如果你去配钥匙，师傅根据锁孔结构，花了好多功夫在电脑上画了一把理论上能够开你锁的钥匙。

当然，图纸画得再好，齿形图再精准，会不会有毛刺、误差、弯折，不真做出来大概就不可能知道。

只有把这图纸上的钥匙真做出来，在锁里试下，才知道它到底能不能用；就算打不开，也能调整，再改、再试。

为什么聊这些？

AI制药，大家都不陌生，但是干实验、湿实验，又是什么呢？道理和这个配钥匙的事，多少还是有些相似的。

“干实验。”

先看AI在药物发现里干的啥。

传统的新药发现，大致是先确定一个靶点，然后从海量化合物库里筛选出能和这个靶点结合的苗头分子，再把苗头分子优化成更稳定、更有效的先导化合物，最后确定一个可以进入动物实验和人体试验的候选药物，也就是PCC。

每一步都需要合成大量分子、做大量实验。Nature Reviews发表过一组行业统计数据，这三个环节的传统平均资本化支出（含行业失败管线分摊）分别是94、166和414百万美元。

AI的介入方式，是在计算机里先算一遍（是不是有点像开篇的画图纸？）。用算法预测哪些分子可能有效、哪些容易被人体代谢掉，把明显不行的提前淘汰掉，只留下少数几个最有希望的再拿去做真实实验。

所以，这样看来，AI在“干实验”，也就是计算和模拟。它在这个环节的能力，确实已经比较强了。

“为啥需要湿实验？”

AI算出来的东西，最终须拿到真实的生物体系里去验证。是否合适，计算模型给不出确定答案，必须做实验。

湿实验，相对于计算机里的干实验，湿实验是在试管、培养皿、动物模型中进行的真实生物学实验。

问题在于，AI设计分子的速度，远远超过了湿实验验证的速度。AI可以很快生成上万个候选分子，现有实验室一轮往往只能测几十个到几百个。设计的速度正在显著超过验证的速度。

这就有了一个看似矛盾的结果，AI把前端的设计成本压到了近乎为零，但后端验证环节的压力反而更大了。即便是候选分子的筛选效率提升一百倍，但如果验证通量只提升了一倍，最终的整体加速效果还是不明显。

一项2026年针对正在使用AI开展药物研究的从业者的行业调查也印证了这个判断，约44%的受访科学家表示，过去两年他们感受到的主要研发瓶颈，已经转移到了下游，物理实验和数据采集环节。AI把思考的问题解决了一部分，但动手的问题反而更突出。

“Anthropic的实验室。”

在这样的背景下，9月，Anthropic被报道出正着手建设湿实验室，用于开展生物学研究。

有媒体分析指出，该实验室现阶段主要重点放在基础生物学研究，而非直接推进自研药物管线，这一定位也被业内解读为有助于减少与其制药行业客户的直接竞争。

这个定位本身就有信息量。它说明，即使是像Anthropic这样拥有顶尖大模型能力的公司，切入生物实验领域时也选择了相对谨慎的路径，先积累对真实生物过程的理解、获取一手实验数据，而非直接宣称要用AI造药。

从行业整体来看，提升湿实验通量已经成为行业竞争的重要方向，多家机构正在加速布局自动化实验平台。

这些动作背后有着共同的产业逻辑，行业正试图依靠自动化手段拉高湿实验的验证通量，让真实实验的节奏尽可能跟上AI分子设计的速度。

“实验室解决不了的问题。”

补齐一个湿实验室，离研发闭环还有多远？

应该说，这实验室是必要的，但远远不够。

干湿闭环的核心难点，不只是有没有实验室，而是数据能不能以足够快的速度、足够高的质量回流到模型里。这涉及几个层面的问题。

比如通量匹配。一个实验室即使配备了自动化设备，它的实验通量也是有上限的。AI模型可以在几小时内生成数万个候选分子，但实验验证的通量提升是物理性的、渐进的，不可能一夜之间实现数量级的飞跃。

还比如数据质量。湿实验产生的数据，如果实验条件不统一、记录方式不一致，AI模型很难有效利用。

还有转化问题。即使湿实验验证了一个分子在细胞层面有效，它能否在人体内有效，仍然是另一个巨大的不确定问题。从计算预测到真实生物学结果之间的转化，仍然是一个没有被充分解决的行业难题。

“临床试验。”

这才是真正的检验场。

干湿闭环解决的只是临床前阶段的问题。但一款药能不能最终开卖，终极考验落在临床试验。

从目前已公开的集群观察来看，AI制药在临床试验早期阶段展现出一定优势。多项行业汇总分析显示，由AI参与发现的分子，I期临床试验的通过率约在80%‑90%，而行业历史平均水平大约为40%‑65%。

但到了检验疗效的II期，差异就被抹平了。现有可追踪样本显示，AI发现分子的II期成功率大约在40%，和行业历史基线大致持平，暂未观察到统计学层面的显著优势。II期考验的不再只是安不安全，而是在真实患者身上能不能真正干预疾病、产生临床获益。

这个反差也指向一个鸿沟，当前AI更擅长设计出一个理化性质、靶点结合看上去像药的分子；但在复杂的人体内真正起效，还要面对疾病异质性、人体代谢网络、免疫调控等海量尚未被完全解码的生物学机制，这些都是现有计算模型还无法完整模拟的。

“写在最后。”

所以，补齐一个湿实验室，是AI制药走向闭环的必要一步，但它解决的是有没有真实实验能力的问题，不是干湿能否高效协同的问题，更不是药物能否在人体内起效的问题。

Anthropic选择从基础生物学研究入手而不是直接做药，或许本身就是一种务实的判断。干湿闭环的打通，需要的不是单个实验室的落成，而是一整套基础设施的成熟。

当前，这条路，比在电脑里算出一个分子要长得多，也难得多。

至于离闭环还有多远，可能没有人能给出一个确切的时间。但可以确定的是，光有实验室不够，光有算法也不够。两者之间那条让数据顺畅流动、让验证跟上设计的通路，才是真正需要被补齐的东西。

参考资料：
澎湃新闻.AI介入真实生物试验！Anthropic被曝设立“湿实验室”，影响有多大？.2026年9月20日.