从新靶点探索、小分子设计到已有药物的新用途开发，AI 正在参与越来越多的研究项目。
在 SWITCH 2026 期间晶泰科技举办的 “AI for Science: From Prediction to Discovery” 主题研讨会上，晶泰科技联合创始人兼首席创新官赖力鹏博士指出，随着项目向后续阶段推进，“最重要的是，你能以多快的速度验证 AI 生成的想法和设计。”
“AI 药物发现正在从‘ AI 预测’走向‘ AI 原生’”。赖力鹏博士认为。所谓 AI 预测是指 AI 给出答案，人去验证；而 AI 原生，是指整个研发体系围绕 AI 重建，让验证、数据、新认识都能回到模型里。
晶泰科技联合创始人兼首席创新官赖力鹏博士
数据不会从算力里长出来，只能从实验中来
AI 参与的药物发现从数量上看在快速爆发，中国正在成为全球创新的重要源头。L.E.K. Consulting 亚太区负责人 Stephen Sunderland 在分享中指出，AI 深度参与的药物资产已超过 160 个，其中 79 个来自亚洲、61 个来自中国。
项目数量快速增长的同时，药物研发的老问题并没有改变。人类平均寿命已接近 80 岁，新药研发的投入产出比却在持续下滑，临床转化成功率仍不到 10%。
AI 本该改变这条曲线。在代码、数学等纯数字领域，AI 已经能自己提方案、自己运行、自己检查，闭环是完整的。在生命科学领域，闭环在物理世界出现中断。分子能不能合成、有没有活性，必须做实验来验证。
赖力鹏博士用 token 消耗量来比较不同环节的效率。数字世界和物理世界之间，消耗量差了好几个数量级；而夹在中间的人，输入输出速度大约只有每秒 3 到 5 个 token。如果设计与实验之间仍依赖大量人工安排，AI 的探索能力就难以充分释放。
所以他提出，AI for Science 的关键，是减少闭环中不必要的人工参与，让 AI 生成的方案更快进入验证环节。
这样的验证能力，正在成为越来越多项目的共同需求。行业已经走过“证明 AI 技术可行”的阶段，当前要把 AI 参与的药物管线推向后期开发，用安全性和有效性接受检验，而瓶颈在于高质量湿实验数据的匮乏。
“你不能只靠 token 化来解决它。”数据不会自己从算力里长出来，只能从实验里来。
AI 原生让验证的速度追上设计
历史数据能够支持模型学习，但面向新的研究问题，还需要建立持续生成高质量数据的能力，让每一轮实验获得的信息，都能改变下一轮研究的判断。
如今晶泰科技在深圳、上海建成了大型自动化实验室。研究人员可以通过智能体用自然语言提出实验需求，系统将其转化为设备能够执行的操作指令，完成相应实验。
AI 设计、虚拟筛选、自动化合成、生物测试，实验数据再回流，驱动下一轮分子设计。与传统模式相比，AI 设计的验证周期大幅压缩。
这套方法并不限于一种分子类型。赖力鹏博士介绍，它已覆盖小分子、抗体、多肽、核酸等研发流程。
以 siRNA 药物研发为例，晶泰科技资深科学家张宏根博士分享，依托 Kodexia™ 平台，团队将序列设计与化学修饰、实验评价及专利筛查结合，首个 siRNA 项目从立项到确认临床前候选分子（PCC）仅用时九个月。
晶泰科技多肽平台负责人张根卫博士则分享了 PepiX™ 平台上的做法。AI 借助自建的超 2000 种非天然氨基酸库从头设计全新序列，自动化体系负责合成建库与湿实验筛选，结果反馈模型。目前苗头化合物的发现缩短到 1-2 个月，先导优化缩短到 2-3 个月。
有了验证速度，才有源源不断的高质量新数据。有了新数据，模型才有东西可学。
AI 原生的逻辑，在材料领域同样成立。华聚材智联合创始人李凌宇博士提到，高分子材料研发长期依赖专家经验，这些经验在专家个人身上，难以转移。“但对 AI 来说，它是一个可以搬运的大脑。”模型与实验结合，原本依赖个人积累的经验得以复用，并在新的研发任务中持续更新。如今这套系统每天可完成 20 组以上实验，效率约为人工的 10 倍。
从“设计得更好”到“理解得更深”
当设计与验证的效率逐步提升，更深层的问题随之而来。我们对生物学的理解，是否足以支撑更有效的治疗？
赖力鹏博士在演讲中指出，生物系统本身的复杂性，仍然是药物研发和临床转化面临的重要挑战。更高效地找到候选分子之后，研究者还需要理解它将如何影响细胞、作用于疾病过程，以及为什么某些干预有效、另一些无效。
所以更关键的是让 AI 参与“理解生物”。晶泰科技孵化的无界进化正在做这件事。
无界进化联合创始人赵亚龙博士分享，团队围绕单细胞等数据开展模型研究，把细胞培养、单细胞处理和测序流程自动化，研究者得以在持续反馈中探索疾病机制、潜在靶点与生物标志物。整个流程既帮助团队筛选方案，也有机会揭示此前没有被充分理解的生物学现象。
谈到前景，赖力鹏博士表达了乐观 “考虑到数据和 AI 模型的进展，我认为未来三到五年，我们有可能在理解疾病进程、设计新药解决真正复杂的疾病上，取得巨大进展。”
让发现能力从一个实验室走向更多研究者
要让这样的研究方式在更大范围内运转，还需要解决实验室之间如何连接、研究能力如何共享的问题。
赖力鹏博士在演讲中借用了互联网 TCP/IP 协议的例子，提出生命科学领域对通用实验协议的需求。今天，不同实验室的设备、流程和操作规范各不相同。更统一的协议，有望让研究指令更容易被机器执行，让协作更加顺畅，也为自动化能力的向外扩展创造条件。
这种连接，在他看来需要更广泛的开放合作。“我们认为，消除所有疾病这一目标，无法由一家公司独自实现。”
他希望通过分享 AI 研究成果、开放代码与合作研究，让更多研究者参与探索，促进数据、工具与知识的交流。从一个分子到一套体系，从 AI 预测到 AI 原生。当验证追上设计，数据回到模型，从预测到发现的路，正在变短。
