2026年开年以来，OpenClaw（龙虾）的走红，标志着语言大模型（LLM）的能力从陪人类聊天走向操作物理世界，同时标志着原本属于少数公司或少数个体的AI智能体（AI Agent）技术的平民化。AI智能体开始赋能千行万业，药物研发行业也概莫能外。
AIDD是AI和药物研发的交叉领域。自2019年至今，从命令行（CLI）到网页（Web），再到如今的智能体（Agent），药物研发人员使用AIDD模型的方式经历了快速转变。不变的是，人们对于省时、易上手、易使用的追求。
今天我们可以大胆地宣布，一个崭新的AIDD智能体时代已经诞生。这一次，不用在Terminal里敲入复杂的命令行，也不用对着SaaS界面用鼠标点点戳戳，只需要自然语言，研发人员就可以调用AIDD模型进行虚拟筛选或药物设计。
然而，AIDD智能体带来的仅仅是交互界面的变化吗？我们认为远不止于此。在本文中，我们对新时代做出六个预测。
预测一：AIDD基座模型调用量将增加10倍以上
智能体使用自然语言就能操作，使得应用AIDD的门槛大为降低。当生物学家能直接用自然语言调用AlphaFold分析蛋白结构，当化学家能口头描述需求就生成分子库——AIDD将从"专业工具"变成"基础设施"。就像Excel让非程序员也能做数据分析，AIDD智能体将让每位科学家都拥有自己的计算化学助手。
可以预测，大量非AIDD/CADD背景生物学家和化学家，将开始具备使用AIDD基座模型做研究的能力。愿意本地部署模型或是调用云端模型API的用户数量将大幅增加，使用也愈加频繁。
预测二：AIDD智能体自主规划工作流，解决长尾场景中的药物研发问题
智能体具备推理和自主规划能力，此前SaaS里固定计算工作流将被打破，我们有机会看到各种AIDD模型被意想不到地组合起来，去解决高度特异性场景下的药物研发问题。例如双靶点/三靶点激动剂开发，跨物种抗体的研发等等。而这些场景，之前由于罕见，往往被平台公司所忽略。
传统SaaS的商业模式是"覆盖最大公约数"——只做80%用户高频使用的功能。但智能体时代，一个研究生可以用自然语言描述自己的特殊需求，智能体自动组合现有工具链生成定制化工作流。长尾需求的满足将催生大量原本不可能的研究方向。
预测三：药物设计执行主力从老师傅变为24小时在线的AIDD智能体
智能体具备知识沉淀的能力。我们将会看到，越来越多的公司，把自己多年积累下来的药物研发最佳实践变成智能体的技能(Skills)，并随时间推演不断地迭代升级。靠老师傅经验设计药物的时代即将成为历史，而24/7在线永不离职AI智能体即将上线。
但老师傅不会消失，他们会进化。未来的老师傅将不再是执行者，而是智能体的训练师和校准者。他们负责把"为什么这个分子让我不安"拆解成智能体能理解的规则，并在智能体输出"看起来合理但感觉不对"的结果时按下暂停键。
预测四：人类专家将和AIDD智能体一同工作，用品味和判断指导药物研发项目推进
正如陶哲轩在近期的博客采访中谈到，AI研究的优势是广度，即AI会产生很多很好的想法——但劣势在于深度不足，缺乏在某一特定方向深入挖掘下去的直觉。而人类专家恰好可以弥补这方面的不足。未来的生物科技公司或许将以"半人马"式进行，人类专家负责品味和判断，而AIDD智能体负责执行。
在药物研发中，品味是：
- 在十个同样合理的分子中，选择那个"感觉更有成药潜力"的直觉
- 在数据不充分时，基于机制理解判断"这个靶点值不值得继续投入"的勇气
这些不是算法能优化的目标函数，而是人类在无数次试错中内化的价值判断框架。至少在10年内，Human in Loop将是常态——不是因为AI不够强，而是因为药物研发的本质是在不确定性中做价值判断，而这正是人类擅长的。
预测五：AIDD智能体让自主DMTA循环成为现实，大幅压缩循环周期，提高研发效率
因为智能体具备长时间执行任务、从环境反馈中学习的能力，这就意味着它可以从失败或成功中学习，不断更新自身对于药物研发的认知。在此之前我们希望可以用单点模型（例如AlphaFold）不断升级训练解决的药物设计难题，或许在智能体这个更大的框架中有望得到解决。
真实世界的药物研发是DMTA（Design，Make，Test，Analysis）循环的迭代。在我们看来，DMTA的不同环节需要调用不同的AIDD基座模型。而把不同模型的输入输出串联在一起，并加以正确的数据解读、策略制定、任务执行，是智能体已具备的能力。而这部分能力，恰恰是类似AlphaFold这样的单点模型所缺乏的。
因此，可以想象智能体自主进行DMTA循环迭代的场景正在出现。由于合成（Make）和生物学评价（Testing）的耗时较长，单个DMTA循环周期现在往往在4-6个月左右。起初，智能体的介入可能极大地缩短设计（Design）和分析（Analysis）周期（从几周到几天甚至是几个小时），但无法大幅压缩整个单个循环周期。
伴随自动化合成（如Emerald Cloud Lab）、机器人实验平台、以及类器官等技术进步，我们有理由认为，单个DMTA循环周期有望压缩到1个月以内。研发项目从1年只能迭代2–3轮，有望变成1年迭代12轮。新药研发效率将迎来质的飞跃，相应的成本也将迎来下降。
预测六：药物研发行业的组织形式将发生改变，从区域分散走向集中
当AIDD智能体的使用大幅压缩了DMTA周期后，物流耗时就显得极为刺眼。以前可以在北京合成化合物，送到苏州做体外活性测试，再安排去山东做动物实验——低价是首要的考虑因素，哪里报价便宜就去哪里。
而在AIDD智能体时代，节约物流时间可能比获取更低报价还重要。当设计+分析从几周压缩到几小时，跨城物流的2-3天变得不可接受。机器人实验平台、自动化合成设备需要实体空间，无法像软件一样"云端部署"。智能体需要根据实验结果即时调整策略，这要求"设计-合成-测试"在同一时空连续发生。
我们预测将会在某个区域出现高度集中的生物科技公司+CRO公司集群。设计、化学合成、生物测试在同一园区发生。这不是倒退到"前互联网时代"，而是用智能体技术重新定义"本地"的价值——当计算和决策可以全球化，物理执行就必须极致本地化。
结语
综上所述，我们对于崭新的AIDD智能体时代到来既兴奋又担忧。兴奋的是，我们这代人有机会幸运地目睹生产力飞升在药物研发行业的出现。担忧的是，在新的时代，我们作为人类的重要性是否会下降？
或许这个问题本身就给出了答案。智能体不会担忧自己的价值，不会深夜思考工作的意义，不会在看到患者用药后的反馈时感到职业满足。这些"不必要"的思考和感受，恰恰是推动药物研发从"做药"走向"救人"的底层动力。
借用英国著名作家查尔斯·狄更斯的名句以共勉："那是最好的时代，也是最坏的时代"。AI引发的时代巨变，不仅有毁灭，也有重生；既是危机，也是机遇。而区分毁灭与重生、危机与机遇的，不是算法的精度，而是使用算法的人，想要创造一个什么样的未来。