过去几年，我们熟悉的 AI工具，大多停在屏幕上。
出圈的也就那么两件事。
一件是 AI对话，陪人聊天。
一件是 AI画图，帮人出图。
屏幕外那些又重又慢的行当，它碰得少。
造药就是其中一个。
一款新药从立项到上市，往往要熬十年。
烧掉几十亿美元。
最后还有九成倒在半路。
五年前，一家做 AI 的顶尖实验室里，分出一支队伍，专门造药。
他们想做的事很直白。
把这段又长又贵又靠运气的路，推倒重来。
今年是第五年。
公司的负责人亲自写了一篇文章，交了作业。
结论就一句，这条路走通了。
造药到底难在哪
难在一个天文级的数字。
能当小分子药的化合物，理论上有 10 的 60 次方那么多。
整个太阳系的原子加起来，也才 10 的 57 次方。
想在里面挑出唯一那颗，比在全宇宙里找还难。
过去药企怎么干。
用机器流水线，一批一批地测。
几个月到几年，测掉十万到十亿个分子。
十亿个，扔进 10 的 60 次方里，连一滴水都算不上。
就算撞大运捞到几个苗头，后面还有多年优化。
毒性要压，溶解度要好，还得能透膜。
一项一项地掰。
新药动辄十年，动辄烧掉几十亿，就是这么来的。
失败率还高到九成以上。
不筛了，直接算
这家公司端出的引擎，叫 IsoDDE。
它不碰那十亿个库存。
与其把库存堆得更大，不如换一张桌子重算。
它把整片 10 的 60 次方的化学空间，搬进计算机里搜。
几天时间，批量生成分子，再一轮轮迭代。
做出来的分子，不光能结合靶点。
理化性质也早就备好，等着上真实实验台。
有一个靶点，被他们拿来当例子。
科研人员只填一份需求单。
打哪个靶点，要什么调节方式，选择性多高，溶解度和透膜性到哪条线。
剩下的全交给设计智能体。
两到四天，智能体在化学空间里跑完一轮。
像铺开一张大网，罩住最有潜力的那片区域。
它还懂得收放。
一开始到处试探没见过的化学骨架。
一旦嗅到高潜力的那片，立刻收手，往深里挖。
做药的人都知道，分子的属性常常打架。
药效强了，毒性往往跟着涨。
溶解度好了，透膜性又变差。
人类药师在这块跷跷板上磨好几年。
它几天就推到多目标的最优边界。
他们拿模型设计的分子，和人类专家花三五年翻文献推出来的分子比。
功能浓度响应曲线上，前者各项都更整齐。
从经验，走向工程
五周年这篇文章里，负责人抛了一个说法。
造药正在从经验时代，走进精密工程时代。
过去一百多年，人类造药还是老一套。
青霉素是意外撞见的。
靶向药是海量盲筛捞出来的。
里面都掺着大量运气。
我们只是碰巧遇到一个能治病的分子，再回头补它的短板。
他想要的是另一种画面。
造药该像造飞机、造芯片，按图纸来。
他们给这种分子下了定义。
从零开始，用 AI 按极高精度设计，能照规格调节靶点，毒性压到最低。
为了做到这件事，他们把人和流程都塞进一个屋檐。
搞模型的人，做生物的人，管化学的人，坐在一张桌上。
2024 年，那套预测蛋白质结构的成果拿了诺贝尔化学奖。
他们把它放大了五年。
如今的引擎，不只是预测结构。
它把世界模型和推理模型攒到一起，具备零样本推理能力。
结构怎么搭，能不能结合，分子什么脾气，毒性多大，一起解。
更让他们意外的是原创力。
引擎挖出了此前没人知道的生物机制。
也设计出能打开未知蛋白质口袋的分子。
这些还在真实湿实验里跑通了一遍。
到这一步，顺序反了过来。
不再是人类教机器怎么造药。
它回过头告诉人类，这个角落能成药，钥匙我都配好了。
这些分子已经攒下不错的临床前数据。
下一步，就等临床试验那道门。
结语
过去五十年，造飞机造车盖楼，都被计算机辅助设计翻过一遍。
这把火，如今烧到了生命和健康。
当 10 的 60 次方被几天量完，造药从碰运气变成一件可算可复制的活。
宁可多花几天算明白，也别再拿十年去赌。
一个没有难治之症的未来，第一次显得没那么远。
