新药研发被称作“生物界的登月工程”，核心难点正在于全程充斥的海量不确定性。从靶点验证、分子筛选到成药优化，研发者需要在近乎无限的化学空间与生物变量中，寻找万分之一的成药概率。

传统模式依赖科学家经验积累与反复试错，用数十亿美金、十余年时间换取确定性；而当人工智能的算力与算法渗透进这个领域，一场消解不确定性的范式革命，正在悄然重构行业的底层逻辑。

2026年7月正式成立的艾斐智药（AIPher），正是这场革命中极具代表性的新生力量。

这家脱胎于清华大学智能产业研究院兰艳艳团队的初创公司，成立仅月余便完成亿元天使轮融资。其核心技术DrugCLIP以登顶《Science》的突破性成果，将虚拟筛选效率提升百万倍，更对标国际标杆Isomorphic Labs，打造“AI native（AI 原生）”研发路线，试图从底层重新定义药物研发的完整路径。

当多数AI制药公司还在以单点工具切入传统研发流程时，艾斐智药为什么选择了更难走的原生路线？其技术壁垒究竟在哪里？AI原生的药物研发，又会给行业带来怎样的改变？动脉网与艾斐智药核心人员高博文博士进行了深度对话，试图找到这些问题的答案。

在AI制药赛道，创始人背景往往决定了公司的基因与路径选择。

高博文的职业路径，本身就是一个跨领域融合的样本：从计算机科班出身，到互联网大厂推荐算法专家，再到AI for Science研究者，最终成为AI制药创业者，每一次转向都藏着对技术价值的深层思考。

高博文本科就读于加拿大多伦多大学计算机系，本科时期系统接触了机器学习领域；硕士阶段他进入加州理工学院，这所以基础科学见长的院校拥有大量生物、化学领域的诺贝尔奖得主，交叉学科的研究氛围让他开始关注AI在科学领域的应用潜力。

“我意识到AI除了应用在互联网、图像等传统场景，还能真正帮助人们解决基础科学问题，甚至改变一个领域的研究范式。” 他回忆道。

硕士毕业后，高博文回国加入字节跳动，参与抖音、头条、TikTok等产品的推荐广告算法模型迭代。这段经历让他积累了大规模机器学习系统的工程化经验，也为后来跨界埋下了伏笔。

2021年底，AlphaFold2爆发，让高博文第一次直观感受到AI对生命科学的颠覆性力量。彼时清华大学智能产业研究院正组建AI for drug discovery团队，高博文随之加入，正式踏入药物研发领域。

一个极具启发性的发现，成为他快速切入赛道的支点：大规模药物虚拟筛选的底层逻辑，和推荐系统存在相同之处。

高博文坦言，“推荐系统是从海量视频、内容里快速匹配用户的兴趣，而虚拟筛选是从海量化学分子中找到能和靶点结合的分子，本质上都是海量候选集与目标特征的匹配问题。我把做推荐系统时积累的大规模检索、匹配的思路迁移到药物筛选场景，很快就取得了不错的效果。”

彼时，兰艳艳教授团队已经在AI药物研发领域积累了深厚成果：2022年起，团队陆续在NeurIPS、ICML、ICLR等顶尖AI会议及Nature、Science等顶级期刊发表30余篇论文，在蛋白结构预测、虚拟筛选、分子性质预测等多个方向做到全球领先。

但团队并不满足于纸面的科研突破。“我们发了很多AI论文，但一直想验证AI能不能真正解决药物研发的实际问题。”高博文说。

这种思考最终指向了一个大胆的方向：创办一家AI原生的制药公司，把AI放在研发体系的核心，而不是在传统流程里做局部优化。这正是艾斐智药的起点，对标Isomorphic Labs的“AI first”路线，走中国的AI native药物研发道路。

在团队搭建上，艾斐智药拒绝“AI团队算、药化团队做”的流水线模式，组建了深度交叉的团队：AI算法团队来自清华智能产业研究院，生物学团队来自清华大学生命学院结构生物学方向，药化团队拥有十多年创新药研发经验，还有产业资深人士负责管线推进。

高博文表示，“大家从项目第一天就紧密配合，共同讨论决策，而不是把结果层层传递。只有这样，才能真正跑出AI原生的路径。”

虚拟筛选是AI制药最早落地，也是竞争最激烈的赛道之一。

但行业长期面临一个核心矛盾：传统分子对接基于逐对计算，筛选规模与计算成本线性相关，当化学空间扩展到十亿、百亿级时，时间与算力成本会高到无法承受。AlphaFold带来的蛋白结构爆炸，进一步放大了这种矛盾——人类首次拥有了上万个人类蛋白的预测结构，却缺乏高效的工具去挖掘这些结构的成药潜力。

DrugCLIP的出现，从底层逻辑上改写了这个规则。

高博文用一句话概括了DrugCLIP的核心突破，“我们不是把逐对计算做得更快，而是把计算问题变成了检索问题。”

其采用双塔对比学习架构，分别设置蛋白口袋编码器与小分子编码器，将两者映射到同一个高维化学空间中。在对比学习的训练范式下，能够相互结合的蛋白与小分子会在空间中被拉近，不匹配的组合则被推远。

这种架构带来的最直接改变，是筛选效率的数量级跃升。所有候选分子的空间坐标都可以提前计算并建立索引，当新的靶点蛋白进入系统时，无需再和海量分子逐一进行对接计算，只需定位其在高维空间中的位置，就近检索即可得到候选分子。

艾斐智药数据显示，DrugCLIP可在1分钟内完成千亿规模分子的筛选，速度比传统对接工具提升百万倍，真正让基因组级别的虚拟筛选成为可能。

速度之外，准确率是更核心的考验。团队采用“合成数据+真实数据+实验反馈”的三级训练体系：从蛋白结构中挖掘氨基酸片段作为“类小分子”构造合成数据，大幅扩充训练集规模；用公开的蛋白-配体结合数据做针对性训练；再通过真实实验产生的私有数据做干湿闭环微调。最终，DrugCLIP在多个靶点上实现了10%-20%的实验命中率，最高可达80%。仅通过一轮筛选，无需进一步结构优化，就能找到亲和力达到亚纳摩尔乃至皮摩尔级别的分子。

针对行业普遍存在的AlphaFold结构适配难题，DrugCLIP也给出了解法。AlphaFold 预测的蛋白质结构，其潜在药物结合口袋与真实结合时的状态可能存在差异，口袋的位置和边界也不易准确确定，影响虚拟筛选的效果。团队通过配套的 GenPack 方法优化口袋结构，并结合 DrugCLIP 开展筛选，提升了预测结构上的筛选表现，让海量 AlphaFold 结构更好地服务于早期药物发现。

在此基础上，团队进一步向更精细化的排序能力突破。小分子领域存在著名的“活性悬崖”现象：结构高度相似的分子，与靶点的结合能可能相差数个数量级。传统欧氏空间表征只有距离维度，很难建模这种差异；而艾斐智药推出的双曲空间结合能预测模型，利用双曲空间的角度维度刻画分子的细微构象差异，精排能力接近自由能微扰（FEP）这一行业金标准，但速度快出数个数量级。

目前，艾斐智药已构建了从粗筛到精排的完整技术矩阵。学术与国际竞赛的成果已验证了其技术的突破性：DrugCLIP相关成果发表于《Science》正刊；在由SGC主导、阿斯利康、拜耳、辉瑞等联合支持的CACHE Challenge国际盲测中，艾斐智药的候选分子成为全场唯一一个获得SPR、FP、MST三重实验一致验证的High Confidence命中。

“DrugCLIP真正的价值，是把药物发现的探索边界从百万级分子库，拓展到了千亿甚至万亿级的化学空间。”在高博文看来，当筛选不再是瓶颈，研发人员可以同时探索数十个靶点、尝试更多全新的化学骨架，药物发现的想象力被彻底释放了。

当单点工具的效率瓶颈被逐步打破，AI制药的下一个战场，正在转向研发决策。

行业的现状是，多数AI制药公司的产品形态仍是“工具箱”：结构预测、虚拟筛选、分子生成、性质预测、分子优化，每个工具对应一个单点任务。但在真实研发场景中，什么时候该用什么工具、工具输出的结果意味着什么、下一步应该优先做什么实验、如何在活性、选择性、安全性等多目标间权衡……这些核心决策依然高度依赖资深科学家的个人经验。

“真实的药物研发不是一系列孤立预测任务的叠加，而是一个连续的探索、决策、验证与学习进化的过程。”高博文坦言，单点工具的效率提升终究有上限，而决策效率的提升才是真正决定研发成败的关键，“算错了最多浪费几个小时算力，而一个错误的实验决策，浪费的是数月的时间与数百万的成本。”

正是基于这一认知，艾斐智药推出了PharmAgents多智能体药物发现引擎，试图让AI真正介入研发的核心决策环节。PharmAgents不是预设好的自动化工作流，而是具备自主规划、执行、反思能力的闭环决策系统。这套系统可以综合多源信息，既包括DrugCLIP、AlphaRank等自研模型的输出，也包括文献、专利、临床数据等公开信息，还可以整合人类专家的意见与反馈，最终给出“下一步最值得做什么”的决策建议。“传统的AI工具链解决的是‘任务怎么做’，而PharmAgents要回答的是‘项目下一步该做什么’。”高博文总结。

技术能力的重构，也带来了商业模式的升级。艾斐智药从成立之初就明确，不做单次计费的技术服务，而是坚持联合开发的商业模式。“我们不会给客户做一次筛选就结束，而是深度参与到分子发现、实验验证、候选优化的全过程，和合作伙伴共担风险、共享管线成长的价值。”高博文表示。

截至目前，艾斐智药已与多家药企、Biotech、科研院所及医院推进合作，覆盖代谢、CNS、自身免疫、药物递送等多个领域。

算法再先进，最终也要落到真实的管线上才能证明价值。

艾斐智药的第一条自研管线，ADHD（注意缺陷多动障碍）高选择性NET抑制剂，正是其AI原生研发范式的第一个完整试金石。

有意思的是，这条管线最初并非出于商业立项，而是团队用来验证DrugCLIP能力的技术项目。在对去甲肾上腺素转运体（NET）靶点进行虚拟筛选的过程中，团队意外发现了一个从未被报道过的全新别构口袋。

NET是治疗ADHD的经典靶点，已上市的非兴奋剂类药物托莫西汀正是作用于该靶点。但传统的NET抑制剂都结合在正构口袋，由于单胺转运体家族的SERT、DAT与NET的正构口袋高度相似，药物很容易脱靶，带来心率加快、血压升高、睡眠障碍、胃肠道反应等副作用。对于以儿童患者为主的ADHD人群而言，副作用的耐受度极低，很多患者无法坚持服用足量药物。

而这个全新的别构口袋，天然具备高选择性的优势。它只存在于NET上，不会和SERT、DAT产生交叉结合。这意味着，针对这个口袋开发的药物，有望从机制上解决传统药物的副作用难题，成为真正的First-in-Class疗法。

发现新口袋后，团队快速将项目升级为自研管线，用AI驱动全流程的分子优化。结合亲和力预测、ADMET性质预测、分子设计等多个自研模型，配合药化与生物团队的实验反馈，仅用数月时间就迭代得到多个性质超越上市药物的分子。目前，该管线已进入Pre-PCC阶段，正在推进后续的成药性优化。这条管线的价值不止于一个候选药物，更在于它验证了一套完整的可能性：AI不仅能筛选分子，还能发现全新的口袋与作用机制，驱动First-in-Class药物的研发。

“我们要证明的不是偶然做成一个项目，而是这套AI centric的范式可以复制到不同疾病领域、不同药物模态。”高博文表示。

对于未来，高博文用三个关键词阐述了艾斐智药的核心理念：AI native、决策、进化。而这三个词，也恰好指向了他所认为的AI制药终极形态：虚拟药企（Virtual Pharma）。

“当AI只能把原有流程提效20%-30%，它只是nice to have；当AI能发现过去人类找不到的分子、做成过去做不成的药，它才是must-have，才真正意味着范式变革。”在高博文的构想中，终有一天AI会具备从靶点发现到临床前研发的完整决策能力，作为核心大脑指挥自动化实验室，自主推进药物研发的流程。而艾斐智药要做的，就是成为这条路上最早的探索者与践行者。

从清华实验室里的论文，到一家完整的AI原生制药公司，艾斐智药走的每一步，都是在回答同一个问题：当AI不再是辅助工具，而是药物研发的核心生产力，这个行业会变成什么样？而这个问题的答案，或许将定义创新药的下一个十年。