤例。这几年全球已有多家AI制药公司尝试用机器学习加速药物发现，部分候选药物已经进入临床试验阶段。行业里普遍的看法是，AI在化合物筛选、蛋白质结构预测、药物重定位等环节潜力明显，但“端到端”替代实验还远得很。多数公司走的是“AI辅助+实验验证”的混合模式，没有完全跳过实验室工作。
Potential Sciences的特别之处，是把“计算机生成数据”当作训练基础，而不只是依赖公开的实验数据库。这既可能带来数据规模和多样性上的优势，也可能引入真实性风险。虚拟数据的规模效应和真实数据的可靠性之间怎么平衡，是这家公司必须回答的关键问题。
“如果虚拟数据足够接近真实世界的化学与生物学规律，AI就能在进入实验室之前完成大量筛选工作。”——这个假设能否成立，将决定该公司的技术路线是否可行。
分析：效率诱惑与验证难题
从行业角度看，Potential Sciences的方向踩中了药物研发对效率的迫切需求。制药行业长期困在“反摩尔定律”式的困境里：研发投入不断增加，获批新药数量却增长缓慢。任何能压缩早期筛选成本的技术，商业吸引力都很大。
但监管与科学界的审慎态度同样不能忽视。药品审批建立在真实实验数据之上，虚拟数据目前很难直接作为监管提交的依据。也就是说，AI模型在虚拟环境里表现再好，最终仍要过真实实验和临床试验这一关。对Potential Sciences而言，真正的考验不是能不能生成漂亮的数据，而是其AI筛选出的候选分子能不能在实验室和临床中兑现承诺。
另外，计算机生成数据的伦理与质量问题也值得关注。生成模型本身存在偏差的话，可能把错误假设放大，研发资源被误导。行业需要建立对合成数据的评估标准，确保用于训练时不会损害模型的可靠性。
结语
Potential Sciences走的是一条更激进的路：AI不光分析已有数据，还拿来造数据、喂出更强的AI。这条路要是走通了，药物发现的成本结构或许会明显变样；要是走不通，也算再给行业提个醒——生物学的复杂程度，不是靠堆算力就能轻易绕过去的。这场实验最终会怎样，都值得接着看。
