AlphaFold救不了AI制药？ 望石智慧以微观世界模型破局机制推演

2026年被业界公认为“物理AI元年”。黄仁勋在CES上宣告“物理AI的ChatGPT时刻已经到来”，李飞飞则将世界模型分为渲染器、模拟器、规划器三类，判断三类模型终将融合为真正的世界模型。

热度背后是资本的快速涌入。Crunchbase数据显示，2026年上半年物理AI新创募资金额达474亿美元，科技大厂跑步入场，金融资本密集下注。但真正值得追问的，是物理AI的第一波价值将在哪里兑现。

答案可能不在自动驾驶，也不在具身智能。李开复的判断是：“过去20年，AI主要在理解和生成人类世界的信息；未来20年，AI最重要的任务将是走进自然世界，理解科学规律，参与科学发现。”

AI4S（AI for Science）被黄仁勋列为与大语言模型、具身智能并列的三大AI关键方向之一，远期市场规模有望达千亿美元。国盛证券的测算更具体：当AI研发渗透率达到2.5%时，AI4S行业规模约149亿美元，若渗透率提升至25%，将成长为年产值突破1400亿美元的超级蓝海。

物理AI在科学世界的第一站，正在分子尺度上打响。而在所有AI4S的探索中，AI制药（AI-driven Drug Design, AIDD）是最早进入商业化验证，也最先触碰到天花板的那一个，也极有可能首先迎来物理AI进场的变革。

深耕AI制药领域近十年，望石智慧创始人兼CEO周杰龙在WAIC2026上提出了一个更具体的判断：AI制药正在从“智能体阶段”走向“物理AI阶段”，而微观世界模型，就是通向物理AI的底层模型。他认为，“智能体可以编排工具、执行流程，但它无法形成对生命微观系统的底层认知和推演能力，微观世界模型也许会比物理世界模型更早取得突破。”

01.传统AIDD，卡在哪里？

创新药研发在业内有着广为人知的三“十”定律——研发一款新药需要十年时间、投入十亿美金、成功率不及十分之一，其本身具有高风险、高投入的特点，同时又天然需要计算、模型与实验协同，恰好是AI4S最典型，也最现实的落地场景之一。

过去五年，AI在药物发现早期环节的效率提升有目共睹。AI能够挖掘文献与数据库中的关联信息，快速锁定潜在靶点，生成具备成药潜力的分子结构，大幅缩减需要实际合成验证的化合物数量。

但效率提升解决不了根本问题，所有做新药研发的人都知道一个词：死亡之谷。

它描述的是从基础研究发现到成功上市药物之间那道令绝大多数候选药物折戟沉沙的鸿沟。在数场行业会议上，有Biotech从业者谈到：“现在虽然有大模型，但它的转化率预测性还不够好，所以就造成了从靶点到人体临床试验的‘死亡之谷’。”

体外细胞实验有效的药，进了动物体内可能失效；动物实验安全的靶点，到了临床试验可能引发脱靶毒性。根本原因在于，当前主流的生命科学研究范式在分子生物学、细胞生物学、生理学之间是尺度割裂的，缺乏一个统一的框架将不同尺度关联起来。

摩根士丹利在报告《跨越分子：2026年是人工智能药物发现的成败之年》亦提到，化学模型是药企研发体系中的“加速器”，但生物模型的发展水平才决定AI制药行业的价值上限。化学模型回答“如何高效开发药物”，生物模型回答“能开发什么药物”。后者的缺失，正是“死亡之谷”的根源[2]。

同时，这也引发了另一个关键问题——当前AI制药公司普遍开始强调的“干湿实验闭环”。这听起来很完美，但也很贵。

所谓“干湿实验闭环”，是指AI预测-合成分子-湿实验-数据反馈-再训练模型的过程。

但问题是，每一轮模型预测之后，都需要在真实世界进行合成、测试、筛选，再把数据反馈回来。而药物研发的实验并不是互联网产品的A/B测试，分子合成有成本，生物实验有成本，周期可能以周、月计算，大量失败数据并不能轻易标准化，真正高质量的数据尤其稀缺、昂贵，且耗时不可压缩。

一位资深业内人士透露：“一个湿实验，合成一个分子可能千元到万人民币；做一个结晶（蛋白－小分子复合物三维结构），想要获得有价值的数据点，折合下来约平均花费要数万元人民币，甚至更贵。更别提动物模型阶段，一只人源化转基因小鼠可能就需要上万元人民币，一只实验猴成本可能就超过数万元人民币。仅一项毒理研究成本就可花费上数十万到数百万。而这些成本还仅仅只是临床前阶段，很有可能动物模型给出了错误的信号，团队仍在继续投入几年时间和数千万甚至上亿美元进行临床验证。”

因此，这笔账算下来，如果模型只是把“1000个分子”筛到“100个分子”，但仍然需要大量实验验证，这依然是千万量级的成本。这么看来，大模型在制药领域的价值兑现，依然更多是在优化生成效率，而没有真正改变传统制药研发的成本结构。

简言之，传统AIDD仍然是在做相关性预测，并未真正解决药物研发的根本难题，其能力边界正在逼近上限。2026年的AI制药行业正站在一个微妙的分水岭上：一边是资本热度和BD交易频出，另一边是监管框架开始逐步要求AI模型证明“因果推断”而非“相关性预测”。

2026年1月，美国食品药品管理局（FDA）与欧洲药品管理局（EMA）联合发布了《人用药品和生物制品研发中人工智能良好实践指导原则》，这是全球两大主要药品监管机构首次就人工智能（AI）在药物研发中的应用达成共识性框架，引发了业内关注和热议。

虽然监管方很清楚，短期内无法将药物安全有效的“黑箱”完全变成“白箱”。但他们仍要求AI系统在开发、验证和使用中做到透明、可追溯、可解释。理由很简单：监管需要证据，来判断AI的介入能否支撑药品的安全性、有效性和质量。

这意味着，如果一个AI模型只能输出“这个分子有毒”的预测，却无法解释为什么有毒、通过什么机制产生毒性，它在监管决策中是不被接受的。

无论是物理AI技术发展本身还是监管的要求，都指向一个信号：未来在药物研发中，AI模型不能只做一个“高准确率的黑盒”，它必须能够解释“为什么”，并证明其推理符合科学机制。

02.微观世界模型，颠覆AI4S的新一代研发范式

当前的AI大模型能识别相关性，却无法建立可靠的因果性推演。这并非AI制药行业独有的问题，而是整个AI4S领域共同面临的局限。

周杰龙认为，要跨越“死亡之谷”，AI需要的不是更强的统计拟合，而是对微观物理世界的因果建模能力。因此，他提出了“微观世界模型”的概念。

在他看来，世界模型是AI在内部构建一个模拟真实世界规律的数字环境，能够预测“接下来会发生什么”，并在不真正行动的前提下反复推演。那么将这层能力从宏观世界下沉到微观尺度，就得到了“微观世界模型”。

它的核心逻辑是：以小分子、蛋白质、原子乃至电子作为表征单元，遵循量子力学和统计力学的底层规则，模拟分子间相互作用、构象变化和动态演化。周杰龙做了一个生动的比喻：“就是在计算机里建造一个严格遵循物理化学定律的‘分子沙盒’，让候选药物先进这个沙盒里‘完整地活一遍’——怎么结合、怎么代谢、会不会产生毒性？把尽可能多的失败消灭在真实实验开始之前。”

传统的分子生成模型只能告诉研发人员“这个分子活性可能是100nM”，但微观世界模型试图回答：为什么改变一个官能团，活性就提高了十倍？到底是形成了新的氢键、排开了一个水分子，还是改变了蛋白构象？

这并不是简单的技术构想。周杰龙表示，望石智慧正在打造首个“全电子”微观分子世界模型。当前全球最前沿的分子模型——包括AlphaFold3、Isomorphic Labs的IsoDDE等——基本停留在“全原子”层面，以原子为最小建模单元，通过原子坐标和力场参数描述分子间相互作用。而望石选择再往下一层，进入电子尺度。

电子是构成物质的基本粒子之一，不可再分。化学键的形成与断裂、氢键与静电作用、π-π堆积、疏水效应——这些决定分子行为的核心相互作用，本质上都发生在电子层面。传统模型看到的是原子的种类和坐标，但真实的分子相互作用发生在更底层的电子分布上。周杰龙认为：“如果我们在纳米、纳秒的时空尺度上获得了最完备的信息，理论上就可以通过机器学习不断逼近最终的物理真实。”

这种“全电子”定位的意义，不仅在于精度。更关键的是它的可迁移性。药物、材料、催化剂、半导体器件在微观层面共享同一套物理基础——电子的转移与分布、化学键的演化、能量的吸收与释放。一个能够在电子尺度上准确表征和推演微观相互作用的模型，其底层能力天然具备跨领域的迁移性。周杰龙将其比作“电子宇宙地图”：“有了最基本粒子的完备信息，可以做非常多的事情。”

这背后，是望石智慧在实验电子密度数据方面多年拥有的独特的积累，也是对第一性原理相关的电子数据的挖掘能力延展。

除了自身的技术和数据积累，两个具体的行业信号也让周杰龙确信拐点正在到来。他谈道：“一方面，宏观世界模型的发展，已经验证了AI内化物理规律的可行性，从OpenAI的Sora到NVIDIA Cosmos，我们可以看到技术正从‘宏观’向‘微观自然’下沉。另一方面，基于Scaling law的逻辑，单纯数据驱动的深度学习存在显著的性能边际递减效应：分子生成指标从10%提升至30%不难，但指标到达一定高度后，每提升1个百分点，算力与数据成本将成倍上涨。这就倒逼行业在模型底层引入物理化学原理的约束。”

他同时提到，从客户角度出发，如今药企的需求已经从“提高效率”转向“提高质量”，头部药企不再只求快筛分子，更关注“能否提高临床成功率”“能否解释生物机制和机理”。

03.微观世界模型“进场”，为什么是现在？

放到整个AI4S来看，周杰龙的判断或许代表了某种前沿趋势所在。2026年以来，多个AI4S子领域正在同步向这一方向演进：

诺贝尔奖得主David Baker联合创办的GenBio AI推出AIDO Cell，号称首个能够从DNA/RNA模拟到全细胞行为的多尺度虚拟细胞世界模型。

西湖大学郭天南团队在《自然》发表Protein Talks模型，以真实连续的蛋白质动态为基础构建虚拟细胞，用于三阴性乳腺癌的药物疗效预测和个性化精准治疗指引。

AI生物科技公司Polyphron正构建“组织世界模型”——模型基于纵向组织轨迹数据训练，预测组织在不同遗传背景和化学干预下的反应轨迹，再放到自动化制造的真实活体人体组织中进行验证，形成持续迭代的闭环。

扎克伯格旗下Biohub发布全球首个开源“蛋白质世界模型”，基于包含68亿蛋白质和11亿个结构的ESM Atlas搭建，在癌症和免疫学五个靶点的测试中蛋白命中率达36%—88%。

……

尽管“微观世界模型”这一概念尚未在业内形成通用定义，但这些不同命名的探索都指向同一个底层逻辑：AI必须从处理符号和数据的统计关联，走向对微观物理世界因果机制的建模与推演。

DeepMind在2018年提出“世界模型”的概念和方向时，本质上也是基于类似的出发点。DeepMind联合创始人、董事长Demis Hassabis曾表示，当前大语言模型虽能处理文本、图像和视频，但本质上缺乏对物理规律、因果关系和空间推理的理解，仅是统计模式匹配而非真正的认知。

前DeepMind研究员曹原则说得更具体：大语言模型可以预测X和Y高度相关，但科学需要的是“X通过机制M导致Y”的确定性表述；模型对因果关系的判断不应该基于语言表述，而应该基于对底层物理过程的建模和掌握。

有意思的是，周杰龙认为，“接下来的几年，微观世界模型可能比宏观世界模型更快突破。”

这个节奏判断背后，有几个关键原因。

第一，微观世界的底层规则更封闭、更确定。宏观世界模型面对的是开放环境——路上有行人、有天气、有突发状况，甚至还有其他参与者的意图和行为，长尾问题几乎无穷无尽。但分子世界不一样，它的底层规则是量子力学和物理化学定律，这些规律普适、确定，不会因为场景不同而改变。一个分子和靶点的结合自由能，只由物理定律决定，没有“意外”。封闭系统天然比开放系统更容易得到可信度高的结果。

第二，微观世界的观测和验证手段更精确。宏观世界模型的金标准来自传感器和路测，噪声大、覆盖也有限。但微观世界有一整套成熟的实验物理手段——X射线晶体学、冷冻电镜、结合自由能测定——这些能提供实验级的刚性标准，可量化、可复现。更重要的是，这个验证周期可控：一次分子合成的验证以周计，而一次真实路测场景的建设可能要以年计。这意味着微观世界模型的数据飞轮转得更快。

第三，微观世界模型的商业闭环更直接。宏观世界模型的变现路径还在探索期，而药物研发是全球支付意愿最强的场景之一——一款新药的失败成本以亿美元计，任何能实质性降低失败率的能力都有明确的衡量标准。事实上，MNC已经在用真金白银进行投票：Isomorphic Labs与诺华、礼来、强生的合作总额约30亿美元，GSK为Noetik的模型授权支付了5000万美元预付款。需求明确、预算充足、效果可衡量，这样的商业环境会反过来加速技术迭代。

但周杰龙也对这个判断加了一个关键前提：“微观世界模型的挑战在于误差会跨尺度放大。分子层面的微小偏差，在跨尺度传递后可能被显著放大。所以‘更快突破’，指的是在分子这个封闭尺度内率先达到工业级可信度，而不是整个跨尺度链条的一蹴而就。”

换句话说，微观世界模型的“更快”，是相对于宏观世界模型在开放环境中的验证困境而言的。它并不意味着一步到位地模拟整个人体，而是在最底层的分子尺度上先建立起可信、可验证、可迁移的物理表征能力，再逐层向上整合。

这条路径的终点很远，但第一步的落点，比很多人想象的要近。

04.未来十年，谁的机会？谁的挑战？

微观世界模型级的数字孪生一旦实现，意味着AI4S将从“加强版工具”走向真正的“科学发现者”，从统计关联走向物理因果。

其应用价值，远不止于AI制药。

正如前文所言，如果把视角拉远，药物、材料、催化剂、半导体器件在微观层面共享同一套物理基础。化学键的断裂与形成、电子的转移与分布、能量的吸收与释放——这些过程遵循的量子力学和统计力学规律，不会因为研究对象是蛋白质还是锂电池正极材料而改变。

周杰龙认为，一个能够在电子尺度上准确表征和推演模拟微观相互作用的模型，其底层能力天然具备跨领域的迁移性。

以半导体为例。芯片制造中的光刻胶反应、薄膜沉积的界面演化、掺杂原子的扩散行为，本质上都是原子和电子层面的物理过程。当前这些工艺的优化高度依赖实验试错，周期长、成本高。如果微观世界模型能够准确模拟电子密度分布和化学键演化，理论上可以在虚拟环境中预演不同工艺条件下的材料行为，大幅压缩研发周期。

2026年，CAAI人工智能伦理与治理工委会主任陈小平教授在阐述物理AI时特别指出，半导体、超导、新能源等领域在微观尺度上同样受电子运动支配，与生物医药共享同一套底层规律。这意味着，微观世界模型的泛化能力，天然覆盖这些万亿级产业。

材料科学同样如此。电池的充放电过程、催化剂的活性位点、合金的相变行为，核心机制都发生在电子和原子尺度。宁德时代以亿元级战略投资布局“物理×AI”算法基座，目标正是覆盖物质科学从设计到服役的全生命周期。2026年，全球高质量物理数据仅约50万小时，而仿真驱动的合成数据正在成为绕过数据瓶颈的关键路径，这一逻辑在材料、能源、半导体领域同样成立。

可以预见地是，在这样的变革机遇下一家企业想“进场”并持续“在场”，至少要满足两个“硬指标”：

首先，拥有独特可溯源数据资产，而非在公开数据上做工程集成。当大家都用同样的公开数据训练，模型必然趋同；只有掌握实验级的、别人拿不到的观测信号，模型才可能逼近物理真实。

其次，真正具备底层模型自研能力。只做API调用和工程集成的公司在范式切换时没有议价能力。真正有价值的是能解决过去难以解决的问题——更准确地理解三维相互作用、构象变化、选择性，乃至进入电子层面的物理环境。

这并不容易。公开报道显示，望石智慧清洗、治理了海量数据，包括200亿+小分子库、2亿+虚拟复合物库、300万+电子密度库和上亿二面能量扭转数据等，搭建了独有的实验电子密度数据库ExptNCI。

周杰龙告诉硬氪，望石从成立之初就建立了专门的数据开发团队和质量标准，构建了一套完全不同于外界的造数据方法和体系，这是很多AI4S公司尚未意识到且短期内难以做到的。

2022年，望石团队在《Journal of Chemical Information and Modeling》期刊以封面文章形式发表了基于实验电子密度建模非共价相互作用的方法论，建立了包含约20万个非共价相互作用信号的ExptNCI数据库，覆盖超过12000个蛋白质-配体复合物。这些数据来源于结构生物学中X射线晶体衍射产生的原始电子密度图，而非理论近似——它们记录的是真实实验中电子的实际分布，直接反映了化学键、氢键、π-π堆积等相互作用的物理本质。

在此基础上，2022年，望石智慧团队首次提出了基于实验电子密度的3D分子生成技术，并在2024年在《Nature Machine Intelligence》发表了第三代分子生成模型Lingo3DMol，该模型在分子生成的类药性、合成可及性、口袋结合模式和生成速度等关键指标上，已经超越了当时的最优方法。

这两个“硬指标”并非孤立存在，而是相互支撑的。实验电子密度数据为自研模型提供了别人拿不到的“观测信号”，而模型的迭代又反过来驱动对数据的更深度挖掘和再利用。周杰龙的判断是：“如果我们在底层模型和专有数据资产上能够不断构建壁垒，随着时间推移，这个壁垒会不断加强，不容易被工具的迭代所稀释，从而形成真正的护城河”。

换句话说，微观世界模型要想落地，不一定需要一家企业同时掌握算力、机器人、实验室等全部要素，但一定要能够控制Model—Data—Experiment—Drug—New Data这个循环。真正的壁垒是这个循环能不能持续产生别人拿不到的数据，并且越跑越快、越跑越准。

更长远地看，当AI能够在电子尺度上建立起对微观世界的通用表征能力，它就不只是在“加速某个行业的研发”，而是在构建一套跨产业的底层基础设施。

正如李开复近期公开指出的，语言模型可以谈论科学，但并不真正理解科学，科学智能真正需要学习的是自然规律。如今物理AI加速渗透进入微观世界，或许，行业应该准备好迎接那个先冲出起跑线的选手了。

参考资料：

1. 2026年1月，国盛证券《AI for Science大时代,，撬动科学研发万亿赛道》

2. 2026年8月，摩根士丹利《跨越分子：2026年是人工智能药物发现的成败之年》

3. 2026年8月，Crunchbase News. Physical AI Startups Raised $47.4B in H1 2026. 

4.2026年8月，播客《硅谷101》访谈《对话前DeepMind曹原：AI for Science爆发，一个新时代到来了》

5.2026年1月，CNBC播客《The Tech Download》专访《Demis Hassabis: The Man Behind Google's AI machine》

6.2026年7月，上观新闻《李开复：以AI4S为代表的科学研究“第五范式”正在形成》