2026年開年以來，OpenClaw（龍蝦）的走紅，標誌著語言大模型（LLM）的能力從陪人類聊天走向操作物理世界，同時標誌著原本屬於少數公司或少數個體的AI智能體（AI Agent）技術的平民化。AI智能體開始賦能千行萬業，藥物研發行業也概莫能外。
AIDD是AI和藥物研發的交叉領域。自2019年至今，從命令行（CLI）到網頁（Web），再到如今的智能體（Agent），藥物研發人員使用AIDD模型的方式經歷了快速轉變。不變的是，人們對於省時、易上手、易使用的追求。
今天我們可以大膽地宣佈，一個嶄新的AIDD智能體時代已經誕生。這一次，不用在Terminal裡敲入複雜的命令行，也不用對著SaaS界面用鼠標點點戳戳，只需要自然語言，研發人員就可以調用AIDD模型進行虛擬篩選或藥物設計。
然而，AIDD智能體帶來的僅僅是交互界面的變化嗎？我們認為遠不止於此。在本文中，我們對新時代做出六個預測。
預測一：AIDD基座模型調用量將增加10倍以上
智能體使用自然語言就能操作，使得應用AIDD的門檻大為降低。當生物學家能直接用自然語言調用AlphaFold分析蛋白結構，當化學家能口頭描述需求就生成分子庫——AIDD將從"專業工具"變成"基礎設施"。就像Excel讓非程序員也能做數據分析，AIDD智能體將讓每位科學家都擁有自己的計算化學助手。
可以預測，大量非AIDD/CADD背景生物學家和化學家，將開始具備使用AIDD基座模型做研究的能力。願意本地部署模型或是調用雲端模型API的用戶數量將大幅增加，使用也愈加頻繁。
預測二：AIDD智能體自主規劃工作流，解決長尾場景中的藥物研發問題
智能體具備推理和自主規劃能力，此前SaaS裡固定計算工作流將被打破，我們有機會看到各種AIDD模型被意想不到地組合起來，去解決高度特異性場景下的藥物研發問題。例如雙靶點/三靶點激動劑開發，跨物種抗體的研發等等。而這些場景，之前由於罕見，往往被平台公司所忽略。
傳統SaaS的商業模式是"覆蓋最大公約數"——只做80%用戶高頻使用的功能。但智能體時代，一個研究生可以用自然語言描述自己的特殊需求，智能體自動組合現有工具鏈生成定製化工作流。長尾需求的滿足將催生大量原本不可能的研究方向。
預測三：藥物設計執行主力從老師傅變為24小時在線的AIDD智能體
智能體具備知識沉澱的能力。我們將會看到，越來越多的公司，把自己多年積累下來的藥物研發最佳實踐變成智能體的技能(Skills)，並隨時間推演不斷地迭代升級。靠老師傅經驗設計藥物的時代即將成為歷史，而24/7在線永不離職AI智能體即將上線。
但老師傅不會消失，他們會進化。未來的老師傅將不再是執行者，而是智能體的訓練師和校準者。他們負責把"為什麼這個分子讓我不安"拆解成智能體能理解的規則，並在智能體輸出"看起來合理但感覺不對"的結果時按下暫停鍵。
預測四：人類專家將和AIDD智能體一同工作，用品味和判斷指導藥物研發項目推進
正如陶哲軒在近期的博客採訪中談到，AI研究的優勢是廣度，即AI會產生很多很好的想法——但劣勢在於深度不足，缺乏在某一特定方向深入挖掘下去的直覺。而人類專家恰好可以彌補這方面的不足。未來的生物科技公司或許將以"半人馬"式進行，人類專家負責品味和判斷，而AIDD智能體負責執行。
在藥物研發中，品味是：
- 在十個同樣合理的分子中，選擇那個"感覺更有成藥潛力"的直覺
- 在數據不充分時，基於機制理解判斷"這個靶點值不值得繼續投入"的勇氣
這些不是算法能優化的目標函數，而是人類在無數次試錯中內化的價值判斷框架。至少在10年內，Human in Loop將是常態——不是因為AI不夠強，而是因為藥物研發的本質是在不確定性中做價值判斷，而這正是人類擅長的。
預測五：AIDD智能體讓自主DMTA循環成為現實，大幅壓縮循環週期，提高研發效率
因為智能體具備長時間執行任務、從環境反饋中學習的能力，這就意味著它可以從失敗或成功中學習，不斷更新自身對於藥物研發的認知。在此之前我們希望可以用單點模型（例如AlphaFold）不斷升級訓練解決的藥物設計難題，或許在智能體這個更大的框架中有望得到解決。
真實世界的藥物研發是DMTA（Design，Make，Test，Analysis）循環的迭代。在我們看來，DMTA的不同環節需要調用不同的AIDD基座模型。而把不同模型的輸入輸出串聯在一起，並加以正確的數據解讀、策略制定、任務執行，是智能體已具備的能力。而這部分能力，恰恰是類似AlphaFold這樣的單點模型所缺乏的。
因此，可以想象智能體自主進行DMTA循環迭代的場景正在出現。由於合成（Make）和生物學評價（Testing）的耗時較長，單個DMTA循環週期現在往往在4-6個月左右。起初，智能體的介入可能極大地縮短設計（Design）和分析（Analysis）週期（從幾周到幾天甚至是幾個小時），但無法大幅壓縮整個單個循環週期。
伴隨自動化合成（如Emerald Cloud Lab）、機器人實驗平台、以及類器官等技術進步，我們有理由認為，單個DMTA循環週期有望壓縮到1個月以內。研發項目從1年只能迭代2–3輪，有望變成1年迭代12輪。新藥研發效率將迎來質的飛躍，相應的成本也將迎來下降。
預測六：藥物研發行業的組織形式將發生改變，從區域分散走向集中
當AIDD智能體的使用大幅壓縮了DMTA週期後，物流耗時就顯得極為刺眼。以前可以在北京合成化合物，送到蘇州做體外活性測試，再安排去山東做動物實驗——低價是首要的考慮因素，哪裡報價便宜就去哪裡。
而在AIDD智能體時代，節約物流時間可能比獲取更低報價還重要。當設計+分析從幾周壓縮到幾小時，跨城物流的2-3天變得不可接受。機器人實驗平台、自動化合成設備需要實體空間，無法像軟件一樣"雲端部署"。智能體需要根據實驗結果即時調整策略，這要求"設計-合成-測試"在同一時空連續發生。
我們預測將會在某個區域出現高度集中的生物科技公司+CRO公司集群。設計、化學合成、生物測試在同一園區發生。這不是倒退到"前互聯網時代"，而是用智能體技術重新定義"本地"的價值——當計算和決策可以全球化，物理執行就必須極致本地化。
結語
綜上所述，我們對於嶄新的AIDD智能體時代到來既興奮又擔憂。興奮的是，我們這代人有機會幸運地目睹生產力飛升在藥物研發行業的出現。擔憂的是，在新的時代，我們作為人類的重要性是否會下降？
或許這個問題本身就給出了答案。智能體不會擔憂自己的價值，不會深夜思考工作的意義，不會在看到患者用藥後的反饋時感到職業滿足。這些"不必要"的思考和感受，恰恰是推動藥物研發從"做藥"走向"救人"的底層動力。
借用英國著名作家查爾斯·狄更斯的名句以共勉："那是最好的時代，也是最壞的時代"。AI引發的時代巨變，不僅有毀滅，也有重生；既是危機，也是機遇。而區分毀滅與重生、危機與機遇的，不是算法的精度，而是使用算法的人，想要創造一個什麼樣的未來。